基于深度學(xué)習(xí)的CZ鐵路康定—理塘段滑坡易發(fā)性評價(jià)*

王世寶 莊建琦 鄭 佳 牟家琦 王 野 付玉婷

(長安大學(xué)地質(zhì)工程與測繪學(xué)院/西部礦產(chǎn)資源與地質(zhì)工程教育部重點(diǎn)實(shí)驗(yàn)室，西安 710054，中國)

0 引 言

中國是世界上地質(zhì)災(zāi)害發(fā)育最為嚴(yán)重的地區(qū)之一，其中滑坡作為常見的地質(zhì)災(zāi)害，具有分布廣、發(fā)生頻率高、隱蔽性強(qiáng)、破壞性大等特點(diǎn)，往往會造成災(zāi)難性的后果，給人民的生命財(cái)產(chǎn)安全和社會經(jīng)濟(jì)的發(fā)展帶來巨大的威脅(殷躍平，2004；黃潤秋，2007)。近年來，隨著社會的快速發(fā)展以及人類工程活動范圍的不斷擴(kuò)大，滑坡災(zāi)害發(fā)生的頻率日趨增多，造成的損失也日趨嚴(yán)重。因此，采用高效可靠的滑坡災(zāi)害評價(jià)技術(shù)進(jìn)行滑坡易發(fā)性評價(jià)，快速精準(zhǔn)地識別滑坡災(zāi)害的高易發(fā)區(qū)，預(yù)測新滑坡災(zāi)害的發(fā)生，可以有效地提高災(zāi)害預(yù)報(bào)的效率，減免滑坡災(zāi)害帶來的損失，為地質(zhì)災(zāi)害的防災(zāi)減災(zāi)工作提供參考。

縱觀國內(nèi)外學(xué)者利用滑坡災(zāi)害的易發(fā)性評價(jià)技術(shù)，主要分為知識驅(qū)動和數(shù)據(jù)驅(qū)動以及將兩者相結(jié)合的方式(周超等，2020)。知識驅(qū)動主要依賴專家的經(jīng)驗(yàn)知識進(jìn)行滑坡易發(fā)性的評價(jià)，其缺點(diǎn)是具有一定的主觀性及評價(jià)范圍小的局限性。在計(jì)算機(jī)技術(shù)的快速發(fā)展下，基于數(shù)據(jù)驅(qū)動的方法被廣泛地應(yīng)用到區(qū)域滑坡易發(fā)性評價(jià)中，主要包括信息量模型(莊建琦等，2010)，證據(jù)權(quán)模型(范強(qiáng)等，2014)，邏輯回歸模型(Zhuang et al.，2016)，神經(jīng)網(wǎng)絡(luò)模型(Xu et al.，2015)，支持向量機(jī)模型(Chen et al.，2016；Hong et al.，2017)，集成學(xué)習(xí)算法(Zhang et al.，2017)等。隨著人們對機(jī)器學(xué)習(xí)的不斷深入研究，發(fā)現(xiàn)深度學(xué)習(xí)算法比單隱藏層的神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等“淺層學(xué)習(xí)”方法具備更多非線性操作的層級數(shù)(Hao et al.，2016)。深度學(xué)習(xí)通過多層處理，逐漸地將初始的低層特征表示轉(zhuǎn)換成更加抽象的高層特征表示，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，從而更有利于分類或特征的可視化(孫志遠(yuǎn)等，2016)。深度學(xué)習(xí)中最典型的模型為CNN，CNN模型的局部連接、權(quán)值共享以及池化操作等特性可以降低網(wǎng)絡(luò)的復(fù)雜度和減少訓(xùn)練參數(shù)，也易于訓(xùn)練和優(yōu)化，并且已經(jīng)在其他領(lǐng)域取得廣泛的應(yīng)用(Chen et al.，2015；Huynh et al.，2016)。因此，基于這些優(yōu)越的特性，本文將深度學(xué)習(xí)中的CNN模型應(yīng)用到滑坡易發(fā)性評價(jià)中，提高滑坡預(yù)測的準(zhǔn)確度，為滑坡易發(fā)性評價(jià)提供了新技術(shù)。

