机器学习在滑坡智能防灾减灾中的应用与发展趋势

Application and Development Trend of Machine Learning in Landslide Intelligent Disaster Prevention and Mitigation

摘要

滑坡灾害易发频发、点多面广、隐蔽性强、危害严重.开展“天‒空‒地‒深”观测一体化的滑坡早期识别、易发性评价及预测预报，对于保障人民生命和财产安全，推进滑坡灾害防治能力现代化具有重要意义.目前，依靠人工解译的滑坡识别耗时耗力，采用启发式模型的滑坡易发性评价不能较好地探明环境因子之间的非线性关系，基于传统监测数据的滑坡预测预报精度较低.机器学习算法凭借其强大的非线性处理能力及鲁棒性等优势，逐渐广泛应用于滑坡智能防灾减灾中.基于此，本研究系统阐述了机器学习在滑坡灾害早期识别、易发性评价及预测预报等方面的具体应用，综述了多种机器学习算法在上述3个领域中运用的优劣，最终对机器学习在滑坡灾害中未来的发展趋势进行了展望.

关键词

滑坡灾害 / 可解释性机器学习 / 滑坡演化 / 知识-数据-机理三驱动 / 智能防灾减灾 / 激光雷达 / 工程地质

Key words

landslide hazard / interpretable machine learning / landslide evolutionary mechanism / knowledge-data-mechanism three-driven / intelligent disaster prevention and mitigation / light detection and ranging (LiDAR) / engineering geology

0 引言

在全球范围内，滑坡灾害因其具有突发性、多发性、群发性等特点，严重威胁人类的生命与财产安全（Guzzetti et al.， 2012； Criss et al., 2020；Merghadi et al.， 2020; Luo et al., 2022; Ni et al., 2023; Xiang et al., 2023）（图1）.其中，我国是世界上滑坡灾害最为频发的国家之一，根据中国地质调查局发布的2010-2020年地质灾害通报统计结果，近11年间全国共发生地质灾害12.9万起，其中滑坡灾害9.2万起，占灾害总量的71.3%，在各类地质灾害中占比最大（图2）.同时，近十年来，全国地质灾害共造成近500亿元的直接经济损失及大量人员伤亡.我国滑坡灾害分布广泛，且受到地形地貌、气候条件、场地条件、人类活动等多因素影响，研究人员已通过多种科学手段进行滑坡防灾减灾工作（殷跃平， 2001；王治华， 2007；许冲等， 2009；Tang et al.， 2019）.早期专家学者们对于滑坡灾害的研究主要集中于地质调查、专家经验及统计算法.然而对于频发的滑坡灾害，尤其是强降雨、库水位升降及地震等极端条件下引发的大规模的滑坡灾害，传统的技术手段和方法已经不能满足减灾防灾的需要（李秀珍和许强， 2003）.随着“3S”技术、大数据、人工智能、数字孪生、物联网及5G通讯技术的创新与发展，新技术能够实现海量多场观测数据的实时传输，从而建立多层次、多层级地质灾害数据库（张凯翔， 2020）.但由于传统的数据处理技术效率低、精度差，同时滑坡地质灾害应用也充满了不确定性，因而需要借助机器学习算法提高处理海量复杂数据时的鲁棒性、高效性及自主学习能力，实现基于地质灾害数据库的深度信息挖掘及高效处理，消除信息的不确定性，以便更好地应用于地质灾害防治中（Chang et al.， 2019）.

机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征、最前沿的研究领域之一（Horvitz and Mulligan， 2015）.随着大数据时代各行业对数据分析需求的持续增加，利用机器学习高效地获取知识，已逐渐成为当今机器学习技术发展的主要推动力（刘汉龙等， 2021）.机器学习自20世纪50年代提出经历了推理期、知识期、学习期，进而在80年代演变为归纳学习和机器学习，在21世纪初期提出的深度学习、强化学习及迁移学习更是将机器学习算法日益融入到社会各个领域，成为当代创新发展的新标志（张茂省等， 2019）.

机器学习在滑坡灾害中的应用推动了灾害防治往智能化的方向发展.目前对于滑坡智能防灾减灾的研究主要分为3个方向，分别是滑坡早期智能识别、滑坡易发性评价及滑坡预测预报（殷跃平， 2001； Wang and Niu， 2010； Dou et al.， 2020a）.滑坡智能识别提供滑坡编录库，滑坡易发性是基于滑坡编录库进行危险性评价找出潜在的靶区，滑坡预测预报是基于靶区进行实时监测预测预警，三者遵循层层递进的逻辑关系，其应用路线如图3所示.

滑坡灾害的早期识别是滑坡灾害调查的主要技术手段，传统目视解译过程中存在工作量大、成本高及识别效率低等问题，利用滑坡的地质特征结合遥感影像的光谱、纹理特征，借助机器学习算法自动化识别滑坡，可有效避免目视解译的主观性，具有高效率及高精度等特点，是目前研究的热点之一（Sato and Harp， 2009； 窦杰等， 2010； 余晓敏等， 2012）.

滑坡易发性是指根据地形条件预测指定区域内滑坡发生的可能性.滑坡易发性评价根据评估多因素诱发滑坡的概率，将研究区划分为不同稳定性等级的区域（Hong et al.， 2019； Sun et al.， 2022b； Zhou et al.， 2022）.滑坡易发性地图在降低风险方面起着重要作用，有助于决策者制定相关对策，以减少滑坡灾害风险（Ayalew et al.， 2005）.机器学习方法在滑坡易发性评价中应用的研究位居2020年地球科学领域Top10热点前沿发展态势榜首.

针对滑坡预测预报的研究，由于传统的滑坡预报参数单一、实时观测及预防困难、预报精度低等局限性，增设全面、智能传感器，采用机器学习算法，能对滑坡灾害预报预测进一步的发展提供有力支撑（Yuan and Moayedi， 2020）.对于机器学习模型的精度验证，在滑坡早期识别及易发性评价方面，常采用受试者工作特征曲线（Receiver Operating Characteristic curve， ROC）、Kappa指数、准确率（Accuracy，Acc）等来验证模型的精度，对于滑坡预测模型，常用均方根误差（Root Mean Square Error， RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error， MAPE）、相对误差（Relative Error， RE）、相关性系数（Correlation Coefficient）等验证模型预测精度.

通过Web of Science数据库，以“滑坡灾害”和“机器学习”为关键词检索已发表的文献，统计前500篇文献，发现常用的机器学习方法包括：逻辑回归（Logistic regression， LR）（Dou et al.， 2020b）、神经网络（Neural Network， NN）（Pradhan and Lee， 2010）、支持向量机（Support Vector Machine， SVM）（Pradhan and Lee， 2010）、决策树（Decision Tree， DT）（Pradhan and Lee， 2010）、随机森林（Random Forest， RF）（Chang et al.， 2019）、贝叶斯（Bayes）（Hu et al.， 2021）等，其中逻辑回归是最为常用的机器学习算法（图4）.基于中国知网与Web of Science数据库，统计2010年之后，以“滑坡灾害”和“机器学习”为关键词检索的文章发现，近11年发表相关文章共749篇，中文153篇，英文596篇.从2015年起，有关机器学习在滑坡灾害中应用的文章开始大量发表，直到现在一直是研究的热点问题（图5）.本文就机器学习在滑坡灾害中应用的3个主要研究方向进行总结概述，调研相关研究的最新科研进展，促进并推广机器学习在滑坡灾害以及地质灾害防灾减灾中的应用.

