基于CF融入SSA优化SVM和RF模型的滑坡易发性评价.pdf

D O I:1 0.1 9 3 2 2/j.c n k i.i s s n.1 0 0 6-4 7 1 0.2 0 2 4.0 1.0 1 2h t t p s:/x u e b a o.x a u t.e d u.c n引文格式:陈芯宇,师芸,赵侃,温永啸.基于C F融入S S A优化S VM和R F模型的滑坡易发性评价J.西安理工大学学报,2 0 2 4,4 0(1):1 2 1-1 3 1,1 4 2.CHE NX i n y u,S H IY u n,Z HA OK a n,WE NY o n g x i a o.L a n d s l i d es u s c e p t i b i l i t ye v a l u a t i o nb a s e do nC Fi n t e g r a t e dw i t hS S At oo p t i m i z eS VM a n dR F m o d e l sJ.J o u r n a lo fX i a n U n i v e r s i t yo fT e c h n o l o g y,2 0 2 4,4 0(1):1 2 1-1 3 1,1 4 2.收稿日期:2 0 2 2-0 9-2 7;网络首发日期:2 0 2 3-0 4-2 4网络首发地址:h t t p s:/k n s.c n k i.n e t/k c m s/d e t a i l/6 1.1 2 9 4.N.2 0 2 3 0 4 2 4.1 5 1 8.0 1 4.h t m l基金项目:国家自然科学基金资助项目(4 1 6 7 4 0 1 3,4 1 8 7 4 0 1 2)第一作者:陈芯宇,女,硕士生,研究方向为地质灾害评价。E-m a i l:9 3 0 4 0 4 8 1 5q q.c o m通信作者:师芸,女,博士,教授,研究方向为环境遥感与防灾减灾。E-m a i l:s h i y u n 0 9 0 8h o t m a i l.c o m基于C F融入S S A优化S VM和R F模型的滑坡易发性评价陈芯宇1,2,师 芸1,2,赵 侃1,2,温永啸1,2(1.西安科技大学 测绘科学与技术学院,陕西 西安7 1 0 0 5 4;2.自然资源部煤炭资源勘查与综合利用重点实验室,陕西 西安7 1 0 0 2 1)摘要:针对传统的区域滑坡易发性评价建模过程可能存在的样本数据量纲不统一以及模型参数选取误差等问题,本文以陕西省留坝县为研究区,选取高程、坡度、水系、降雨量、地层岩性等1 0个评价因子,采用确定性系数模型(C F)计算各评价因子的敏感值作为支持向量机模型(S VM)和随机森林模型(R F)的输入样本属性值,引入麻雀搜索算法(S S A)分别对S VM模型和R F模型的参数进行优化,获取最优参数对两种模型进行训练,最终构建了C F-S S A-S VM和C F-S S A-R F模型,从而对整个研究区进行预测,完成滑坡易发性评价,并通过受试者工作特征曲线(R O C)对两种模型进行精度验证。结果表明,两种模型的评价结果均有较多滑坡点落在极高易发区,无滑坡点落在极低易发区,评价结果均有较高的准确率。其中,C F-S S A-R F模型的成功率和预测率曲线A U C值分别为0.9 9 4和0.9 4 0,高于C F-S S A-S VM模型;并以三处典型滑坡为例进行验证,结果显示易发性分区与历史滑坡点分布较为吻合。进一步表明C F-S S A-R F模型更适用于留坝县的滑坡易发性评价,为当地滑坡灾害风险评估提供了指导依据。关键词:易发性评价;麻雀搜索算法;随机森林模型;支持向量机模型;R O C曲线中图分类号:P 6 4 2 文献标志码:A 文章编号:1 0 0 6-4 7 1 0(2 0 2 4)0 1-0 1 2 1-1 1L a n d s l i d e s u s c e p t i b i l i t ye v a l u a t i o nb a s e do nC Fi n t e g r a t e dw i t hS S At oo p t i m i z eS VMa n dR Fm o d e l sCHE NX i n y u1,2,S H IY u n1,2,Z HAOK a n1,2,WE NY o n g x i a o1,2(1.C o l