王 毅， 陳 曦， 唐貴希， 方志策， 李朋磊

(1.中國地質(zhì)大學(xué)(武漢)，湖北 武漢 430074; 2.湖北省地質(zhì)調(diào)查院，湖北 武漢 430034；3.湖北省地質(zhì)局 遙感應(yīng)用技術(shù)中心，湖北 武漢 430034)

滑坡是一種常見的地質(zhì)災(zāi)害，在全球范圍內(nèi)分布廣、發(fā)生頻率高、災(zāi)害破壞力強(qiáng)，對人類生命和財產(chǎn)構(gòu)成巨大威脅[1]。滑坡災(zāi)害易發(fā)性預(yù)測能夠預(yù)測研究區(qū)內(nèi)發(fā)生滑坡的空間概率，從而為滑坡災(zāi)害風(fēng)險管理及監(jiān)測提供可靠的科學(xué)依據(jù)?；乱装l(fā)性預(yù)測方法主要分為兩大類：確定性預(yù)報方法和非確定性預(yù)報方法。前者主要針對單個滑坡預(yù)測，包括適用于短期和臨期滑坡預(yù)報的齋騰迪孝法[2]、適用于長期滑坡預(yù)報的有限元法[3]等，此類方法通常具有嚴(yán)格且確定的數(shù)學(xué)函數(shù)關(guān)系式，且每個參數(shù)均有明確的解釋，能夠反映滑坡發(fā)生的物理實質(zhì)[4]。后者主要包含知識驅(qū)動型和數(shù)據(jù)驅(qū)動型兩大類，基于非確定性預(yù)報的滑坡易發(fā)性預(yù)測方法經(jīng)歷了從定性到半定量、再到定量的發(fā)展過程[5]，該方法不強(qiáng)調(diào)預(yù)報模型中函數(shù)式的各個參數(shù)的準(zhǔn)確性，而是通過調(diào)查宏觀地形地貌等一系列滑坡內(nèi)外在影響因子，對滑坡進(jìn)行空間規(guī)劃，更適于滑坡災(zāi)害風(fēng)險管理的宏觀決策，如Saboya等[6]運(yùn)用模糊邏輯法將專家選擇的滑坡誘因轉(zhuǎn)換為模糊數(shù)，在巴西里約熱內(nèi)盧進(jìn)行了滑坡易發(fā)性預(yù)測。知識驅(qū)動型方法很大程度上依賴于專家知識，但人為因素干擾較大，導(dǎo)致滑坡易發(fā)性預(yù)測結(jié)果的精度偏低。

隨著3S技術(shù)的飛速發(fā)展，多源對地觀測數(shù)據(jù)越來越豐富，使得近年來滑坡數(shù)據(jù)的精度和可靠性也越來越高。面對海量數(shù)據(jù)，數(shù)據(jù)驅(qū)動型方法已經(jīng)展現(xiàn)出強(qiáng)大優(yōu)勢，其應(yīng)用也日漸成熟，主要包括信息量[7-8]、多元統(tǒng)計分析[9-10]、證據(jù)權(quán)[11]、樸素貝葉斯(Naive Bayes,NB)[12]、隨機(jī)森林(Random Forest,RF)[13]、邏輯回歸[14-15]、支持向量機(jī)[16-17]、決策樹[12-18]、人工神經(jīng)網(wǎng)絡(luò)[19-20]等統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)模型。然而，機(jī)器學(xué)習(xí)方法需要專業(yè)研究人員進(jìn)行極其繁瑣的模型選擇和參數(shù)調(diào)整等操作，因此降低使用機(jī)器學(xué)習(xí)的時間和人工成本已逐漸成為當(dāng)前研究熱點。自動機(jī)器學(xué)習(xí)作為新興的智能學(xué)習(xí)方法，能夠自動篩選特征、自動選擇模型和動態(tài)調(diào)整模型參數(shù)，因此被廣泛應(yīng)用于醫(yī)學(xué)圖像識別[21-22]、物體檢測[23-24]、語義分割[25-26]、文本分類[27]、損失函數(shù)搜索[28-29]等領(lǐng)域。

