基于多尺度分割方法的斜坡單元劃分及滑坡易發(fā)性預測

常志璐，黃發(fā)明，蔣水華，張崟瑯，周創(chuàng)兵，黃勁松,3

(1.南昌大學 工程建設學院，江西 南昌 330031；2.帕多瓦大學 地質(zhì)科學院，意大利 帕多瓦 35131；3.紐卡斯爾大學 巖土科學與工程卓越研究中心，澳大利亞 紐卡斯爾 2287)

滑坡是中國發(fā)生最頻繁、危害最大的地質(zhì)災害類型之一，給當?shù)鼐用竦娜松砗拓敭a(chǎn)安全造成巨大損失[1–2]。區(qū)域滑坡易發(fā)性預測是一種預測潛在滑坡空間位置的有效途徑，可以準確地預測“潛在滑坡”發(fā)育的空間概率[3–4]。其評價過程主要包括：構建歷史滑坡數(shù)據(jù)庫、劃分制圖單元、提取研究區(qū)域的環(huán)境因子、構建易發(fā)性預測模型、模型的精度評價和繪制區(qū)域滑坡易發(fā)性圖[5–8]。其中，歷史滑坡數(shù)據(jù)主要通過歷史影像識別和野外實地調(diào)查獲得[9]，易發(fā)性模型的預測精度主要通過ROC曲線和頻率比精度兩種方法評價，滑坡易發(fā)性圖主要分為極高、高、中等、低和極低5個等級[10]。

當前的滑坡易發(fā)性制圖單元主要有柵格單元、地域單元、均一條件單元、斜坡單元和地貌單元[6,11]。其中，柵格單元和斜坡單元應用最廣泛。柵格單元具有形狀規(guī)則、便于快速剖分、模型計算效率高等優(yōu)點，但難以表達真實地形地貌且與基礎環(huán)境因子聯(lián)系不夠緊密，導致預測結(jié)果缺乏明確的物理意義。另外，柵格單元的預測結(jié)果難以準確定位具體滑坡位置和范圍。與柵格單元相比，斜坡單元依據(jù)真實地形地貌進行劃分，具有較明確的地質(zhì)特征意義，能夠相對準確地反映滑坡區(qū)域的不同地形特征。因此，越來越多的學者嘗試利用斜坡單元進行區(qū)域滑坡易發(fā)性預測。但是，如何快速準確地自動劃分斜坡單元仍是目前阻礙斜坡單元應用的主要因素。

目前，應用最廣泛的斜坡單元劃分方法是水文分析法[12–13]。該方法將斜坡單元定義為分水線和匯水線圍成的一塊區(qū)域，借助ArcGIS軟件和通過正反向DEM水文過程分析劃分斜坡單元。但是，該方法獲得的斜坡單元過于零散、數(shù)量眾多且難以調(diào)控，可操作性和自動化程度很低，需要大量的后期人工修正。另外，分水線和匯水線圍成的一塊區(qū)域可以是一個單坡或多個斜坡，甚至可以是一個小流域。在實際應用過程中，一些學者對水文分析法進行了修正。例如，張曦[14]和顏閣[15]等提出了曲率分水嶺法，通過正反向曲率分別提取出凸型和凹型地貌元素，但是，這些方法本質(zhì)仍然屬于基于正反向曲率地表水文過程分析的范疇。近年來，研究者對斜坡單元進行了新的定義，例如：Jia等[16]認為斜坡單元需要確保內(nèi)部最大均質(zhì)性和不同單元之間的最大異質(zhì)性；王凱等[11]基于滑坡穩(wěn)定性力學分析的均一性基本假定，將斜坡單元定義為三維空間中的一個連續(xù)、均質(zhì)且閉合的小區(qū)域?；诖?，出現(xiàn)了一些新的斜坡單元劃分方法。例如：Alvioli等[17]基于斜坡單元的最大均質(zhì)化定義，提出一種新的斜坡單元提取方法r.slopeunits，該方法在斜坡單元提取結(jié)果的精細化和均質(zhì)化程度上比傳統(tǒng)方法有所進步；Wang等[18]建立一種新的斜坡單元提取方法MIA–HSU，利用形態(tài)影像學算法提取山脊、山谷形態(tài)骨架線。雖然當前斜坡單元提取方法取得了一些進展，但是，仍然存在不足之處，主要表現(xiàn)在：1）難以適用于缺乏高精度DEM的地區(qū)，2）難以快速準確地實現(xiàn)自動提取斜坡單元，3）提取結(jié)果受人為設定的閾值影響[11]。