CZ鐵路康定至理塘段地處青藏高原東部邊緣，橫斷山中段，區(qū)域內(nèi)地形地貌類型多變、地質(zhì)構(gòu)造復(fù)雜、新構(gòu)造活動強(qiáng)烈、溝谷下切嚴(yán)重，復(fù)雜的地質(zhì)背景和脆弱的地質(zhì)環(huán)境使得該區(qū)域滑坡、崩塌、泥石流災(zāi)害極為發(fā)育，特別是滑坡災(zāi)害，給當(dāng)?shù)厝嗣竦纳?cái)產(chǎn)安全造成了巨大損失，如康定捧塔鄉(xiāng)金平電站滑坡、毛埡壩滑坡等(孫遜等，2013；郭長寶等，2016)?；聻?zāi)害已經(jīng)對該區(qū)域正在規(guī)劃建設(shè)的CZ鐵路、高速公路、城鎮(zhèn)化建設(shè)以及人民生活造成了巨大的威脅，迫切地需要開展區(qū)域滑坡災(zāi)害的易發(fā)性評價(jià)工作，快速精準(zhǔn)地劃分出易發(fā)性分區(qū)，制定有效的防災(zāi)減災(zāi)措施。

本文在遙感影像解譯、地質(zhì)災(zāi)害資料收集以及野外地質(zhì)災(zāi)害調(diào)查的基礎(chǔ)上，建立CZ鐵路康定至理塘段滑坡災(zāi)害空間數(shù)據(jù)庫，分析滑坡災(zāi)害發(fā)育的空間分布規(guī)律和影響因素，確定了地形地貌、基礎(chǔ)地質(zhì)、水文環(huán)境、植被覆蓋、人類工程活動共15個(gè)影響因子，采用CNN模型對CZ鐵路康定至理塘段進(jìn)行滑坡易發(fā)性評價(jià)，為該區(qū)域的CZ鐵路建設(shè)和未來安全運(yùn)行過程中的防災(zāi)減災(zāi)工作提供一定的參考依據(jù)。

1 研究區(qū)概況

CZ鐵路康定至理塘段長約250km，從康定縣出發(fā)，經(jīng)過雅江縣到達(dá)理塘縣。本次研究的范圍主要位于CZ鐵路兩側(cè)區(qū)域，地理位置介于東經(jīng)99°48′～102°02′，北緯29°45′～30°13′之間，總面積約12396km2。區(qū)域內(nèi)因地形復(fù)雜，氣候出現(xiàn)明顯的垂直差異，年均降雨量約為700mm，主要集中在6～9月。CZ鐵路康定至理塘段地處青藏高原東部邊緣，橫斷山脈中段，地形地貌以丘狀高原、高山峽谷和山原地貌為主。地勢兩端高，中間雅江段低，高程為2274～6486m，其相對高差4212m。研究區(qū)內(nèi)水系發(fā)育，跨越多條河流，斷裂構(gòu)造復(fù)雜，地層巖性主要為花崗巖、砂巖、灰?guī)r和松散堆積層。多變的地形地貌、復(fù)雜的地質(zhì)構(gòu)造、脆弱的地質(zhì)環(huán)境，使區(qū)域內(nèi)滑坡、崩塌、泥石流等災(zāi)害極其發(fā)育，對CZ鐵路的建設(shè)以及安全運(yùn)行構(gòu)成嚴(yán)峻的挑戰(zhàn)。通過野外滑坡災(zāi)害的調(diào)查以及遙感影像的解譯，研究區(qū)共確定滑坡地質(zhì)災(zāi)害138處，空間分布如圖1所示。研究區(qū)滑坡災(zāi)害的總面積21.02km2，其中單體滑坡最大面積為4577883m2，最小面積為1587m2。