在多源數(shù)據(jù)的支持下，全球滑坡易發(fā)性研究愈發(fā)受到研究人員的重視。然而，全球尺度的滑坡災(zāi)害易發(fā)性預(yù)測面臨諸多挑戰(zhàn)。首先，全球滑坡編目數(shù)據(jù)獲取較難，眾多易發(fā)性預(yù)測研究所使用的數(shù)據(jù)并未公開，即使能獲取研究數(shù)據(jù)，當(dāng)將其應(yīng)用于全球滑坡易發(fā)性預(yù)測時，往往需要大量的人工成本進(jìn)行鑒別和篩選。其次，全球滑坡災(zāi)害易發(fā)性預(yù)測還存在模型選擇較為局限、無法確定最優(yōu)模型等難點。最后，目前全球滑坡易發(fā)性制圖精度普遍偏小，幾十千米至幾弧度的精度并不能有效應(yīng)用于滑坡災(zāi)害風(fēng)險管理中。鑒于自動機(jī)器學(xué)習(xí)模型對于滑坡災(zāi)害易發(fā)性預(yù)測具有良好的針對性，因此基于自動機(jī)器學(xué)習(xí)的全球尺度滑坡災(zāi)害易發(fā)性預(yù)測研究具有廣闊的應(yīng)用前景。鑒于此，本文基于全球滑坡開放數(shù)據(jù)集，充分利用自動機(jī)器學(xué)習(xí)的特性，并最大程度地提升模型預(yù)測性能。具體而言，擬以Auto-PyTorch自動機(jī)器學(xué)習(xí)模型為基礎(chǔ)，構(gòu)建全球尺度滑坡易發(fā)性預(yù)測框架，探究自動機(jī)器學(xué)習(xí)在全球尺度下滑坡易發(fā)性預(yù)測中的可行性，期望為全球性滑坡災(zāi)害風(fēng)險管理提供科學(xué)依據(jù)。

1 數(shù)據(jù)準(zhǔn)備與分析

1.1 滑坡編目數(shù)據(jù)

滑坡編目數(shù)據(jù)對于易發(fā)性預(yù)測和后續(xù)驗證評價舉足輕重。然而，開展全球尺度下的滑坡易發(fā)性預(yù)測時，滑坡數(shù)據(jù)精度參差不齊，其完整性和精確性也難以保證。本次研究選用了全球開放在線滑坡存儲庫(Cooperative Open Online Landslide Repository，COOLR)，該存儲庫是基于美國國家航空航天局啟動的全球滑坡目錄(Global Landslide Catalog，GLC)進(jìn)行的深度開發(fā)產(chǎn)品[30]，記錄了2007年以來山體滑坡的信息來源、源鏈接以及滑坡發(fā)生時間、發(fā)生位置、誘發(fā)原因、誘發(fā)事件的具體描述、滑坡規(guī)模、數(shù)據(jù)精度等。此外，本次研究還使用了全球致命滑坡數(shù)據(jù)庫(Global Fatal Landslide Database，GFLD)，該數(shù)據(jù)庫記錄了2004—2017年間對人類造成生命威脅的山體滑坡的發(fā)生時間、發(fā)生位置、誘發(fā)原因、造成的人員傷亡情況、數(shù)據(jù)精度等[31]。