選擇合適的環(huán)境因子是區(qū)域滑坡易發(fā)性預測過程中的重要步驟，輸入變量信息的質(zhì)量直接決定著模型的優(yōu)劣和易發(fā)性結(jié)果的準確性。在采用斜坡單元進行滑坡易發(fā)性建模時，需要提取每個斜坡單元內(nèi)部的環(huán)境因子信息。目前，最常采用的方法是基于一定分辨率的環(huán)境因子柵格數(shù)據(jù)，通過ArcGIS 10.2軟件“空間分析”工具中的區(qū)域分析功能，分別提取每個斜坡單元范圍內(nèi)環(huán)境因子柵格值的平均值（連續(xù)型數(shù)據(jù)）或眾數(shù)值（離散型數(shù)據(jù)）作為這個斜坡單元的環(huán)境因子值[19]。但是，由于各個環(huán)境因子在空間上具有空間變異性，例如一些地形因子（如高程、坡度、剖面曲率等）在不同位置表現(xiàn)出較高的變異性，而巖性、坡向等環(huán)境因子在斜坡單元中變異性較小。并且，一個斜坡單元內(nèi)可能包含幾百個柵格數(shù)據(jù)，僅僅采用平均值無法準確反映斜坡單元內(nèi)部的真實情況，造成數(shù)據(jù)信息的過度簡化和缺失。因此，為了獲得更加準確的滑坡易發(fā)性預測模型和結(jié)果，應該充分考慮和挖掘斜坡單元內(nèi)部環(huán)境因子的空間非均質(zhì)性。

常用的滑坡易發(fā)性預測模型主要分為：基于滑坡編錄的概率分析模型、啟發(fā)式模型、確定性模型、數(shù)學統(tǒng)計模型和人工智能模型[20]。其中，人工智能模型能有效解決統(tǒng)計模型預測區(qū)域滑坡易發(fā)性時存在的問題，并得到了廣泛的應用，主要包括邏輯回歸（logistic regression, LR）[21]、人工神經(jīng)網(wǎng)絡[22]、支持向量機（support vector machine, SVM）[23]、模糊邏輯[24]、決策樹和隨機森林[25]模型等，其中SVM和LR模型應用最多并且評價效果最好。

綜上所述，本文以江西省崇義縣為例，基于多尺度分割算法提出一種斜坡單元劃分方法，充分考慮斜坡單元內(nèi)部環(huán)境因子的空間變異性，選取均值、變化值和標準差3個變量表征斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性，并分別采用SVM和LR模型來預測并繪制研究區(qū)域滑坡易發(fā)性圖。

1 方 法

1.1 滑坡易發(fā)性建模流程

本研究基于斜坡單元和斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性特征，采用機器學習模型構建了區(qū)域滑坡易發(fā)性的預測模型，具體建模步驟如下：

1）基礎數(shù)據(jù)的收集。從國家地質(zhì)調(diào)查局網(wǎng)站及91位圖助手軟件下載DEM影像圖（分辨率為8.9 m）、Landsat TM8遙感影像1景（2013–07–03，軌道號119/041）、地層圖（1∶25 000）、地表覆被、人類工程活動和歷史滑坡數(shù)據(jù)庫，并通過ArcGIS10.2軟件進行管理。

2）斜坡單元的劃分。從研究區(qū)域DEM圖層中通過ArcGIS10.2分別提取坡向和地形陰影圖，采用多尺度分割方法劃分斜坡單元，分別對斜坡單元進行定性定量評價，并與傳統(tǒng)的水文方法劃分的斜坡單元進行對比分析。

3）環(huán)境因子的提取?；谛逼聠卧謩e提取研究區(qū)域的地形地貌、地層、水文、地表覆被和人類工程活動因素，考慮斜坡單元內(nèi)部環(huán)境因子的變異性，分別采用平均值、變化值和標準差3個變量表征每一個環(huán)境因子。隨后對所有環(huán)境因子變量進行相關性分析。