圖1 CZ鐵路康定至理塘段滑坡災(zāi)害分布圖

本文采用的數(shù)據(jù)源主要為：(1)30m分辨率的DEM數(shù)據(jù)，用來提取高程、坡度、地表切割度等地形地貌相關(guān)信息；(2)全國1︰250萬的地質(zhì)圖，主要提取地層巖性、構(gòu)造等信息；(3)全國道路網(wǎng)及水系網(wǎng)矢量圖，提取道路和水系分布信息；(4)30m分辨率的Landsat8影像，用于提取地表植被覆蓋信息；(5)野外地質(zhì)災(zāi)害調(diào)查資料及Google Earth影像，用于確定滑坡災(zāi)害點(diǎn)的空間分布。

2 研究方法

2.1 深度學(xué)習(xí)

CNN模型是人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)相結(jié)合，通過反向傳播算法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重，從而實(shí)現(xiàn)深度學(xué)習(xí)的方法。CNN模型包括輸入層、卷積層、池化層(采樣層)、全連接層和輸出層。其中卷積層采用滑動卷積窗口的方法對輸入層進(jìn)行特征提取，第1層卷積層通常提取到一些低級的特征，更多層的卷積層能從低級特征中迭代提取更高級的特征。卷積層最大的特點(diǎn)在于運(yùn)用了參數(shù)共享機(jī)制，可以減少很多參數(shù)數(shù)量；池化層是實(shí)現(xiàn)對特征圖的采樣處理，在減少數(shù)據(jù)量的同時(shí)保留有用的信息，可以防止過擬合和提高模型的泛化能力；全連接層處于網(wǎng)絡(luò)結(jié)構(gòu)的尾端，對前面逐層變換和映射提取的特征進(jìn)行回歸分類等處理，采用ReLU函數(shù)作為全連接層每個(gè)神經(jīng)元的激勵(lì)函數(shù)。全連接層輸出的值傳遞到輸出層，利用SoftMax邏輯回歸進(jìn)行多分類。CNN模型結(jié)構(gòu)如圖2所示。

圖2 CNN模型結(jié)構(gòu)圖

2.2 人工神經(jīng)網(wǎng)絡(luò)

ANN是由一系列小型處理節(jié)點(diǎn)組成的網(wǎng)絡(luò)系統(tǒng)，可以用來處理非線性問題，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分為3部分：輸入層、中間隱含層、輸出層。網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程是網(wǎng)絡(luò)根據(jù)輸入值和輸出值不斷地調(diào)節(jié)每個(gè)節(jié)點(diǎn)間連接權(quán)值的過程，可以表示為：

yi=f(∑wijxi+bj)

(1)

式中：wij為連接神經(jīng)元i與j之間的權(quán)重；bj為神經(jīng)元j的偏置；f為激活函數(shù)，模型通過選取合適的激活函數(shù)，通過對已知信息的反復(fù)學(xué)習(xí)訓(xùn)練，逐步調(diào)整改變神經(jīng)元連接權(quán)重的方法，達(dá)到處理信息、模擬輸入輸出之間關(guān)系的目的，使得輸出的均方誤差值最小，得到最優(yōu)參數(shù)的神經(jīng)網(wǎng)絡(luò)模型。