l e g eo fG e o m a t i c s,X ia nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,X ia n7 1 0 0 5 4,C h i n a;2.K e yL a b o r a t o r yo fC o a lR e s o u r c e sE x p l o r a t i o na n dC o m p r e h e n s i v eU t i l i z a t i o n,M i n i s t r yo fN a t u r a lR e s o u r c e s,X ia n7 1 0 0 2 1,C h i n a)A b s t r a c t:F o r t h e t r a d i t i o n a lm o d e l i n gp r o c e s s o f i n t r a-r e g i o n a l l a n d s l i d e s u s c e p t i b i l i t ye v a l u a t i o n,t h e r em a yb ep r o b l e m s s u c ha sn o n-u n i f o r m i t yo f s a m p l ed a t ao u t l i n e a n de r r o r s i n t h e s e l e c t i o no fm o d e l p a r a m e t e r s.T h i sp a p e r t a k e sL i u b aC o u n t yo fS h a a n x iP r o v i n c ea st h er e s e a r c ha r e a,s e-l e c t s1 0e v a l u a t i o nf a c t o r ss u c ha se l e v a t i o n,s l o p e,w a t e rs y s t e m,r a i n f a l l,s t r a t i g r a p h i c l i t h o l o-g y,e t c.,a n du s e s t h ec e r t a i n t yf a c t o rm o d e l(C F)t oc a l c u l a t et h es e n s i t i v i t yo fe a c he v a l u a t i o nf a c t o ra sas u p p o r t v e c t o rm a c h i n em o d e l(S VM)a n dr a n d o mf o r e s tm o d e l(R F)i n p u t s a m p l e a t-121 西安理工大学学报J o u r n a l o fX i a nU n i v e r s i t yo fT e c h n o l o g y(2 0 2 4)V o l.4 0N o.1 t r i b u t ev a l u e s;i t i n t r o d u c e st h es p a r r o ws e a r c ha l g o r i t h m(S S A)t oo p t i m i z et h ep a r a m e t e r so fS VM m o d e l a n dR Fm o d e l r e s p e c t i v e l y,o b t a i n s t h eo p t i m a l p a r a m e t e r s t ot r a i nt h e t w om o d e l s,a n df i n a l l yc o n s t r u c t sC F-S S A-S VMa n dC F-S S A-R Fm o d e l s,w h i c hc a np r e d i c t t h ee n t i r es t u d ya r e a,c o m p l e t e t h e l a n d s l i d es u s c e p t i b i l i t ye v a l u a t i o n,a n dv e r i f yt h ea c c u r a