Evaluation of Trans-Regional Landslide Susceptibility of Reservoir Bank Based on Transfer Component Analysis
-
摘要: 考虑到滑坡编录制作的耗时性，建立一种“可迁移”的滑坡易发性模型已越发重要.合理利用现有完整滑坡数据地区的样本集对无样本区域进行易发性预测具有重要意义.运用迁移成分分析（transfer component analysis，TCA）方法，结合深度学习卷积神经网络（convolutional neural network，CNN），尝试引入一种基于迁移学习域自适应方法的TCA-CNN模型，并以福建省两个库岸地区为例，提取11个库岸相关环境因子建立滑坡空间数据库，将有样本的池潭库区易发性模型迁移至无样本的棉花滩库区进行预测，实现跨区域滑坡易发性评价.通过对棉花滩库区进行易发性预测，结果显示：（1）采用TCA方法处理后的不同研究区数据最大均值差异（maximize mean discrepancy，MMD）明显降低（0.022），数据实现近似同分布；（2）TCA-CNN模型的跨区域预测精度为0.854，高于CNN模型（0.791），且通过历史滑坡验证其落入高、极高易发性区间的滑坡频率比占比最高（89.1%）；（3）受试者工作特性（receiver operating characteristic，ROC）曲线下面积TCA-CNN模型为0.93，高于CNN模型的0.90.可见TCA-CNN模型能够有效运用建模区的样本数据实现对无样本区域的易发性评价，且相比于传统机器模型在进行跨区域预测时具有更高、更稳定的预测准确率，具备更强的泛化能力.Abstract: It is crucial to create a "migratable" landslide susceptibility model considering the time-consuming process of recording landslides. However, a sample set of all known landslide data areas must be used in forecasting the susceptibility of unsampled regions adequately. In this paper, we attempt to develop a TCA-CNN model to enable trans-regional landslide susceptibility evaluation, which is based on the adaption domain of transfer learning by integrating the transfer component analysis (TCA) with deep learning convolutional neural network (CNN). The spatial database of landslides is constructed by extracting 11 environmental factors of the reservoir bank area, then the Mianhuatan reservoir area without samples is then predicted using the susceptibility model from the Chitan reservoir area with samples. The results show that: (1) The maximum mean discrepancy (MMD) of data from different study areas treated by TCA decreased significantly (0.022), and the data is approximately identically distributed; (2) The trans-regional prediction accuracy by the TCA-CNN model is 0.854, which is higher than that of the CNN model (0.791). And it can be verified that the proportion of landslide frequency falling into the high/extremely-high susceptibility interval is the highest (89.1%) in the historical landslide; (3) The area under the receiver operating characteristic (ROC) curve of the TCA-CNN model is 0.93, which is higher than that of the CNN model (0.90). It's obvious that the TCA-CNN model can effectively use the samples data of the modeling area to realize the susceptibility evaluation of the unsampled area. Compared with the traditional machine model, TCA-CNN model has higher and more stable prediction accuracy and stronger generalization ability in cross-region prediction.
-
0. 引言
滑坡易发性评价自20世纪80年代起已成为推动国内外滑坡防治减灾事业发展的重要手段（李文彬等，2021）.但当滑坡灾害发生在新建库区以及无滑坡记录的偏远中小型库区时，环境变化以及数据缺失使得易发性评价难以发挥其应有的优势.这些重要公共设施附近一旦发生滑坡，灾害所造成的二次破坏将产生难以挽回的损失.因此如何进行无样本区域的滑坡易发性评价成为了当前研究的重点.
滑坡易发性评价包含以下任务：评价单元确定、滑坡样本选取、环境因子识别、评价模型建立以及易发性制图.其中，选择合适的评价模型对滑坡易发性评价有着至关重要的影响（吴润泽等，2021）.现有的易发性评价模型主要分为3类：物理模型、启发式模型与数据驱动模型.物理模型分析最为准确，但因其需要大量水文地质参数，不适用于大面积研究区域（黄发明，2017）.启发式模型依赖专家自身经验进行易发性评价，结果较容易受到主观因素影响（王佳佳，2015）.作为数据驱动模型中的一类，机器学习模型能够准确解释环境因子与易发性之间的非线性关系，且对数据分布无严苛要求，已成为当前研究的热点方向.常用的机器学习模型有支持向量机（张俊等，2015）、随机森林（He et al.，2021）和卷积神经网络（convolutional neural network，CNN）（Liu et al.，2022）等.
机器学习模型的高精度预测能力只有在训练样本充足时才得以体现，对于一个不存在历史滑坡的无样本区域来说，模型无法完成易发性预测（Hakim et al.，2022）.对此已有部分学者尝试将充足样本地区的易发性模型移植到无样本地区进行预测，并取得了一定进展.如Zhu et al.（2018）和Hu et al.（2019）讨论了机器学习模型在滑坡易发性制图中的可移植性，结果显示模型对建模区以外区域具有一定预测能力，但滑坡识别精度均有所下降.梁柱（2021）通过几种优化模型证明在没有额外训练数据集参与时，模型的跨区应用难以达到最优，但地质背景的相似性（即孕灾因素的相似性与滑坡发育特征的相似性）会有利于模型的移植.Sun et al.（2020）基于奉节县的优化随机森林模型生成巫山县滑坡易发性制图，结果表明在孕灾因素与滑坡发育特征相似的情况下其模型能得到较好的应用.然而，事实上少有存在完全相似的两个地区，归属于不同研究区的滑坡发育特征一般存在较大差异.因此基于数据独立同分布假设的机器学习模型注定无法解析不同区域数据特征之间的差异性（Zhou et al.，2021）.找到不同区域间致灾特点的内在联系，克服不同区域间因子集数据分布差异问题，是解决易发性模型在无样本区域预测能力不显著的根本途径.本文结合现阶段人工智能发展热点，创新地引入“迁移学习”概念，试图解决当前难点问题.
领域自适应（domain adaptation，DA）（Kouw and Loog, 2019）作为迁移学习的一个分支，研究两个领域之间任务标签不变时，采用与目标域特征相同、数据分布不同的源域数据集对目标域的标签进行预测的问题.在此基础上，寻找源域和目标域之间的数据特征联系，利用特征交集来进行跨领域学习又称为基于特征的领域自适应迁移学习（Xu et al.，2020）.目前，基于域自适应的迁移学习方法已经应用于医疗预测、故障诊断、图像识别、自然语言处理等领域，但在滑坡易发性评价中还鲜有人进行尝试.CNN模型在进行滑坡易发性预测时能够对极高（低）易发性水平（即滑坡发生的概率为1或0）表现出较高的辨识度（Sameen et al.，2020）.本文选取11个环境因子作为数据特征项，以福建省池潭库区和棉花滩库区分别作为有样本区域（源域）和无样本区域（目标域），通过集成基于域自适应的迁移成分分析（transfer component analysis，TCA）（Pan et al.，2011）方法与深度学习CNN算法，建立一种基于迁移学习的TCA-CNN滑坡易发性评价模型.并以传统CNN学习模型作为对照，在只采用源域研究区历史滑坡信息的基础上，对目标域研究区进行跨区域易发性评价，探讨迁移学习模型的有效性，为实现无样本区域的易发性预测提供借鉴.
1. TCA-CNN模型理论分析
为探讨迁移模型跨区域预测效果的显著性，本文以TCA-CNN模型进行的库岸跨区域滑坡易发性评价主要分为以下3个步骤，具体流程如图 1所示：
（1）2.1节、2.2节分别明确了研究区域与易发性评价的基本单元，在此基础上2.3节收集源域历史滑坡编录数据，选取非滑坡点并进行滑坡样本扩充分析，平衡正负样本比解决模型判别失衡问题，建立滑坡空间数据集.
（2）2.4节分别对两个研究区诱发滑坡的主要环境因子进行识别，基于频率比分析探究区域相似性；3.1节通过因子多重共线性分析构建滑坡致灾因子特征子集，并以归一化后的源域与目标域环境因子分别作为模型的训练数据与预测数据.
（3）3.2节至3.4节以单独CNN模型作为对照组，采用基于域自适应迁移学习的TCA方法耦合CNN模型构建具有样本特征变换能力的TCA-CNN模型，并以目标域历史滑坡数据验证，对比分析两组模型的跨区域易发性评价结果.
1.1 卷积神经网络
CNN最初是由Lecun et al.（1989）针对手写数字识别而提出的一种特殊的神经网络模型，近年来逐渐在语音识别、图像识别以及自然语言处理等领域有了较广泛的应用.其结构包含输入层、卷积层、子采样层、全连接层和输出层（Sameen et al.，2020）.卷积神经网络与普通神经网络的区别在于：卷积神经网络包含了一个由卷积层和子采样层（池化层）构成的特征抽取器，能够完整提取数据的初级特征.图 2为卷积神经网络结构示意图.