4）樣本數(shù)據(jù)集的構建。根據(jù)歷史滑坡信息分別提取滑坡樣本的環(huán)境因子信息，在非滑坡區(qū)域隨機選取與滑坡樣本相同數(shù)量的非滑坡樣本并提取相應的環(huán)境因子信息，滑坡和非滑坡樣本信息共同構成建模的基本數(shù)據(jù)集。

5）易發(fā)性預測模型構建。選擇機器學習模型（SVM和LR模型）分別構建基于斜坡單元的易發(fā)性預測模型（Slope–SVM/LR模型）和考慮斜坡單元內(nèi)部環(huán)境因子非均質(zhì)性的易發(fā)性預測模型（Variant Slope–SVM/LR模型）。

6）模型精度評價。分別采用ROC曲線和頻率比精度對比上述4個模型的預測精度。

7）繪制全區(qū)易發(fā)性圖。將全區(qū)數(shù)據(jù)導入各個易發(fā)性預測模型以預測易發(fā)性指數(shù)，使用自然間斷點法將其劃分為極高、高、中、低和極低5個易發(fā)性等級，繪制滑坡易發(fā)性圖。

1.2 斜坡單元的提取

1.2.1 基于多尺度分割算法的斜坡單元劃分

多尺度分割（multi-scale segmentation method，MSS）的核心算法是基于異質(zhì)性最小區(qū)域合并算法，使對象內(nèi)部的異質(zhì)性最小，對象之間的異質(zhì)性最大[26]。MSS方法是一種采用自底向上的區(qū)域增長法，即基于像素層自底向上區(qū)域合并完成對象提取。基于MSS方法的基本原理，可以將斜坡單元定義為連續(xù)、均勻、封閉的對象，在特定的分割尺度閾值下，呈現(xiàn)出對象內(nèi)部異質(zhì)性最小和相鄰對象之間異質(zhì)性最大的特征。

MSS方法提取斜坡單元的流程示意圖如圖1所示。具體步驟為：

圖1 MSS方法提取斜坡單元流程圖Fig. 1 Flowchart for slope unit extraction by MSS method

1）收集研究區(qū)域的基礎高程影像圖和歷史滑坡數(shù)據(jù)庫。分別提取坡向和山體陰影圖作為MSS方法的基本輸入影像，另外，統(tǒng)計所有歷史滑坡的形態(tài)和尺度特征。

2）參數(shù)的設置。MSS方法中需要設置的參數(shù)包括尺度、形狀特征權重和緊致度權重參數(shù)，通過試錯法并結(jié)合研究區(qū)域內(nèi)歷史滑坡的形態(tài)和尺度特征（修正試錯法）來確定。

3）斜坡單元的劃分。從像素層開始，先將相鄰區(qū)域特征相似的像素聚合成小影像區(qū)域。然后將相似的小影像區(qū)域基于異質(zhì)性最小原則合并成大的影像區(qū)域，每一次合并，都計算兩區(qū)域合并后區(qū)域的異質(zhì)性是否大于尺度閾值（scale）。若大于尺度閾值，則不對該兩區(qū)域進行合并；若小于尺度閾值，則進行合并，生成新的更大的影像區(qū)域。直至合并后的區(qū)域的異質(zhì)性都大于尺度閾值，或所有的區(qū)域都合并完畢，則停止合并[27]。

4）后處理優(yōu)化過程。將步驟3）中的影像對象進行分割、合并和平滑等優(yōu)化處理，消除局部“孤島效應”的對象，最后獲得研究區(qū)域內(nèi)的斜坡單元。

1.2.2 輸入影像和參數(shù)設置

在采用MSS方法劃分斜坡單元時，選取坡向和山體陰影圖作為基本的輸入影像。其中，山體陰影是一種由光源和高程表面的坡度和坡向確定地形的技術，可以反映一定的地形信息，其影像灰度值介于0～255之間。坡向定義為坡面法線在水平面上投影的方向，可以用來識別地面上某個位置的最陡下降方向。因此，根據(jù)坡向和地形陰影的特征，MSS方法可以最大限度地提高坡單元內(nèi)部的均勻性，最大限度地提高斜坡單元之間的非均勻性。