c yo f t h et w om o d e l st h r o u g ht h er e c e i v e ro p e r a t i n gc h a r a c t e r i s t i cc u r v e(R O C).T h er e s u l t ss h o wt h a t t h ee v a l u a t i o nr e s u l t sb yt h e t w om o d e l sh a v em o r e l a n d s l i d ep o i n t s i nt h ee x t r e m e l yh i g h-p r o n ea r e a s,a n dn ol a n d s l i d ep o i n t s i n t h e e x t r e m e l y l o w-p r o n e a r e a s,a n d t h a t t h e e v a l u a t i o n r e s u l t s a r eo f h i g ha c c u-r a c y.Am o n gt h e m,t h eA U Cv a l u e s a t t h e s u c c e s s r a t e a n dp r e d i c t i o nr a t e c u r v e so f t h eC F-S S A-R Fm o d e l a r e0.9 9 4a n d0.9 4 0,r e s p e c t i v e l y,w h i c ha r eh i g h e rt h a nt h o s eb yt h eC F-S S A-S VMm o d e l;v e r i f i e db yt h r e et y p i c a l l a n d s l i d e s,t h er e s u l t ss h o wt h a tt h ep r o n ez o n e sa n dh i s t o r i c a ll a n d s l i d ep o i n t sa r er e l a t i v e l yc o n s i s t e n t.I tf u r t h e rs h o w st h a tt h eC F-S S A-R F m o d e l i sm o r es u i t a b l e f o r t h e l a n d s l i d es u s c e p t i b i l i t ye v a l u a t i o nr e s e a r c hi nL i u b aC o u n t y,p r o v i d i n gag u i d i n gb a s i s f o r t h e l o c a l l a n d s l i d ed i s a s t e r r i s ka s s e s s m e n t.K e yw o r d s:e a s eo fo c c u r r e n c ee v a l u a t i o n;s p a r r o ws e a r c ha l g o r i t h m;r a n d o mf o r e s tm o d e l;s u p-p o r tv e c t o rm a c h i n em o d e l;R O Cc u r v e 滑坡是一种严重的自然地质灾害,因其分布广、危害大等特征,一直以来都是国民经济和人民生命安全的巨大威胁1。据资料统计,2 0 1 9年全国共发生地质灾害61 8 1起,其中滑坡42 2 0起,占总地质灾害的6 8%,造成了巨大的经济损失2。为了减少滑坡灾害带来的人员和经济损失,开展滑坡易发性评价对当地防灾减灾和灾害预警有着重要意义。目前,易发性评价方法分为定性和定量两类,定性分析主要有专家打分法、层次分析法,这类方法在评价过程中主要依靠专家经验,具有较强的主观性3-4。随着3 S技术的日益发展,定性分析逐步发展为定量分析(统计模型和机器学习模型)。统计模型可以明确反映影响因子与滑坡间的关系,原理简单,易于实现,如频率比法、信息量法、确定性系数法等5-9。