在卷积神经网络中，一个卷积层包含着若干个特征平面，每个特征平面由多个神经元组成，同一特征平面的神经元共享权值组成卷积核，通过卷积核与上一层特征面的局部区域相连（Zhang et al.，2021）.共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险.卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将不断更新从而学习得到合理的权值（Liu et al.，2022）.卷积层的计算公式为：
Cj=N∑if(wj×xi+bj),j=1,2,...,k， (1) 式中：$ k $为卷积核个数；$ {C}_{j} $为第$ j $个卷积核的输出；$ f $为非线性激活函数；$ i $为卷积的空间位置；$ {x}_{i} $为卷积层输入数据；$ {w}_{j} $和$ {b}_{j} $为权重和偏置.
子采样也称为池化，通常有均值子采样和最大值子采样两种形式.子采样可以看作特殊的卷积过程.卷积和子采样减少了参数地使用，大大简化模型复杂度.模型还采用了全连接层作为神经网络的输出层，Sigmoid函数作为二分类任务的判别函数.
卷积神经网络能够提取当前网格点周围指定范围内领域的特征，这种特征提取方法能够充分表达地理信息空间单元间特有的关联性，当前已经广泛应用于滑坡易发性评价（Wang et al.，2019；Sameen et al.，2020）.本研究将此特征提取方法与地理信息空间单元相结合，采用Python语言中的Keras框架搭建神经网络，每个栅格像元中的11个因子以11×1的向量形式作为输入数据，通过卷积‒池化操作不断提取因子特征，经过全连接层将特征映射至低维空间，最后采用激活函数将其映射到标记空间，输出滑坡、非滑坡标签与易发性指数.
1.2 迁移成分分析
迁移成分分析方法利用领域之间特征样本的可迁移性，采用最大均值差异（maximize mean discrepancy，MMD）作为度量准则，缩小源域和目标域数据距离的同时最大程度保留其内部属性，使得映射后的数据源域和目标域的边缘分布概率密度相等，同时基于其假设的条件概率密度也相等（Ren et al.，2021）.式（2）为最大均值差异的数学表达式.
D(Xs,Xt)=‖1n1n2∑j=1ϕ(xi)−1n2n2∑j=1ϕ(xj)‖2H, (2) 其中$ {\boldsymbol{X}}_{\boldsymbol{s}} $，$ {\boldsymbol{X}}_{\boldsymbol{t}} $分别表示源域和目标域；$ {n}_{1} $，$ {n}_{2} $分别表示源域和目标域的样本个数；$ \phi \left({x}_{i}\right) $与$ \phi \left({x}_{j}\right) $是经过Hilbert核空间映射后的源域与目标域特征样本集，$ {‖.‖}_{H} $为RKHS范数.
映射函数通常是高度非线性的，直接对MMD进行优化往往会陷入局部最小值.因此将核函数的技巧引入最大均值差异中，通过寻找一个特征映射函数，将分布不同的源域、目标域数据映射到高维再生核希尔伯特空间，变换后的形式为：
trace(KL)−λtrace(K)， (3) 其中$ \boldsymbol{K} $为引入的核矩阵：
K=[Ks,sKs,tKt,sKt,t]∈R(n1+n2)×(n1+n2)， (4) $ {\boldsymbol{K}}_{s, s} $，$ {\boldsymbol{K}}_{s, t} $，$ {\boldsymbol{K}}_{t, t} $分别表示在映射后空间上的源域、跨域、目标域数据的核函数.
$ \boldsymbol{L} $为引入的一个分段函数：
L=Lij={1n21,xi,xj∈Xs,1n22,xi,xj∈Xt−1n1n2,otherwise,， (5) 目标函数的第一项最小化两个分布的距离，第二项最大化特征空间的方差，其中$ \lambda \ge 0 $是一个权衡参数.
为了优化求解变换后的距离，引入降维思想，用比$ \boldsymbol{K} $维度更低的矩阵$ \boldsymbol{W} $构造如下结果，其中$ \tilde{K} $为临时变量.
˜K=(KK−1/2˜W)(˜WTK−1/2K)=KWWTK,W∈R(n1+n2)×m,W=K−1/2˜W. (6) 带入到目标函数中整理得到TCA的优化目标：
minwtr(WTKLKW)+μtr(WTW),s.t.WTKHKW=Im, (7) 其中：
H=In1+n2−(1/n1+n2)IIT,I∈R(n1+n2)×(n1+n2), (8) 式（7）又可化为如下目标函数进行求解：
minwtr((WTKLKW)TWT(μKLK+Im)W)， (9) $ \boldsymbol{W} $即为所求的最佳映射核矩阵，最终优化的目标为最小化源域和目标域的距离，运算过程中要求维持各自数据的特征，即数据散度.
本文采用python3.7实现对TCA方法的编写，方法具体实施步骤如下：（1）将源域与目标域的特征样本集$ {\boldsymbol{X}}_{\boldsymbol{s}} $、$ {\boldsymbol{X}}_{\boldsymbol{t}} $作为TCA方法的输入数据；（2）计算$ \boldsymbol{L} $与$ \boldsymbol{H} $矩阵，选择合适的核函数计算$ \boldsymbol{K} $；（3）调节数据维度，输出分布对齐后新的源域与目标域特征样本集$ {\boldsymbol{T}}_{\boldsymbol{s}} $、$ {\boldsymbol{T}}_{\boldsymbol{t}} $，检验数据集间的MMD是否达到最小值.
1.3 易发性评价指标
为评估不同模型的跨区域预测效果，引入预测准确度（accuracy，ACC）、均方误差（mean square error，MSE）、平均绝对误差（mean absolute error，MAE）和拟合优度（R-square，R2）：
ACC=1nn∑i=1I(ˆyi==yi)， (10) MSE=1nn∑i=1(ˆyi−yi)2， (11) MAE=1nn∑i=1|ˆyi−yi|， (12) R2=1−n∑i=1(ˆyi−yi)2n∑i=1(−y−yi)2， (13) 式中：$ n $表示研究区滑坡与非滑坡样本总数；$ {y}_{i} $表示第$ i $个样本的真实值；$ {\widehat{y}}_{i} $表示第$ i $个样本的预测值；$ \stackrel{-}{y} $表示样本真实值的均值.
受试者工作特征曲线（receiver operating characteristic，ROC）和曲线下面积（area under curve，AUC）能够评估模型的整体分类准确性，其以假阳性率（FPR）为x轴、真阳性率（TPR）为y轴，曲线越凸向左上角AUC的值就越接近1，模型的质量就越好.此外，利用混淆矩阵（confusion matrix）、精确率（precision）和召回率（recall）来评估分类模型的可靠性.
FPR=FPTN+FP， (14) TPR=TPFN+TP， (15) precision=TPTP+FP， (16) recall=TPTP+FN， (17) 式中：$ TP $表示正样本被正确分类的个数；$ TN $表示负样本被正确分类的个数；$ FP $表示负样本被错误分类的个数；$ FN $表示正样本被错误分类的个数.本文以滑坡样本作为正样本，非滑坡样本作为负样本.
2. 研究区概况及数据集建立
2.1 库区简介
福建省棉花滩水库位于福建省永定县汀江干流棉花滩峡谷河流中部.库区降雨充沛，干湿季分明，雨季相对集中在4至7月，易形成洪灾.汀江流域地形属于大悲山系，库区地貌形态主要有构造侵蚀中低山，构造剥蚀低山、丘陵、剥蚀堆积残丘、堆积河谷盆地、人工平台等.库区内露出地层主要有元古界前震旦系变质岩、中生界侏罗系火山碎屑岩、白垩系沉积岩、第四系冲洪积和残积松散堆积物组成（陈中华，2017）.且库区多种构造形迹互相穿插，十分复杂.库区现有的自然地质灾害主要包括滑坡、崩塌、泥石流与水土流失等，灾害在极端降雨、库水位波动的情况下易造成重大事故.
池潭水库位于福建省泰宁县东南部，为富屯溪支流金溪上的第一级水库.流域内降雨月变化明显，且主要集中在3至6月.泰宁县地处武夷山支脉杉岭东南侧，地貌类型以中山、低山、丘陵以及丹霞地貌为主（吴道荣，2011），地质灾害类型主要为滑坡、崩塌和泥石流.从时间上看，主要发生在雨季和台风暴雨季的4至8月.本研究以水库上游集水区为界划定研究区范围，在此基础上搜集区域内的所有滑坡样本，且默认正常蓄水位以下库区无滑坡，现已通过实地调查、遥感提取等手段，共获取源域研究区内280个滑坡隐患点，可为滑坡易发性评价提供样本数据.研究区地理信息概况及滑坡分布见图 3.
图 3 研究区地理信息概况及滑坡分布a. 福建省行政区划；b. 池潭库区‒目标域；c. 棉花滩库区‒源域Fig. 3. Geographical information and landslide distribution in the study area2.2 数据来源与单元划分
研究所需的基础数据主要包括：（1）30 m分辨率的DEM数据，用于提取研究区地形地貌等环境因子；（2）30 m分辨率的Landsat 8 OLI_TIRS影像，用于提取地表覆盖与土地利用等信息；（3）1：200 000比例尺地质图，用于提取地质构造信息；（4）滑坡灾害点来源于福建省地质调查研究院.栅格数据用途与具体来源见表 1.
