林琴，郭永剛，吳升杰，臧燁祺，王國聞

（西藏農(nóng)牧學(xué)院水利土木工程學(xué)院，西藏 林芝 860000）

雅魯藏布江與尼洋河位于青藏高原東南部，盆地內(nèi)山脈縱橫起伏，形成大量沖溝、峽谷和河流。內(nèi)部動(dòng)力作用非?；钴S，地殼中初始高壓應(yīng)力釋放，盆地巖石結(jié)構(gòu)松弛。崩塌、滑坡和泥石流等自然災(zāi)害頻繁發(fā)生（蘇立彬，2020；武辰爽，2021）?；率亲匀缓腿祟惢顒?dòng)引起的對(duì)土壤的破壞（Taalab et al.，2018）。它是一種以大量巖石、碎屑或泥土向坡面移動(dòng)為特征的自然災(zāi)害。無論是由自然還是人類活動(dòng)造成的滑坡，每年都會(huì)造成重大的經(jīng)濟(jì)損失（Tien et al.，2018）。因此，利用高效穩(wěn)定的滑坡災(zāi)害評(píng)估技術(shù)，針對(duì)滑坡易發(fā)區(qū)，快速準(zhǔn)確地識(shí)別高易發(fā)區(qū)的災(zāi)害，預(yù)測滑坡災(zāi)害的發(fā)生，可以有效地提高災(zāi)害預(yù)測的效率，減少滑坡災(zāi)害造成的損失，為防災(zāi)減災(zāi)提供參考（張琪等，2023；周硼焜等，2023）。

滑坡易發(fā)性劃區(qū)是通過滑坡發(fā)生后的影響因子屬性來預(yù)測滑坡發(fā)生的概率，是滑坡預(yù)測的有效方法（沈玲玲等，2016；孟曉捷等，2022）。滑坡易發(fā)性評(píng)價(jià)通常采用傳統(tǒng)的定性方法和定量方法（賈俊等，2023）。定性方法依賴于專家在歷史資料和滑坡清單的經(jīng)驗(yàn)和意見，如加權(quán)線性組合與層次分析法（Rehman et al.，2022），但計(jì)算結(jié)果受人為因素影響。定量方法包括數(shù)據(jù)模型和確定性模型。確定性模型可以提供精確的分析結(jié)果，但需要大量的數(shù)據(jù)，尤其是在大尺度地區(qū)實(shí)踐中難以獲得（楊創(chuàng)奇等，2022）。近年來，包括機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)的數(shù)據(jù)驅(qū)動(dòng)模型在地質(zhì)災(zāi)害研究方面取得了顯著進(jìn)展，如證據(jù)權(quán)模型（WoE）（Batar et al.，2021）、頻率比（FR）（Khan et al.，2019）和確定性系數(shù)法（CF）（喬德京等，2020）等。這些算法計(jì)算簡便，甚至在一些大型區(qū)域也能適用，但是過分依賴樣本質(zhì)量且無法有效處理復(fù)雜的滑坡及其影響因子之間的關(guān)系。機(jī)器學(xué)習(xí)中的隨機(jī)森林（Arabameri et al.，2019）、決策樹（Hong et al.，2018）、BP神經(jīng)網(wǎng)絡(luò)（康孟羽等，2022；張林梵等，2022）、梯度提升等也被廣泛地運(yùn)用在滑坡識(shí)別中（張文龍等，2023），較好地解決了非線性關(guān)系表達(dá)的問題，提高了滑坡識(shí)別的精度。然而，這些模型通常依賴于單一的學(xué)習(xí)器，滑坡易發(fā)性所涉及的影響因子眾多，通常很難獲得理想的預(yù)測結(jié)果，容易發(fā)生過擬合現(xiàn)象。因此，筆者利用集成學(xué)習(xí)將多個(gè)單學(xué)習(xí)器組合起來進(jìn)行區(qū)域滑坡易發(fā)性評(píng)估，以比較其與傳統(tǒng)方法更具有優(yōu)越性和高效性。