1 滑坡灾害中的机器学习运用

1.1　机器学习在滑坡早期识别中的应用

1.1.1　滑坡早期识别研究进展

智能防灾减灾体系中，滑坡灾害的早期识别是滑坡灾害风险评估和管理的基础（巨袁臻等， 2020）.纵观国内外滑坡早期识别研究进展（见图6），自20世纪60年代起，研究学者通过野外地质勘察，借助现象分析、经验判断等多种传统技术手段，开展滑坡调查与识别（向贤礼， 2007）；在80年代，随着遥感技术的迅速发展，基于目视解译的航空影像、卫星影像在滑坡早期识别中得到了广泛的应用（王治华， 2005）；在90年代，借助合成孔径雷达（InSAR）技术生成高精度数字高程模型，有助于提升目视解译精度；同时，随着机载激光雷达、无人机（UAV）等多项技术运用于滑坡灾害的识别中，滑坡早期识别精度已逐步提高（杜磊等， 2019）.近年来，研究学者提出基于“天-空-地”的协同监测三查体系、地质灾害隐患判识能力的三形（形态、形变、形迹）技术框架、滑坡探测的系统框架、从多角度、多尺度来开展滑坡的早期识别，达到多手段综合利用及相互补充校验的目的，提高灾害隐患识别能力（葛大庆等， 2019； 许强等， 2019， 2022； 李振洪等， 2022）.佘金星等（2023）综合应用InSAR、机载LiDAR、无人机遥感等探测技术，对九寨沟地质灾害隐患进行识别，通过野外查证，整体识别正确率达到81.91%.Xu et al.（2021）将InSAR和LiDAR技术结合，利用InSAR技术检测到的地表变形特征和LiDAR技术反映的微地貌特征，对丹巴县大面积滑坡进行识别和制图.通过融合多源多时相遥感数据来弥补数据不足的缺陷，但整个识别过程自动化效率较低，容易出现椒盐噪声且滑坡自动化识别精度有待进一步提高.

1.1.2　基于海量遥感数据的滑坡灾害智能解译

目前基于机器学习的滑坡智能解译已成为当前的研究热点（Wang et al.， 2021），其中，获取高精度影像数据需要借助光学遥感、InSAR、LiDAR、UAV等相关技术设备，但面对海量的多源异构遥感影像数据，若采用人工解译方法进行滑坡灾害隐患早期识别，工作量巨大，耗时较长（郭晨等，2021）.目前，遥感图像处理的变化检测以及机器学习方法已可逐渐实现对滑坡灾害隐患的智能化、自动化快速识别（Wang et al.， 2021）.

人工神经网络（Artificial Neural Network，ANN）具有较强的图像、影像学习和分析预测能力，是实现遥感数据智能化自动识别的重要工具.目前，我国西南地区基于已排查出的地质灾害隐患点的影像资料为学习样本，利用神经网络进行学习，分析学习结果并对其他区域滑坡灾害隐患进行自动识别，其识别正确率可达80%左右（Ji et al.， 2020）；Zheng et al.（2021）借助时间序列InSAR监测数据和高精度光学遥感数据，结合研究区17个滑坡影响因素（归一化植被指数、坡度、湿度、降雨量等），借助决策树（DT）、随机森林（RF）、贝叶斯（Bayes）、支持向量机（SVM）4种机器学习算法，通过特征筛选及参数优化，准确地找出了潜在的滑坡点，同时也验证了可以不依赖于人‒机交流，仅借助不同的机器学习方法结合多源滑坡影响因素，实现早期识别滑坡灾害的可行性；Dou et al.（2015）利用面向对象对高分辨率遥感影像特征进行多尺度分割，随后基于遗传算法优化特征因子，克服建立知识规则库繁琐的缺点，提出利用案例推理方法对滑坡进行半自动化的多尺度识别研究工作；Wang et al.（2021）通过收集研究区地形、地质及水文数据建立滑坡数据库，进而利用机器学习开展了历史古老滑坡体和正在发生变形的滑坡体的识别，其中，逻辑回归法（LR）通过筛选研究区预测因子及赋予不同因子对应的参数值，开展正负样本训练，进而得出正样本即滑坡点；支持向量机（SVM）利用70%数据来训练模型，30%数据来验证模型，采用不同核函数分类器训练分类模型，进而识别出滑坡点；随机森林（RF）通过给定样本训练集，采用Bootstrap重采样方法有放回地采集到一定数量样本的点，构成样本训练集，重复不同次数，其次进行随机选择特征，按照滑坡特征选取出滑坡点；最后，通过不同机器学习算法在大屿山岛中的实际应用，借助准确度、精确度、召回率、特异性、假阳性率的分析，对比了不同机器学习方法的识别精度.

目前，国内外专家学者已经对滑坡早期智能解译开展了大量研究，综合遥感技术、大数据云平台及工程化应用处理技术，开展基于机器学习算法识别滑坡灾害隐患，建立高精度智能识别模型，对防灾减灾具有重要实际意义（百晓和张雪妮， 2018）.

1.2　机器学习在滑坡易发性评价中的应用

1.2.1　滑坡易发性评价研究进展

滑坡易发性区划是通过分析影响滑坡的内在因素和外在因素，评价潜在滑坡灾害的空间地理位置分布，区划的核心内容包括滑坡灾害的易发性评价和分级分布等（Guzzetti et al.， 2006; Sun et al., 2020; 郭衍昊等, 2023）（图7）.

早在20世纪80年代，欧美学者借助滑坡地形地质图，开展滑坡易发性区划（Brabb， 1985），自20世纪90年代开始，随着地理信息系统和计算机技术的飞速发展，为快速提取及分析滑坡灾害特征提供了技术条件.此外，各种启发式模型、确定性模型和数学统计模型等方法被运用到滑坡易发性评价中，从而使滑坡易发性研究得到了蓬勃发展（Reichenbach et al.， 2018）.近年来，随着人工智能技术的发展，越来越多的研究开始应用各种机器学习方法来进行滑坡易发性评价.

1.2.2　基于机器学习算法的滑坡易发性评价过程

基于机器学习算法的易发性评价是通过分析数据特征和预测滑坡发生的空间概率来分析过去事件和诱发因素之间的空间关系，其中常用的机器学习算法包括逻辑回归（LR）、支持向量机（SVM）、神经网络（ANN）、决策树（DT）（Guo et al.， 2021）.

逻辑回归（LR）是滑坡易发性评价中最常用的方法，许多研究学者也将逻辑回归作为基本机器学习算法，用来对比其改进机器学习算法的性能（Dou et al.， 2020a）.逻辑回归是一种非线性模型，普遍采用的参数估计方法是最大似然估计法.在随机样本条件下，逻辑回归模型的最大似然估计具有一致性、渐进性和渐进正态性.采用逻辑回归的滑坡易发性评价结果表明该方法具有较高可信度，能够运用于滑坡灾害防治及预测领域.