表 1 研究区栅格数据来源与用途Table Supplementary Table Source and use of grid data in the study area数据类型 分辨率 数据来源 数据用途描述 Landsat 8 OLI_TIRS影像2021/09/02，path/row 120/412021/01/21，path/row 120/422021/02/22，path/row 120/43 全色15 m，多光谱30 m 地理空间数据云( gscloud.cn )提取归一化植被指数(normalized difference vegetation index，NDVI)；提取土地利用分类指标 DEM 30 m×30 m 地理空间数据云( gscloud.cn )提取高程、坡度、坡向、曲率等地形因子和地形湿度指数(topographic wetness index，TWI) 地质图 1∶20万 全国地质资料馆( ngac.org.cn )提取地质岩层分界线 滑坡评价单元是进行滑坡易发性评价中数据统计、结果评价的基本单元.主要包括栅格单元、斜坡单元、地貌单元、唯一条件单元与行政单元（Zhao and Zhao, 2021）.栅格单元具有在处理各种环境因子数据上更加便捷的优点，对各种比例尺条件中的地质灾害频发区域均可进行针对性的研究.本文两个研究区具有不同的区域尺度，池潭库区贯穿泰宁县全域，而棉花滩库区则位于永定县西北部.为方便进行跨区域分析，统一选用30 m×30 m栅格分辨率的栅格单元作为滑坡灾害易发性评价的基本单元，源域研究区栅格划分2 124行，1 693列，共计1 706 458个栅格单元，目标域研究区栅格划分767行，801列，共计351 546个栅格单元.
2.3 滑坡样本确立
完备的滑坡样本是影响滑坡易发性不可忽略的一个关键，样本集的完整性保证了易发性预测结果的准确性.区域内的滑坡样本数量通常远小于非滑坡样本，若仅采集与滑坡样本数量对称的非滑坡样本，不仅无法保证滑坡样本集的完整性，对机器学习模型的预测性能也会产生影响（Wang et al.，2019）.故本文根据实际需要收集了足量的非滑坡样本，并验证了其数据的代表性.非滑坡样本在距滑坡样本500 m以外的非涉水区域内以随机抽样的方式选取（孙德亮，2019）.
机器学习模型在不平衡样本量情况下进行预测时有可能出现分类失衡（赵楠等，2018），艾骁等（2021）和Wang et al.（2023）均选择在样本比例为1∶1的条件下进行跨区域预测.本文在使用初始滑坡样本直接进行模型训练时也出现了分类失衡问题.尝试进行超参数调节后，仅能略微提高模型对源域正类样本的分类效果，对目标域几乎无影响.由于机器学习模型遵循训练误差最小化的优化原则，为保证整体预测效果的优越性，模型会以多数类的分类误差代表整体模型的训练误差进而忽略了少数类的错误分类.此问题在数据分布具有显著差异的跨区域预测中则会更加凸显.Wang et al.（2019）在其研究中发现合成少数类过采样技术（synthetic minority oversampling technique，SMOTE）能够在维持原始样本分布的情况下实现少数类样本扩充，解决样本不平衡导致的模型分类失衡问题，实现比原始样本更高精度的滑坡易发性预测.为能实现等比例条件下的跨区域预测，本文基于SMOTE方法对滑坡样本进行扩充并使扩充后的样本比例维持在1∶1，解决模型的分类失衡问题.利用t分布随机邻域嵌入（t-distribution stochastic neighbor embedding，t-SNE）算法（谭俊杰等，2019）将处理后的数据进行可视化（图 4），扩充后的样本仍保持原始数据的分布规律.表 2以CNN模型为例列出采用SMOTE算法扩增样本前后模型预测混淆矩阵.
表 2 SMOTE数据扩增前后混淆矩阵Table Supplementary Table Source domain prediction confusion matrix before and after SMOTE data amplification数据扩增前优化的CNN模型 源域 实际 目标域 实际 非滑坡 滑坡 非滑坡 滑坡 预测 非滑坡 2 778 22 非滑坡 1 518 12 滑坡 268 12 滑坡 118 35 数据扩增后的CNN模型 源域 实际 目标域 实际 非滑坡 滑坡 非滑坡 滑坡 预测 非滑坡 2 525 275 非滑坡 984 546 滑坡 339 2 461 滑坡 95 1 435 2.4 环境因子选取
现有的滑坡易发性评价过程环境因子选取尚无统一标准，本文根据福建省滑坡空间分布规律，并参考其他文献中福建库岸区域滑坡致灾影响因素（吴道荣等，2011；陈中华，2017），采用频率比法对能够普适化表述库岸区域的环境因子进行分析.环境因子主要有以下11个：坡度、坡向、曲率、地形湿度指数（TWI）、归一化植被覆盖指数（NDVI）、距道路距离、距河流距离、距地质界线距离、地层岩性、土地利用类型与滑坡涉水程度（图 5，图 6）.其中，坡度、坡向与曲率等地形地貌因子反映了坡体自然结构对滑坡发育的影响；TWI反映土壤干燥程度和地下水的影响；NDVI反映地表植被密度对滑坡发育的影响，较高的覆盖率不利于滑坡的形成；距河流距离、距道路距离、距地质界线距离分别代表研究区内重要水系、重要道路和地质条件对滑坡发育的贡献程度；地层岩性反映岩土体自身结构稳定性对滑坡易发性的影响；土地利用类型可反映人类活动对土体原有状态的破坏程度；滑坡涉水程度显示坡体与库水位的位置关系，其值趋近0时表示滑坡无涉水，趋近1时表示滑坡完全涉水，决定着库水对滑坡稳定性的作用水平（李松林等，2020；杨忠平等，2021）.
图 5 源域(池潭库区)滑坡环境因子示意Fig. 5. Schematic diagram of landslide environmental factors in source area (Chitan reservoir area)
图 6 目标域(棉花滩库区)滑坡环境因子示意Fig. 6. Schematic diagram of landslide environmental factors in the target area (Mianhuatan reservoir area)表 3列出了不同区间下各因子所包含的滑坡比例与区域所占面积比例的频率比值，连续性因子的分级标准采用自然断点法.对于作为源域的池潭库区，其高频率比区间主要在坡度[9，16）、坡向朝南、曲率[0.19，0.79）、TWI[13.84，19.99）、NDVI[0，0.15）、距道路距离[200，300）、距水系距离[100，200）、距地质界线距离[0，100）、滑坡涉水程度[0，0.1）、地层岩性为土体与土地分类为裸地中；对于作为目标域的棉花滩水库，所属因子在坡度[0，9）、坡向朝南、曲率[0.19，0.79）、TWI＞19.90、NDVI[0，0.15）、距道路距离[0，100）、距水系距离[0，100）、距地质界线距离[500，600）、滑坡涉水程度[0.3，0.52）、地层岩性为入侵岩与土地分类为裸地内的频率比值占据较高.通过对比分析可知所选因子在两个研究区内均有较明显的滑坡分布规律表征能力，均可作为两个区域的环境评价因子；同时也可以看出不同研究区各因子分布趋势虽具有一定相似性，但因其数据范围存在差异，数据的分布情况也有着较大的区别.