以确定性系数模型(c e r t a i n t yf a c t o r,C F)为代表,它能够反映出各因子在不同分级类别下对滑坡发育的影响,可以消除不同量纲评价因子赋值引起的误差,但在因子的选取及分级过程中易受人为主观因素的影响。机器学习模型可以避免主观因素的干扰,它是通过较少的样本数据进行建模预测,从而获得较高的准确率,但存在模型输入样本量纲不统一等问题,从而影响评价结果,如逻辑回归、支持向量机、随机森林、神经网络等1 0-1 3。为了弥补单一模型的不足,多模型耦合已成为当前研究的热点话题,并已取得了较好的预测效果。如张钟远等1 4将频率比、信息量、确定性系数等单一模型与逻辑回归模型耦合来开展滑坡易发性评价,结果表明,耦合模型比单一模型评价效果更好。李远远等1 5采用C F方法计算各因子 属 性 值 作 为S VM的 分 类 数 据,构 建C F-S VM模型对整个研究区进行地质灾害易发性评价,结果表明,C F方法可以消除复杂因子间同区间量化不统一等问题,相较于S VM模型预测效果更好。郑迎凯等1 6将C F模型与R F模型耦合,结果显示C F-R F模 型 具 有 比R F模 型 更 高 的 预 测 率 与 成功率。综上所述,在诸多耦合模型中,C F-S VM与C F-R F模型已被广泛应用于滑坡易发性评价中,但该过程往往忽略了模型训练过程中参数的选取问题,多数学者采用默认参数或网格搜索算法寻找最优参数1 7,此种方法带有一定的主观性,难以选取最优参数,而参数选取是否合理将直接影响滑坡易发性评价结果。为了合理设置模型参数,本文将引入麻雀搜索算法(s p a r r o ws e a r c ha l g o r i t h m,S S A),该算法相较于其他智能优化算法具有较强的探索能力,在短时间内能找到全局最优点。利用该算法的这一优势,对常规支持向量机(s u p p o r tv e c t o rm a c h i n e,S VM)模型与随机森林(r a n d o mf o r e s t,R F)模型进行参数优化,并将C F模型融入S S A优化S VM和R F模 型,最 终 构 建 成C F-S S A-S VM模 型 与C F-S S A-R F模型,并用于留坝县滑坡易发性评价中,评价结果可为当地防灾减灾工作提供参考。1 研究区概况及数据来源1.1 研究区概况研究区留坝县位于陕西省汉中市北部,北纬3 3 1 7 3 3 5 2,东经1 0 6 3 8 1 0 7 1 8,地处秦岭南麓腹地,东、西、北三面环山。研究区中南部地势较低,区内地形起伏较大,海拔最低为6 1 8m,最高221 西安理工大学学报(2 0 2 4)第4 0卷第1期 为26 2 8m。地貌类型按照形态及物质可划分为山地和河谷两大地貌单元。留坝县属大陆性季风气候区,多年平均气温1 1.5,该区水系较为发达,褒河自北向南纵贯县境东西两岭之间,支流东疏西密,黑河次之。区内地层以古生界分布最广,地处秦岭褶皱系,断裂构造复杂,大小和方向不同的断裂使地层遭到严重破坏,区内滑坡共1 6 0处。研究区概况及滑坡点分布如图1所示。图1 研究区概况图F i g.1 O v e r v i e wm a po f t h es t u d ya r e a注:此图基于国家自然资源部标准地图服务网站审图号为G S(2 0 2 2)1 8 7 3的标准地图制作,底图无修改。1.2 数据来源滑坡易发性评价因子包括地形地貌、基础地质、水文环境、人类工程活动4类,其主要数据来源及数据类型见表1。表1 数据来源及类型T a b.1 D a t as o u r c e sa n dt y p e s数据名称数据来源数据类型滑坡灾害点中国科学院资源环境科学数据中心点数据高程、坡度、坡向、水系地理空间数据云A S T E RG D EM3 0m3 0m栅格工程地质岩组、断层地质图15 0 0 0 0栅格降雨量中国气象数据网点数据植被指数L a n d s a t 8O L I3 0m3 0m栅格道路O p e n S t r e e t M a p矢量数据土地利用类型F R OM-G L C3 0m3 0m栅格2 研究方法2.1 C F融入S VM和R F模型近年来,随着人工智能的发展,机器学习逐渐被引入到滑坡易发性评价中,此类方法能更准确地计算滑坡与评价因子之间的关系,应用效果较好。目前应用较为广泛的主要有支持向量机模型和随机森林模型。支持向量机(S VM)模型最初被用来解决二分类问题,它是在统计学习理论基础上将结构风险最小化原则应用于分类中,能够适应小样本分类,分类速度快,性能不逊于人工神经网络1 8。