何少其，劉元雪，梁 葉，劉 娜，趙久彬

(1.陸軍勤務(wù)學(xué)院巖土力學(xué)與地質(zhì)環(huán)境保護(hù)重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 401311；2.重慶市地質(zhì)礦產(chǎn)測(cè)試中心，重慶 400042；3.重慶長(zhǎng)江勘測(cè)設(shè)計(jì)院有限公司，重慶 401147)

0 引言

“階躍式”滑坡是三峽庫區(qū)的典型滑坡類型[1]，具有分布廣泛、危害性大、成因復(fù)雜、難以預(yù)測(cè)等特點(diǎn)[2]。大量研究表明，庫區(qū)降雨和水位升降是引起此類滑坡失穩(wěn)的主要誘因[3-4]，受此影響滑體的位移時(shí)間曲線呈現(xiàn)突變與穩(wěn)定交替的演化形態(tài)，而突變又與穩(wěn)定性下降直接相關(guān)[5]。因此，利用海量的位移和環(huán)境數(shù)據(jù)進(jìn)行分析、挖掘是研究和預(yù)防此類滑坡災(zāi)害的有效途徑[6]，其中提升突變的預(yù)測(cè)精度和確定核心相關(guān)因子是關(guān)鍵問題。

近年來，“階躍式”滑坡研究分析多以位移預(yù)測(cè)為主，應(yīng)用了時(shí)間序列、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等算法及其組合。彭令等[7]、MIAO F S等[8]分別利用時(shí)間序列將位移分解，并通過多項(xiàng)式函數(shù)和支持向量機(jī)耦合模型分別對(duì)趨勢(shì)項(xiàng)和季節(jié)項(xiàng)進(jìn)行擬合，并有效應(yīng)用于總位移預(yù)測(cè)；李驊錦等[9]提出了ARMA與LASSO-ELM的聯(lián)合模型，并選取Copula函數(shù)對(duì)誘因數(shù)據(jù)與位移預(yù)測(cè)數(shù)據(jù)的聯(lián)合分布進(jìn)行描述并提取誘因閾值和位移風(fēng)險(xiǎn)值；楊背背等[10]通過多項(xiàng)式擬合趨勢(shì)項(xiàng)位移、LSTM模型擬合周期項(xiàng)位移，獲得了預(yù)測(cè)精度較高的疊加動(dòng)態(tài)模型。這類方法應(yīng)用于滑坡位移跟蹤時(shí)能夠達(dá)到較高精準(zhǔn)度，但多適用于單滑坡體預(yù)報(bào)，難以獲取共性規(guī)律。與此類方法不同的是，文章提出了考慮高維地質(zhì)環(huán)境影響因子作用下區(qū)域內(nèi)“階躍式”滑坡突變與穩(wěn)定的分類優(yōu)化模型，目前類似的思想和方法還不多見。

從數(shù)據(jù)層面來看，“階躍式”滑坡的突變和穩(wěn)定數(shù)據(jù)在數(shù)量上存在嚴(yán)重的不平衡問題，勢(shì)必引起分類器性能下降。針對(duì)此類問題，CHAWLA N V等[11]提出了合成少數(shù)類過采樣技術(shù)(Synthetic Minority Over-sampling Technique，SMOTE)，HAN H等[12]通過增強(qiáng)分類邊界附近少數(shù)類過采樣得到改進(jìn)的borderline-SMOTE算法。從分類器層面來看，單分類器如k近鄰(KNN)、支持向量機(jī)(SVM)、邏輯回歸(LR)、樸素貝葉斯(NB)、決策樹(CART)等精度受限，且易造成模型過擬合。而隨機(jī)森林(Random Forest，RF)[13]和梯度提升樹(Gradient Boosted Decision Tree，GBDT)[14]這兩種集成樹算法利用了算法集成的思想，具有泛化性能優(yōu)、精度高、計(jì)算速度快、多分類預(yù)測(cè)等優(yōu)勢(shì)。