表 3 各基础环境因子频率比值Table Supplementary Table Frequency ratio of each basic environmental factor指标因素 变量值/源域 全区栅格数/滑坡数量 频率比 变量值/目标域 全区栅格数/滑坡数量 频率比 坡度 0~9 451 017/84 1.129 0~9 54 143/38 1.397 9~16 519 186/104 1.214 9~16 96 342/48 0.992 16~23 375 979/64 1.032 16~23 73 510/40 1.083 23~33 262 212/22 0.509 23~33 58 466/22 0.749 33~75 89 097/6 0.408 33~53 22 095/5 0.450 坡向 平面 1/0 0.000 平面 78/0 0.000 北 92 861/16 1.040 北 22 146/8 0.719 东北 207 496/28 0.815 东北 41 915/12 0.570 东 230 034/33 0.866 东 38 149/25 1.304 东南 246 511/46 1.127 东南 41 190/27 1.305 南 200 569/59 1.776 南 39 604/38 1.910 西南 206 806/42 1.226 西南 33 901/25 1.468 西 211 627/16 0.456 西 30 181/9 0.594 西北 202 254/25 0.746 西北 38 121/6 0.313 北 92 163/15 0.983 北 19 271/3 0.310 曲率 ＜-1.12 34 015/5 0.896 ＜-1.12 12 988/4 0.613 -1.12~-0.31 584 005/49 0.511 -1.12~-0.31 86 848/38 0.871 -0.31~0.19 644 502/135 1.277 -0.31~0.19 131 976/62 0.935 0.19~0.79 345 859/74 1.304 0.19~0.79 60 345/42 1.385 ＞0.79 98 077/17 1.056 ＞0.79 12 399/7 1.124 TWI ＜5.69 878 092/102 0.705 ＜5.69 173 847/94 1.076 5.69~8.55 529 074/96 1.101 5.69~8.55 102 956/51 0.986 8.55~13.84 126 362/28 1.345 8.55~13.84 19 517/5 0.510 13.84~19.99 146 638/45 1.862 13.84~19.99 7 258/2 0.549 ＞19.99 18 824/9 2.901 ＞19.99 978/1 2.035 NDVI ＜0 29 332/0 0.000 ＜0 263/0 0.000 0~0.15 85 892/52 3.690 0~0.15 10 662/36 6.721 0.15~0.26 106 404/48 2.749 0.15~0.26 10 104/32 6.304 0.26~0.35 189 456/78 2.509 0.26~0.35 39 278/57 2.889 0.35~0.45 605 340/80 0.805 0.35~0.45 90 081/24 0.530 0＞0.45 690 028/22 0.194 0＞0.45 154 168/4 0.052 道路距离 ＜100 65 793/13 1.204 ＜100 37 604/65 3.441 100~200 62 426/17 1.660 100~200 21 655/21 1.930 200~300 59 939/17 1.729 200~300 16 902/21 2.473 300~400 57 655/5 0.529 300~400 14 488/20 2.748 400~500 55 801/11 1.201 400~500 12 702/8 1.254 500~600 53 582/15 1.706 500~600 11 428/1 0.174 ＞600 1 351 262/202 0.911 ＞600 189 777/17 0.178 水系距离 ＜100 62 035/57 5.603 ＜100 23 979/73 6.060 100~200 36 031/44 7.446 100~200 21 385/26 2.420 200~300 42 626/19 2.718 200~300 19 661/13 1.316 300~400 56 006/8 0.871 300~400 17 826/8 0.893 400~500 21 018/4 1.160 400~500 16 161/19 2.340 500~600 54 382/9 1.009 500~600 14 756/7 0.944 ＞600 1 435 281/139 0.591 ＞600 190 788/7 0.073 地质界线距离 ＜100 166 980/34 1.241 ＜100 33 285/13 0.777 100~200 150 919/17 0.687 100~200 30 763/16 1.035 200~300 131 706/14 0.648 200~300 26 644/11 0.822 300~400 116 448/7 0.366 300~400 23 244/11 0.942 400~500 104 562/22 1.282 400~500 20 615/2 0.193 500~600 94 819/20 1.286 500~600 17 698/11 1.237 ＞600 941 024/166 1.075 ＞600 152 307/89 1.163 滑坡涉水程度 0~0.1 833 554/180 1.317 0~0.10 225 427/50 0.442 0.1~0.3 593 353/54 0.555 0.10~0.30 38 665/32 1.647 0.3~0.52 158 988/31 1.189 0.30~0.52 19 531/40 4.077 0.52~0.82 52 736/6 0.694 0.52~0.82 9 102/10 2.187 0.82~1 69 012/9 0.795 0.82~1 11 831/21 3.533 土地分类 湖泊 20 224/0 0.000 湖泊 494/0 0.000 森林 1 434 661/141 0.599 森林 189 191/2 0.021 耕地 187 810/112 3.634 耕地 94 828/77 1.616 建设用地 31 732/1 0.192 建设用地 14 448/13 1.791 裸地 32 031/26 4.947 裸地 5 595/61 21.702 地层岩性 入侵岩 426 307/76 1.087 入侵岩 265 287/148 1.111 火山岩 242 227/21 0.529 火山岩 9 761/0 0.000 互层岩 152 118/0 0.000 变质岩 29 508/5 0.337 坚硬岩 264 425/14 0.323 变质岩 224 859/13 0.353 碎裂变质岩 229 820/61 1.619 土体 167 887/95 3.451 3. 跨区域滑坡易发性评价
3.1 因子共线性分析
因子的独立性直接影响模型的评判能力.若因子之间存在多重共线性，模型将难以区分每个自变量对因变量的贡献程度，权重分配失衡的同时也增加了模型对结果的解释成本，造成模型预测精度不足（周超等，2020）.TCA方法能够将高维空间的运算问题降低到低维空间解决，降维过程中不仅能保留原有指标的大部分信息，同时也使保留的少数关键指标之间不存在共线性（唐睿旋，2017）.因实验公平性需求，本文仍采用手动剔除因子的方式对训练集（池潭库区）环境因子进行共线性分析，保证所选因子的独立性.采用皮尔逊相关系数和方差膨胀因子（VIF）作为评判指标，当皮尔逊相关系数大于0.5或VIF大于等于10，则认为指标之间存在共线性，反之则不存在（Wang et al.，2019；Arabameri，2020）.
表 4对剔除共线性因子前后的方差膨胀因子进行了分析.在初始11个因子中NDVI和土地分类因子间的相关系数高达-0.525，曲率和NDVI的VIF值分别为45.804和29.599，远超于设定阈值，因子间存在严重共线性问题.在剔除曲率与NDVI之后因子集的皮尔逊相关系数与VIF值最大值仅分别为0.457和4.768，各指标间已不存在共线性问题.
表 4 方差膨胀因子分析Table Supplementary Table Variance expansion factor analysis指标因素 坡度（°） 坡向（°） 曲率 TWI NDVI 道路距离（m） 水系距离（m） 地质界线距离（m） 滑坡涉水程度 土地分类 地层岩性 VIF 初始因子 4.841 4.299 45.804 3.097 29.599 2.670 2.258 2.761 1.678 6.816 2.923 剔除因子后 3.239 3.518 - 2.875 - 2.653 2.126 2.720 1.671 4.768 2.707 3.2 TCA-CNN模型下的跨区域滑坡易发性预测
以池潭库区环境因子作为源域数据，棉花滩库区环境因子作为目标域数据输入TCA算法，根据相关性分析得到的结果设置输出数据集的维度参数为9，正则化系数设为10以保证模型的泛化性能，输出结果为经特征变换后的源域与目标域数据，通过在迁移后的源域数据上训练CNN模型，并在目标域上进行预测获得易发性指数.
MMD距离能够衡量迁移前后数据的融合度.计算得到未进行迁移的两域数据MMD距离为0.256，经TCA方法处理后的数据距离仅为0.022，表明迁移后两域数据的分布距离明显缩小，数据融合度显著提高.为使TCA方法的有效性更为直观，利用t分布随机邻域嵌入算法将归属于两个研究区的源域和目标域高维环境因子数据映射到二维空间进行分布可视化.从图 7可以看出，未经TCA方法进行特征变换的两域数据因滑坡发育规律与地形地质条件不同其数据分布有着明显差异，在二维空间中能够很轻易将其区分；而经过TCA方法迁移后两域的新数据集在二维空间中相互交叉重叠，难以辨别源域与目标域间的数据差异，数据集间实现近似同分布.
CNN模型基于Keras框架构建，优化函数和损失函数分别选取适应性矩估计法（Adam）与均方误差（MSE），卷积层采用Relu作为激活函数，进行两次卷积池化操作提取特征，以全连接层作为输出，Sigmoid函数生成二分类结果，得出对目标域的预测准确率为0.854.对目标域全域栅格进行预测并将易发性指数结果导入ArcGIS中，生成滑坡易发性区划图（landslide susceptibility map，LSM）（图 8a）.
图 8 不同模型下的棉花滩库区滑坡易发性区划Fig. 8. Map of landslide susceptibility in Mianhuatan reservoir area under different modelsa. TCA-CNN; b.CNN为能够合理判别研究区易发性区划等级并保证不同模型评价结果的公平性，结合自然间断点法与研究区的易发性指数分布规律，选用固定阈值法（于宪煜，2016）分别以0.9、0.7、0.3和0.1作为易发性指数间断点，将目标域易发性等级划分为5个区间：极高（6.76%）、高（11.03%）、中等（18.85%）、低（21.84%）、极低（41.53%）.以目标域后期调查的153个滑坡点进行验证，结果表明有93个滑坡点落入了极高易发性分区（表 5），且极低易发区占目标域研究区的41.53%，符合区域在远离库岸的山区地带受到库水位影响较小的规律，TCA-CNN模型较为出色地完成了跨区域的滑坡易发性预测.
表 5 不同模型对目标域的滑坡易发性等级对比Table Supplementary Table Comparison of landslide susceptibility grades of different models in the target area模型 分区 栅格数 占比(%) 验证滑坡数 占比(%) 频率比 TCA-CNN 极低易发区 126 474 41.53 3 1.96 0.047 低易发区 66 503 21.84 17 11.11 0.509 中等易发区 57 407 18.85 20 13.07 0.693 高易发区 33 588 11.03 20 13.07 1.185 极高易发区 20 584 6.76 93 60.78 8.991 CNN 极低易发区 28 317 9.35 2 1.27 0.135 低易发区 40 566 13.40 4 2.53 0.189 中等易发区 47 971 15.85 12 7.59 0.479 高易发区 76 861 25.39 25 15.82 0.623 极高易发区 109 021 36.01 115 72.78 2.021 3.3 单独CNN模型下的跨区域滑坡易发性预测
为体现迁移学习后模型预测效果的显著性，以单独CNN模型作为对照组进行跨区域易发性预测.将未迁移的池潭库区滑坡数据作为训练集，棉花滩库区滑坡数据作为测试集，剔除存在共线性的曲率与NDVI因子，保证输入数据的特征贡献度均等.设置非滑坡样本的易发性指数为0，滑坡样本的易发性指数为1，将二分类模型的输出结果控制在0~1内.CNN模型的架构与实验组相同，得到的预测准确率为0.791.为保持结果一致，仍以0.9、0.7、0.3和0.1作为易发性指数间断点，目标域各区间的易发性等级占比分别为：极高（36.1%）、高（25.39%）、中等（15.85%）、低（13.40%）、极低（9.35%），通过153个已知滑坡点进行验证，有115个滑坡点落入极高易发性分区（表 5）.从数据结果来看CNN模型对滑坡极高易发区的判断似乎更加优异，但结合易发性分区图分析发现，模型将大面积低易发区域归为高易发区以保证对滑坡的敏感性，脱离了滑坡分布的实际规律.其易发性分区结果如图 8b所示.
