文章导读
中国超过65%的区域为山区，地震活动、极端气候以及人类活动 (如城市扩张和森林砍伐) 频繁，导致滑坡灾害频发，造成严重的人员伤亡和经济损失。机器学习 (Machine Learning, ML) 方法因其在捕捉滑坡空间分布和划定潜在滑坡区域方面的高性能而被广泛应用于滑坡易发性制图。然而，ML模型的准确性依赖于两类样本：滑坡正样本 (滑坡发生区域数据)和滑坡负样本 (滑坡未发生区域数据)。现有研究中，滑坡负样本的选取方法存在局限性，地理空间方法无法确保选取的区域完全无滑坡发生，特征空间方法生成的样本难以进行实地验证，而基于物理模型的方法则需要详细且全面的地质参数，获取这些数据难度大且成本高。与此同时，干涉合成孔径雷达 (Interferometric Synthetic Aperture Radar, InSAR) 技术的快速发展为滑坡易发性制图提供了新的机遇。InSAR能够提供大范围的卫星图像，并以毫米级精度测量地表形变，有效捕捉斜坡活动，从而识别潜在的滑坡易发区域。已有研究表明，InSAR结果与基于机器学习的滑坡易发性制图之间存在空间一致性，但目前利用InSAR数据选择滑坡缺失样本的研究较少。
来自日本东京大学的Takashi Oguchi 教授、张瑞琪博士和中国地质大学 (武汉) 的窦杰教授及其研究团队在 Remote Sensing 期刊上发表的论文，提出一种基于InSAR结合机器学习方法的滑坡负样本选取策略，提高滑坡易发性测绘的准确性，并探索InSAR技术在滑坡易发性评估中的应用潜力。
研究过程与结果
本研究以中国三峡水库区 (The Three Gorges Reservoir Area, TGRA) 的巴东–秭归段为研究区域，该地区地质条件复杂且滑坡频发。作者首先收集了包括数字高程模型、地质图、土地利用数据、植被指数等在内的13种滑坡条件因子，并对其进行了多共线性检验以确保数据质量。随后，利用Sentinel-1卫星的合成孔径雷达 (SAR) 数据，采用小基线子集 (SBAS) InSAR技术生成了研究区域的年平均地面形变图，并从变形缓慢的区域中选取滑坡负样本。接着，结合已知滑坡样本构建了用于训练机器学习模型的数据集，并使用逻辑回归、支持向量机和随机森林三种模型进行训练和评估。
研究区域的地理位置，并附有 (a) 中国TGRA和 (b) 所调查的巴东-秭归剖面的地图。
研究结果表明，基于InSAR的负样本采样策略显著提高了滑坡易发性模型的准确性。与随机抽样相比，InSAR基础采样策略在三种模型中均显示出更好的性能，平均提高了约1%的AUC值 (曲线下面积)，表明其在反映非滑坡条件方面更为准确。此外，研究比较了不同的InSAR与机器学习模型的集成方法，发现将InSAR数据通过负样本采样、联合训练和叠加权重三种方法同时整合到机器学习模型中时，能够最大程度地提高滑坡易发性模型的性能。特别是随机森林模型在结合这三种方法后，AUC值达到了0.959，显示出最优的预测性能。
改进后的滑坡易发性地图能够更准确地识别高易发性区域，并在高易发性和极高易发性类别中增加了滑坡的百分比，同时保持了合理的滑坡密度。这表明改进后的模型能够更精确地预测潜在滑坡区域，为滑坡灾害的预防和管理提供了更可靠的依据。研究还对InSAR基础采样策略的不确定性进行了分析，结果表明，尽管存在不确定性，InSAR基础采样策略仍然比随机抽样更准确地代表非滑坡条件。结合多种InSAR集成方法可以进一步降低不确定性，提高模型性能的稳定性和优越性。
通过不同InSAR集成方法生成的滑坡易发性地图：(a-c) 分别通过基于InSAR的采样 (IBS)、联合训练 (JT) 和叠加权重 (OW) 方法生成的地图。(d-f) 分别结合IBS和OW、结合IBS和JT、以及结合IBS、JT和OW方法的综合地图。
研究总结
本研究在中国三峡水库区的巴东–秭归段提出了一种基于InSAR的滑坡负样本选取策略，通过SBAS-InSAR技术计算年平均地面形变，并从变形缓慢的区域中选取负样本。研究使用逻辑回归、支持向量机和随机森林三种模型验证了该策略的有效性，结果表明基于InSAR的采样策略显著提高了模型对非滑坡条件的准确性。此外，研究比较了多种InSAR与机器学习模型的集成方法，发现结合三种方法 (负样本采样、联合训练、叠加权重) 时，模型性能最优。最后，通过大坪滑坡群的InSAR形变动态对改进后的滑坡易发性地图进行了验证，进一步证明了InSAR技术在滑坡易发性预测中的有效性。
原文出自 Remote Sensing 期刊：https://www.mdpi.com/2851416
期刊主页：https://www.mdpi.com/journal/remotesensing
Remote Sensing 期刊介绍
主编：Prasad S. Thenkabail, USGS Western Geographic Science Center (WGSC), USA
期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。
2024 Impact Factor：4.1
2024 CiteScore：8.6
Time to First Decision：24.9 Days
Acceptance to Publication：2.5 Days
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1492884.html?mobile=1
收藏