其主要思想是通过寻找一个分离超平面,使得距离超平面最近的点至超平面距离最大,从而为分类问题提供较好的泛化能力。随机森林(R F)模型是以决策树为基础的学习器,它是基于集成学习思想将多颗决策树模型组合为一个更加稳定的分类模型1 9。针对分类问题,每颗决策树相当于一个分类器输出一个分类结果,N棵树会有N个分类结果,通过投票321 陈芯宇,等:基于C F融入S S A优化S VM和R F模型的滑坡易发性评价 方式来决定最终的结果。这两种模型相较于神经网络模型均不需要大量参数,短时间内均可直接计算每个栅格单元的易发性指数值,能够较好地处理非线性关系,避免了人为主观因素的干扰。单一机器学习模型主要使用影响因子原始数据作为模型的输入样本属性值,存在量纲不统一,易产生评价误差等问题,从而影响易发性评价结果。对此,考虑采用C F模型计算出各因子分级下的C F值,提取样本点各评价因子的C F值作为S VM和R F的输入值,以消除各因子之间量纲不统一以及误差等方面的影响,同时初步判断各因子在不同分级类别下与滑坡之间的关系。基于上述理论,可将C F模型分别与S VM模型和R F模型进行耦合。现有研究结果表明,C F-S VM模型与C F-R F模型的精度均高于单一S VM模型和单一R F模型1 5-1 6。C F模型是根据历史滑坡点在各因子分级类别下的分布情况,计算各因子分级类别下滑坡发生的概率,C F值计算公式为:C F=P Pa-P PsP Pa(1-P Pa),P PaP PsP Pa-P PsP Ps(1-P Pa),P PaP Ps (1)式中:P Pa为评价因子分级a中滑坡点个数与该级单元面积的比值;P Ps为研究区滑坡总个数与研究区总面积的比值。C F取值为-1,1,当C F为正值时,值越接近1表明发生滑坡的可能性越大;当C F为负值时,值越接近-1表明发生滑坡的可能性越小;当C F=0时,无法确定评价因子在该分级下是否有利于滑坡的发生。2.2 麻雀搜索算法(S S A)尽管耦合模型具有以上优点,但机器学习模型在训练过程中,参数的选取会直接影响评价结果的准确性,故引入麻雀搜索算法进行参数优化。麻雀搜索算法于2 0 2 0年由X u e等2 0首次提出,是基于麻雀种群的觅食和反捕食行为开发的一种新型智能优化算法,麻雀觅食的过程就是算法寻优的过程,该算法寻优能力强、收敛速度快。在麻雀觅食的过程中,发现者主要负责寻找食物以及提供觅食的区域和方向,具有较好的适应度;加入者会不断地监视发现者,在发现者周围觅食;警戒者主要负责侦察预警,当麻雀种群受到捕食者威胁或者遭遇危险时,将会进行反捕行为。发现者位置更新如下:Xt+1i,j=Xti,je x p-i Im a x ,i fR2STXti,j+Q L,i fR2ST (2)式中:t为当前迭代次数;为(0,1)之间的均匀随机数;Q为服从正态分布的随机数;L为一行多维矩阵,矩阵元素全为1;Im a x为最大迭代次数;Xt+1i,j表示在t+1次迭代中第i只麻雀在第j维中的位置;R2和ST为预警值、安全值。加入者的位置更新如下:Xt+1i,j=Qe x pXtw o r s t-Xti,ji2 ,i fifgXti,j+KXti,j-Xtw o r s tfi-fw +,i ffi=fg (4)式中:Xb e s t为当前最优位置;为步长控制参数;fi为适应度值;fg、fw分别为当前最优、最差适应度值;为常数;K为-1,1 内随机数。2.3 C F融入S S A优化S VM和R F模型算法流程为消除S VM模型和R F模型自身存在的各因子之间量纲不统一以及误差等方面的影响,采用C F法计算得到各评价因子的敏感值作为S VM模型和R F模型的样本属性值,构建C F-S VM模型与C F-R F模型。在S VM模型训练过程中,关键参数惩罚因子c和径向基核参数g的取值会直接影响预测结果的精度,而创建R F模型之前,确定决策树棵数n t r e e和最大特征数m t r y也至关重要。故引入S S A对S VM模型与R F模型进行参数优化,利用该算法搜索能力强、收敛速度快、能在短时间内寻找到最优参数组合的特点,优化S VM参数c和g以及R F参数n t r e e和m t r y,以最优参数c、g、n t r e e、m t r y作为S VM和R F的参数,将样本数据集带入S VM模型和R F模型进行训练,构建C F-S S A-S VM模型与C F-S S A-R F模型,然后对整个研究区进行滑坡发生的概率预测,计算区域滑坡易发性指数值,再利用A r c G I S软件绘制滑坡易发性分区图。