需特別指出的是全球尺度的滑坡數(shù)據(jù)庫存有量極其有限，即便已發(fā)布COOLR和GFLD，但仍無法滿足全球滑坡易發(fā)性制圖數(shù)據(jù)規(guī)模的要求。因此，研究中搜集了部分篩選的精確區(qū)域滑坡數(shù)據(jù)集對全球尺度的滑坡編目數(shù)據(jù)進(jìn)行補(bǔ)充，如意大利國家滑坡數(shù)據(jù)庫(FraneItalia)記錄了2010—2019年間意大利發(fā)生的山體滑坡事件，根據(jù)滑坡數(shù)量、類別和人員的生命財產(chǎn)損失程度進(jìn)行了分類，而滑坡數(shù)據(jù)精度運(yùn)用確定、近似和市政提供的滑坡數(shù)據(jù)三個等級進(jìn)行劃分[32]；澳大利亞山體滑坡數(shù)據(jù)庫記錄了2008—2018年間澳大利亞的滑坡數(shù)據(jù)，根據(jù)數(shù)據(jù)來源的可信度，將滑坡劃分為GPS測量、GIS定位、地圖定位、衛(wèi)星影像定位、本地報道、根據(jù)報告定位的滑坡以及未知等類別[33]；新西蘭國家滑坡數(shù)據(jù)庫(New Zealand Landslide Database，NZLD)同樣是一個共享數(shù)據(jù)庫，但缺少數(shù)據(jù)精度的信息解釋[34]；美國華盛頓州[35]和猶他州[36]的滑坡數(shù)據(jù)庫同樣根據(jù)精度信息對滑坡編目數(shù)據(jù)進(jìn)行了分類。

滑坡編目數(shù)據(jù)精度對于易發(fā)性研究至關(guān)重要。由于不同滑坡數(shù)據(jù)庫的數(shù)據(jù)精度各不相同，為了增加全球尺度下滑坡易發(fā)性預(yù)測的可信度，需要對以上搜集的滑坡數(shù)據(jù)進(jìn)行篩選。對于全球滑坡數(shù)據(jù)庫而言，選擇COOLR和GFLD兩個數(shù)據(jù)庫1 000 m以下的滑坡數(shù)據(jù)；對于局部區(qū)域滑坡數(shù)據(jù)庫而言，選擇FraneItalia中確定和近似兩個精度等級的滑坡數(shù)據(jù)，選擇澳大利亞山體滑坡數(shù)據(jù)庫GPS測量、GIS定位、地圖定位、衛(wèi)星影像定位四種來源的滑坡數(shù)據(jù)，選擇NZLD中有具體時間記錄的滑坡數(shù)據(jù)，選擇美國華盛頓州和猶他州滑坡數(shù)據(jù)庫中精度等級為高的滑坡數(shù)據(jù)。最后，在表1中列出了各滑坡數(shù)據(jù)庫在90 m精度下的具體滑坡數(shù)據(jù)量等信息，重采樣至1 000 m后滑坡數(shù)據(jù)量為14 290個。

表1 滑坡數(shù)據(jù)來源

1.2 滑坡影響因子

研究區(qū)域為全球60°N-60°S緯度范圍內(nèi)，其滑坡易發(fā)性預(yù)測是基于SRTM DEM 90 m數(shù)據(jù)的Version 4版本來完成[37]，該數(shù)據(jù)是位于全球60°N-60°S緯度范圍內(nèi)的高程數(shù)據(jù)集(圖1)。同時考慮了全球尺度滑坡樣本空間分辨率不夠精細(xì)的內(nèi)因以及制圖時間效率偏低的外因，將SRTM DEM 90 m數(shù)據(jù)重采樣至1 000 m，并基于此精度開展全球滑坡易發(fā)性制圖研究(圖1-a)。具體地，滑坡易發(fā)性預(yù)測研究中所采用的坡度(圖1-b)、坡向(圖1-c)、平面曲率(圖1-d)和剖面曲率(圖1-e)等因子均基于重采樣的SRTM DEM數(shù)據(jù)進(jìn)行提取。