近年來，大量基于機(jī)器學(xué)習(xí)的方法被成功應(yīng)用于地質(zhì)災(zāi)害研究，而較新的梯度提升（Boosting）模型，包括XGBoost 和LightGBM 模型，在滑坡易發(fā)性方面很少被研究與比較，且不平衡類分布可能會(huì)影響特征選擇的假設(shè)。在此基礎(chǔ)上，筆者以雅魯藏布江與尼洋河兩岸為例，首次引入了基于基尼系數(shù)的加權(quán)隨機(jī)森林作為特征選擇過程過程，并與基于Boosting 算法的XGBoost和LightGBM 模型對(duì)研究區(qū)滑坡易發(fā)性進(jìn)行分析和比較。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

筆者選取雅魯藏布江下游與尼洋河兩岸為研究對(duì)象（圖1）。研究區(qū)位于西藏自治區(qū)林芝市西部，E 92°09′～95°51′，N 27°55′～30°36′，總面積約為68 000 km2，包括工布江達(dá)縣、波密縣、米林縣、朗縣、墨脫縣。研究區(qū)屬于典型的高原丘陵、高山峽谷地貌，是世界陸地垂直地貌落差最大的地帶，區(qū)內(nèi)地形起伏大，呈現(xiàn)北高南低走勢，山脈多為東西走向，絕大多數(shù)為高海拔大起伏山地，其次為高海拔極大起伏山地與中高海拔極大起伏山地，最高海拔7 782 m，地處米林縣與墨脫縣的交界地帶。研究區(qū)位于高原溫帶濕潤半濕潤季風(fēng)區(qū)氣候帶寒帶跨越到熱帶。地區(qū)水汽含量高,雨季開始得早，結(jié)束晚，持續(xù)時(shí)間長，年平均降水量約為650 mm，年平均氣溫為9.1 ℃。研究區(qū)內(nèi)有日土-青丁斷裂、達(dá)機(jī)翁-朗縣斷裂、賈桑斷裂、札達(dá)-邛多斷裂等斷裂帶，主要出露底層有盆地相上三疊統(tǒng)的砂巖、夾板巖、火山巖以及海相下—中三疊統(tǒng)的千枚巖、砂巖、含礫狀灰?guī)r等。由于高降雨量以及土壤和板塊內(nèi)動(dòng)力活躍，該區(qū)域極易發(fā)生滑坡。

圖1 研究區(qū)地理位置及滑坡分布Fig.1 Geographical location and landslide distribution of the study area

1.2 數(shù)據(jù)來源與處理

主要數(shù)據(jù)來源包括：①地理空間數(shù)據(jù)云的ASTER GDEM 30 m 分辨率數(shù)字高程數(shù)據(jù)，基于ArcGIS 軟件對(duì)坡度信息進(jìn)行了提取。②1∶5 萬地質(zhì)圖來源于中國地質(zhì)調(diào)查局，用來提取地層巖性性質(zhì)。③Landsat8影像來源于地理國情普查，用于土地利用數(shù)據(jù)的提取。④滑坡數(shù)據(jù)出自中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心。⑤斷層帶從地震活動(dòng)斷層探察數(shù)據(jù)中心獲取。

筆者在已有的研究方法上將30 m×30 m 柵格大小設(shè)定為基礎(chǔ)的評(píng)價(jià)單元（Tanyas et al.，2019），研究區(qū)域劃分為123 156 296 個(gè)網(wǎng)格。同時(shí)為了解決樣本不均衡問題，筆者采用下采樣方式從非滑坡區(qū)選取等量滑坡點(diǎn)組成188 個(gè)樣本點(diǎn)（Polykretis et al.，2018），滑坡單元設(shè)為1，非滑坡單元設(shè)為0，從中隨機(jī)抽取70%（131）數(shù)據(jù)作為訓(xùn)練樣本，剩余30%（57）作為測試樣本。滑坡點(diǎn)具體流程見圖2。

圖2 流程圖Fig.2 Flow Chart

2 評(píng)價(jià)因子選取與獨(dú)立性檢驗(yàn)