基于以上考慮，本研究設(shè)計(jì)的平衡集成樹，就是通過borderline-SMOTE中的1型(簡(jiǎn)稱borsmote1) 合成控制適當(dāng)比例的邊界突變少數(shù)類以平衡數(shù)據(jù)源，對(duì)隨機(jī)森林和梯度提升樹進(jìn)行優(yōu)化；設(shè)計(jì)分層十折交叉驗(yàn)證和網(wǎng)格搜索的組合，利用剪枝提升泛化性能，最終使集成樹提升至較高預(yù)測(cè)精度的平衡狀態(tài)；結(jié)合海量“階躍式”滑坡數(shù)據(jù)集，對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行歸一化處理并用于訓(xùn)練與測(cè)試，結(jié)果評(píng)估利用了監(jiān)督學(xué)習(xí)中的受試者工作特征(Receiver Operating Characteristics，ROC)標(biāo)準(zhǔn)[15]，并定義綜合精度平均值指標(biāo)，模型得出的預(yù)測(cè)性能整體優(yōu)于單集成樹以及平衡前后的不同分類器；以樹節(jié)點(diǎn)純度計(jì)算對(duì)26個(gè)地質(zhì)環(huán)境因子進(jìn)行了排名，相比于常用的相關(guān)性系數(shù)，能夠有效提取出核心影響因子。通過平衡集成樹算法，使“階躍式”滑坡的突變預(yù)測(cè)達(dá)到了較高的預(yù)報(bào)水準(zhǔn)，確定出的核心相關(guān)因子可作為后續(xù)機(jī)理研究參考分析，為區(qū)域內(nèi)滑坡理論分析與防治提供新的思想與方法。

1 平衡集成樹算法

平衡集成樹模型融合了borsmote1與集成樹的算法優(yōu)勢(shì)，并結(jié)合實(shí)際的“階躍式”滑坡數(shù)據(jù)進(jìn)行應(yīng)用。它的主要思想是利用訓(xùn)練集突變樣本合成邊界少數(shù)類，使數(shù)據(jù)達(dá)到測(cè)試分類性能最佳的平衡狀態(tài)，從而對(duì)RF和GBDT進(jìn)行改進(jìn)和優(yōu)化，并建立該狀態(tài)下的最終模型。

1.1 數(shù)據(jù)平衡規(guī)則

傳統(tǒng)的過采樣和欠采樣方法或造成模型的過擬合、或以犧牲大量寶貴數(shù)據(jù)為代價(jià)，均難以滿足數(shù)據(jù)激增的發(fā)展趨勢(shì)。因此，本文采用突變邊界樣本合成的方法平衡數(shù)據(jù)層。具體規(guī)則為：

(1)“階躍式”滑坡數(shù)據(jù)全集為T，突變樣本集合為P={p1,p2,…,ppn}，穩(wěn)定樣本集合為N={n1,n2,…,nnn}，其中pn和nn分別為突變樣本和穩(wěn)定樣本的數(shù)量。在T范圍內(nèi)尋找P中所有樣本pi(i=1,2…,pn}的m最近鄰，m′是m最近鄰中穩(wěn)定樣本數(shù)。

(2)當(dāng)m′=m，表明pi被多數(shù)類樣本完全包裹，此時(shí)被判別為噪聲點(diǎn)；當(dāng)m′∈[m/2,m)，表明pi的m最近鄰中穩(wěn)定樣本多于突變樣本，突變極大可能被錯(cuò)分為穩(wěn)定，此時(shí)被判別為危險(xiǎn)點(diǎn)；當(dāng)m′∈[0,m/2)，表明pi的m最近鄰中突變樣本多于穩(wěn)定樣本，此時(shí)被判別為安全點(diǎn)。

(3)在廣義歐式空間中，危險(xiǎn)點(diǎn)即是P的邊界樣本，記為p*。

(4)通過不同比率調(diào)節(jié)對(duì)p*隨機(jī)選取的最近鄰中k個(gè)突變樣本pj，按照公式(1)合成屬于突變類的新樣本pnew，所有新樣本加入P組成新的合成突變樣本集合Pnew。

pnew=p*+rand×(pj-p*)

(1)