圖1 基于DEM的滑坡影響因子專題圖

巖性數(shù)據(jù)對于易發(fā)性預(yù)測至關(guān)重要。不同種類的巖石所能承受應(yīng)力不同，在雨水、植被等作用下的內(nèi)部應(yīng)力變化也各不相同，然而大多精度更高的巖性數(shù)據(jù)庫無法有效支持在全球尺度下的易發(fā)性預(yù)測。本次研究所使用的巖性數(shù)據(jù)來自全球巖性數(shù)據(jù)庫(Global Lithological Map，GLiM)，該數(shù)據(jù)庫是將全球范圍內(nèi)多張區(qū)域可用最高分辨率的巖性數(shù)據(jù)圖組合而成，根據(jù)精細(xì)度、數(shù)據(jù)量及數(shù)據(jù)一致性等準(zhǔn)則進(jìn)行數(shù)據(jù)合并，共包含16種巖性[38](圖2)。

圖2 巖性因子專題圖

土地覆蓋狀況對于誘發(fā)滑坡同樣重要。土地覆蓋狀況相較于巖性數(shù)據(jù)在時間尺度上變化更頻繁，考慮到滑坡數(shù)據(jù)均為2010年左右采集，并綜合考慮數(shù)據(jù)量和土地覆蓋數(shù)據(jù)出圖時間，采用歐洲航天局于2009年發(fā)布的全球陸地覆蓋數(shù)據(jù)GlobCover(圖3)[39]。其空間分辨率為300 m，該數(shù)據(jù)運(yùn)用Envisat衛(wèi)星中MERIS(Medium Resolution Imaging Spectrometer)傳感器進(jìn)行采集，土地覆蓋數(shù)據(jù)的地物類別詳見文獻(xiàn)[39]。

圖3 土地覆蓋因子專題圖

降雨是滑坡的另一大誘因。本次研究選取了東英吉利大學(xué)氣候研究部門發(fā)布的WorldClim 2數(shù)據(jù)集[40-41]。以2000—2018年的世界降雨量數(shù)據(jù)的平均值作為降雨量因子，空間分辨率為21 km(圖4)。

圖4 降雨量因子專題圖

地球上主要有三大地震帶：環(huán)太平洋火山地震帶、歐亞地震帶和洋脊地震帶。地震發(fā)生時能觸發(fā)大量滑坡，而震后由于改變斜坡受力結(jié)構(gòu)，同樣會導(dǎo)致滑坡不斷發(fā)生。本次研究采用全球地震模型基金會(GEM)發(fā)布的全球主動斷層數(shù)據(jù)庫(GAF-DB)[42]，將計算的距離斷層數(shù)據(jù)的歐式距離作為斷層距離因子數(shù)據(jù)(圖5)。

圖5 斷層距離因子專題圖

為了保持精度一致，以上所有因子均重采樣至1 000 m 的空間分辨率，并且所有數(shù)據(jù)集都保持在WGS84 CRS(EPSG：4326)坐標(biāo)系下進(jìn)行制圖，各因子的重分類則由自然斷點法來實現(xiàn)。

2 滑坡易發(fā)性評價模型

本次研究的主要目的是探究自動機(jī)器學(xué)習(xí)進(jìn)行全球尺度滑坡易發(fā)性預(yù)測的可行性，其總體技術(shù)路線如圖6所示。首先，獲取全球滑坡多源數(shù)據(jù)，包括滑坡編目數(shù)據(jù)和影響因子數(shù)據(jù)。其次，將滑坡影響因子重采樣至相同空間分辨率，再將滑坡編目數(shù)據(jù)與滑坡影響因子進(jìn)行疊置分析，將滑坡編目數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。然后，采用自動機(jī)器學(xué)習(xí)方法進(jìn)行模型構(gòu)建，此次采用了開源自動機(jī)器學(xué)習(xí)平臺Auto-PyTorch[43]。將自動機(jī)器學(xué)習(xí)方法與兩種傳統(tǒng)機(jī)器學(xué)習(xí)方法RF(也是經(jīng)典集成學(xué)習(xí)模型)、NB進(jìn)行對比。最后，選取三種方法中各項評價指標(biāo)最優(yōu)的模型進(jìn)行最終全球尺度滑坡易發(fā)性預(yù)測制圖。