2.1 評(píng)價(jià)因子選取

已有對(duì)雅魯藏布江流域的研究結(jié)果和現(xiàn)場勘查表明：河水對(duì)河谷的不斷侵蝕作用加上高海拔高寒區(qū)凍融加劇滑坡區(qū)巖石的風(fēng)化，使得雅魯藏布江流域極易孕育滑坡（趙永輝，2019）；地層巖性是滑坡產(chǎn)生的重要因素（趙永輝，2021）；坡度為滑坡發(fā)生的主控因素（王瑞琪等，2019）。再根據(jù)對(duì)研究區(qū)的地質(zhì)災(zāi)害形成條件與地質(zhì)環(huán)境背景研究分析，選取高程、坡度、斷裂帶與斷層、河流、道路、地層巖性、土地利用7 個(gè)評(píng)價(jià)因子。利用ArcGIS 軟件，將高程、坡度、地層巖性、土地利用4 個(gè)連續(xù)型因子結(jié)合分布規(guī)范，采用自然間斷法將研究區(qū)分為5 個(gè)等級(jí)（圖3a～圖3d），對(duì)于離散型因子例如斷裂帶與斷層、河流、道路利用多環(huán)緩沖區(qū)工具建立0～200、200～400、400～600、600～800、＞800 m 共5 個(gè)等級(jí)范圍（圖3e～圖3g）。

統(tǒng)計(jì)各評(píng)價(jià)因子分級(jí)范圍內(nèi)滑坡點(diǎn)數(shù)量并繪制蔟類柱狀圖（圖4）。結(jié)果表明：當(dāng)高程處在32～1 544 m時(shí)，滑坡發(fā)生的最多，占總數(shù)的30.9%，其次是出現(xiàn)在2 722～3 752 m 范圍內(nèi)。其原因是在海拔低于1 544 m時(shí)，開挖坡腳等人類活動(dòng)頻繁，隨著海拔的提升，坡度增大，加劇了滑坡的發(fā)生；隨著坡度上升，滑坡數(shù)也增加，直到坡度上升達(dá)到閾值40°,發(fā)生災(zāi)害的概率降低，由原來的41.5%逐漸降低到16.0%；當(dāng)?shù)貙訋r性為雅魯藏布江帶閃片巖時(shí)，相比其他巖性，滑坡發(fā)生最頻繁；草地土壤侵蝕嚴(yán)重，是淺層滑坡的重要原因。本研究中大量滑坡點(diǎn)分布在坡度為10°～20°的草地上；斷裂帶與斷層會(huì)降低巖層的強(qiáng)度和完整性，是滑坡易發(fā)性增大的關(guān)鍵，在距斷層帶200 m 以內(nèi)容易發(fā)生滑坡，滑坡點(diǎn)占總數(shù)的41.5%，離斷裂帶與斷層越遠(yuǎn)滑坡災(zāi)害越少；河岸受水流不斷沖刷，土石在地下水及重力作用下越發(fā)失穩(wěn)，因此越靠近河流越容易發(fā)生滑坡，滑坡在距河流200 m 以內(nèi)，發(fā)生次數(shù)最多，達(dá)到40.4%；修建鐵路、公路時(shí)因大力爆破、強(qiáng)行開挖，常使坡體下部失去支撐而發(fā)生下滑，距離道路200 m 以內(nèi)的滑坡數(shù)占了總數(shù)一半以上達(dá)到52.1%，距離道路越遠(yuǎn)，滑坡活動(dòng)減少。文中結(jié)論與相關(guān)研究均吻合（Kouhartsiouk et al.，2021；Zweifel et al.，2021）。

2.2 評(píng)價(jià)因子獨(dú)立性檢驗(yàn)

為了研究各評(píng)價(jià)因素的相對(duì)獨(dú)立性以及評(píng)價(jià)模型的準(zhǔn)確性和可靠性，筆者采用皮爾遜相關(guān)系數(shù)計(jì)算影響評(píng)價(jià)因子的相關(guān)性。皮爾遜相關(guān)系數(shù)是用于度量兩個(gè)變量之間的線性關(guān)系，利用兩個(gè)變量間的協(xié)方差和變量的標(biāo)準(zhǔn)差進(jìn)行計(jì)算而來（Lee et al.，2020）。