式中，rand——在區(qū)間(0,1)內(nèi)的隨機(jī)數(shù)，j=1,2,…,k。

1.2 集成樹參數(shù)優(yōu)化

集成樹參數(shù)優(yōu)化的目標(biāo)是改善集成樹的普適性與魯棒性，有效保證其對(duì)新數(shù)據(jù)的預(yù)測(cè)精度。對(duì)于RF和GBDT兩種集成樹而言，已被證明子樹的數(shù)量越多，對(duì)隨機(jī)狀態(tài)的適應(yīng)過程越穩(wěn)定，但是訓(xùn)練和預(yù)測(cè)時(shí)長(zhǎng)相應(yīng)增加。通過實(shí)際測(cè)試與權(quán)衡，本研究均使用300棵子樹用于集成樹構(gòu)建。由于GBDT采用了Boosting[16]的策略，利用損失函數(shù)(Loss Function)在梯度下降方向持續(xù)迭代提升模型準(zhǔn)確率，本文通過設(shè)置學(xué)習(xí)率為0.1來調(diào)節(jié)減少殘差的速率。同時(shí)，為了模型達(dá)到最優(yōu)泛化的目的，根據(jù)機(jī)器學(xué)習(xí)經(jīng)驗(yàn)法則拆分出總數(shù)據(jù)集的25%作為測(cè)試集，測(cè)試集不參與模型的訓(xùn)練過程，只在最后用于評(píng)估訓(xùn)練模型對(duì)于新數(shù)據(jù)的泛化表現(xiàn)。訓(xùn)練過程中，采取分層十折交叉驗(yàn)證和網(wǎng)格搜索手段來綜合選擇劃分特征子集、控制樹的深度等進(jìn)行參數(shù)調(diào)優(yōu)，對(duì)子樹進(jìn)行預(yù)剪枝操作。選取對(duì)高維多噪音數(shù)據(jù)次敏感的基尼系數(shù)(Gini Impurity)作為純度計(jì)算標(biāo)準(zhǔn)，節(jié)點(diǎn)不純度值越低，模型擬合越好。

1.3 計(jì)算方法

平衡集成樹模型應(yīng)用于“階躍式”滑坡突變預(yù)測(cè)與特征提取的計(jì)算方法為：

(1)將多源、海量、異構(gòu)數(shù)據(jù)歸一化為可挖掘的數(shù)據(jù)信息，構(gòu)建原始數(shù)據(jù)集，并拆分為訓(xùn)練集和測(cè)試集；

(2)訓(xùn)練集通過不同比率參數(shù)合成突變邊界少數(shù)類樣本，得到平衡化數(shù)據(jù)集，供RF、GBDT訓(xùn)練模型；

(3)以測(cè)試集綜合精度平均值為評(píng)估指標(biāo)，選定最佳測(cè)試精度下的參數(shù)優(yōu)化組合，建立平衡集成樹模型；

(4)預(yù)報(bào)區(qū)域內(nèi)“階躍式”滑坡突變，根據(jù)模型特征重要性提取核心相關(guān)因子(圖1)。

圖1 平衡集成樹模型流程Fig.1 Flow chat of the balanced decision tree ensemble model

1.4 評(píng)估指標(biāo)

結(jié)合滑坡預(yù)測(cè)的實(shí)際情況，采用ROC標(biāo)準(zhǔn)用于預(yù)測(cè)結(jié)果評(píng)估，具體指標(biāo)包括：召回率(True Positive Rate，TPR)，為正類樣本中被正確預(yù)測(cè)的占比；f1測(cè)度(f1-score，f1)，為召回率和準(zhǔn)確率(被預(yù)測(cè)為正類樣本中實(shí)為正類的占比)的調(diào)和平均；AUC值(Area Under Roc Curve，AUC)，等價(jià)于分類器對(duì)正類中隨機(jī)樣本評(píng)分高于反類中隨機(jī)樣本的概率。