支持向量机（SVM）是由Vapnik等人发展起来的建立在统计学习理论的VC维理论和结构风险最小原理基础上的一种机器学习方法，能够在样本较少的情况下比较好地解决非线性及高维模式识别问题，被广泛应用于滑坡易发性评价中（Horvitz and Mulligan， 2015）.Dou et al.（2015）提出在滑坡易发性评价中，支持向量机（SVM）比逻辑回归（LR）、线性判别分析以及朴素贝叶斯（NB）具有更好的预测能力（Lantz， 2015）.此外，支持向量机（SVM）能够有效减少噪声数据和过度拟合的影响，这有助于产生优良的分类结果.但在处理大量输入数据时，支持向量机的训练过程耗时较长.此外，由于它是一个黑箱模型，因此分类过程无法解释（Bai et al.， 2008），如何在实际运用中选取适合的核函数以提高性能也是一个主要问题.

神经网络模型是近年来颇受关注的机器学习模型，其不需要提前对数据的分布做出假设就可以产生良好的预测结果.神经网络模型最常用的有反向传播神经网络（BPNN）、人工神经网络（ANN）、卷积神经网络（CNN）等.在滑坡易发性评价方面，神经网络模型比传统的物理模型和统计模型具有更高的精度（李雪平等， 2005； Sameen et al.， 2020）.Chen et al.（2017）将人工神经网络与最大熵增模型以及支持向量机方法进行了比较，指出人工神经网络在性能上超过其他两种方法.周超等（2020）以三峡库区龙驹坝为研究对象，选取了10个评价因子，比较神经网络模型、逻辑回归模型和径向基神经网络和Adaboost集成学习耦合模型 3种模型的精度，分析得到径向基神经网络和Adaboost集成学习耦合模型具有更强的预测能力.此外，若模型中输入的数据量较大，将会导致训练过程非常耗时.一些人工神经网络算法容易陷入局部最优也是一个主要存在的局限性.

决策树（DT）模型由根节点、内部节点和叶子节点构成，叶子节点对应分类结果，其他节点对应分类规则.决策树模型的分类规则是逐节点形成的，根节点根据分类标准，将训练数据集分割为2个子集，其他每个内部节点接收来自上一层的数据集并继续划分为2个子集，直到在叶子节点获得分类结果.从根节点到叶子节点的每条路径都可以构成一个分类规则（刘汉龙等， 2021）.决策树可以快速进行高精度的滑坡易发性评价，且具有比较好的鲁棒性和可解释性，但存在过拟合的现象.

从当前的发展趋势来看，使用机器学习模型已经成为滑坡易发性区划的主流.尽管研究者常常在不同研究区对比不同机器学习模型的优劣，对于小样本来说，随机森林（RF）往往有较好的表现（Merghadi et al.， 2020），但没有一种模型被证明是最优的（Reichenbach et al.， 2018）.因此，研究者通常先确定研究区域，探明滑坡诱发的基础地质背景，然后根据滑坡的历史数据及数据质量，利用多种机器学习模型得出最优结果.

1.3　机器学习在滑坡预测预报中的应用

1.3.1　滑坡多场关联监测体系

滑坡多场关联观测是实现滑坡预测预报的前提.近年来，随着新技术的不断发展与涌现，观测技术已逐渐摆脱人工观测，逐渐趋于自动化、全面化.目前，多场关联观测技术已经包含天（光学卫星与星载InSAR雷达遥感等）、空（无人机、航空影像），地（激光雷达LiDAR、地基SAR等）与深（孔隙压力、地表及地下深部形变位移监测、钻孔倾斜仪分布式光纤监测技术等）等多维立体“天‒空‒地‒深”观测一体化技术，以此开展滑坡地质灾害多场关联观测，结合高精度、自动化的远程观测、高效数据储存及传输技术将是未来滑坡监测的主要研究方向（许强等， 2019， 2022）.

1.3.2　滑坡预测预报研究进展

早在20世纪50年代， Kalman and Bucy（1961）根据滑坡的地表宏观变形迹象等因素对滑坡进行预测（图8）；20世纪60年代，日本学者斋藤迪孝提出了经典的基于应变速率的滑坡时间预测预报确定性模型，并成功应用于日本饭山线高场山滑坡预测（Saito et al.， 1969）；到20世纪80年代，陈明东和王兰生（1988）提出灰色GM（1，1）统计预测模型；到20世纪90年代，开始有学者将现代非线性动力学理论引入到滑坡时间预测中提出非线性预测模型（易顺民等， 1994）.近年来，随着大数据和机器学习的发展，依托历史滑坡灾害基础数据及诱发滑坡灾害的地质环境、水动力等数据资料，这些条件对于探索基于机器学习的滑坡灾害预警模型具有重要的理论意义和实际价值，也为滑坡灾害预测预报提供了新的发展契机（Sun et al.， 2022a）.

1.3.3　基于机器学习的滑坡预测预报过程

现有研究者通过单一的机器学习模型进行滑坡预测，如反向传播神经网络（BPNN）（林鲁生等， 2002； 沈强等， 2006）、径向基神经网络（沈强等， 2006）、支持向量机（SVM）（林大超等， 2011）和极限学习机（ELM）（Cao et al.， 2016）等；此外，学者们结合单一的机器学习模型与其他不同的优化算法提出混合智能算法.由于混合的智能算法融合了不同算法之间的优点，在实际预测当中相较于单一的机器学习模型具有更高的精度.例如，郑志成等（2012）提出了PSO-LSSVM混合模型，该方法结合了粒子群算法（PSO）与最小二乘支持向量机（LSSVM），在实际岩质高边坡应用对比发现混合算法性能优于单一算法；盛建龙和熊绵国（2012）结合灰色模型GM（1，1）和BPNN对实际边坡稳定性进行预测，发现该混合模型预测精度高于单一GM（1，1）和单一BP模型.近年来，基于不同算法之间的排列组合提出的滑坡变形预测模型层出不穷，如基于Boostrap-ELM-ANN的预测模型、基于时间序列分解PSO-SVM的预测模型（张俊等， 2015）、基于长短时记忆神经网络（杨背背等， 2018）与LSSVM预测模型（Wen et al.， 2017）、基于聚类算法与Apriori算法预测模型（Ma et al.， 2017a）与决策树的预测模型等（Ma et al.， 2017b）.

总之，机器学习在滑坡预测预报研究中已取得巨大进展，且上述的预测模型在各自的实际案例中都具有较好的精度.然而，不同滑坡所处的地质条件不尽相同，同时这些模型与滑坡演化的物理力学机制相脱节，导致这些预测模型充满不确定性（唐辉明， 2015）.为了提高滑坡的预报水平，必须要获取高质量的多场关联监测数据，探究滑坡演化力学机制，结合滑坡地质演化过程，提出多场监测数据的深度融合与统一表达方法，构建基于机器学习的滑坡智能预测预报模型.

2 讨论

目前，常用的机器学习方法主要解决回归、聚类和分类三大问题（吕晓玲和宋捷， 2019），而滑坡灾害的早期识别、易发性评价及预测预报符合其主要应用方向.但大量研究表明，机器学习方法也存在着一些局限性，而这也极大影响着基于机器学习的识别、评价及预警精度（王治华， 2007； Merghadi et al.， 2020； 许强， 2020）.