式中：X，Y表示變量，N表示取值個(gè)數(shù)。

變量間呈現(xiàn)極弱相關(guān)時(shí)，相關(guān)系數(shù)為0.0～0.2；0.2～0.4 表示變量之間弱相關(guān)性。將評(píng)價(jià)因子的7 個(gè)屬性值代入式（1）計(jì)算，結(jié)果見表1，發(fā)現(xiàn)相關(guān)性最高為坡度與道路（R=0.349 3），其他變量間相關(guān)關(guān)系均小于0.4。總體而言，變量的共線性不強(qiáng)。

表1 因子間皮爾遜相關(guān)系數(shù)表Tab.1 Pearson correlation coefficient between factors

3 雅魯藏布江與尼洋河兩岸滑坡易發(fā)性評(píng)價(jià)

3.1 基于Gini-RF 的滑坡易發(fā)性評(píng)價(jià)

隨機(jī)森林（Random Forest）是一種基于決策樹模型的Bagging（Bootstrap AGgregation）的優(yōu)化版，由于其具有對(duì)特征魯棒性強(qiáng)、適用于高維稠密性數(shù)據(jù)、并行集成、對(duì)不平衡的數(shù)據(jù)集可自動(dòng)調(diào)整誤差、微調(diào)超參數(shù)等優(yōu)勢，可以獲得準(zhǔn)確結(jié)果，常被用于各種分類和回歸任務(wù)（Alsahaf et al.，2018）。它的基本單元是決策樹，但其本質(zhì)是集成學(xué)習(xí)方法，是機(jī)器學(xué)習(xí)的一個(gè)分支，其核心思想始終為Bagging。然而，已經(jīng)做了一些特有的改進(jìn)，隨機(jī)森林使用CART 決策樹作為基學(xué)習(xí)器。

基于Gini 系數(shù)的隨機(jī)森林建立在許多決策樹上并支持各種特征權(quán)重度量。其中之一為特征與不平衡數(shù)據(jù)輸出的相關(guān)性，一旦分類器測量了Gini 系數(shù)，這種特征選擇技術(shù)就在 RF 中采用了權(quán)重調(diào)整技術(shù)。Gini 指數(shù)具有在特定節(jié)點(diǎn)中劃分二進(jìn)制類的能力（Disha et al.，2022）。對(duì)于具有兩個(gè)以上不同值的屬性，考慮屬性子集，通過調(diào)整不平衡類分布的隨機(jī)森林算法中的權(quán)重，使用Gini 系數(shù)標(biāo)準(zhǔn)來分裂樹，計(jì)算特征重要性得分。GI 值越高，特征對(duì)模型預(yù)測的平均貢獻(xiàn)越大，模型的解釋能力越好，所有GI 特性之和為1。

公式（2）：GIm為基尼指數(shù)，K代表k個(gè)類別，pmk表示節(jié)點(diǎn)m中k的比例；公式（3）：表示特征i在第j顆樹的權(quán)重；公式（4）表示對(duì)所求出的所有重要度得分進(jìn)行歸一化處理。

筆者把94 個(gè)滑坡點(diǎn)記為‘1’，等量非滑坡點(diǎn)記為‘0’，將7 個(gè)評(píng)價(jià)指標(biāo)因子的屬性提取至訓(xùn)練集，構(gòu)造隨機(jī)森林二分類模型，并從sklearn 庫中調(diào)用Random Forest Classifier 方法，將訓(xùn)練集代入RF 模型進(jìn)行訓(xùn)練。同時(shí)為了確保結(jié)果的可靠性和準(zhǔn)確性，在原本的參數(shù)設(shè)定基礎(chǔ)上，采用貝葉斯優(yōu)化算法搜索最優(yōu)參數(shù)值。優(yōu)化結(jié)果中，當(dāng)每次迭代完成后更新權(quán)重時(shí)的步長取0.1，max_depth 取4，num round 取30 時(shí)，效果最佳。用測試集對(duì)RF 模型進(jìn)行預(yù)測，結(jié)合公式（3），將得到各評(píng)價(jià)因子的權(quán)重歸一化后導(dǎo)入ArcGIS 中的柵格計(jì)算器生成滑坡易發(fā)性圖，采用自然間斷法將分區(qū)圖劃分為極高、高、中、低、極低5 個(gè)等級(jí)（圖5），易發(fā)性越高代表越容易發(fā)生滑坡。