MSS方法中需要設置的參數(shù)主要包括尺度、形狀特征權重和緊致度權重。若尺度參數(shù)取值太大，則會出現(xiàn)分割不完全的現(xiàn)象；反之，則會出現(xiàn)分割破碎的現(xiàn)象。最優(yōu)尺度應該表現(xiàn)為：對象大小與地物目標輪廓相當，大小接近；對象多邊形既不能太破碎，也不能邊界模糊，且光譜變異情況較小。緊致度參數(shù)是用來描述對象單元的飽滿程度，即接近正方形和接近圓形的程度。緊致度權重越高，圖像對象越緊湊，對象單元的形狀越規(guī)則。因為影像數(shù)據(jù)中最重要的信息是光譜信息，形狀特征的權重太高會降低分割結(jié)果的質(zhì)量。

1.2.3 最優(yōu)參數(shù)組合的確定

參數(shù)組合的選擇直接決定著斜坡單元的劃分結(jié)果，本研究通過修正試錯法來選擇最佳的參數(shù)組合。具體步驟如下：

1）根據(jù)歷史滑坡數(shù)據(jù)庫，計算研究區(qū)域內(nèi)滑坡的面積和形狀特征。形狀特征通過形狀指數(shù)（R值）來表示，R值可以通過式（1）計算獲得：

式中，L、S分別為滑坡面的周長和面積。

2）根據(jù)傳統(tǒng)的試錯法確定幾組參數(shù)值，分別采用每一個參數(shù)組合來劃分斜坡單元。

3）分別計算每組參數(shù)組合條件下斜坡單元面積和形狀指數(shù)的平均值和標準差，并與滑坡面積和形狀指數(shù)的平均值和標準差做比較。當劃分的斜坡單元面積和形狀指數(shù)的平均值和標準差是滑坡相應數(shù)據(jù)的1～2倍，并且R值介于16.00～20.78之間時，認為劃分的斜坡單元是合理的，其對應的參數(shù)組合是最優(yōu)組合。

1.3 機器學習模型

1.3.1 支持向量機模型

1.3.2 邏輯回歸模型

LR模型是一種能有效處理二元分類問題的非線性回歸模型，其基本思想是尋找最佳擬合函數(shù)來表示目標變量與因子變量之間的相關關系[30–31]。假設變量因子為xi(i=1,2,···,l)，目標變量為y=0和1。LR模型計算公式如式（3）和（4）所示：

式（3）～（4）中：z為變量疊加后的線性權重值之和；a為LR模型常數(shù)；bl為LR模型的系數(shù)；p為事件發(fā)生的概率，其值域為[0,1]。

2 案例研究

2.1 崇義縣概況

崇義縣位于江西省西南部，介于113°55′E ～ 114°38′E，25°24′N ～ 25°55′N之間，總面積約2 206.3 km2。崇義縣屬于贛南丘陵區(qū)，海拔在140～2 019 m之間。地形主要為中、低山（≥500 m）、丘陵（300～500 m）和河谷階地（≤300 m），分別占總面積的47.67%、45.06%和7.27%?？h域地質(zhì)單元十分復雜，包括寒武紀至泥盆紀期間的變質(zhì)巖（變質(zhì)細砂巖和板巖）、碳酸鹽巖（石灰?guī)r）、火成巖（花崗巖）及碎屑巖等。該地區(qū)屬亞熱帶季風氣候，雨量充沛，濕度較高。年平均降雨量達1 615.2 mm，平均氣溫約為17.8℃。土地覆蓋類型主要包括森林、農(nóng)田、草地和水體。

2.2 滑坡編錄信息

野外滑坡編錄主要包括滑坡的位置、發(fā)生時間、基本環(huán)境因子信息、運動模式、規(guī)模大小及誘發(fā)因素等信息。根據(jù)崇義縣自然資源局的數(shù)據(jù)和野外調(diào)查可知：縣域內(nèi)自1970年至今共發(fā)生滑坡254次，其分布如圖2所示?；轮饕獮楦采w層滑坡，具有規(guī)模小、群發(fā)性的特點。滑坡體主要為第四系殘坡積層，由粉質(zhì)黏土夾層和碎塊石組成。滑坡面積介于在4.2×103～3.2×104m2之間，平均面積約為7.6×103m2。滑坡厚度在2.8～8.0 m之間。研究區(qū)域內(nèi)的滑坡分布不均勻，北部滑坡較多，東部滑坡較少。