2 研究區(qū)滑坡概況及數(shù)據(jù)集

2.1 研究區(qū)滑坡地質(zhì)環(huán)境

本文選取的三峽庫區(qū)內(nèi)26個(gè)“階躍式”岸坡(圖2)，均為堆積層-基巖組合形式，以侏羅系地層的砂巖、泥巖為主，地層巖性具有易風(fēng)化、遇水軟化等特點(diǎn)，剪出口相近，前緣位于175 m庫水位以下。庫區(qū)水位為145～175 m，漲落高差達(dá)30 m，相應(yīng)的庫岸地災(zāi)體水位變化也基本如此。該區(qū)屬亞熱帶季風(fēng)性濕潤(rùn)氣候，全年的氣候特征為濕度大、降雨充沛，年均平均降雨量達(dá)到996.7～1 309.9 mm。夏季長(zhǎng)而熱、多暴雨，秋多陰雨，冬暖、春旱。豐富的水資源為“階躍式”滑坡災(zāi)害提供了外部條件，使得巖土體強(qiáng)度降低，坡體自重變化，產(chǎn)生動(dòng)水壓力和浮托力，使得坡體穩(wěn)定性急劇下降。

圖2 研究區(qū)滑坡分布Fig.2 Distribution of landslides in the study area1—行政中心；2—區(qū)縣界；3—庫區(qū)；4—三峽大壩；5—滑坡。

2.2 數(shù)據(jù)歸一化處理

滑坡的地質(zhì)環(huán)境因子分為內(nèi)部和外部[17]。內(nèi)部因子數(shù)據(jù)包括地形地貌、地層巖性和地質(zhì)構(gòu)造[18]等，基本趨于穩(wěn)定，由現(xiàn)場(chǎng)勘查獲??；外部因子數(shù)據(jù)包括降雨和庫水[19]等，它隨時(shí)間活躍變化，由監(jiān)測(cè)點(diǎn)實(shí)時(shí)監(jiān)控。因子選取盡量體現(xiàn)真實(shí)數(shù)據(jù)的差異性，但由于調(diào)研數(shù)據(jù)難以包含所有地質(zhì)情況，部分因子及分級(jí)類別不夠齊全。匯編數(shù)據(jù)以月為周期，并考慮了降雨和庫水的滯后效應(yīng)[20-21]，最終選取可獲取的、較為完整的26個(gè)地質(zhì)環(huán)境因子(表1)。為了驗(yàn)證模型可行性、實(shí)用性，隨機(jī)抽取出王爺廟滑坡作為預(yù)測(cè)集校核模型，另25個(gè)滑坡構(gòu)成因子計(jì)算、機(jī)器學(xué)習(xí)及測(cè)試的總數(shù)據(jù)集。

表1 26個(gè)滑坡地質(zhì)環(huán)境因子Table 1 26 Geological environment factors of landslides

數(shù)據(jù)的歸一化是算法實(shí)現(xiàn)的前提。由于數(shù)據(jù)平衡化是基于廣義歐式距離實(shí)現(xiàn)的，針對(duì)離散型因子，先采用各因子相應(yīng)的二級(jí)因子突變頻率比[22]進(jìn)行數(shù)據(jù)連續(xù)化，作為衡量因子的量化指標(biāo)：

(2)

式中，ni,j——各類二級(jí)因子突變樣本；

mi,j——該二級(jí)因子集合，其中i為環(huán)境因子序號(hào)，j為所在因子分類的二級(jí)因子序號(hào)。

再將所有連續(xù)型在內(nèi)的因子離差標(biāo)準(zhǔn)化，映射至[0,1]區(qū)間消除量綱影響，作為自變量供模型使用，離散型因子分級(jí)與連續(xù)化結(jié)果如表2至表9所示。

表2 滑坡類型因子分級(jí)與連續(xù)化Table 2 Classification and continuous of landslide type

表3 剖面形態(tài)因子分級(jí)與連續(xù)化Table 3 Classification and continuous of profile morphology

表4 基巖地層巖性因子分級(jí)與連續(xù)化Table 4 Classification and continuous of bedrock lithological

表5 堆積層巖性因子分級(jí)與連續(xù)化Table 5 Classification and continuous of accumulative formation lithological

表6 巖層產(chǎn)狀關(guān)系因子分級(jí)與連續(xù)化Table 6 Classification and continuous of rock stratum occurrence

表7 坡向因子分級(jí)與連續(xù)化Table 7 Classification and continuous of aspect

表8 地下水類型因子分級(jí)與連續(xù)化Table 8 Classification and continuous of groundwater type

表9 地下水補(bǔ)給因子分級(jí)與連續(xù)化Table 9 Classification and continuous of groundwater recharge