圖5 Gini-RF 模型滑坡易發(fā)性分區(qū)圖Fig.5 Susceptibility zoning map of Gini-RF

3.2 XGBoost 易發(fā)性評(píng)價(jià)

XGBoost 是一種基于決策樹模型和梯度提升的集成機(jī)器學(xué)習(xí)算法，為了控制模型的復(fù)雜度，它將正則化項(xiàng)添加到損失函數(shù)中，正則項(xiàng)包括每個(gè)葉子節(jié)點(diǎn)權(quán)重的平方和與節(jié)點(diǎn)個(gè)數(shù)。XGBoost 處理缺失值并通過學(xué)習(xí)模型選取缺失值最佳的默認(rèn)分割方向（Inan et al.，2021）。

描述的數(shù)據(jù)在預(yù)處理過程之后，基于Python3.6與R 語言，采用Scikit-learn 構(gòu)建XGBoost 多分裂滑坡易發(fā)性模型（Alsahaf et al.，2018）。同時(shí)為了在獨(dú)立的驗(yàn)證數(shù)據(jù)集上對(duì)子序列進(jìn)行測試降低偶然性，選取最優(yōu)子樹，通過貝葉斯算法優(yōu)化，利用五折交叉驗(yàn)證獲得每個(gè)模型評(píng)價(jià)度量的平均值，所有測試集的平均指標(biāo)被認(rèn)為是最終結(jié)果。將預(yù)測結(jié)果導(dǎo)入ArcGIS 繪制滑坡易發(fā)性圖（圖6）。樣本集在所選參數(shù)值上的交叉驗(yàn)證準(zhǔn)確度結(jié)果顯示：當(dāng)進(jìn)行第5 次五折交叉后，訓(xùn)練集和測試集的AUC 值達(dá)到最大值并趨于穩(wěn)定（圖7）。

圖6 基于XGBoost 的滑坡易發(fā)性圖Fig.6 Susceptibility zoning map of XGBoost

圖7 XGBoost 五折交叉驗(yàn)證結(jié)果Fig.7 XGBoost 50% ross validation results

3.3 LightGBM 易發(fā)性評(píng)價(jià)

Light Gradient Boosting Machine（LightGBM）是一種高性能、開源、快速的分類、回歸、排名的方法，同時(shí)也是基于決策樹算法的梯度提升算法。LightGBM采用直方圖算法來降低內(nèi)存消耗，使數(shù)據(jù)分割更簡單，將浮點(diǎn)的連續(xù)特征離散化為式子中的k 個(gè)離散值，構(gòu)造一個(gè)寬度為 k 的直方圖，將數(shù)據(jù)進(jìn)行遍歷訓(xùn)練，計(jì)算直方圖中每個(gè)離散值的累積統(tǒng)計(jì)信息，在特征選擇中，只要根據(jù)直方圖離散值搜索最佳的分割點(diǎn)即可（Zeng et al.，2019）。

在4.2 使用方法基礎(chǔ)上，將研究區(qū)的123 156 296個(gè)柵格提取各評(píng)價(jià)因子的屬性值到點(diǎn)，生成123 156 296×7的表格，導(dǎo)入訓(xùn)練好的機(jī)器學(xué)習(xí)模型中，預(yù)測每個(gè)柵格發(fā)生滑坡的概率，利用點(diǎn)轉(zhuǎn)柵格工具將所有的點(diǎn)生成柵格數(shù)據(jù)，再用自然間斷法將研究區(qū)的滑坡易發(fā)區(qū)分為極高、高、中、低、極低5 個(gè)類別（圖8）。圖9 為LightGBM 的學(xué)習(xí)曲線。