3.4 模型预测效果对比分析
3.4.1 预测准确率对比分析
在保证源域预测准确率的前提下实现对目标域的高精度预测，是模型进行跨区域预测的基础（艾骁，2021）.而在缺少历史滑坡数据的无样本地区，模型无法通过验证测试集得到目标域的预测准确率，仅能根据源域的预测准确率判断模型的预测性能.故本文额外收集目标域历史滑坡数据作为模型测试集，验证模型迁移过程中的性能不变性.为了更有效地评价模型性能，引入均方误差、平均绝对误差和拟合优度判断模型预测效果的优劣.表 6为源域最优准确率下模型的各项指标，TCA-CNN模型对源域与目标域的预测准确率分别达到了0.885与0.854，CNN模型为0.890与0.791.两个模型均表现出对源域优异的预测效果，但CNN模型对目标域的预测效果则明显更差.TCA-CNN模型对目标域数据的拟合优度远高于CNN模型，误差指标也相对于CNN模型低.图 9为模型跨区域预测时目标域指标同比源域的下降率.结果表明CNN模型在进行迁移预测时预测效果下降显著，模型对数据的拟合优度下降率高达近34.9%.而TCA-CNN模型的预测效果依旧保持稳定，拟合优度下降率仅11.8%，其他各项指标的下降率也均保持在30%以内.由此可见基于迁移学习方法的TCA-CNN模型在进行跨区域预测时具备更高的准确率，也具有更强的泛化能力.
表 6 不同训练域模型预测指标分析Table Supplementary Table Analysis of prediction indexes of different training domain models模型 TCA-CNN CNN 训练指标 ACC 0.885 0.890 R2 0.647 0.634 MSE 0.088 0.092 MAE 0.192 0.231 测试指标 ACC 0.854 0.791 R2 0.571 0.413 MSE 0.107 0.147 MAE 0.182 0.240 
图 9 模型跨区域预测性能同比下降率Fig. 9. Year on year decline rate of trans-regional prediction performance of the model3.4.2 分类效果对比分析
滑坡易发性问题属于分类问题，评价分类模型分类效果的指标除了准确率以外还有精确率（precision）和召回率（recall），精确率为模型预测的正样本中实际为正样本的概率，召回率为实际正样本中被预测为正样本的概率.本文将滑坡作为正样本，非滑坡作为负样本，通过上述指标并结合受试者工作特性（receiver operating characteristic，ROC）曲线（图 10）与混淆矩阵（表 7）综合评估模型的分类效果.
表 7 不同模型跨区域预测混淆矩阵Table Supplementary Table Trans-regional prediction confusion matrix of different modelsTCA-CNN 实际 精确率(%) 非滑坡 滑坡 预测 非滑坡 1 228 302 80.26 滑坡 145 1 385 90.52 召回率(%) 89.44 82.10 85.39 CNN 实际 精确率(%) 非滑坡 滑坡 预测 非滑坡 984 546 64.31 滑坡 95 1 435 93.79 召回率(%) 91.20 72.44 79.05 由表 7可知，两种模型对滑坡样本的预测召回率与精确率均在90%左右，TCA-CNN模型预测非滑坡样本的精确率与召回率略低于滑坡样本（分别为80.26%与82.10%），处于正常误差范围；而单独CNN模型对非滑坡的预测效果显著下滑，精确率与召回率仅为64.31%、72.44%，结合图 8分析可知其在进行跨区域预测时发生了较为明显的误判，模型仅对滑坡样本具有正常识别能力但失去了对非滑坡的判断.通过ROC曲线下面积（AUC）可以看出（图 10），TCA-CNN模型的AUC值为0.93，高于CNN的0.90，说明该模型更能准确反映无样本区域滑坡分布规律与其环境因子之间的非线性关系.
3.4.3 易发性分区对比分析
模型预测的准确与否关键在于其是否符合实际规律.为进一步体现迁移学习前后模型泛化能力的差异性，表 8验证了不同模型对源域滑坡易发性等级的评价效果.从易发性分区占比、验证历史滑坡以及频率比来看，两个模型均能对源域的易发性产生良好的评价效果.而反观目标域（表 6），从易发性分区占比来看，TCA-CNN模型对目标域全域预测的极低易发区占比最高，高、极高易发区的占比偏低，符合实际易发性区划规律，而单独CNN模型的易发性占比恰恰相反，极高易发区占比过大，不符合实际滑坡发育规律.结合验证历史滑坡来看，TCA-CNN模型预测落入高、极高易发区的滑坡占比为73.85%，但其频率比高达10.176，说明模型能够以最少的易发区面积将大部分滑坡点正确划分；而单独CNN模型虽预测落入高、极高易发区的滑坡占比高达88.60%，但频率比仅2.644，结合栅格数据发现模型将61.40%的研究区域划分为高、极高易发区，以扩大高易发区面积来保证滑坡预测的准确性，忽略了非滑坡的影响，违背了区域实际的滑坡分布规律.结合LSM图分析（图 8），两个模型的高、极高易发区基本都分布在库岸地区，较多区域靠近库岸的公路沿线；低、极低易发区在远离库岸的高山区域分布较密集.但单独CNN模型将大面积近库岸高山林地误判为高、极高易发区，LSM图无法明确划定真实的滑坡易发区域；结合历史滑坡密集区分析，CNN模型将远离历史滑坡点的大面积区域预测为高易发区，其跨区域预测效果仍有待加强；反观TCA-CNN模型，不仅能以较小面积的极高易发区将大部分历史滑坡点正确归类，同时在密集滑坡区模型也能出色完成不同等级的易发性区划，LSM图的结果更加符合实际.
表 8 不同模型对源域的滑坡易发性等级对比Table Supplementary Table Comparison of landslide susceptibility grades of different models in the source area模型 分区 栅格数 占比（%） 验证滑坡数 占比（%） 频率比 TCA-CNN 极低易发区 682 568 40.00 6 1.98 0.049 低易发区 578 724 33.91 41 14.62 0.431 中等易发区 249 546 14.62 74 26.48 1.811 高易发区 125 711 7.37 77 27.67 3.756 极高易发区 69 910 4.10 82 29.25 7.140 CNN 极低易发区 711 484 41.69 3 1.19 0.028 低易发区 498 059 29.19 34 12.25 0.420 中等易发区 213 458 12.51 70 24.90 1.991 高易发区 206 310 12.09 83 29.64 2.452 极高易发区 77 147 4.52 90 32.02 7.082 3.4.4 易发性结果评价
结合上述模型预测效果对比分析可知，两个模型均能够实现对目标域研究区的易发性进行评估，但TCA-CNN模型的预测结果更为准确，滑坡易发性分布规律与现实地理条件更加吻合，能够在保证源域易发性分布可靠的前提下充分表征目标域研究区的滑坡易发性情况.（1）极高、高易发区主要分布在库岸沿岸缓坡地带，通常凹岸具有更高的易发等级.这一现象是由于库岸地区堆积的松散浅层残坡积土受到库水位变动引起对土体的侵蚀和冲刷作用导致的；并且这些区域的植被覆盖度较低，周边多为耕地与裸地，为滑坡发育创造了有利条件.此外，库岸周边的公路沿线也是滑坡的高发区.因此对于库岸周边滑坡的防治工作需要引起足够的重视.（2）研究区内的低、极低易发区主要都分布在远高于水库正常蓄水位178 m的高山地区，海拔基本都在250 m以上，这些地区具有较高的植被覆盖度，远离公路，土地类型多为森林，植物根系良好的固土效果都促进了边坡的稳定.
4. 讨论
4.1 基于库岸地区的滑坡易发性评价探讨
我国境内分布有上千个中小型水电站，与普通流域地区不同的是，库岸地区滑坡的易发性受到水位升降影响较大.与过往以行政区、未划分滑坡类别开展的库岸地区滑坡灾害评价（王佳佳，2015）不同的是，本文采用库区上游分水岭作为研究边界，综合考虑选择库水淹没区周边与主要干流附近受水位变动影响较大的边坡为研究对象.评价结果图 8a显示，当坡度处于[10，30）、滑坡涉水程度在[0，0.1）时滑坡发育最为明显，与李松林等（2020）和杨忠平等（2021）在三峡库岸滑坡的分析规律相符，也证明不同研究区库岸滑坡间存在一定相似的诱发因素.