C F融入S S A优化S VM和R F模型的实现流程如图2所示。3 评价因子的选取与分析3.1 评价因子选取滑坡的发生受到多个因素的影响,在滑坡易发421 西安理工大学学报(2 0 2 4)第4 0卷第1期 性评价过程中,选择合适的评价因子至关重要。根据前人经验以及研究区实际情况,本文综合选取了高程、坡度、坡向、距水系距离、距道路距离、工程地质岩组、距断层距离、年均降雨量、植被指数(N D-V I)、土地利用类型等评价因子。采用A r c G I S提取评价因子图层(图3),将研究区工程地质岩组以及土地利用类型按照野外调查划分标准进行划分,距水系距离、距道路距离、距断层距离按等间距划分,其余因子按照自然间断法进行划分。图2 C F融入S S A优化S VM和R F模型流程图F i g.2 C Fi n t oS S Ao p t i m i z a t i o nS VMa n dR Fm o d e l f l o wc h a r t 3.1.1 地形地貌因子研究区中地形地貌因子由D EM生成。高程是一个重要的影响因子,不同的高程会使得区域人类活动和地形地貌存在明显差异。研究区的高程主要分布于6 1 810 6 9m,频率比值大于1,且在21 0 0m以上没有灾害发生,说明高程低的地方有利于滑坡的产生。坡度是影响滑坡的一个重要因素,地表土质松散发生位移会影响坡度的变化从而导致灾害发生,研究区坡度集中在0 2 2 时频率比大于1,说明对灾害的发生会产生较大的影响。不同的坡向也会导致地表蒸发、植被覆盖等差异,将坡向分为9类,当坡向为南西、南东方向时,频率比值较大,对滑坡具有正向作用,有利于灾害的发生。剖面曲率反映不同的坡面形态,当剖面曲率大于等于0时,频率比值大于1,有利于灾害的发生。3.1.2 基础地质因子基础地质因子分为工程地质岩组和断层构造两个部分。岩土体的风化能力是根据岩石类型、坚硬程度进行划分,岩性对滑坡的分布具有重要的控制作用。黏土质单层土体岩组主要以粉质黏土为主,结构较为松散,不稳定,易发生滑坡。断层构造以5 0 0m为步长划分为6类,整体趋势为离断层越远,发生滑坡的可能性越小。3.1.3 水文环境因子降雨会造成水流冲刷,使土质会变得疏松、软化,降低岩土体的强度,研究区年均降雨量在7 6 79 9 6mm,主要集中在8 4 69 2 9mm,对灾害发生具有较大影响。水系是影响滑坡发育的重要因素,水系分布密度和发育程度越高,对地表的侵蚀能力就越强,该区域水系是由D EM提取,以2 0 0m为步长进行缓冲,主要集中在2 0 0m以内,且离水系越远频率比越小,说明离水系越近,灾害产生的影响越大。植被指数可以反映地表植被的覆盖情况,取值在-11之间,研究区植被指数低于0.2 7时,频率比大于1,表明在此范围内发生灾害的概率较大。3.1.4 人类工程活动因子道路开挖或者周边施工引起的扰动都会诱导滑坡的发生,导致斜坡不稳定,将研究区道路按照5 0 0m为步长进行缓冲,离道路越远频率比越小,说明离道路越近,越有利于滑坡的发育。土地利用类型不同,对滑坡发育的影响也不同,不合理的土地利用会对滑坡造成较大的影响,将研究区土地利用分为8类,其中耕地和灌木频率比较大,对滑坡的发育具有较大的促进作用。3.2 评价因子共线性检验多重共线性检验是评估各因子之间是否线性相关的一种方法,由于因子之间很容易存在高度共线相关关系,而共线性较强会影响模型的精度,故将评价因子代入S P S S2 6.0软件进行多重共线性检验,统计1 0个评价因子的容忍度(t o l e r a n c e,T O L)和方差膨胀因子(v a r i a n c e i n f l a t i o nf a c t o r,V I F)2 1。当容忍度小于0.5或者方差膨胀因子大于2时,表明因子之间相关性较强。由表2可知,各因子之间容忍度大于0.5,方差膨胀因子小于2,说明各个因子之间不存在多重共线性,可以用于模型。4 滑坡易发性评价4.1 评价因子确定性系数值的计算统计1 6 0个滑坡点在各因子分级类别下的分布情况,采用式(1)计算出各评价因子分级类别下的确定性系数值。各分级的C F值如表3所示。