2.1　基于机器学习的滑坡早期识别发展趋势

针对滑坡灾害的早期识别阶段，光学、SAR和激光雷达（LiDAR）等综合卫星遥感影像可检测和识别出具有显著地形地貌和变形特征的滑坡隐患区（韩健楠和孙增慧， 2018）.但是海量遥感影像目视解译需要花费大量的时间和精力，尤其是地震、暴雨等极端工况诱发的滑坡灾害，对灾害识别的时效性要求较高，这种情况下机器学习算法便体现出智能化、快速化的优势（龙玉洁等， 2018）；其次，对于新发生的滑坡灾害，因滑坡区的光谱特性与周围环境有较大差异，基于机器学习方法便可快速检测和识别出新发生的地质灾害区域；对于正在变形的滑坡区，因其光谱和纹理特性与周围环境具有一定的差异，利用机器学习方法也能对其较好地进行自动识别（许强， 2020）.但是对于历史上发生的古老滑坡体，由于绝大多数近期内未变形，其光谱特性与周围环境并无明显差异，在影像上仅能根据滑坡地貌的纹理特性来判识，因此自动识别难度较大（许强， 2020）；然后，由于滑坡影响因素较多，且不同地区地质环境、地形水文、人类活动等因素差别较大、滑坡样本库不足、多源异构海量遥感大数据的特征融合难等问题，导致机器学习模型的适用性较差（张勤等， 2022），因此，如何增加滑坡的正样本对抗数量，提高滑坡识别精度，从而进一步推进滑坡检测工作的智能化、规模化和应用业务化的发展.

2.2　基于机器学习的滑坡易发性评价发展趋势

机器学习算法在滑坡易发性中的应用逐渐提高了易发性评价的精度和准确性.但是，滑坡易发性评价中存在诸多不确定性因素，如数字高程模型的质量、滑坡编录库的表达、致灾影响因子及其空间分辨率的选择、斜坡评价单元的选取、模型训练测试集的比例等（图9），这一系列影响因素都会影响到易发性评价的精度（Chang et al.， 2019； Zhao et al.， 2019； 黄发明等， 2020， 2021）.不同的机器学习算法都有各自的优缺点（表1），目前，众多学者针对不同研究区，借助机器学习开展滑坡易发性评价，揭示了机器学习中存在的局限性，如：逻辑回归（LR）在双变量统计分析中精度不高，并且需要事先对变量分布作出假设（Lantz， 2015）；支持向量机（SVM）对于核函数的选取要求较高，合适的核函数将提高数据处理性能，反之当数据量过大时，将会耗费较长时间（Dou et al.， 2015）；朴素贝叶斯（NB）虽然对于相关变量具有良好的鲁棒性，但是此方法依赖于一种不正确的独立假设，导致评价精度不高.从不同学者的研究结果可以看出，对待不同的情况也要选取合适的模型才能获取高效、准确的评价结果（Merghadi et al.， 2020；Dou et al.， 2019）.

此外，滑坡灾害风险评价是滑坡灾害风险管理的基础和核心环节（Fell et al.， 2005），基于机器学习的滑坡易发性评价获取了滑坡发生的空间概率，结合滑坡发生的时间概率，综合开展滑坡危险性评价；通过易损性评价及承灾体潜在损失计算，最终开展滑坡风险评价，其成果将为滑坡的防灾减灾提供重要的理论依据（Varnes， 1984； Westen et al.， 2006；Reichenbach et al.， 2018）.

2.3　基于机器学习的滑坡预测预报发展趋势

机器学习算法以及所有的数据驱动预测模型都是以过去的观测数据为基础，对未来的变形进行预测，因此对于数据的依赖性较强，但由于长期以来预报参数单一、数据分析算法选取较为困难，极大地影响算法建模的准确性和不确定性，从而导致滑坡灾害预报精度低等显著的缺点（Shirzadi et al.， 2019）.同时，滑坡灾害预测预报主要针对单体大型灾害预报和区域预报，其中，单体滑坡灾害预报前期需要设置大量观测设备，获取多维多尺度观测数据；区域预测预报是基于气象因素的灾害预警，考虑的因素较为单一，主要包括降雨、库水位等水动力因素来建立模型，会造成预警精度过低等问题.其次，基于机器学习算法的预测预报不涉及物理机制，忽略滑坡的内在演化机理，然而滑坡本质上是一个受岩土体条件控制，并受多种诱发因素（如降雨、库水位波动、地震等）影响而发展、演化的非线性耗散动力系统.基于数据驱动的机器学习预测模型难以解释滑坡发生的机理，模型适用性较差，也会影响模型预测精度，因此如何提高机器学习算法的可解释性也是将来重要的研究方向.目前，对于算法可解释性仍然缺乏统一的认识，对其研究处于初级阶段（纪守领等， 2019）.可解释性旨在帮助人们从事前（ante-hoc）和事后（post-hoc）去理解机器学习算法的复杂逻辑及内部的工作机制，主要从滑坡地质灾害的模型和运行结果两个方面开展可解释性研究（图10所示），其中黑盒模型无法估计每个特征对模型预测结果的重要性，更不能理解不同特征之间的相互作用关系，而白盒模型易于理解，具有更好的可解释性，并且内部的工作原理也更容易解释.因此，通过合适的可解释性技术，使得复杂模型具备一定的可解释性，进而融合黑盒模型和白盒模型的优势，提升模型预测精度.

此外，由于机器学习是基于数据驱动寻找内在的隐藏关系，以此来达到滑坡地质灾害预测与自然世界交互的目的，若预测过程中具有较好的机器学习模型，但无法获取较高质量的数据，则同样无法获取较理想的预测结果，虽然随着多场“天-空-地-深”立体观测技术的不断发展与完善（图11），滑坡监测数据呈现多源异构、跨尺度、多模态等数据特性（翟明国等， 2018； 彭建兵等， 2020）以及监测数据量纲不一致、表现形式多样化等特点，但是借助数据融合与挖掘的手段，可建立多源监测数据的统一表达与融合方法（冯夏庭和马平波， 2001； Miranda et al.， 2011； 杨骏堂等， 2020），以此提升滑坡预测预报的准确性.因此，基于目前国内外研究成果（Bai et al.， 2008； Merghadi et al.， 2020），研究更应该关注数据的质量，即高质量的基础数据集>大量数据>算法模型，以期提高机器学习在滑坡地质灾害中的智能防灾减灾中的应用（图12）.

2.4　展望

虽然机器学习已经广泛应用于滑坡防灾的各个阶段，但依然存在一些局限性需要进一步探究.在滑坡早期识别阶段，由于区域内古老滑坡体近期内未变形，其光谱特性与周围环境并无明显差异，在影像上往往根据滑坡地形地貌的纹理特征来判识，其自动识别精度不高；在易发性评价阶段，机器学习擅长预测，其依靠已有的数据驱动找到可概括的预测模式，但对模型结果的可解释性相对较弱；在滑坡预测预警阶段，由于地质环境结构复杂，滑坡多种影响因子间可能存在相关性，或是由于影响因子和控制因子之间往往存在属性差异性与量纲差异性，这种不均衡性会导致重要的评价因子缺失，从而影响灾害预测精度.