4.2 跨区域滑坡易发性研究探讨
标定大量历史数据却仅能基于既定研究区进行易发性分析使得滑坡灾害评价工作进展缓慢.正如Zhu et al.（2018）所研究的，随着灾害评价体系的不断完善，如何将模型拓展至外部区域已成为了一种新的需求.Hu et al.（2019）对传统数据驱动模型进行试验后发现模型在捕获通用知识方面效率低下，模型以既定区域内的知识对外部区域进行的预测只能算是“巧合拟合”.Wang et al.（2023）采用了预训练‒微调的方式解决了这一困难，但前提是需要外部区域的少量样本.与过往研究不同的是，本研究以域自适应变换的方式，将不同研究区相同孕灾因素中具有差异的滑坡发育特征“相似化”，克服了传统机器学习模型无法进行特征泛化的困难，且无需“外部”标记数据即可将模型应用至无样本区域进行预测，较小的数据需求将适用于更多实际应用场景，为跨地区滑坡易发性预测提供了一条新的途径.
4.3 基于迁移学习方法的跨区域建模探讨
在采用迁移学习方法开展库岸跨区域易发性评价时以下几个问题仍需注意：（1）迁移学习模型对数据具有高度敏感性.在进行样本不平衡下的数据迁移时模型会着重考虑多数类之间的分布拟合，造成少数类分布拟合过差甚至不拟合，因此以往的研究（艾骁，2021；Wang et al.，2023）均采用1：1样本比例.本文在参考Wang et al.（2019）的研究成果下进行平衡样本处理，保证迁移学习模型的预测能力达到最优；（2）由于CNN比其他机器学习模型具有更高的极高（低）易发性辨识度（Sameen et al.，2020），更易表现出迁移后滑坡易发性指数的分布特征，故本文选用TCA-CNN模型作为最优模型.其他机器学习模型与TCA方法的耦合同样能得出近似的结果，但效果与精度均低于本模型；（3）基于特征的域自适应方法与深度学习模型耦合的易发性建模方法虽使跨区域预测的整体效果得到较为明显的提升，但其在参数调节方面仍需采用控制变量法进行分别调优，难以完成最优的模型架构参数设定.鉴于此，本文认为可将基于特征的域自适应数据分布距离识别损失函数融入深度神经网络架构中，以元启发式算法实现神经网络架构内的参数寻优，展现更优异的跨区域预测效果.
5. 结论
本文基于域自适应迁移成分分析方法与卷积神经网络模型，利用池潭库区的完整数据集对无滑坡样本的棉花滩库区展开跨区域滑坡易发性评价，选择11个环境因子建立指标体系，通过对比分析验证了迁移学习方法在跨区域易发性建模过程中的可行性.具体结论分析如下：
（1）对比于传统CNN模型（跨区域预测准确率为79.05%，相较于源域降低11.12%），TCA-CNN在进行跨区域易发性建模时具有更高的稳定性（准确率仅降低3.5%），在对目标域进行易发性预测时预测精度仍保持较高水平（85.39%），易发性分布规律与实际情况更加符合，能够指导实际工程研究.
（2）将TCA方法结合CNN模型进行的滑坡易发性分析，是基于域自适应的迁移学习在滑坡易发性评价中的创新应用.从评价结果来看，TCA方法能够充分适应滑坡环境因子的数据特征，并能使易发性模型克服跨区域滑坡数据集分布差异，弥补跨区域预测时精度显著下降的不足.
（3）本文提出的TCA-CNN模型，只需在既定的研究区内任选充足样本点构建因子数据集，无需对区域内进行滑坡数据标定与重复建模，使用源域历史滑坡数据即可实现目标域滑坡易发性分析.这一研究缩短了滑坡易发性评价的工作进程，是一种对无样本地区的无监督预测手段，为滑坡易发性评价工作提供新的思路.
-
图 3 研究区地理信息概况及滑坡分布
a. 福建省行政区划；b. 池潭库区‒目标域；c. 棉花滩库区‒源域
Fig. 3. Geographical information and landslide distribution in the study area
图 5 源域(池潭库区)滑坡环境因子示意
Fig. 5. Schematic diagram of landslide environmental factors in source area (Chitan reservoir area)
图 6 目标域(棉花滩库区)滑坡环境因子示意
Fig. 6. Schematic diagram of landslide environmental factors in the target area (Mianhuatan reservoir area)
图 8 不同模型下的棉花滩库区滑坡易发性区划
Fig. 8. Map of landslide susceptibility in Mianhuatan reservoir area under different models
a. TCA-CNN; b.CNN
图 9 模型跨区域预测性能同比下降率
Fig. 9. Year on year decline rate of trans-regional prediction performance of the model
表 1 研究区栅格数据来源与用途
Table 1. Source and use of grid data in the study area
数据类型 分辨率 数据来源 数据用途描述 Landsat 8 OLI_TIRS影像2021/09/02，path/row 120/412021/01/21，path/row 120/422021/02/22，path/row 120/43 全色15 m，多光谱30 m 地理空间数据云( gscloud.cn )提取归一化植被指数(normalized difference vegetation index，NDVI)；提取土地利用分类指标 DEM 30 m×30 m 地理空间数据云( gscloud.cn )提取高程、坡度、坡向、曲率等地形因子和地形湿度指数(topographic wetness index，TWI) 地质图 1∶20万 全国地质资料馆( ngac.org.cn )提取地质岩层分界线 
下载: 导出CSV
表 2 SMOTE数据扩增前后混淆矩阵
Table 2. Source domain prediction confusion matrix before and after SMOTE data amplification
数据扩增前优化的CNN模型 源域 实际 目标域 实际 非滑坡 滑坡 非滑坡 滑坡 预测 非滑坡 2 778 22 非滑坡 1 518 12 滑坡 268 12 滑坡 118 35 数据扩增后的CNN模型 源域 实际 目标域 实际 非滑坡 滑坡 非滑坡 滑坡 预测 非滑坡 2 525 275 非滑坡 984 546 滑坡 339 2 461 滑坡 95 1 435
下载: 导出CSV
表 3 各基础环境因子频率比值
Table 3. Frequency ratio of each basic environmental factor
指标因素 变量值/源域 全区栅格数/滑坡数量 频率比 变量值/目标域 全区栅格数/滑坡数量 频率比 坡度 0~9 451 017/84 1.129 0~9 54 143/38 1.397 9~16 519 186/104 1.214 9~16 96 342/48 0.992 16~23 375 979/64 1.032 16~23 73 510/40 1.083 23~33 262 212/22 0.509 23~33 58 466/22 0.749 33~75 89 097/6 0.408 33~53 22 095/5 0.450 坡向 平面 1/0 0.000 平面 78/0 0.000 北 92 861/16 1.040 北 22 146/8 0.719 东北 207 496/28 0.815 东北 41 915/12 0.570 东 230 034/33 0.866 东 38 149/25 1.304 东南 246 511/46 1.127 东南 41 190/27 1.305 南 200 569/59 1.776 南 39 604/38 1.910 西南 206 806/42 1.226 西南 33 901/25 1.468 西 211 627/16 0.456 西 30 181/9 0.594 西北 202 254/25 0.746 西北 38 121/6 0.313 北 92 163/15 0.983 北 19 271/3 0.310 曲率 ＜-1.12 34 015/5 0.896 ＜-1.12 12 988/4 0.613 -1.12~-0.31 584 005/49 0.511 -1.12~-0.31 86 848/38 0.871 -0.31~0.19 644 502/135 1.277 -0.31~0.19 131 976/62 0.935 0.19~0.79 345 859/74 1.304 0.19~0.79 60 345/42 1.385 ＞0.79 98 077/17 1.056 ＞0.79 12 399/7 1.124 TWI ＜5.69 878 092/102 0.705 ＜5.69 173 847/94 1.076 5.69~8.55 529 074/96 1.101 5.69~8.55 102 956/51 0.986 8.55~13.84 126 362/28 1.345 8.55~13.84 19 517/5 0.510 13.84~19.99 146 638/45 1.862 13.84~19.99 7 258/2 0.549 ＞19.99 18 824/9 2.901 ＞19.99 978/1 2.035 NDVI ＜0 29 332/0 0.000 ＜0 263/0 0.000 0~0.15 85 892/52 3.690 0~0.15 10 662/36 6.721 0.15~0.26 106 404/48 2.749 0.15~0.26 10 104/32 6.304 0.26~0.35 189 456/78 2.509 0.26~0.35 39 278/57 2.889 0.35~0.45 605 340/80 0.805 0.35~0.45 90 081/24 0.530 0＞0.45 690 028/22 0.194 0＞0.45 154 168/4 0.052 道路距离 ＜100 65 793/13 1.204 ＜100 37 604/65 3.441 100~200 62 426/17 1.660 100~200 21 655/21 1.930 200~300 59 939/17 1.729 200~300 16 902/21 2.473 300~400 57 655/5 0.529 300~400 14 488/20 2.748 400~500 55 801/11 1.201 400~500 12 702/8 1.254 500~600 53 582/15 1.706 500~600 11 428/1 0.174 ＞600 1 351 262/202 0.911 ＞600 189 777/17 0.178 水系距离 ＜100 62 035/57 5.603 ＜100 23 979/73 6.060 100~200 36 031/44 7.446 100~200 21 385/26 2.420 200~300 42 626/19 2.718 200~300 19 661/13 1.316 300~400 56 006/8 0.871 300~400 17 826/8 0.893 400~500 21 018/4 1.160 400~500 16 161/19 2.340 500~600 54 382/9 1.009 500~600 14 756/7 0.944 ＞600 1 435 281/139 0.591 ＞600 190 788/7 0.073 地质界线距离 ＜100 166 980/34 1.241 ＜100 33 285/13 0.777 100~200 150 919/17 0.687 100~200 30 763/16 1.035 200~300 131 706/14 0.648 200~300 26 644/11 0.822 300~400 116 448/7 0.366 300~400 23 244/11 0.942 400~500 104 562/22 1.282 400~500 20 615/2 0.193 500~600 94 819/20 1.286 500~600 17 698/11 1.237 ＞600 941 024/166 1.075 ＞600 152 307/89 1.163 滑坡涉水程度 0~0.1 833 554/180 1.317 0~0.10 225 427/50 0.442 0.1~0.3 593 353/54 0.555 0.10~0.30 38 665/32 1.647 0.3~0.52 158 988/31 1.189 0.30~0.52 19 531/40 4.077 0.52~0.82 52 736/6 0.694 0.52~0.82 9 102/10 2.187 0.82~1 69 012/9 0.795 0.82~1 11 831/21 3.533 土地分类 湖泊 20 224/0 0.000 湖泊 494/0 0.000 森林 1 434 661/141 0.599 森林 189 191/2 0.021 耕地 187 810/112 3.634 耕地 94 828/77 1.616 建设用地 31 732/1 0.192 建设用地 14 448/13 1.791 裸地 32 031/26 4.947 裸地 5 595/61 21.702 地层岩性 入侵岩 426 307/76 1.087 入侵岩 265 287/148 1.111 火山岩 242 227/21 0.529 火山岩 9 761/0 0.000 互层岩 152 118/0 0.000 变质岩 29 508/5 0.337 坚硬岩 264 425/14 0.323 变质岩 224 859/13 0.353 碎裂变质岩 229 820/61 1.619 土体 167 887/95 3.451