3 易發(fā)性指標(biāo)因素選擇

滑坡的發(fā)育是內(nèi)動力地質(zhì)條件和外界環(huán)境因子共同作用的結(jié)果。CZ鐵路康定至理塘段穿越多種地形地貌，區(qū)域內(nèi)地質(zhì)背景十分復(fù)雜，地質(zhì)環(huán)境極其脆弱，促使研究區(qū)內(nèi)滑坡災(zāi)害頻發(fā)。前人研究表明，滑坡災(zāi)害的發(fā)育主要受地形地貌、基礎(chǔ)地質(zhì)、水文環(huán)境、植被覆蓋和人類工程活動等多種因素的影響(Guo et al.，2015；戴福初等，2020；彭建兵等，2020)。本文基于研究區(qū)地質(zhì)條件和前人研究的基礎(chǔ)上選取15個(gè)影響因子，分別為高程、坡度、坡向、曲率、平面曲率、剖面曲率、地形起伏度、地表切割度、地表粗糙度、地形濕度指數(shù)(topographic wetness index，TWI)、植被歸一化指數(shù)(normalized difference vegetation index，NDVI)、巖性、距斷層距離、距河流距離、距道路距離。研究區(qū)的影響因子數(shù)據(jù)類型由連續(xù)型和離散型組成，其中坡向、巖性、距斷層距離、距河流距離、距道路距離等因子為離散型數(shù)據(jù)；高程、坡度、曲率、平面曲率、剖面曲率、地形起伏度、地表切割度、地表粗糙度、TWI、NDVI因子為連續(xù)型數(shù)據(jù)。將離散型數(shù)據(jù)的影響因子采用原有的自然分組進(jìn)行分級，對于連續(xù)型數(shù)據(jù)的影響因子結(jié)合分布規(guī)律采用自然斷點(diǎn)法進(jìn)行分級，如圖3和表1所示。根據(jù)工程地質(zhì)類比法可知，與已發(fā)生滑坡災(zāi)害相似的環(huán)境條件更易于形成新的滑坡，因此采用頻率比法來衡量各影響因子不同區(qū)間的信息量，定量分析滑坡發(fā)育與影響因子間的關(guān)系，頻率比大于1時(shí)，對滑坡的發(fā)生有促進(jìn)作用，且隨著頻率比的增大，滑坡發(fā)生的概率也越大。從表1中可以看出，2274～3249m的高程、42.1°～82.3°的坡度范圍、西向、-1.74～-0.91的曲率、-0.32～0.09的平面曲率、大于0.64的剖面曲率、大于84的地形起伏度、大于47的地表切割度、大于1.96的地表粗糙度、8.41～10.46的TWI、大于0.247的NDVI、G類巖性(軟弱的松散堆積砂、礫、黏土)、距斷層距離小于500m、距河流距離200～500m、距道路距離200～500m分別在各所屬因子里面占據(jù)最高的頻率比值，且頻率比均大于1。因此，各因子頻率比最高區(qū)間范圍對滑坡的發(fā)育有著促進(jìn)作用。

圖3 滑坡易發(fā)性評價(jià)因子分級圖

表1 影響因子的頻率比值

4 滑坡易發(fā)性評價(jià)

4.1 影響因子相關(guān)性分析

在滑坡易發(fā)性評價(jià)中，參與建模的影響因子之間需要保持相互獨(dú)立性，以保證模型評價(jià)的準(zhǔn)確性。因此，需要對各個(gè)影響因子之間進(jìn)行相關(guān)性分析，將相關(guān)性較大的影響因子剔除，確保參與建模的因子之間沒有較大的相關(guān)性。本文采用Pearson相關(guān)系數(shù)分析影響因子之間的相關(guān)性，當(dāng)兩個(gè)因子間的相關(guān)系數(shù)的絕對值大于0.5時(shí)，認(rèn)為其具有較高的相關(guān)性(閆舉生等，2019)，運(yùn)用SPSS18.0軟件計(jì)算Pearson相關(guān)系數(shù)。

由表2可知，坡度與地形起伏度、地表切割度、地表粗糙度的相關(guān)系數(shù)大于0.5；曲率與平面曲率和剖面曲率的相關(guān)系數(shù)大于0.5；地表粗糙度與地形起伏度的相關(guān)系數(shù)大于0.5，說明這些因子間存在較高的相關(guān)性，影響模型評價(jià)的準(zhǔn)確性。因此，在滑坡易發(fā)性建模中剔除坡度、曲率、地表粗糙度3個(gè)影響因子，將剩余的高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、TWI、NDVI、巖性、距斷層距離、距河流距離、距道路距離等12個(gè)影響因子帶入模型進(jìn)行研究區(qū)滑坡易發(fā)性評價(jià)。