人工智能（AI）由第一代的知识驱动，到第二代的数据驱动，随着AI的混合驱动（知识-数据）、区块链、高精度数字孪生、元宇宙等技术进一步发展，深度学习、迁移学习、强化学习、对抗学习将会成为推动滑坡灾害隐患识别向智能化、自动化方向发展的利器.同时，针对地质灾害演化机理与机器学习相互脱节的科学问题，也需要综合地质灾害样本的特征，提出和改进深度学习算法，构建滑坡“知识-数据-机理”三驱动的智能耦合分析方法，通过可解释的机器学习建立数据间的因果逻辑来解释和解决当前复杂条件下滑坡地质灾害的科学难题，期望突破现有方法准确性低、泛化能力不强和数据依赖高的技术瓶颈，为滑坡灾害风险智能识别及科学管控提供有效解决方案.

3 结论

本文从机器学习在滑坡灾害的早期识别、易发性评价及预测预报3个应用领域开展论述研究，基于国内外研究现状，介绍了机器学习算法在滑坡灾害中应用的优势及局限性，对于如何进一步推动机器学习算法在滑坡灾害中的应用，本文有以下认识和建议：

（1）由于滑坡灾害具有高位、隐蔽性强等特点，传统的地质调查、排查等手段费时费力，难以进行大区域排查；利用综合遥感技术目视解译滑坡灾害，结合现场调查具有较高的解译精度，但耗时较长，工作量巨大，且滑坡灾害识别具有较强的主观性，从而导致出现错判和误判；而机器学习具有较强的图像、影像学习和分析能力，对于新发生的滑坡灾害，由于滑坡区的光谱特性与周围环境有较大差异，采用机器学习算法便可快速检测和识别出新发生的滑坡区域；对于正在变形的滑坡区，因其光谱和纹理特性与周围环境具有一定的差异（但没有新发生滑坡显著），利用深度学习算法也能对其进行较好地识别.

（2）基于机器学习的易发性评价显著优于启发式模型和数理统计模型.采用不同机器学习算法的易发性建模过程及其不确定性有所差异，影响易发性评价的因素较多，例如：数字高程模型、影响因子、评价单元、空间分辨率、滑坡样本点、训练及测试集比例等，目前对于上述影响因素的重要程度没有统一的定论，也没有统一的评价准则，且不同机器学习即使在预测精度相差不大的情况下其易发性指数分布特征也会有很大的区别.因此，以上方面还需要进一步的探索.

（3）相比于传统的确定性模型、统计模型等方法，机器学习具有较强的适用性与泛化能力，基于机器学习的滑坡灾害预报预测具有更高的精度，只需要对滑坡的多场监测数据和变形特征影响因子进行建模分析，即可实现较为准确的预测，但是预测模型脱离滑坡演化的物理力学机理，普适性需要进一步提高，且难以从地质结构、岩土体特征、外部荷载和水岩（土）长期物理作用的多场多相多因素角度解释滑坡的演化、破坏，因此如何构建“知识-数据-机理”三驱动的智能耦合分析的方法也是亟需的解决科学技术难题.

（4）机器学习可解释性在滑坡地质灾害处于起步阶段，如何平衡算法的准确性和解释性，重点在于保持算法模型运行的逻辑和理解工作机制，将预测精度的误差减少在最低，保持模型结果准确性与可理解性，建立机器学习与实际结果一致的解释也是滑坡灾害一个非常重要的研究方向.

（5）基于多模态、跨尺度、海量监测数据，提出高质量的基础数据集>大量数据>机器学习算法模型，强调监测数据质量的重要性，此外，滑坡地质灾害是一个动态的发展过程，可能从滑坡灾害演化成泥石流，形成堰塞湖溃决洪水，造成更大的破坏，因此应从单一的灾害研究演变成复合灾害链的动态研究.

参考文献

[1] Ayalew, L., Yamagishi, H., Marui, H., et al., 2005. Landslides in Sado Island of Japan: Part I. Case Studies, Monitoring Techniques and Environmental Considerations. Engineering Geology, 81(4): 419-431. https://doi.org/10.1016/j.enggeo.2005.08.005

[2] Bai, S. B., Wang, J., Lu, G. N., et al., 2008. GIS-Based Landslide Susceptibility Mapping with Comparisons of Results from Machine Learning Methods Process versus Logistic Regression in Bailongjiang River Basin, China. EGU, Vienna.

[3] Bai, X., Zhang, X. N., 2018. Application of Artificial Intelligence in Remote Sensing of Disaster Reduction. City and Disaster Reduction, (6): 82-87 (in Chinese with English abstract).

[4] Brabb, E. E., 1985. Innovative Approaches to Landslide Hazard and Risk Mapping. International Landslide Symposium Proceedings, Toronto.

[5] Cao, Y., Yin, K. L., Alexander, D. E., et al., 2016. Using an Extreme Learning Machine to Predict the Displacement of Step-Like Landslides in Relation to Controlling Factors. Landslides, 13(4): 725-736. https://doi.org/10.1007/s10346-015-0596-z

[6] Chang, K. T., Merghadi, A., Yunus, A. P., et al., 2019. Evaluating Scale Effects of Topographic Variables in Landslide Susceptibility Models Using GIS-Based Machine Learning Techniques. Scientific Reports, 9(1): 12296. https://doi.org/10.1038/s41598-019-48773-2

[7] Chen, M. D., Wang, L. S., 1988. Grey Prediction Method of Slope Deformation and Failure. National Engineering Geology Conference, Chengdu (in Chinese).

[8] Chen, W., Pourghasemi, H. R., Kornejady, A., et al., 2017. Landslide Spatial Modeling: Introducing New Ensembles of ANN, MaxEnt, and SVM Machine Learning Techniques. Geoderma, 305: 314-327. https://doi.org/10.1016/j.geoderma.2017.06.020

[9] Criss, R.E., Yao, W.M., Li, C.D., et al., 2020. A Predictive, Two-Parameter Model for the Movement of Reservoir Landslides. Journal of Earth Science, 31(6): 1051.

[10] Dou, J., Chang, K. T., Chen, S. S., et al., 2015. Automatic Case-Based Reasoning Approach for Landslide Detection: Integration of Object-Oriented Image Analysis and a Genetic Algorithm. Remote Sensing, 7(4): 4318-4342. https://doi.org/10.3390/rs70404318

[11] Dou, J., Qian, J. P., Chen, S. S., et al., 2010. Object-Based and Case-Based Reasoning Method for Ground Collapses Detection. Journal of Image and Graphics, 15(6): 900-909 (in Chinese with English abstract).

[12] Dou, J., Yunus, A. P., Bui, D. T., et al., 2020a. Improved Landslide Assessment Using Support Vector Machine with Bagging, Boosting, and Stacking Ensemble Machine Learning Framework in a Mountainous Watershed, Japan. Landslides, 17(3): 641-658. https://doi.org/10.1007/s10346-019-01286-5

[13] Dou, J., Yunus, A. P., Merghadi, A., et al., 2020b. Different Sampling Strategies for Predicting Landslide Susceptibilities are Deemed Less Consequential with Deep Learning. Science of the Total Environment, 720: 137320. https://doi.org/10.1016/j.scitotenv.2020.137320

[14] Dou, J., Yunus, A. P., Tien Bui, D., et al., 2019. Assessment of Advanced Random Forest and Decision Tree Algorithms for Modeling Rainfall-Induced Landslide Susceptibility in the Izu-Oshima Volcanic Island, Japan. Science of the Total Environment, 662: 332-346. https://doi.org/10.1016/j.scitotenv.2019.01.221

[15] Du, L., Chen, J., Li, M.M., et al., 2019. The Application of Airborne LiDAR Technology to Landslide Survey: A Case Study of Zhangjiawan Village Landslides in Three Gorges Reservoir Area. Remote Sensing for Land ＆ Resources, 31(1): 180-186 (in Chinese with English abstract).