圖2 崇義縣滑坡分布Fig. 2 Distribution of landslides in Chongyi County

2.3 采用MSS方法劃分斜坡單元

基于分辨率為8.9 m的DEM數(shù)據(jù)，通過ArcGIS軟件分別提取坡向和山體陰影圖作為MSS方法的輸入圖像，研究區(qū)域的山體陰影和坡向圖如圖3所示。在尺度、形狀特征權重和緊致度權重參數(shù)組合中，尺度參數(shù)分別取10、20、30、40和50，形狀特征權重參數(shù)分別取0.5、0.6、0.7、0.8 和0.9，緊致度權重參數(shù)也分別取0.5、0.6、0.7、0.8和0.9，在每一組參數(shù)組合下，分別采用MSS方法劃分斜坡單元。根據(jù)研究區(qū)域的地形特征，分別在丘陵區(qū)和中低山區(qū)各選取一個區(qū)域（圖3），對比分析斜坡單元的劃分效果。

圖3 山體陰影和坡向圖Fig. 3 Shaded relief and aspect images

2.4 基于斜坡單元的環(huán)境因子的提取

通過崇義縣滑坡發(fā)育特征和自然地理分析并參考相關文獻[20–21]，最后選擇高程、坡度、坡向、平面曲率、剖面曲率、地形起伏度、巖土類型、地形濕度指數(shù)（topographic wetness index，TWI）、歸一化植被指數(shù)（normalized difference vegetation index, NDVI）、歸一化建筑指數(shù)（normalized difference building index,NDBI）和斜坡單元形態(tài)等15個環(huán)境因子?？紤]斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性時，每一個環(huán)境因子可以采用平均值、變化值和標準差3個變量表征。其中，需要說明的是離散型變量（巖性、坡向）采用眾數(shù)來表示，無法獲得類似的3個變量。因此，考慮斜坡單元內(nèi)部連續(xù)型環(huán)境因子的非均質(zhì)性時，可將15個環(huán)境因子擴展為38個環(huán)境因子。其中，斜坡單元形態(tài)特征主要通過斜坡單元的形狀指數(shù)和緊致度來表征。

為了降低環(huán)境因子之間的多重共線性對模型構建的影響，需要對38個環(huán)境因子進行相關性分析。38個環(huán)境因子時間的相關系數(shù)可以通過SPSS 22軟件計算獲得，當兩個變量相關系數(shù)的絕對值小于0.3時，認為兩個變量之間無相關性。根據(jù)該規(guī)則，本研究共有22個環(huán)境因子的相關系數(shù)小于0.3，主要包括：高程、高程變化值、坡度、坡度變化值、坡度標準差、剖面曲率、平面曲率、平面曲率變化值、平面曲率標準差、TWI、NDVI、NDBI、公路密度、公路密度變化值、河流密度、河流密度變化值、覆蓋層厚度、形狀指數(shù)、緊致度、坡向、巖土類型和距水系距離。其部分環(huán)境因子的空間分布如圖4所示。

圖4 研究區(qū)域環(huán)境因子空間分布Fig. 4 Conditioning factor maps in study area

2.5 基于斜坡單元的機器學習模型構建

將上述的22個環(huán)境因子的信息作為機器學習模型的輸入變量，模型的輸出變量為1（滑坡）和0（非滑坡）。其中，輸入變量主要包括滑坡樣本（標簽值為1）和非滑坡樣本（標簽值為0），按一定比例劃分為訓練集和測試集，分別用于訓練機器學習模型和測試機器學習模型。本研究中，滑坡樣本是歷史滑坡所在斜坡單元，非滑坡樣本是從滑坡區(qū)之外的斜坡單元內(nèi)隨機選取與滑坡斜坡單元相同數(shù)量的斜坡單元。滑坡樣本和非滑坡樣本按7∶3的比例劃分為訓練集和測試集。