圖6 技術(shù)路線圖

2.1 自動機(jī)器學(xué)習(xí)模型

眾所周知，機(jī)器學(xué)習(xí)模型的選擇在實際應(yīng)用中需耗費(fèi)大量時間成本和技術(shù)成本，同時對于選定模型的參數(shù)確定還需要專業(yè)數(shù)據(jù)研究人員的不斷調(diào)試。在很多情況下，研究人員并不能找到最優(yōu)參數(shù)，并且其調(diào)出的參數(shù)也不具有可解釋性。自動機(jī)器學(xué)習(xí)可以看作是對傳統(tǒng)機(jī)器學(xué)習(xí)一定意義上的顛覆性改進(jìn)，它不僅能夠?qū)⑴c訓(xùn)練的特征進(jìn)行自動篩選，還能自動選擇模型，并自動對模型參數(shù)進(jìn)行動態(tài)調(diào)整，極大程度地減少模型應(yīng)用的時間與技術(shù)成本。此外，它還能夠有效提升傳統(tǒng)機(jī)器學(xué)習(xí)模型的處理效果。

本次研究運(yùn)用的Auto-PyTorch是開源的自動機(jī)器學(xué)習(xí)平臺，早期更關(guān)注于自動選擇和優(yōu)化傳統(tǒng)機(jī)器學(xué)習(xí)模型，而在后續(xù)加入了依賴于PyTorch框架[43]的深度學(xué)習(xí)框架，該框架利用多保真度優(yōu)化來對神經(jīng)網(wǎng)絡(luò)架構(gòu)及其中的超參數(shù)進(jìn)行優(yōu)化。Auto-PyTorch實現(xiàn)并自動調(diào)整完整的深度學(xué)習(xí)管道，包括數(shù)據(jù)預(yù)處理、神經(jīng)架構(gòu)、網(wǎng)絡(luò)訓(xùn)練技術(shù)和正則化方法。此外，它還通過從產(chǎn)品組合中抽樣配置以及自動集成選擇來預(yù)啟動優(yōu)化。其自動機(jī)器學(xué)習(xí)模型中也包括傳統(tǒng)的機(jī)器學(xué)習(xí)模型，例如輕量級梯度提升機(jī)器和支持向量機(jī)等，用于解決所提供數(shù)據(jù)集的回歸或分類任務(wù)。在使用傳統(tǒng)機(jī)器學(xué)習(xí)模型篩選時，引入了貝葉斯優(yōu)化，輸出模型時采用了集成模型。充分利用了之前模型選擇和超參選擇時的探索結(jié)果。集成模型的使用使得之前的搜索結(jié)果沒有被浪費(fèi)，進(jìn)一步提高了模型的泛化性。

2.2 模型評價指標(biāo)

為了客觀評價易發(fā)性預(yù)測模型的性能，本文采用了多個統(tǒng)計學(xué)評價指標(biāo)，包括變動率指標(biāo)(Price Rate of Change，ROC)曲線、ROC曲線下面積的值(Area Under Curve，AUC)、準(zhǔn)確率(Accuracy，ACC)、均方根誤差(Root Mean Square Error，RMSE)和平均絕對誤差(Mean Absolute Error，MAE)。其中AUC和ACC的取值范圍為0～1之間，越接近1，表示該模型性能更優(yōu)越；RMSE與MAE的取值范圍同樣為0～1，其值越接近0表示該模型性能更優(yōu)。

ACC計算公式為：

(1)

式中：TP為正確識別正樣本的數(shù)量；TN為正確識別負(fù)樣本的數(shù)量；FP為被誤報的負(fù)樣本數(shù)量；FN為被漏報的正樣本數(shù)量。

RMSE和MAE的計算公式為：

(2)