521 陈芯宇,等:基于C F融入S S A优化S VM和R F模型的滑坡易发性评价 图3 评价因子图层F i g.3 E v a l u a t i o nf a c t o r l a y e r注:此图基于国家自然资源部标准地图服务网站审图号为G S(2 0 2 2)1 8 7 3的标准地图制作,底图无修改。621 西安理工大学学报(2 0 2 4)第4 0卷第1期 表2 多重共线性检验T a b.2 M u l t i p l ec o v a r i a n c ec h e c k检验指标高程坡度坡向土地利用类型 距水系距离 距道路距离 距断层距离N D V I年均降雨量 工程地质岩组容忍度0.5 4 4 0.8 1 6 0.9 1 70.6 9 10.5 5 10.5 0 10.8 0 40.6 9 30.8 9 80.7 6 6方差膨胀因子1.8 3 7 1.2 2 6 1.0 9 01.4 4 71.8 1 61.9 9 61.2 4 41.4 4 41.1 1 41.3 0 6表3 评价因子分级T a b.3 I m p a c t f a c t o r c l a s s i f i c a t i o n评价因子分级频率比值C F评价因子分级频率比值C F高程/m坡度/()坡向距水系距离/m距道路距离/m6 1 810 6 95.6 3 04 90.8 2 24 5 610 6 913 1 40.9 3 50 6-0.0 6 49 4 013 1 415 4 10.1 2 37 4-0.8 7 62 6 415 4 117 9 00.0 9 07 3-0.9 0 92 7 217 9 021 0 00.0 9 08 6-0.9 0 91 4 721 0 026 2 80.0 0 00 0-1.0 0 00 0 001 32.2 7 66 70.0 6 81 32 21.1 1 73 60.5 6 08 0 32 23 00.8 2 35 50.1 0 50 4 23 04 00.4 3 86 7-0.1 7 64 5 74 00.2 2 49 0-0.5 6 13 4 5平坦0.0 0 00 0-1.0 0 00 0 0北1.0 1 94 10.0 1 90 3 8北东0.9 2 75 9-0.0 7 24 1 4东0.9 1 94 2-0.0 8 05 8 6南东1.2 0 39 60.1 6 94 2 1南0.8 6 41 9-0.1 3 58 2 2南西1.4 9 18 50.3 2 97 1 5西0.8 6 03 3-0.1 3 96 8 0北西0.7 1 37 8-0.2 8 62 3 402 0 04.5 6 69 90.7 8 10 9 52 0 04 0 00.9 1 81 1-0.0 8 18 9 54 0 06 0 00.2 7 06 2-0.7 2 93 9 36 0 08 0 00.2 0 31 3-0.7 9 68 8 38 0 010 0 00.1 6 34 9-0.8 3 65 1 810 0 00.0 4 09 1-0.9 5 90 9 705 0 05.6 8 06 60.8 2 40 2 55 0 010 0 00.5 7 17 9-0.4 2 82 2 910 0 015 0 00.9 7 36 7-0.0 2 63 2 815 0 020 0 00.5 2 47 7-0.4 7 52 4 420 0 025 0 00.3 3 02 7-0.6 6 97 4 525 0 00.2 6 65 1-0.7 3 35 0 0土地利用类型N D V I年均降雨量/mm工程地质岩组距断层距离/m耕地1 2.9 5 47 50.9 2 28 7 6森林0.7 3 07 7-0.2 6 92 4 9草地1.9 0 26 70.4 7 44 5 7灌木1 0.3 6 73 10.9 0 36 1 0湿地0.0 0 00 0-1.0 0 00 0 0水体5.3 5 37 80.8 1 32 7 6建筑用地0.0 0 00 0-1.0 0 00 0 0裸地1.6 6 88 90.4 0 08 2 9-0.1 10.2 73.6 6 10 40.7 2 69 0 70.2 70.3 72.1 7 51 70.5 4 03 0 60.3 70.4 51.6 2 56 80.3 8 49 0 30.4 50.5 10.6 1 05 2-0.3 8 94 9 70.5 10.2 8 98 0-0.7 