3 滑坡易發(fā)性預測結(jié)果分析

3.1 斜坡單元劃分

根據(jù)MSS方法在不同參數(shù)組合條件下斜坡單元的劃分結(jié)果，分別統(tǒng)計了不同參數(shù)組合條件下斜坡單元的面積和形狀指數(shù)特征，如表1所示。從表1可以看出，當尺度、形狀特征權重和緊致度權重分別為20、0.8和0.8時，劃分的斜坡單元的面積和形狀指數(shù)統(tǒng)計特征與研究區(qū)域歷史滑坡的統(tǒng)計特征最相近，斜坡單元劃分效果最好。因此，研究區(qū)域共被劃分為53 05 5個斜坡單元。 區(qū)域內(nèi)MSS方法和水文法分別在丘陵區(qū)和中低山區(qū)的斜坡單元劃分結(jié)果如圖5所示。從圖5可以看出：MSS方法適用于不同地形地貌條件下的斜坡單元劃分。與傳統(tǒng)的水文法劃分的斜坡單元結(jié)果相比， MSS方法劃分的斜坡單元更均勻，更符合斜坡的實際地形地貌條件，避免出現(xiàn)斜坡單元面積過大和多個斜坡包含在同一個斜坡單元內(nèi)的錯誤。另外，MSS方法劃分的斜坡單元形狀更規(guī)則，不存在狹長細條狀的斜坡單元，不需要進行人工調(diào)整。

圖5 典型區(qū)域MSS方法和水文法的斜坡單元劃分結(jié)果Fig. 5 Slope units of typical cases divided by MSS and hydrological methods

表1 斜坡單元面積和形狀指數(shù)統(tǒng)計特征Tab. 1 Statistical characteristics of the area and shape index (R index) for slope units

3.2 斜坡單元的定性定量評價

3.2.1 斜坡單元的定性評價

通過對比滑坡及其所在的斜坡單元之間的空間位置關系可以定性地評價MSS方法劃分斜坡單元的效果。如果滑坡的位置與其所在的斜坡單元存在一一對應的關系，則認為提取的斜坡單元是合理的。

基于MSS方法和水文法的斜坡單元劃分結(jié)果，歷史滑坡與其所在的斜坡單元之間的空間位置關系如圖6所示。從圖6（a）可以看出，MSS方法劃分的斜坡單元內(nèi)，大部分的滑坡與其所在的斜坡單元存在一一對應關系，局部出現(xiàn)少量滑坡跨越兩個斜坡單元。對此，本文主要通過兩種方式進行處理，一種是根據(jù)實際地形對斜坡單元進行驗證和調(diào)整；另一種方法是計算滑坡在跨越斜坡單元中的面積分布，選擇面積最大的斜坡單元作為滑坡所在斜坡單元。但是，在水文法劃分的斜坡單元內(nèi)，發(fā)現(xiàn)存在多個滑坡分布在同一個斜坡單元的情況，如圖6（b）所示。圖6的結(jié)果表明，相比于水文分析法，采用MSS方法劃分的斜坡單元更合理。

圖6 歷史滑坡與其所在的斜坡單元之間的空間位置關系Fig. 6 Position relationship between the recorded landslides and the responding slope units

3.2.2 斜坡單元的定量評價

斜坡單元的大小和形狀特征可以用來定量評價MSS方法劃分斜坡單元的效果?；贛SS方法劃分斜坡單元的大小和形狀參數(shù)分布特征如圖7所示。其中，斜坡單元的大小用面積來表示。圖7（a）顯示了斜坡單元的面積值分布特征，74.92%的斜坡單元的面積介于10 000～60 000 m2。斜坡單元的平均值、標準差、最大值及最小值分別是41 579 m2、29 936 m2、6 254 m2和316 828 m2（見表1）。斜坡單元的形狀特征可以采用R指數(shù)來表示。已知圓、正方形和三角形的R值分別是4π、16和20.78。斜坡單元的形態(tài)越接近于長條狀，R值越大；并且，當R值大于28時，斜坡單元的長寬比約為5∶1。表1中顯示斜坡單元的形狀指數(shù)的平均值、標準差、最小值及最大值分別是19.61、6.21、13.98和154.94。從圖7（b）中可以看出，68.82%的斜坡單元的R值介于18～26之間，表示斜坡單元的形狀介于三角形和正方形之間，并且均勻性更強。