(3)

式中：n為測量的次數(shù)；oi為真實數(shù)據(jù)；pi為預(yù)測數(shù)據(jù)。

3 實驗結(jié)果與分析

3.1 滑坡評價因子分析

本次研究使用了Python編程工具，并以Auto-PyTorch庫為基礎(chǔ)，對自動機(jī)器學(xué)習(xí)進(jìn)行了建模。此外，利用Sklrearn庫作為傳統(tǒng)機(jī)器學(xué)習(xí)的模型基礎(chǔ)，構(gòu)建了RF和NB兩種傳統(tǒng)機(jī)器學(xué)習(xí)模型。研究實驗環(huán)境包括：16核CPU、2塊GPU(NVIDIA GeForce RTX 3090，單個顯存為24 GB)和128 GB內(nèi)存。

由表1可知，全球滑坡編目數(shù)據(jù)重采樣到1 000 m后，其滑坡數(shù)量為14 290個樣本，同樣在非滑坡區(qū)域隨機(jī)選擇14 290個非滑坡樣本。對全球滑坡數(shù)據(jù)和滑坡影響因子圖層進(jìn)行疊加，并在疊加后對該多維矩陣數(shù)據(jù)按7∶3比例進(jìn)行分割。其中，70%的樣本數(shù)據(jù)用于滑坡易發(fā)性自動機(jī)器學(xué)習(xí)模型構(gòu)建，剩余30%的樣本數(shù)據(jù)用來驗證模型性能。

由于自動機(jī)器學(xué)習(xí)具有自動選擇特征，因此本研究無需因子篩選和重要性分析過程。首先，對自動機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練。為了兼具效率和性能，自動機(jī)器學(xué)習(xí)模型的學(xué)習(xí)時間設(shè)定為0.5 h，采用模型評價指標(biāo)定量評估Auto-PyTorch、RF和NB的性能優(yōu)劣。最后，選擇性能最優(yōu)的自動機(jī)器學(xué)習(xí)模型進(jìn)行后續(xù)建模和易發(fā)性制圖。

3.2 滑坡易發(fā)性預(yù)測圖

為了驗證基于自動機(jī)器學(xué)習(xí)的全球尺度滑坡易發(fā)性預(yù)測的可行性，將Auto-PyTorch自動機(jī)器學(xué)習(xí)模型分別與RF和NB兩種傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行了對比分析出圖。將研究區(qū)按滑坡的易發(fā)性大小分為五個等級：極低、低、中、高和極高易發(fā)區(qū)，易發(fā)性等級分區(qū)方法選擇自然斷點法[44]。Auto-PyTorch自動機(jī)器學(xué)習(xí)模型與RF、NB兩種傳統(tǒng)機(jī)器學(xué)習(xí)模型的全球尺度滑坡災(zāi)害易發(fā)性預(yù)測結(jié)果分別如圖7-a、圖7-b、圖7-c所示，Auto-PyTorch模型易發(fā)性分區(qū)與滑坡點堆疊圖如圖7-d所示，可以看到三種模型的全球滑坡預(yù)測結(jié)果中高與極高易發(fā)性區(qū)域與滑坡編目數(shù)據(jù)非常吻合，自動機(jī)器學(xué)習(xí)模型尤其優(yōu)秀，表明自動機(jī)器學(xué)習(xí)在全球尺度下進(jìn)行滑坡易發(fā)性預(yù)測具有良好的可行性。