圖8 基于LightGBM 的滑坡易發(fā)性圖Fig.8 Susceptibility zoning map of Gini-RF

圖9 LightGBM 學(xué)習(xí)曲線Fig.9 LightGBM learning curve

4 滑坡易發(fā)性評(píng)價(jià)結(jié)果驗(yàn)證

4.1 易發(fā)性分區(qū)結(jié)果與對(duì)比

基于ArcGIS，分別統(tǒng)計(jì)3 種不同機(jī)器學(xué)習(xí)模型在每個(gè)易發(fā)性分區(qū)的柵格個(gè)數(shù)與滑坡點(diǎn)個(gè)數(shù)（表2），3種模型的滑坡易發(fā)性結(jié)果呈現(xiàn)出一定的差異，但整體趨同。Gini-RF、XGBoost 和LightGBM 模型均在極低類別中的百分比值最高。對(duì)于Gini-RF 模型，從極高到極低易發(fā)性的面積比分別為11.99%、12.63%、19.58%、26.77%和29.03%。XGBoost 模型的極高、高、中、低和極低易發(fā)性區(qū)域分別占12.05%、12.50%、19.62%、26.78% 和29.05%。對(duì)于LightGBM 模型，極低、低、中、高和極高易發(fā)性區(qū)域分別占12.14%、12.41%、19.43%、26.47%和29.55%。根據(jù)滑坡位置的分布可以看出，大多數(shù)歷史滑坡記錄位于高易發(fā)性地區(qū)，正如Gini-RF、XGBoost 和 LightGBM 模型所預(yù)測的那樣。LightGBM 模型的性能最高，其次為XGBoost 與Gini-RF。

表2 機(jī)器學(xué)習(xí)模型易發(fā)性分區(qū)對(duì)比Tab.2 Comparison of machine learning model vulnerability zones

根據(jù)評(píng)價(jià)因子的選取及易發(fā)性評(píng)價(jià)分區(qū)圖可知，滑坡高和極高易發(fā)區(qū)多位于墨脫縣的達(dá)木鄉(xiāng)、幫辛鄉(xiāng)，林芝縣的丹娘、里龍、扎西饒登鄉(xiāng)，朗縣的隴村，工布江達(dá)的江達(dá)鄉(xiāng)。在這些地區(qū)應(yīng)采取相應(yīng)的地質(zhì)災(zāi)害防治措施。特別是位于雅魯藏布江與尼洋河兩岸海拔較低、坡度為30°～40°，距河流、道路、斷裂帶200 m以內(nèi)的區(qū)域。

究其原因，這類地區(qū)位于雅魯藏布江與尼洋河兩岸南部與印度板塊和亞歐板塊交界，地殼運(yùn)動(dòng)劇烈，孕育一系列區(qū)域性斷裂，斷裂帶與斷層降低了巖層的完整性和強(qiáng)度，并且高程多位于200～1 000 m，大多數(shù)坡度小于40°，在此范圍內(nèi)人工多進(jìn)行切坡建房和道路建設(shè)等強(qiáng)烈活動(dòng)，造成大量的裸露斜坡，加上長期的流水作用，使河流兩岸遭受嚴(yán)重的侵蝕和沖刷，導(dǎo)致沉積物飽和，從而降低斜坡的完整性，使斜坡運(yùn)動(dòng)或質(zhì)量運(yùn)動(dòng)，且距道路越近，道路建設(shè)所造成的破壞性會(huì)對(duì)邊坡穩(wěn)定性產(chǎn)生負(fù)面影響，因此滑坡災(zāi)害頻發(fā)。

相反，滑坡低易發(fā)區(qū)主要分布在工布江達(dá)縣的錯(cuò)高、朱拉區(qū)，林芝市的沖果俄、港阿如，米林縣的蘇魯胖地區(qū)，其特點(diǎn)是坡度較緩、人類活動(dòng)較少，遠(yuǎn)離道路、河流、斷裂帶。