滑坡地表水平位移監(jiān)測(cè)數(shù)據(jù)作為突變依據(jù)，結(jié)合“階躍式”滑坡曲線連續(xù)突變的特征，以統(tǒng)計(jì)學(xué)中離群值檢驗(yàn)的四分位上界[23]對(duì)各監(jiān)測(cè)點(diǎn)月位移量進(jìn)行劃分，用作數(shù)據(jù)集的因變量，其中突變記作1、穩(wěn)定記作0。將突變頻次與降雨量、庫水位比較，發(fā)現(xiàn)三者具有較強(qiáng)的相關(guān)性。圖3為2006年6月至2018年8月期間，研究區(qū)“階躍式”滑坡總突變頻次與月平均降雨量、月平均庫水位的關(guān)系。

圖3 “階躍式”滑坡的總突變頻次與月平均降雨量、月平均庫水位的相關(guān)性曲線Fig.3 The correlation curve between the catastrophe frequency of step-like landslides and monthly average rainfall, monthly average reservoir water level1—突變頻次；2—月平均降雨量；3—月平均庫水位。

2.3 “階躍式”滑坡數(shù)據(jù)集

建立所有變量總和的“階躍式”滑坡數(shù)據(jù)庫，總數(shù)據(jù)集按3∶1劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集根據(jù)不同過采樣比率參數(shù)合成新的樣本集用于集成樹訓(xùn)練使用，測(cè)試集不參與模型的訓(xùn)練過程用于評(píng)估訓(xùn)練模型對(duì)于新數(shù)據(jù)的泛化表現(xiàn)。如表10所示，數(shù)據(jù)集中樣本數(shù)目分布嚴(yán)重不平衡，直接用于傳統(tǒng)分類算法必將導(dǎo)致訓(xùn)練結(jié)果更傾向于穩(wěn)定類，對(duì)突變類學(xué)習(xí)效率降低。因此，在數(shù)據(jù)層面對(duì)目標(biāo)變量進(jìn)行平衡優(yōu)化是提升突變信息學(xué)習(xí)效率的突破點(diǎn)。

表10 “階躍式”滑坡數(shù)據(jù)集Table 10 The data set of step-like landslide

3 模型應(yīng)用與分析

3.1 模型測(cè)試結(jié)果比較

模型測(cè)試結(jié)果比較分為三步：(1)采用初始訓(xùn)練集分別訓(xùn)練傳統(tǒng)單分類算法(KNN、SVM、LR、NB、CART)和集成樹算法(RF、GBDT)，并進(jìn)行測(cè)試結(jié)果評(píng)估；(2)采用比率參數(shù)為1的平衡化訓(xùn)練集對(duì)上述方法進(jìn)行訓(xùn)練并測(cè)試評(píng)估；(3)通過比率參數(shù)搜索構(gòu)造兩種最佳平衡狀態(tài)下的平衡集成樹(Borsmote1-RF和Borsmote1-GBDT)模型。

(1)傳統(tǒng)單分類算法與集成樹算法的測(cè)試結(jié)果比較

實(shí)驗(yàn)對(duì)所選模型分別進(jìn)行了泛化調(diào)參，用沒有參與訓(xùn)練的測(cè)試集進(jìn)行結(jié)果評(píng)估(表11)。

表11 初始訓(xùn)練集對(duì)應(yīng)的不同算法測(cè)試結(jié)果Table 11 Different algorithm test performances corresponding to the raw training set

(2)比率參數(shù)為1的平衡優(yōu)化算法比較

比例參數(shù)表示過采樣后突變類數(shù)量與穩(wěn)定類之比，采用比率參數(shù)為1對(duì)測(cè)試集進(jìn)行平衡操作，此時(shí)突變類與穩(wěn)定類數(shù)量相等，以此分別對(duì)(1)中的所有方法進(jìn)行優(yōu)化。訓(xùn)練過程同樣采取了泛化措施，優(yōu)化后的訓(xùn)練模型用于測(cè)試集預(yù)測(cè)結(jié)果評(píng)估(表12)。

表12 比率參數(shù)為1的平衡優(yōu)化算法測(cè)試結(jié)果Table 12 Balanced optimization algorithm test performances at a ratio of one