圖7 滑坡災(zāi)害易發(fā)性分區(qū)圖

3.3 模型比較與驗證

表2給出了三種機(jī)器學(xué)習(xí)模型的評價結(jié)果。其中，Auto-PyTorch模型的各項指標(biāo)均最優(yōu)，ACC、AUC、RMSE和MAE分別為0.901 4、0.963 2、0.313 9和0.098 5；RF模型次之，其各項指標(biāo)比Auto-PyTorch模型略低，ACC、AUC都略微下降0.004 7，RMSE與MAE分別增加0.007 3和0.004 7。雖然差距較小，但是僅訓(xùn)練10 min的Auto-PyTorch模型的潛力還是優(yōu)于RF模型。NB作為傳統(tǒng)機(jī)器學(xué)習(xí)模型，雖然AUC超過0.8(達(dá)到0.839 3)，能算是優(yōu)良的結(jié)果，但各項數(shù)值相比Auto-PyTorch模型和RF模型下降許多，較之最優(yōu)秀的Auto-PyTorch模型，ACC、AUC分別下降0.154 9和0.123 9，RMSE與MAE分別增加0.189 5和0.154 9。結(jié)果表明，Auto-PyTorch模型能夠自動選擇模型和動態(tài)調(diào)整參數(shù)，在節(jié)約時間的同時還能提升精度。圖8給出了三種模型的ROC曲線，可看出Auto-PyTorch模型明顯優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型。以上實驗結(jié)果進(jìn)一步驗證了自動機(jī)器學(xué)習(xí)的優(yōu)勢，也證明了自動機(jī)器學(xué)習(xí)在全球尺度下滑坡易發(fā)性預(yù)測的應(yīng)用價值。為了探究訓(xùn)練時間的長短對于自動機(jī)器學(xué)習(xí)性能的影響，以Auto-PyTorch模型為例，分別設(shè)定10 min和30 min作為訓(xùn)練時間進(jìn)行模型性能比較。如表2所示，訓(xùn)練30 min的ACC較訓(xùn)練10 min的ACC增加0.001 4，由于模型是根據(jù)ACC高低進(jìn)行篩選，AUC在其他指標(biāo)增加的情況下略微下降0.000 8，而RMSE和MAE分別下降0.002 3和0.001 4。如圖8所示，自動機(jī)器學(xué)習(xí)模型較長的訓(xùn)練時間能得到更優(yōu)越和綜合提高的精度。

圖8 模型ROC曲線

表2 模型精度評價結(jié)果

4 結(jié)論

本文開展了基于自動機(jī)器學(xué)習(xí)的全球尺度滑坡災(zāi)害易發(fā)性預(yù)測研究，以全球60°N-60°S緯度范圍作為研究區(qū)，采用坡度、坡向、平面曲率、剖面曲率、巖性、土地覆蓋、降雨量、斷層距離9個滑坡影響因子,運(yùn)用Auto-PyTorch自動機(jī)器學(xué)習(xí)模型和RF、NB兩種傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行了滑坡易發(fā)性建模工作，旨在探討自動機(jī)器學(xué)習(xí)在全球尺度下滑坡易發(fā)性預(yù)測的可行性。研究結(jié)果表明，三種模型的全球滑坡易發(fā)性制圖結(jié)果與滑坡編目數(shù)據(jù)的趨勢非常吻合，Auto-PyTorch模型吻合程度格外優(yōu)秀；提升訓(xùn)練時間能夠在一定程度上提升模型預(yù)測性能。具體而言，在各模型中，NB模型的各項指標(biāo)為最低，RF模型的各項指標(biāo)略遜色于Auto-PyTorch模型。AUC最高的為訓(xùn)練10 min的Auto-PyTorch模型，ACC、RMSE、MAE最佳的為訓(xùn)練30 min的Auto-PyTorch模型；各項指標(biāo)最優(yōu)的Auto-PyTorch模型較NB模型而言，AUC、ACC分別增加0.123 9、0.156 3，RMSE和MAE分別下降0.191 8、0.156 3，證明了Auto-PyTorch模型的優(yōu)越性能。此外，自動機(jī)器學(xué)習(xí)還存在不可解釋性，未來解決該問題能夠更加有效地提升自動機(jī)器學(xué)習(xí)在全球尺度滑坡災(zāi)害易發(fā)性預(yù)測中的應(yīng)用潛力。