[16] Fell, R., Ho, K., Lacasse, S., et al., 2005. State of the Art Paper 1-A Framework for Landslide Risk Assessment and Management. Proceedings of the International Conference on Landslide Risk Management. Vancouver.

[17] Feng, X. T., Ma, P. B., 2001. Identifying Stability of Underground Openings Based on Data Mining. Chinese Journal of Rock Mechanics and Engineering, 20(3): 306-309 (in Chinese with English abstract).

[18] Ge, D. Q., Dai, K. R., Guo, Z. C., et al., 2019. Early Identification of Serious Geological Hazards with Integrated Remote Sensing Technologies: Thoughts and Recommendations. Geomatics and Information Science of Wuhan University, 44(7): 949-956 (in Chinese with English abstract).

[19] Guo, C., Xu, Q., Dong, X. J., et al., 2021. Geohazard Recognition by Airborne LiDAR Technology in Complex Mountain Areas. Geomatics and Information Science of Wuhan University, 46(10): 1538-1547 (in Chinese with English abstract).

[20] Guo, Y.H., Dou, J., Xiang, Z.L., et al., 2023. Optimized Negative Sampling Strategy of Gradient Boosting Decision Tree and Random Forest for Evaluating Wenchuan Coseismic Landslides Susceptibility Mapping. Bulletin of Geological Science and Technology (in Chinese with English abstract).

[21] Guo, Z. Z., Shi, Y., Huang, F. M., et al., 2021. Landslide Susceptibility Zonation Method Based on C5.0 Decision Tree and K-Means Cluster Algorithms to Improve the Efficiency of Risk Management. Geoscience Frontiers, 12(6): 101249. https://doi.org/10.1016/j.gsf.2021.101249

[22] Guzzetti, F., Galli, M., Reichenbach, P., et al., 2006. Landslide Hazard Assessment in the Collazzone Area, Umbria, Central Italy. Natural Hazards and Earth System Sciences, 6(1): 115-131. https://doi.org/10.5194/nhess-6-115-2006

[23] Guzzetti, F., Mondini, A. C., Cardinali, M., et al., 2012. Landslide Inventory Maps: New Tools for an Old Problem. Earth-Science Reviews, 112(1-2): 42-66. https://doi.org/10.1016/j.earscirev.2012.02.001

[24] Han, J. N., Sun, Z. H., 2018. Application of Satellite Remote Sensing in Landslide Recognition. Resource Conservation and Environmental Protection, (11): 117 (in Chinese with English abstract).

[25] Hong, H. Y., Miao, Y. M., Liu, J. Z., et al., 2019. Exploring the Effects of the Design and Quantity of Absence Data on the Performance of Random Forest-Based Landslide Susceptibility Mapping. CATENA, 176: 45-64. https://doi.org/10.1016/j.catena.2018.12.035

[26] Horvitz, E., Mulligan, D., 2015. Data, Privacy, and the Greater Good. Science, 349(6245): 253-255. https://doi.org/10.1126/science.aac4520

[27] Hu, X. D., Huang, C., Mei, H. B., et al., 2021. Landslide Susceptibility Mapping Using an Ensemble Model of Bagging Scheme and Random Subspace-Based Naïve Bayes Tree in Zigui County of the Three Gorges Reservoir Area, China. Bulletin of Engineering Geology and the Environment, 80(7): 5315-5329. https://doi.org/10.1007/s10064-021-02275-6

[28] Huang, F. M., Chen, J. W., Tang, Z. P., et al., 2021. Uncertainties of Landslide Susceptibility Prediction Due to Different Spatial Resolutions and Different Proportions of Training and Testing Datasets. Chinese Journal of Rock Mechanics and Engineering, 40(6): 1155-1169 (in Chinese with English abstract).

[29] Huang, F. M., Ye, Z., Yao, C., et al., 2020. Uncertainties of Landslide Susceptibility Prediction: Different Attribute Interval Divisions of Environmental Factors and Different Data-Based Models. Earth Science, 45(12): 4535-4549 (in Chinese with English abstract).

[30] Ji, S. L., Li, J. F., Du, T. Y., et al., 2019. Survey on Techniques, Applications and Security of Machine Learning Interpretability. Journal of Computer Research and Development, 56(10): 2071-2096 (in Chinese with English abstract).

[31] Ji, S. P., Yu, D. W., Shen, C. Y., et al., 2020. Landslide Detection from an Open Satellite Imagery and Digital Elevation Model Dataset Using Attention Boosted Convolutional Neural Networks. Landslides, 17(6): 1337-1352. https://doi.org/10.1007/s10346-020-01353-2

[32] Ju, Y. Z., Xu, Q., Jin, S. C., et al., 2020. Automatic Object Detection of Loess Landslide Based on Deep Learning. Geomatics and Information Science of Wuhan University, 45(11): 1747-1755 (in Chinese with English abstract).

[33] Kalman, R. E., Bucy, R. S., 1961. New Results in Linear Filtering and Prediction Theory. Journal of Basic Engineering, 83(3): 95-108. https://doi.org/10.1115/1.3658902

[34] Kirschbaum, D., Stanley, T., Zhou, Y., 2015. Spatial and Temporal Analysis of a Global Landslide Catalog. Geomorphology, 249: 4-15. https://doi.org/10.1016/j.geomorph.2015.03.016

[35] Lantz, B., 2015. Machine Learning with R. Packt Publishing, Birmingham.

[36] Li, X. P., Tang, H. M., Zhou, S. P., 2005. Logistic Regression Analysis on Sensitivity of Regional Landslide Factors. Journal of Earth Science and Enivronmental, 27(4): 14-18 (in Chinese with English abstract).

[37] Li, X. Z., Xu, Q., 2003. Models and Criteria of Landslide Prediction. Journal of Catastrophology, 18(4): 71-78 (in Chinese with English abstract).

[38] Li, Z. H., Zhang, C. L., Chen, B., et al., 2022. A Technical Framework of Landslide Prevention Based on Multi-Source Remote Sensing and Its Engineering Application. Earth Science, 47(6): 1901-1916 (in Chinese with English abstract).

[39] Lin, D. C., An, F. P., Guo, Z. L., et al., 2011. Prediction of Landslide Displacements through Multimode Support Vector Machine Model. Rock and Soil Mechanics, 32(S1): 451-458 (in Chinese with English abstract).

[40] Lin, L.S., Feng, X.T., Bai, S.W., et al., 2002. Application of Artificial Neural Network to Prediction of Sliding Slope. Rock and Soil Mechanics, 23(4): 508-510 (in Chinese with English abstract).

[41] Liu, H. L., Ma, Y. B., Zhang, W. G., 2021. Application of Big Data Techniques in Geological Disaster Analysis and Prevention: A Systematic Review. Journal of Disaster Prevention and Mitigation Engineering, 41(4): 710-722 (in Chinese with English abstract).