下载: 导出CSV
表 4 方差膨胀因子分析
Table 4. Variance expansion factor analysis
指标因素 坡度（°） 坡向（°） 曲率 TWI NDVI 道路距离（m） 水系距离（m） 地质界线距离（m） 滑坡涉水程度 土地分类 地层岩性 VIF 初始因子 4.841 4.299 45.804 3.097 29.599 2.670 2.258 2.761 1.678 6.816 2.923 剔除因子后 3.239 3.518 - 2.875 - 2.653 2.126 2.720 1.671 4.768 2.707
下载: 导出CSV
表 5 不同模型对目标域的滑坡易发性等级对比
Table 5. Comparison of landslide susceptibility grades of different models in the target area
模型 分区 栅格数 占比(%) 验证滑坡数 占比(%) 频率比 TCA-CNN 极低易发区 126 474 41.53 3 1.96 0.047 低易发区 66 503 21.84 17 11.11 0.509 中等易发区 57 407 18.85 20 13.07 0.693 高易发区 33 588 11.03 20 13.07 1.185 极高易发区 20 584 6.76 93 60.78 8.991 CNN 极低易发区 28 317 9.35 2 1.27 0.135 低易发区 40 566 13.40 4 2.53 0.189 中等易发区 47 971 15.85 12 7.59 0.479 高易发区 76 861 25.39 25 15.82 0.623 极高易发区 109 021 36.01 115 72.78 2.021
下载: 导出CSV
表 6 不同训练域模型预测指标分析
Table 6. Analysis of prediction indexes of different training domain models
模型 TCA-CNN CNN 训练指标 ACC 0.885 0.890 R2 0.647 0.634 MSE 0.088 0.092 MAE 0.192 0.231 测试指标 ACC 0.854 0.791 R2 0.571 0.413 MSE 0.107 0.147 MAE 0.182 0.240
下载: 导出CSV
表 7 不同模型跨区域预测混淆矩阵
Table 7. Trans-regional prediction confusion matrix of different models
TCA-CNN 实际 精确率(%) 非滑坡 滑坡 预测 非滑坡 1 228 302 80.26 滑坡 145 1 385 90.52 召回率(%) 89.44 82.10 85.39 CNN 实际 精确率(%) 非滑坡 滑坡 预测 非滑坡 984 546 64.31 滑坡 95 1 435 93.79 召回率(%) 91.20 72.44 79.05
下载: 导出CSV
表 8 不同模型对源域的滑坡易发性等级对比
Table 8. Comparison of landslide susceptibility grades of different models in the source area
模型 分区 栅格数 占比（%） 验证滑坡数 占比（%） 频率比 TCA-CNN 极低易发区 682 568 40.00 6 1.98 0.049 低易发区 578 724 33.91 41 14.62 0.431 中等易发区 249 546 14.62 74 26.48 1.811 高易发区 125 711 7.37 77 27.67 3.756 极高易发区 69 910 4.10 82 29.25 7.140 CNN 极低易发区 711 484 41.69 3 1.19 0.028 低易发区 498 059 29.19 34 12.25 0.420 中等易发区 213 458 12.51 70 24.90 1.991 高易发区 206 310 12.09 83 29.64 2.452 极高易发区 77 147 4.52 90 32.02 7.082
下载: 导出CSV
-
Ai, X., 2021. Construction of Earthquake Landslide Susceptibility Assessment Model Based on Machine Learning: A Case Study of Beijing Mountainous Area (Dissertation). Institute of Engineering Mechanics, China Earthquake Administration, Harbin (in Chinese with English abstract). Arabameri, A., Saha, S., Roy, J., et al., 2020. Landslide Susceptibility Evaluation and Management Using Different Machine Learning Methods in the Gallicash River Watershed, Iran. Remote Sensing, 12(3): 475. https://doi.org/10.3390/rs12030475 Chen, Z. H., 2017. Study on the Type of Bank Collapse and the Interaction between Soil and Water of Mianhuatan Reservoir in Fujian (Dissertation). Chengdu University of Technology, Chengdu (in Chinese with English abstract). Hakim, W. L., Rezaie, F., Nur, A. S., et al., 2022. Convolutional Neural Network (CNN) with Metaheuristic Optimization Algorithms for Landslide Susceptibility Mapping in Icheon, South Korea. Journal of Environmental Management, 305: 114367. https://doi.org/10.1016/j.jenvman.2021.114367 He, Q., Wang, M., Liu, K., 2021. Rapidly Assessing Earthquake-Induced Landslide Susceptibility on a Global Scale Using Random Forest. Geomorphology, 391: 107889. https://doi.org/10.1016/j.geomorph.2021.107889 Hu, Q., Zhou, Y., Wang, S. X., et al., 2019. Improving the Accuracy of Landslide Detection in "Off-Site" Area by Machine Learning Model Portability Comparison: A Case Study of Jiuzhaigou Earthquake, China. Remote Sensing, 11(21): 2530. https://doi.org/10.3390/rs11212530 Huang, F. M., 2017. Landslide Displacement Prediction and Susceptibility Assessment Based on 3S and Artificial Intelligence (Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract). Kouw, W. M., Loog, M., 2019. A Review of Single-Source Unsupervised Domain Adaptation. ArXiv, 1901.05335. http://arxiv.org/abs/1901.05335 LeCun, Y., Boser, B., Denker, J. S., et al., 1989. Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1(4): 541-551. https://doi.org/10.1162/neco.1989.1.4.541 Li, S. L., Xu, Q., Tang, M. G., et al., 2020. Study on Spatial Distribution and Key Influencing Factors of Landslides in Three Gorges Reservoir Area. Earth Science, 45(1): 341-354 (in Chinese with English abstract). Li, W. B., Fan, X. M., Huang, F. M., et al., 2021. Uncertainties of Landslide Susceptibility Modeling under Different Environmental Factor Connections and Prediction Models. Earth Science, 46(10): 3777-3795 (in Chinese with English abstract). Liang, Z., 2021. Comprehensive Application and Study of Machine Learning in Susceptibility Evaluation of Shallow Landslides (Dissertation). Jilin University, Jilin (in Chinese with English abstract). Liu, R., Yang, X., Xu, C., et al., 2022. Comparative Study of Convolutional Neural Network and Conventional Machine Learning Methods for Landslide Susceptibility Mapping. Remote Sensing, 14(2): 321. https://doi.org/10.3390/rs14020321 Pan, S. J., Tsang, I. W., Kwok, J. T., et al., 2011. Domain Adaptation via Transfer Component Analysis. IEEE Transactions on Neural Networks, 22(2): 199-210. https://doi.org/10.1109/TNN.2010.2091281 Ren, R., Zhang, S. J., Sun, H. X., et al., 2021. Research on Pepper External Quality Detection Based on Transfer Learning Integrated with Convolutional Neural Network. Sensors, 21(16): 5305. https://doi.org/10.3390/s21165305 Sameen, M. I., Pradhan, B., Lee, S., 2020. Application of Convolutional Neural Networks Featuring Bayesian Optimization for Landslide Susceptibility Assessment. CATENA, 186: 104249. https://doi.org/10.1016/j.catena.2019.104249 Sun, D. L., 2019. Mapping Landslide Susceptibility Based on Machine Learning and Forecast Warning of Landslide Induced by Rainfall (Dissertation). East China Normal University, Shanghai (in Chinese with English abstract). Sun, D. L., Xu, J. H., Wen, H. J., et al., 2020. An Optimized Random Forest Model and Its Generalization Ability in Landslide Susceptibility Mapping: Application in Two