表2 影響因子的相關(guān)性分析

4.2 滑坡易發(fā)性建模

本文采用30m×30m分辨率的柵格作為評價(jià)單元，研究區(qū)共計(jì)13759881個(gè)柵格單元。研究區(qū)識別的138個(gè)滑坡樣本作為基礎(chǔ)樣本數(shù)據(jù)，將每個(gè)滑坡矢量面轉(zhuǎn)換成30m×30m分辨率的柵格單元，共計(jì)25069個(gè)滑坡柵格單元。非滑坡樣本的選取，決定了模型訓(xùn)練與預(yù)測的準(zhǔn)確性，為了減少非滑坡樣本選取的誤差，提高模型的預(yù)測能力，利用信息量模型劃分的易發(fā)性分區(qū)選取非滑坡樣本。通過計(jì)算各個(gè)因子的信息量值(表1)，利用Arcgis10.2軟件將每個(gè)信息量值進(jìn)行疊加，得到研究區(qū)滑坡易發(fā)性指數(shù)，再運(yùn)用自然斷點(diǎn)法將研究區(qū)的易發(fā)性劃分為極高、高、中、低和極低5個(gè)等級，在低和極低的易發(fā)區(qū)中隨機(jī)選取相等數(shù)量的非滑坡樣本。

采用CNN模型對CZ鐵路康定—理塘段進(jìn)行滑坡易發(fā)性評價(jià)時(shí)，需要將所有影響因子進(jìn)行歸一化處理，全部歸一化為[0，1]的區(qū)間。連續(xù)型數(shù)據(jù)直接采用式(2)歸一化，離散型數(shù)據(jù)先統(tǒng)一度量衡之后歸一化。歸一化公式為：

(2)

圖4 CNN模型易發(fā)性分區(qū)圖

圖5 ANN模型易發(fā)性分區(qū)圖

4.3 模型精確度的統(tǒng)計(jì)與分析

模型準(zhǔn)確性的評價(jià)是滑坡易發(fā)性建模重要的組成部分，為了檢驗(yàn)CNN、ANN模型的預(yù)測能力，本文選用頻率比和ROC曲線對評價(jià)結(jié)果進(jìn)行驗(yàn)證。

通過統(tǒng)計(jì)滑坡單元在各個(gè)易發(fā)性等級的分布狀況，計(jì)算其頻率比(表3)，對模型的預(yù)測能力進(jìn)行評價(jià)。在CNN模型的評價(jià)結(jié)果中，研究區(qū)內(nèi)91.50%的滑坡柵格單元落入極高、高易發(fā)區(qū)，而ANN模型僅有89.15%的滑坡柵格單元落入極高和高易發(fā)區(qū)；CNN模型的極高易發(fā)區(qū)占研究區(qū)總面積的13.76%，但分布著78.06%滑坡柵格，其頻率比高達(dá)5.6750，大于ANN模型的4.4414。以上分析表明CNN模型的預(yù)測精度高于ANN模型。

表3 滑坡易發(fā)性評價(jià)等級結(jié)果統(tǒng)計(jì)

ROC曲線也是滑坡易發(fā)性評價(jià)精確度檢驗(yàn)的常用方法，在滑坡易發(fā)性精確度檢驗(yàn)中得到廣泛的應(yīng)用(許沖等，2009；郭子正等，2019)。本文中ROC曲線的縱軸為滑坡柵格數(shù)的累加百分比，橫軸代表易發(fā)性指數(shù)由高到低的各易發(fā)性等級面積的累加百分比。ROC曲線下的面積(AUC)代表了模型精確度的大小，當(dāng)AUC值越接近于1時(shí)，表明該模型預(yù)測的精確度越高。兩種模型的ROC曲線如圖6所示，CNN模型的AUC值為0.87，大于ANN模型的0.84，表明CNN模型在該研究區(qū)滑坡易發(fā)性評價(jià)中預(yù)測性能更優(yōu)，準(zhǔn)確性更高。