[42] Long, Y. J., Li, W. L., Huang, R. Q., et al., 2020. Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years after Wenchuan Earthquake. Geomatics and Information Science of Wuhan University, 45(11): 1792-1800 (in Chinese with English abstract).

[43] Luo, W., Dou, J., Fu, Y., et al., 2022. A Novel Hybrid LMD–ETS–TCN Approach for Predicting Landslide Displacement Based on GPS Time Series Analysis. Remote Sensing, 15:229. https://doi.org/10.3390/rs15010229

[44] Lü, X. L., Song, J., 2019. Big Data Mining and Statistical Machine Learning. China Renmin University Press, Beijing (in Chinese).

[45] Ma, J. W., Tang, H. M., Hu, X. L., et al., 2017a. Identification of Causal Factors for the Majiagou Landslide Using Modern Data Mining Methods. Landslides, 14(1): 311-322. https://doi.org/10.1007/s10346-016-0693-7

[46] Ma, J. W., Tang, H. M., Liu, X., et al., 2017b. Establishment of a Deformation Forecasting Model for a Step-Like Landslide Based on Decision Tree C5.0 and Two-Step Cluster Algorithms: A Case Study in the Three Gorges Reservoir Area, China. Landslides, 14(3): 1275-1281. https://doi.org/10.1007/s10346-017-0804-0

[47] Merghadi, A., Yunus, A. P., Dou, J., et al., 2020. Machine Learning Methods for Landslide Susceptibility Studies: A Comparative Overview of Algorithm Performance. Earth-Science Reviews, 207: 103225. https://doi.org/10.1016/j.earscirev.2020.103225

[48] Miranda, T., Correia, A. G., Santos, M., et al., 2011. New Models for Strength and Deformability Parameter Calculation in Rock Masses Using Data-Mining Techniques. International Journal of Geomechanics, 11(1): 44-58. https://doi.org/10.1061/(asce)gm.1943-5622.0000071

[49] Ni, W., Zhao, L., Zhang, L., et al., 2023. Coupling Progressive Deep Learning with the AdaBoost Framework for Landslide Displacement Rate Prediction in the Baihetan Dam Reservoir, China. Remote Sensing, 15: 2296. https://doi.org/10.3390/rs15092296

[50] Peng, J. B., Lan, H. X., Qian, H., et al., 2020. Scientific Research Framework of Livable Yellow River. Journal of Engineering Geology, 28(2): 189–201 (in Chinese with English abstract).

[51] Pradhan, B., Lee, S., 2010. Landslide Susceptibility Assessment and Factor Effect Analysis: Backpropagation Artificial Neural Networks and Their Comparison with Frequency Ratio and Bivariate Logistic Regression Modelling. Environmental Modelling & Software, 25(6): 747-759. https://doi.org/10.1016/j.envsoft.2009.10.016

[52] Reichenbach, P., Rossi, M., Malamud, B. D., et al., 2018. A Review of Statistically-Based Landslide Susceptibility Models. Earth-Science Reviews, 180: 60-91. https://doi.org/10.1016/j.earscirev.2018.03.001

[53] Saito, M., 1969. Research on Forecasting the Time of Occurrence of Slope Failure. Proceedings of the 6th International Conference on Soil Mechanics and Foundation Engineering, Montreal.

[54] Sameen, M. I., Pradhan, B., Lee, S., 2020. Application of Convolutional Neural Networks Featuring Bayesian Optimization for Landslide Susceptibility Assessment. CATENA, 186: 104249. https://doi.org/10.1016/j.catena.2019.104249

[55] Sato, H. P., Harp, E. L., 2009. Interpretation of Earthquake-Induced Landslides Triggered by the 12 May 2008, M7.9 Wenchuan Earthquake in the Beichuan Area, Sichuan Province, China Using Satellite Imagery and Google Earth. Landslides, 6(2): 153-159. https://doi.org/10.1007/s10346-009-0147-6

[56] She, J. X., Xu, Q., Yang, W. N., et al., 2023. Early Identification and Analysis of Hidden Dangers of Jiuzhaigou Earthquake Geological Disasters. Journal of Engineering Geology, 31(1): 207-216 (in Chinese with English abstract). https://doi.org/10.13544/j.cnki.jeg.2020-515.

[57] Shen, Q., Chen, C. X., Wang, R., 2006. Method to Forecast Displacement of Slope Based on RBF Neural Network. Chinese Journal of Rock Mechanics and Engineering, 25(S1): 2882-2887 (in Chinese with English abstract).

[58] Sheng, J. L., Xiong, M. G., 2012. Slope Stability Forecasting Method Based on Grey and BP Neutral Network Combined Model. Nonferrous Metals (Mining Section), 64(4): 71-73, 82 (in Chinese with English abstract).

[59] Shirzadi, A., Solaimani, K., Roshan, M. H., et al., 2019. Uncertainties of Prediction Accuracy in Shallow Landslide Modeling: Sample Size and Raster Resolution. CATENA, 178: 172-188. https://doi.org/10.1016/j.catena.2019.03.017

[60] Sun, D. L., Gu, Q. Y., Wen, H. J., et al., 2022a. A Hybrid Landslide Warning Model Coupling Susceptibility Zoning and Precipitation. Forests, 13(6): 827. https://doi.org/10.3390/f13060827

[61] Sun, D. L., Gu, Q. Y., Wen, H. J., et al., 2022b. Assessment of Landslide Susceptibility along Mountain Highways Based on Different Machine Learning Algorithms and Mapping Units by Hybrid Factors Screening and Sample Optimization. Gondwana Research, https://doi.org/10.1016/j.gr.2022.07.013

[62] Sun, D.L., Xu, J.H., Wen, H.J., et al., 2020. An Optimized Random Forest Model and Its Generalization Ability in Landslide Susceptibility Mapping: Application in Two Areas of Three Gorges Reservoir, China. Journal of Earth Science, 31(6):1068-1086. https://doi.org/10.1007/s12583-020-1072-9

[63] Tang, H. M., 2015. Engineering Geology Research on Prediction and Prevention of Geological Disasters on Slopes. Science Press, Beijing (in Chinese).

[64] Tang, H. M., Wasowski, J., Juang, C. H., 2019. Geohazards in the Three Gorges Reservoir Area, China-Lessons Learned from Decades of Research. Engineering Geology, 261: 105267. https://doi.org/10.1016/j.enggeo.2019.105267

[65] Varnes, D. J., 1984. Landslide Hazard Zonation: A Review of Principles and Practice. UNESCO, Paris.

[66] Wang, H. J., Zhang, L. M., Yin, K. S., et al., 2021. Landslide Identification Using Machine Learning. Geoscience Frontiers, 12(1): 351-364. https://doi.org/10.1016/j.gsf.2020.02.012

[67] Wang, X. M., Niu, R. Q., 2010. Landslide Intelligent Prediction Using Object-Oriented Method. Soil Dynamics and Earthquake Engineering, 30(12): 1478-1486. https://doi.org/10.1016/j.soildyn.2010.06.017

[68] Wang, Z. H., 2005. Remote Sensing for Landslides in China. Remote Sensing for Land ＆ Resources, 17(1): 1-7 (in Chinese with English abstract).