(3)構(gòu)造最佳平衡狀態(tài)下的平衡集成樹模型

合成突變類過程中，比率參數(shù)使合成突變類數(shù)線性增加，決定了數(shù)據(jù)平衡的程度，直接影響分類器性能。之前的實(shí)驗(yàn)已經(jīng)證明比率值為1時(shí)平衡優(yōu)化的集成樹算法精度最高，通過調(diào)節(jié)比率值可以進(jìn)一步挖掘訓(xùn)練模型的最佳平衡狀態(tài)。每種組合的平衡優(yōu)化集成樹模型同樣經(jīng)過泛化訓(xùn)練獲得，整個(gè)平衡過程的結(jié)果如圖4所示。

圖和AUC預(yù)測(cè)精度隨測(cè)試集比率參數(shù)變化曲線圖Fig.4 The values of and AUC vary with ratio parameters1—RF；2—GBDT；3—Borsmote1-RF；4—Borsmote1-GBDT。

和AUC值整體上先快速上升然后緩慢下降，中間有較大波動(dòng)，三者趨勢(shì)比較相似。Borsmote1-RF模型在比率為0.5時(shí)，測(cè)試精度最高，而Borsmote1-GBDT模型當(dāng)比率為0.7時(shí)效果最佳，可以認(rèn)為這兩點(diǎn)為兩種模型的最佳平衡狀態(tài)。當(dāng)比率繼續(xù)增大時(shí)，模型測(cè)試結(jié)果精度下降，這是因?yàn)楹铣缮贁?shù)類樣本并非真實(shí)樣本，過多亦會(huì)造成數(shù)據(jù)集質(zhì)量降低，平衡化程度并非越平均越好。

表13 最佳平衡狀態(tài)下的平衡集成樹測(cè)試結(jié)果Table13 Test results of balanced decision tree ensemble under optimal equilibrium

3.2 核心因子提取

因子與突變的關(guān)聯(lián)是非線性和離散的，而采用相關(guān)性系數(shù)分析相關(guān)性前提是線性情況，因此采用以往常用方法提取因子特征具有局限性。平衡集成樹模型對(duì)于“階躍式”滑坡突變預(yù)測(cè)的精度得到了有效提升，表明模型在數(shù)據(jù)平衡過程中經(jīng)過邊界增強(qiáng)、噪音消減更易于捕捉到了突變的核心相關(guān)因子，可以認(rèn)為基于平衡集成樹信息增益率給出的因子特征重要性比集成樹更具有參考與實(shí)用價(jià)值。按照borsmote1-RF(0.5比率)模型計(jì)算的26個(gè)地質(zhì)環(huán)境因子特征重要性進(jìn)行降序排列，圖5得出集成樹改進(jìn)前后該研究區(qū)的因子重要性。

由圖5可知，外部因子較內(nèi)部因子影響更為顯著，其中降雨、庫水位和內(nèi)部因子三者的比重和約為27.85%、52.43%和21.00%，該比例受因素?cái)?shù)量影響，但可作為定性參考分析。可見，庫水位為三峽庫區(qū)“階躍式”滑坡的主導(dǎo)因素，且水位下降導(dǎo)致失穩(wěn)的作用強(qiáng)于水位上漲；降雨為主要因素，其中前1個(gè)月降雨量和單日最大降雨量影響較大。

圖6為bormote1(0.5比率)情況下，主要因子所對(duì)應(yīng)的平衡化突變類、穩(wěn)定類和初始突變類三者的分布特征。經(jīng)過平衡化的數(shù)據(jù)集降低了樹節(jié)點(diǎn)劃分突變的不純度值，且各因子的分布特征均能夠得到較好的可解釋性。如圖6(a)、圖6(b)、圖6(d)和圖6(e)所示，突變集中發(fā)生在月最低庫水位[144 m,154 m]、月最高庫水位[153 m,162 m]和月平均庫水位[144 m,158 m]段，當(dāng)月水位變化量則多發(fā)于[-12 m,-8 m]和[4 m,10 m]兩個(gè)區(qū)間段(突變發(fā)生的[-4 m,0 m]區(qū)段是穩(wěn)定類的集中區(qū)段，因此突變頻率相對(duì)較低)，表明庫水位的驟升和驟降均是誘發(fā)“階躍式”滑坡失穩(wěn)的重要因素；如圖6(c)、圖6(d)所示，單日最大降雨量為40 mm和前1個(gè)月降雨量為125 mm左右，是“階躍式”滑坡突變啟動(dòng)的一個(gè)轉(zhuǎn)折點(diǎn)，且均與突變呈正相關(guān)。