4.2 模型精度比較

在機(jī)器學(xué)習(xí)中，性能指標(biāo)通常用于二進(jìn)制分類中測試集的正確預(yù)測數(shù)。筆者使用準(zhǔn)確度（Accuracy）、精確度（Precision）、召回率（Recall）、F1 分?jǐn)?shù)、（ROC）曲線和AUC 值6 個(gè)指標(biāo)對(duì)不同機(jī)器學(xué)習(xí)模型的精度進(jìn)行了評(píng)價(jià)。準(zhǔn)確度分?jǐn)?shù)是評(píng)估模型在二元分類問題中的性能的最常用指標(biāo)，表示在所有樣本中，能被正確識(shí)別的概率；精確度是通過計(jì)算模型預(yù)測為真時(shí)實(shí)例為正樣本的頻率來評(píng)估模型性能的度量；召回率是模型正確檢測真陽性實(shí)例的度量；F1 分?jǐn)?shù)是召回率和精度之間的權(quán)衡指數(shù)，同時(shí)考慮了FP 和FN，使模型整體更具準(zhǔn)確性。具體公式如下：

式中：TP和TN分別為真陽性和真陰性，代表正確分類的像素?cái)?shù)；FP和FN分別是假陽性和假陰性，代表錯(cuò)誤分類的像素?cái)?shù)。

為了得到不同機(jī)器學(xué)習(xí)算法在測試數(shù)據(jù)集上的預(yù)測準(zhǔn)確性，基于上述方法，利用公式（5）～公式（8）計(jì)算精確度、精確度、召回率和F1 指數(shù)，隨機(jī)抽取30%樣本作為測試樣本，得出模型的泛化能力和準(zhǔn)確率（表3）?？梢钥闯?，基于不同框架算法的預(yù)測性能不一樣。3 種機(jī)器學(xué)習(xí)模型中，LightGBM 模型在超參數(shù)優(yōu)化下其AUC（0.843 2）、ACC（0.853 1）、F1 分?jǐn)?shù)（0.834 5）、Precesion（0.825 1）均高于另外兩種機(jī)器學(xué)習(xí)模型。

表3 各機(jī)器學(xué)習(xí)模型準(zhǔn)確率Tab.3 Accuracy of each machine learning model

在機(jī)器學(xué)習(xí)中，ROC 曲線被廣泛應(yīng)用于二分類問題中來評(píng)估分類器的可信度（張玘愷等，2020）。AUC為ROC 曲線下面積。AUC=1 表示該曲線存在至少一個(gè)閾值能得出完美預(yù)測。曲線縱軸為真陽率TPR，橫軸為假陽率FPR，越靠近左上角，則認(rèn)為該判斷指標(biāo)預(yù)測能力越好。從這條 ROC 曲線可以看出，經(jīng)過網(wǎng)格搜索與5 折交叉驗(yàn)證后的藍(lán)色曲線LightGBM 模型更接近左上角，AUC 值為0.843 2，與Gini-RF 模型的0.822 5 有較大提升，且準(zhǔn)確率高于XGBoost 模型的0.935 8（圖10）。XGBoost 相比Gini-RF 而言，對(duì)模型的損失函數(shù)進(jìn)行了改進(jìn)，并加入了模型復(fù)雜度的正則項(xiàng)，而LightGBM 是在XGBoost 基礎(chǔ)上，優(yōu)化了模型的訓(xùn)練速度。因此，LightGBM 的泛化能力最好，易發(fā)性劃區(qū)可靠性高。

圖10 機(jī)器學(xué)習(xí)模型ROC 曲線Fig.10 ROC curve of machine learning model

4.3 典型滑坡驗(yàn)證

對(duì)比近幾年來雅魯藏布江與尼洋河兩岸發(fā)生的滑坡事件（表4），將9 個(gè)滑坡信息導(dǎo)入生成的滑坡易發(fā)性圖中，可知3 個(gè)滑坡點(diǎn)位于中易發(fā)區(qū)，3 個(gè)滑坡點(diǎn)位于高易發(fā)區(qū)，剩余均出現(xiàn)在極高易發(fā)區(qū)。

表4 近幾年以來滑坡事件Tab.4 Landslide events in recent years

為了進(jìn)一步驗(yàn)證本研究分析方法的可靠性，選擇羌納巴嘎滑坡與墨脫縣公路滑坡兩處滑坡現(xiàn)場調(diào)查進(jìn)行對(duì)比驗(yàn)證（圖11）。