Areas of Three Gorges Reservoir, China. Journal of Earth Science, 31(6): 1068-1086. https://doi.org/10.1007/s12583-020-1072-9 Tan, J. J., Yang, X. Y., Xu, Z. B., et al., 2019. Bearing Fault Diagnosis Based on Unsupervised Transfer Component Analysis and Deep Belief Network. Journal of Wuhan University of Science and Technology, 42(6): 456-462 (in Chinese with English abstract). doi: 10.3969/j.issn.1674-3644.2019.06.009 Tang, R. X., 2017. A Dissertation Submitted to China University of Geosciences for the Doctor Degree of Geological Engineering (Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract). Wang, H. J., Wang, L., Zhang, L. M., 2023. Transfer Learning Improves Landslide Susceptibility Assessment. Gondwana Research, 123: 238-254. https://doi.org/10.1016/j.gr.2022.07.008 Wang, J. J., 2015. Landslide Risk Assessment in Wanzhou County, Three Gorges (Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract). Wang, Y. M., Wu, X. L., Chen, Z. J., et al., 2019. Optimizing the Predictive Ability of Machine Learning Methods for Landslide Susceptibility Mapping Using SMOTE for Lishui City in Zhejiang Province, China. International Journal of Environmental Research and Public Health, 16(3): 368. https://doi.org/10.3390/ijerph16030368 Wu, D. R., 2011. Analyze Influencing Factors and Cure Measures of Geologic Hazard in Taining Country. Geology of Fujian, 30(3): 267-271 (in Chinese with English abstract). doi: 10.3969/j.issn.1001-3970.2011.03.012 Wu, R. Z., Hu, X. D., Mei, H. B., et al., 2021. Spatial Susceptibility Assessment of Landslides Based on Random Forest: A Case Study from Hubei Section in the Three Gorges Reservoir Area. Earth Science, 46(1): 321-330 (in Chinese with English abstract). Xu, W., Wan, Y., Zuo, T. Y., et al., 2020. Transfer Learning Based Data Feature Transfer for Fault Diagnosis. IEEE Access, 8: 76120-76129. https://doi.org/10.1109/ACCESS.2020.2989510 Yang, Z. P., Li, X. Y., Zhao, Q., et al., 2021. Key Influencing Factors Based Distribution Regularity and Deformation and Failure Response of Colluvial Landslides in Three Gorges Reservoir Area. Journal of Engineering Geology, 29(3): 617-627 (in Chinese with English abstract). Yu, X. Y., 2016. Study on The Landslide Susceptibility Evaluation Method Based on Multi-Source Data and Multi-Scale Analysis (Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract). Zhang, J., Yin, K. L., Wang, J. J., et al., 2015. Displacement Prediction of Baishuihe Landslide Based on Time Series and Pso-Svr Model. Chinese Journal of Rock Mechanics and Engineering, 34(2): 382-391 (in Chinese with English abstract). Zhang, K., Wang, J. Y., Shi, H. T., et al., 2021. A Fault Diagnosis Method Based on Improved Convolutional Neural Network for Bearings under Variable Working Conditions. Measurement, 182: 109749. https://doi.org/10.1016/j.measurement.2021.109749 Zhao, N., Zhang, X. F., Zhang, L. J., 2018. Review on Classification of Unbalanced Data. Computer Science, 45(S1): 22-27, 57 (in Chinese with English abstract). Zhao, S., Zhao, Z., 2021. A Comparative Study of Landslide Susceptibility Mapping Using SVM and PSO-SVM Models Based on Grid and Slope Units. Mathematical Problems in Engineering, 8854606. https://doi.org/10.1155/2021/8854606 Zhou, C., Yin, K. L., Cao, Y., et al., 2020. Landslide Susceptibility Assessment by Applying the Coupling Method of Radial Basis Neural Network and Adaboost: A Case Study from the Three Gorges Reservoir Area. Earth Science, 45(6): 1865-1876 (in Chinese with English abstract). Zhou, Y. C., Zhang, X. M., Wang, Y., et al., 2021. Transfer Learning and Its Application Research. Journal of Physics: Conference Series, 1920(1): 012058. https://doi.org/10.1088/1742-6596/1920/1/012058 Zhu, A. X., Miao, Y. M., Wang, R. X., et al., 2018. A Comparative Study of an Expert Knowledge-Based Model and Two Data-Driven Models for Landslide Susceptibility Mapping. CATENA, 166: 317-327. https://doi.org/10.1016/j.catena.2018.04.003 艾骁, 2021. 基于机器学习的地震滑坡易发性评估模型构建: 以北京市山区为例(博士学位论文). 哈尔滨: 中国地震局工程力学研究所. 陈中华, 2017. 福建省棉花滩水库塌岸模式及水土相互作用研究(硕士学位论文). 成都: 成都理工大学. 黄发明, 2017. 基于3S和人工智能的滑坡位移预测与易发性评价(博士学位论文). 武汉: 中国地质大学. 李松林, 许强, 汤明高, 等, 2020. 三峡库区滑坡空间发育规律及其关键影响因子. 地球科学, 45(1): 341-354. doi: 10.3799/dqkx.2017.576 李文彬, 范宣梅, 黄发明, 等, 2021. 不同环境因子联接和预测模型的滑坡易发性建模不确定性. 地球科学, 46(10): 3777-3795. doi: 10.3799/dqkx.2021.042 梁柱, 2021. 机器学习在浅层滑坡敏感性评价中的综合应用与研究(博士学位论文). 长春: 吉林大学. 孙德亮, 2019. 基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究(博士学位论文). 上海: 华东师范大学. 谭俊杰, 杨先勇, 徐增丙, 等, 2019. 基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法. 武汉科技大学学报, 42(6): 456-462. doi: 10.3969/j.issn.1674-3644.2019.06.009 唐睿旋, 2017. 堆积层滑坡单体稳定性评估及区域易发性评价研究(博士学位论文). 武汉: 中国地质大学. 王佳佳, 2015. 三峡库区万州区滑坡灾害风险评估研究(博士学位论文). 武汉: 中国地质大学. 吴道荣, 2011. 泰宁县地质灾害影响因素及防治建议. 福建地质, 30(3): 267-271. doi: 10.3969/j.issn.1001-3970.2011.03.012 吴润泽, 胡旭东, 梅红波, 等, 2021. 基于随机森林的滑坡空间易发性评价: 以三峡库区湖北段为例. 地球科学, 46(1): 321-330. doi: 10.3799/dqkx.2020.032 杨忠平, 李绪勇, 赵茜, 等, 2021. 关键影响因子作用下三峡库区堆积层滑坡分布规律及变形破坏响应特征. 工程地质学报, 29(3): 617-627. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202103005.htm 于宪煜, 2016. 基于多源数据和多尺度分析的滑坡易发性评价方法研究(博士学位论文). 武汉: 中国地质大学. 张俊, 殷坤龙, 王佳佳, 等, 2015. 基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究. 岩石力学与工程学报, 34(2): 382-391. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201502019.htm 赵楠, 张小芳, 张利军, 2018. 不平衡数据分类研究综述. 计算机科学, 45(S1): 22-27, 57. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2018S1005.htm 周超, 殷坤龙, 曹颖, 等, 2020. 基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价. 地球科学, 45(6): 1865-1876. doi: 10.3799/dqkx.2020.071 期刊类型引用(3)
1. 崔婷婷，安雪莲，孙德亮，陈东升，朱有晨. 基于SHAP的可解释机器学习的滑坡易发性评价模型. 成都理工大学学报(自然科学版). 2025(01): 153-172 . 
百度学术2. 张硕，张翰清，张昕，姜彤，吴嘉绪，杨创维. 动水驱动作用下边坡灾变防控研究综述. 人民长江. 2025(02): 134-143+151 . 百度学术3. 车文超. 基于卷积神经网络的泥石流易发性评估软件开发及其工程应用分析. 铁道技术标准(中英文). 2025(01): 54-60 . 百度学术其他类型引用(4)
-
下载:
百度学术
点击查看大图
计量
- 文章访问数: 697
- HTML全文浏览量: 142
- PDF下载量: 74
- 被引次数: 7