圖7 MSS方法劃分的斜坡單元的面積和形狀參數(shù)分布特征Fig. 7 Distribution characteristics of the area and shape indexes of slope units by the MSS method

3.3 易發(fā)性制圖

本研究分別使用Slope–SVM、Variant Slope–SVM、Slope–LR和Variant Slope–LR模型，計算整個區(qū)域的易發(fā)性指數(shù)。然后在ArcGIS10.2 軟件中采用自然間斷點法將易發(fā)性指數(shù)劃分為極高、高、中等、低和極低5個等級，不同評價模型的易發(fā)性分布如圖8所示。圖8（a）顯示出Slope–SVM模型中極低、低、中、高和極高易發(fā)性等級分別占比32.18%、20.46%、14.91%、13.62%和18.82%。圖8（c）顯示出Variant slope–SVM模型中極低、低、中、高和極高易發(fā)性等級分別占比41.85%、17.68%、12.75%、11.99%和15.73%。Slope–LR和Variant slope–LR模型的滑坡易發(fā)性分布如圖8（b）、（d）所示。上述模型的易發(fā)性分布顯示出研究區(qū)域的高易發(fā)性等級主要分布在區(qū)域的東部和中部，呈帶狀分布。相比于Slope–SVM/LR模型的預測結(jié)果，Variant Slope–SVM/LR模型中的極低和低易發(fā)性的比例增加，高和極高易發(fā)性比例降低。

圖8 不同預測模型的易發(fā)性分布Fig. 8 Landslide susceptibility distribution of different landslide susceptibility models

3.4 精度評價

3.4.1 ROC精度評價

ROC曲線是目前用于評估機器學習模型易發(fā)性預測性能最常用的方法，主要采用訓練集和測試集樣本中的預測概率和標簽數(shù)據(jù)，以1–特異性為橫坐標，敏感度為縱坐標繪制而成。ROC曲線下部面積（AUC）可以作為滑坡易發(fā)性預測精度[32]。

不同易發(fā)性評價模型的ROC曲線如圖9所示。由圖9可知，Slope–SVM、Variant slope–SVM、Slope–LR和Variant slope–LR模型的預測精度分別為0.812、0.876、0.818和0.839。圖9結(jié)果表明無論是SVM模型還是LR模型，考慮斜坡單元內(nèi)部非均質(zhì)性的易發(fā)性結(jié)果的預測精度要高于基于斜坡單元的易發(fā)性結(jié)果。

圖9 不同易發(fā)性預測模型的ROC曲線分布Fig. 9 ROC curves of different landslide susceptibility models

3.4.2 頻率比精度

頻率比精度是評估模型預測精度的另外一種有效的方法，該方法分別計算每個易發(fā)性等級下的斜坡單元占比和滑坡斜坡單元占比，二者的比值為該易發(fā)性等級的頻率比[7]。不同易發(fā)性預測模型的頻率比精度分布如圖10所示。圖10顯示出各個易發(fā)性等級的頻率比值從極高到極低等級逐漸降低。Slope–SVM、Variant slope–SVM、Slope–LR和Variant slope–LR模型的頻率比精度分別為0.780、0.866、0.792和0.865。圖10的結(jié)果表明考慮斜坡單元內(nèi)部非均質(zhì)性的易發(fā)性結(jié)果的預測精度要高于基于斜坡單元的易發(fā)性結(jié)果。

圖10 不同易發(fā)性預測模型的頻率比精度分布Fig. 10 FR accuracy values of landslide susceptibility classes for different landslide susceptibility models

4 討 論

4.1 MSS單元劃分方法的優(yōu)點和不足

傳統(tǒng)的水文分析法是根據(jù)地貌特征把斜坡單元定義為山脊線和山谷線之間的區(qū)域。雖然該定義的應用較廣，實際意義較強，但是該方法仍存在很多缺陷。例如：水文方法劃分的斜坡單元比較適用于地形地貌相對單一的地區(qū)，在地形地貌復雜的地區(qū)，水文分析法劃分的斜坡單元往往包含多個斜坡或者是一個流域；該方法的參數(shù)設置主觀性強，地域差別大；并且該方法效率低，不利于大區(qū)域尺度和高精度數(shù)據(jù)的斜坡單元的劃分，劃分斜坡單元的過程中出現(xiàn)大量不合理的長條狀面，需要后期大量的人工調(diào)整。因此，水文分析法劃分的斜坡單元應用性較弱。