圖6 CNN、ANN模型的ROC曲線

4.4 滑坡易發(fā)區(qū)分布規(guī)律與影響因子分析

從CNN模型(圖4)和ANN模型(圖5)易發(fā)區(qū)分布圖可知，兩種模型預(yù)測的極高和高易發(fā)區(qū)主要為雅礱江流域以及其他河流流域，沿著河流兩側(cè)2km以內(nèi)分布。從表1統(tǒng)計(jì)的頻率比可知，距河流距離(<500m)、距道路距離(<500m)、高程(<3249m)的頻率比均大于3.9，隨著高程、距河流距離、距道路距離的增加，其頻率比越來越小，對滑坡的影響作用逐漸減弱。相比于其他因子的頻率比，高程、距河流距離、距道路距離的頻率比差值更大，對滑坡的影響作用更明顯，因此，高程、距河流距離、距道路距離是研究區(qū)滑坡發(fā)育的主要影響因素。研究區(qū)水系較為發(fā)育，長期的流水作用使河流兩岸遭受嚴(yán)重的侵蝕和沖刷，形成高陡的不穩(wěn)定斜坡，以及大量的道路修建，邊坡的開挖，破壞了斜坡的天然應(yīng)力分布及形態(tài)，容易造成邊坡失穩(wěn)，這些都是導(dǎo)致滑坡發(fā)生的重要因素。低易發(fā)區(qū)主要分布在高海拔地區(qū)，主要原因是高海拔地區(qū)常年積雪，巖土體處于冰凍狀態(tài)，且人類工程活動較少，坡體受擾動較輕，不易發(fā)生滑坡災(zāi)害。因此，表明CNN的高和極高易發(fā)區(qū)空間分布規(guī)律與影響滑坡發(fā)育的因子統(tǒng)計(jì)分析結(jié)果基本一致。

5 結(jié) 論

本文在滑坡災(zāi)害的遙感影像解譯和野外地質(zhì)災(zāi)害調(diào)查的基礎(chǔ)上，建立了CZ鐵路康定至理塘段的滑坡空間數(shù)據(jù)庫，并且選取了高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、TWI、NDVI、巖性、距斷層距離、距河流距離、距道路距離等12個(gè)因子建立了滑坡易發(fā)性的評價(jià)體系。基于GIS和Python語言，運(yùn)用深度學(xué)習(xí)中的CNN模型對研究區(qū)進(jìn)行滑坡易發(fā)性評價(jià)，得到了以下結(jié)論：

(1)CZ鐵路康定至理塘段共發(fā)育滑坡災(zāi)害138處，滑坡總面積21.02km2。運(yùn)用頻率比法定量分析了滑坡與影響因子的關(guān)系，表明滑坡發(fā)生的主要影響因素為高程、距水系距離、距道路距離。

(2)采用深度學(xué)習(xí)中的CNN模型對研究區(qū)進(jìn)行滑坡易發(fā)性評價(jià)，按易發(fā)性指數(shù)將研究區(qū)劃分為5個(gè)等級，分別為極高易發(fā)區(qū)(13.76%)、高易發(fā)區(qū)(14.00%)、中易發(fā)區(qū)(15.86%)、低易發(fā)區(qū)(18.17%)、極低易發(fā)區(qū)(38.21%)。其中極高和高易發(fā)區(qū)滑坡柵格單元占總滑坡柵格的91.50%。極高和高易發(fā)區(qū)主要為雅礱江和其他河流沿岸2km以內(nèi)范圍，并且易發(fā)性分區(qū)結(jié)果和滑坡災(zāi)害的空間分布規(guī)律存在較好的一致性。

(3)采用頻率比和ROC曲線對評價(jià)結(jié)果進(jìn)行驗(yàn)證，并且與ANN模型進(jìn)行對比。CNN模型的極高易發(fā)區(qū)頻率比高達(dá)5.6750，高于ANN模型(4.4414)，且CNN模型AUC值為0.87，大于ANN模型(0.84)，表明CNN模型的特征提取、參數(shù)共享、特征圖的采樣處理等特性使模型具較高的擬合度和較優(yōu)的預(yù)測性能，能夠較好地反映研究區(qū)滑坡易發(fā)性的分布狀況，可以為CZ鐵路康定至理塘段防災(zāi)減災(zāi)工作提供一定的科學(xué)依據(jù)。