圖6 主要因子對(duì)應(yīng)的穩(wěn)定類、平衡化突變類和初始突變類三者的分布特征Fig.6 Distribution characteristics of balanced mutants, stable classes and initial mutations corresponding to major factors1—穩(wěn)定類；2—平衡化突變類；3—初始突變類。

3.3 王爺廟滑坡案例分析

歷年來，滑坡受雨季降水(圖7)和庫水波動(dòng)(圖8)影響，滑體沿基巖接觸面向下滑動(dòng)，前緣經(jīng)江水浸泡、沖刷和淘蝕而失去支撐，變形加劇，處于欠穩(wěn)定狀態(tài)。其中中部WYM05號(hào)監(jiān)測(cè)點(diǎn)累計(jì)地表水平位移達(dá)5 681.6 mm，該點(diǎn)自2007年雨季開始變形，時(shí)空曲線為“階躍式”發(fā)展，歷經(jīng)多個(gè)突變時(shí)段(主要為2007年5～8月，2008年9月，2009年2月、5～11月，2010年4～6月，2011年5月，2012年5～7月，2013年6月，2014年5～12月，2015年6～7月，2016年4～10月)，位移方向81°～85°同主滑方向基本一致。

圖7 王爺廟滑坡降雨監(jiān)測(cè)曲線Fig.7 Monitoring curves for precipitation of Wangyemiao landslide1—當(dāng)月降雨量；2—單日最大降雨量；3—降雨超過0.1 mm天數(shù)。

圖8 王爺廟滑坡庫水監(jiān)測(cè)曲線Fig.8 Monitoring curves for reservoir water level of Wangyemiao landslide1—月平均庫水位；2—當(dāng)月水位變化量。

圖9 WYM05號(hào)監(jiān)測(cè)點(diǎn)累計(jì)位移曲線和預(yù)測(cè)結(jié)果Fig.9 Accumulated displacement curves and prediction results of monitoring point WYM051—預(yù)測(cè)為穩(wěn)定類；2—預(yù)測(cè)為突變類。

4 結(jié)論和展望

本文提出了平衡集成樹模型對(duì)“階躍式”滑坡突變預(yù)測(cè)和特征提取進(jìn)行了研究分析，得出如下結(jié)論：

(1)模型考慮了滑坡監(jiān)測(cè)數(shù)據(jù)處理中的不平衡問題，通過合成邊界突變類，使模型能夠有效獲取“階躍式”滑坡突變與復(fù)雜地質(zhì)環(huán)境因子間的關(guān)聯(lián)。與傳統(tǒng)算法相比較，該算法實(shí)現(xiàn)了海量監(jiān)測(cè)數(shù)據(jù)下的有效泛化和準(zhǔn)確分析，解決了傳統(tǒng)突變預(yù)測(cè)方法效率低的問題；

(2)該方法能夠較好反映研究區(qū)內(nèi)不同時(shí)段不同條件下因子對(duì)“階躍式”滑坡失穩(wěn)的影響作用。本文探討了以月為周期的預(yù)測(cè)分析，并進(jìn)行因子特征重要性比較，研究方法及所得規(guī)律可為相關(guān)工程和研究提供重要的參考價(jià)值；

(3)通過測(cè)試集和預(yù)測(cè)集結(jié)果評(píng)價(jià)，模型性能達(dá)到了實(shí)際預(yù)報(bào)要求，驗(yàn)證了平衡集成樹模型應(yīng)用于“階躍式”滑坡風(fēng)險(xiǎn)評(píng)估與機(jī)理研究的可行性。同時(shí)，處理和解決滑坡災(zāi)害數(shù)據(jù)分析中的數(shù)據(jù)不平衡問題，是實(shí)現(xiàn)智能滑坡災(zāi)害分析與大數(shù)據(jù)預(yù)警的必然趨勢(shì)。