1 02 1 77 6 78 0 70.9 4 73 2-0.0 5 26 8 08 0 78 4 60.4 2 57 8-0.5 7 42 3 78 4 68 8 81.3 0 97 10.2 3 64 8 78 8 89 2 91.7 1 88 70.4 1 82 5 49 2 99 9 60.7 6 45 8-0.2 3 54 2 9块状坚硬结晶岩组0.5 2 43 3-0.4 7 56 9 3层片状坚硬的深变质岩组0.9 6 84 9-0.0 3 15 1 3岩溶化坚硬的碳酸盐岩组1.8 7 22 80.4 6 59 2 7层状较软中浅变质岩组1.0 6 43 00.0 6 04 2 2黏土质单层土体岩组1 2.2 2 82 30.9 1 82 9 005 0 01.9 9 97 30.4 9 99 7 05 0 010 0 01.7 0 68 40.4 1 41 5 210 0 015 0 01.9 3 02 60.4 8 19 6 915 0 020 0 01.2 3 69 90.1 9 15 9 920 0 025 0 01.0 2 99 80.0 2 91 0 825 0 00.4 4 80 7-0.5 5 19 4 9721 陈芯宇,等:基于C F融入S S A优化S VM和R F模型的滑坡易发性评价 4.2 基于C F融入S S A优化S VM和R F模型的易发性评价 本文将采用栅格单元作为滑坡易发性评价的基本单元(栅格单元计算方便、易操作)。将研究区划分为3 0m3 0m大小的栅格单元,共计21 6 63 5 3个栅格单元,各评价因子均统一为3 0m的栅格单元。C F融入S S A优化S VM和R F模型的易发性评价具体算法如下。1)样本数据集的建立。根据留坝县已有的1 6 0个滑坡点的数据分布以及各因子的分级情况,采用确定性系数模型计算出各评价因子的C F值,在1 6 0个滑坡点的5 0 0m缓冲区外随机选取等量的非滑坡点组成样本点,提取样本点的属性值(C F值)作为S VM模型和R F模型的输入样本数据集,随机选取滑坡点与非滑坡点的7 0%作为训练样本点,剩余3 0%作为测试样本点。2)构建C F融入S S A优化S VM和R F模型。首先采用M a t l a b软件读取两种模型的训练样本数据集,初始化S S A的参数,确定S VM参数c和g以及R F参数n t r e e和m t r y的取值范围,通过不断更新麻雀位置,寻找最优适应度值,确定最佳麻雀个体的位置;然后根据最佳位置得到S VM模型和R F模型的最优参数,即c=0.9 4 0、g=0.9 1 3、n t r e e=6 8、m t r y=7,将最优参数代入S VM模型和R F模型进行训练,最终构建C F-S S A-S VM模型与C F-S S A-R F模型。3)滑坡易发性分区。通过A r c G I S栅格转点工具获取整个研究区的属性值,通过上述训练好的两种模型对整个研究区进行预测,计算得到研究区滑坡易发性指数,采用A r c G I S软件中点转栅格工具绘制易发性分区图,将其按照自然间断法分为5个易发性等级:极低易发区、低易发区、中易发区、高易发区、极高易发区,如图4所示。4)R O C验证。采用R O C曲线对两种耦合模型的精度进行验证,通过成功率和预测率曲线对比两种耦合模型的评价精度,得出更适用于留坝县滑坡易发性评价的模型。图4 两种模型易发性分区图F i g.4 S u s c e p t i b i l i t yz o n i n gm a po f t h e t w om o d e l s注:此图基于国家自然资源部标准地图服务网站审图号为G S(2 0 2 2)1 8 7 3的标准地图制作,底图无修改。5 结果与检验5.1 易发性评价结果分析1)从易发性分区统计表得到(见表4),两种模型评价结果较为一致,其中C F-S S A-R F模型的极高易发区包含了8 2.5%的灾害点,极低易发区面积占研究区总面积的5 7.9%,相比C F-S S A-S VM模型,C F-S S A-R F模型在极高易发区涵盖了更多的滑坡点,极低易发区面积占比也更大,说明C F-S S A-R F模型比C F-S S A-S VM模型预测得更加合理。2)两种模型均无滑坡点落在极低易发区,但仍有少量滑坡点落在低易发区,这可能由于滑坡灾害还受到了其他因素的影响,而本文仅考虑了几种主要因素对滑坡灾害