相比于水文分析法，MSS方法將斜坡單元定義為一些內(nèi)部坡向非均質(zhì)性最小，外部坡向非均質(zhì)性最大的對象單元。該方法可以實現(xiàn)大區(qū)域尺度和高精度數(shù)據(jù)的斜坡單元的自動劃分，極大地提高了斜坡單元劃分的效率。采用修正試錯法可以更快更客觀地確定該方法中的參數(shù)組合。該方法的實用推廣性更強，適用于比較復雜的地形地貌區(qū)域，也適用于各類地質(zhì)災害的預測。因此，與傳統(tǒng)的水文分析法相比，本文提出的MSS方法在斜坡單元的定義、參數(shù)設置、效率及應用推廣方面都有一定的優(yōu)勢。但是，MSS方法仍然存在一些不足，例如，MSS方法劃分的斜坡單元的邊界鋸齒狀比較多，不夠光滑；對于一些平坦地區(qū)，由于沒有坡向?qū)е聞澐值男逼聠卧嬖谡`差。

4.2 基于斜坡單元易發(fā)性預測結(jié)果分析

通過與采用柵格單元進行易發(fā)性預測的結(jié)果相比[10,20]，發(fā)現(xiàn)采用斜坡單元的易發(fā)性結(jié)果實際意義和應用性更強。選擇斜坡單元作為易發(fā)性評價的基本單元，可以避免采用柵格單元結(jié)果中極高易發(fā)性區(qū)域過度聚集的情況，也避免因為數(shù)據(jù)精度差異和機器學習模型的不同導致的易發(fā)性圖的差異。水文分析法提取斜坡單元的易發(fā)性結(jié)果對比發(fā)現(xiàn)，基于MSS方法提取斜坡單元的易發(fā)性結(jié)果更合理，避免了水文分析法斜坡單元面積過大導致評價結(jié)果過于零散的現(xiàn)象。此外，還可以準確地確定具有極高易發(fā)性的斜坡單元的位置，為防災減災工作者提供更加精確的結(jié)果。同時，采用斜坡單元的另外一個優(yōu)勢是可以充分地挖掘和分析斜坡單元內(nèi)部環(huán)境因子之間的相關性和非均質(zhì)性。Variant Slope–SVM/LR和Slope–SVM/LR模型的易發(fā)性結(jié)果的對比分析表明，考慮斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性可以提高易發(fā)性的預測精度。

5 結(jié) 論

本研究以江西省崇義縣為例，采用MSS方法劃分斜坡單元，考慮斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性，采用SVM和LR機器學習模型進行了易發(fā)性預測。研究結(jié)果表明：

1）與傳統(tǒng)的水文分析法相比，MSS方法可以實現(xiàn)大區(qū)域內(nèi)斜坡單元地快速自動劃分，并且修正試錯法可以更好地確定MSS方法的最優(yōu)參數(shù)組合。當尺度、形狀特征權重和緊致度權重參數(shù)取20、0.8和0.8時，崇義縣斜坡單元的劃分效果最好。

2）Variant slope–SVM/LR模型的ROC和頻率比精度均顯著高于Slope–SVM/LR模型，表明斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性可以用平均值、變化值和標準差3個變量來表征，考慮斜坡單元內(nèi)部環(huán)境因子的非均質(zhì)性可以充分地挖掘滑坡與環(huán)境因子之間的關系，使易發(fā)性預測結(jié)果更準確。

3）雖然MSS方法可以實現(xiàn)自動提取斜坡單元，但在未來的研究工作中，提取的斜坡單元形態(tài)仍需進一步的優(yōu)化。另外，在滑坡易發(fā)性的評價過程中，應當充分挖掘研究區(qū)域歷史滑坡的形態(tài)和空間分布特征。