圖11 典型滑坡驗(yàn)證Fig.11 Verification of typical landslides

西藏自治區(qū)林芝地區(qū)米林縣羌納鄉(xiāng)巴嘎村滑坡位于E 94°24′34″，N 29°20′16″；所處地形地貌為高山河谷地貌；下付基為板巖；斜坡結(jié)構(gòu)為巖土復(fù)合斜坡，坡度為30°；植被覆蓋率一般，土地利用較低；滑坡前緣至斜坡下方公路，后緣至斜坡山脊處，滑坡體主要為碎土石，滑床為板巖。該滑坡變形特征主要為前方公路開挖斜坡坡腳，導(dǎo)致斜坡失穩(wěn)。

林芝地區(qū)墨脫縣公路地處E 93°38′10″，N 29°08′28″，滑坡長為30 m，寬為40 m，厚度為2 m，面積為1 200 m2，體積為2 400 m3，坡度為35°，坡向?yàn)?60°，滑坡側(cè)邊界、前緣清晰可辨。該滑坡微地貌為陡坡，地層巖性為泥巖，位于白龍斷層附近，斜坡結(jié)構(gòu)類型為土質(zhì)斜坡，坡形為凸形，滑坡下方人類活動(dòng)較少，僅有一小段公路，植被覆蓋率較低，為低矮灌叢，滑坡位于河流右凸岸。目前狀況為不穩(wěn)定。

兩處滑坡均處于滑坡高易發(fā)區(qū)，再次驗(yàn)證了本研究機(jī)器學(xué)習(xí)模型劃區(qū)的準(zhǔn)確性。研究結(jié)果可供區(qū)域滑坡防治相關(guān)部門參考。

5 結(jié)論

（1）統(tǒng)計(jì)各評(píng)價(jià)因子分級(jí)范圍內(nèi)滑坡點(diǎn)數(shù)量，表明在高程為32～1 544 m 與2 722～3 752 m、坡度為30°～40°、地層巖性為雅魯藏布江帶閃片巖、土地利用為草地、距斷裂帶、河流與道路200 m 以內(nèi)滑坡發(fā)生的次數(shù)最多。

（2）采用五折交叉驗(yàn)證后，基于貝葉斯優(yōu)化算法的Gini-RF 模型準(zhǔn)確率由原來的0.752 4 提升到0.822 5，XGBoost 與LightGBM 模型準(zhǔn)確率也提升了0.032 3與0.017 6。3 種模型對(duì)研究區(qū)的滑坡分區(qū)都具有很高的準(zhǔn)確性，其中LightGBM 模型的性能最好，AUC 值、精確度、F1 分?jǐn)?shù)、泛化能力、擬合程度、精確率更高。

（3）利用Gini-RF、XGBoost、LightGBM 等3 種集成機(jī)器學(xué)習(xí)模型對(duì)滑坡易發(fā)性進(jìn)行分析，表明滑坡高和極高易發(fā)區(qū)多位于 墨脫縣的達(dá)木鄉(xiāng)、幫辛鄉(xiāng)，林芝縣的丹娘、里龍、扎西饒登鄉(xiāng)，朗縣的隴村，工布江達(dá)的江達(dá)鄉(xiāng)。特別是位于雅魯藏布江與尼洋河兩岸海拔較低、坡度為30°～40°、距河流、道路、斷裂帶200 m以內(nèi)的區(qū)域。在這些地區(qū)應(yīng)采取相應(yīng)的地質(zhì)災(zāi)害防治措施。

（4）滑坡極高與高易發(fā)性區(qū)占比分別為12.14%和12.41%，低和極低易發(fā)區(qū)分別占26.47%與29.55%，區(qū)內(nèi)一半以上的地區(qū)不容易發(fā)生滑坡災(zāi)害?；乱装l(fā)性分區(qū)結(jié)果與現(xiàn)場滑坡災(zāi)害調(diào)查結(jié)果吻合較好，同時(shí)利用研究區(qū)近幾年已發(fā)生的滑坡點(diǎn)進(jìn)行驗(yàn)證，表明模型的可靠性高，滑坡分區(qū)圖可為有關(guān)地方部門的防災(zāi)減災(zāi)活動(dòng)提供指導(dǎo)。