[69] Wang, Z. H., 2007. Remote Sensing for Landslide Survey, Monitoring and Evaluation. Remote Sensing for Land ＆ Resources, 19(1): 10-15 (in Chinese with English abstract).

[70] Wen, T., Tang, H. M., Wang, Y. K., et al., 2017. Landslide Displacement Prediction Using the GA-LSSVM Model and Time Series Analysis: A Case Study of Three Gorges Reservoir, China. Natural Hazards and Earth System Sciences, 17(12): 2181-2198. https://doi.org/10.5194/nhess-17-2181-2017

[71] Westen, C. J., Asch, T. W. J., Soeters, R., 2006. Landslide Hazard and Risk Zonation—Why is It Still So Difficult? Bulletin of Engineering Geology and the Environment, 65(2): 167-184. https://doi.org/10.1007/s10064-005-0023-0

[72] Xiang, X. L., 2007. Discussion on Several Problems of Landslide Survey. West-China Exploration Engineering, 19(7): 4-6 (in Chinese with English abstract).

[73] Xiang, Z., Dou, J., Yunus, A.P., et al., 2023. Vegetation-Landslide Nexus and Topographic Changes Post the 2004 Mw 6.6 Chuetsu Earthquake. CATENA, 223:106946. https://doi.org/10.1016/j.catena.2023.106946

[74] Xu, C., Dai, F. C., Yao, X., et al., 2009. GIS-Based Landslide Susceptibility Assessment Using Analytical Hierarchy Process in Wenchuan Earthquake Region. Chinese Journal of Rock Mechanics and Engineering, 28(S2): 3978-3985 (in Chinese with English abstract).

[75] Xu, Q., 2020. Understanding and Consideration of Related Issues in Early Identification of Potential Geohazards. Geomatics and Information Science of Wuhan University, 45(11): 1651-1659 (in Chinese with English abstract).

[76] Xu, Q., Dong, X. J., Li, W. L., 2019. Integrated Space-Air-Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards. Geomatics and Information Science of Wuhan University, 44(7): 957-966 (in Chinese with English abstract).

[77] Xu, Q., Guo, C., Dong, X. J., et al., 2021. Mapping and Characterizing Displacements of Landslides with InSAR and Airborne LiDAR Technologies: A Case Study of Danba County, Southwest China. Remote Sensing, 13(21): 4234. https://doi.org/10.3390/rs13214234

[78] Xu, Q., Zhu, X., Li, W. L., et al., 2022. Technical Progress of Space-Air-Ground Collaborative Monitoring of Landslide. Acta Geodaetica et Cartographica Sinica, 51(7): 1416-1436 (in Chinese with English abstract).

[79] Yang, B. B., Yin, K. L., Du, J., 2018. A Model for Predicting Landslide Displacement Based on Time Series and Long and Short Term Memory Neural Network. Chinese Journal of Rock Mechanics and Engineering, 37(10): 2334-2343 (in Chinese with English abstract).

[80] Yang, J. T., Liu, Y. X., Zheng, Y. R., et al., 2020. Deep Mining of Big Data and Model Tests on Dilatancy Characteristics of Dilatant Soils. Chinese Journal of Geotechnical Engineering, 42(3): 513-522 (in Chinese with English abstract).

[81] Yi, S. M., Tang, H. M., Long, Y., 1994. A Preliminary Research of Engineering Classification of Rock Masses Based on Fractal Theory. Geological Science and Technology Information, 13(1):101-106 (in Chinese with English abstract).

[82] Yin, Y. P., 2001. A Review and Vision of Geological Hazards in China. Management Geological Science and Technology, 18(3): 26-29 (in Chinese with English abstract).

[83] Yu, X. M., Zhan, F. B., Liao, M. S., et al., 2012. Object-Oriented Feature Selection Algorithms Based on Improved SEaTH Algorithms. Geomatics and Information Science of Wuhan University, 37(8): 921-924 (in Chinese with English abstract).

[84] Yuan, C., Moayedi, H., 2020. Evaluation and Comparison of the Advanced Metaheuristic and Conventional Machine Learning Methods for the Prediction of Landslide Occurrence. Engineering with Computers, 36(4): 1801-1811. https://doi.org/10.1007/s00366-019-00798-x

[85] Zhai, M. G., Yang, S. F., Chen, N. H., et al., 2018. Big Data Epoch: Challenges and Opportunities for Geology. Bulletin of Chinese Academy of Sciences, 33(8): 825-831 (in Chinese with English abstract).

[86] Zhang, J., Yin, K. L., Wang, J. J., et al., 2015. Displacement Prediction of Baishuihe Landslide Based on Time Series and PSO-SVR Model. Chinese Journal of Rock Mechanics and Engineering, 34(2): 382-391 (in Chinese with English abstract).

[87] Zhang, K. X., 2020. Review on Geological Disaster Monitoring and Early Warning System Based on “3S” Technology in China. The Chinese Journal of Geological Hazard and Control, 31(6): 1-11 (in Chinese with English abstract).

[88] Zhang, M. S., Jia, J., Wang, Y., et al., 2019. Construction of Geological Disaster Prevention and Control System Based on AI. Northwestern Geology, 52(2): 103-116 (in Chinese with English abstract).

[89] Zhang, Q., Zhao, C. Y., Chen, X. R., 2022. Technical Progress and Development Trend of Geological Hazards Early Identification with Multi-Source Remote Sensing. Acta Geodaetica et Cartographica Sinica, 51(6): 885-896 (in Chinese with English abstract).

[90] Zhao, Y., Wang, R., Jiang, Y. J., et al., 2019. GIS-Based Logistic Regression for Rainfall-Induced Landslide Susceptibility Mapping under Different Grid Sizes in Yueqing, Southeastern China. Engineering Geology, 259: 105147. https://doi.org/10.1016/j.enggeo.2019.105147

[91] Zheng, X. X., He, G. J., Wang, S. S., et al., 2021. Comparison of Machine Learning Methods for Potential Active Landslide Hazards Identification with Multi-Source Data. ISPRS International Journal of Geo-Information, 10(4): 253. https://doi.org/10.3390/ijgi10040253

[92] Zheng, Z. C., Xu, W. Y., Xu, F., et al., 2012. Forecasting of Slope Displacement Based on PSO-LSSVM with Mixed Kernel. Rock and Soil Mechanics, 33(5): 1421-1426 (in Chinese with English abstract).

[93] Zhou, C., Yin, K.L., Cao, Y., et al., 2020. Landslide Susceptibility Assessment by Applying the Coupling Method of Radial Basis Neural Network and Adaboost: A Case Study from the Three Gorges Reservoir Area. Earth Science, 45(6): 1865-1876 (in Chinese with English abstract).

[94] Zhou, X. Z., Wen, H. J., Li, Z. W., et al., 2022. An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost. Geocarto International, 1-32. https://doi.org/10.1080/10106049.2022.2076928

[95] 百晓, 张雪妮, 2018. 人工智能在减灾遥感中的应用. 城市与减灾, (6): 82-87.

[96] 陈明东, 王兰生, 1988. 边坡变形破坏的灰色预报方法. 成都：全国工程地质大会.

[97] 窦杰, 钱峻屏, 陈水森, 等, 2010. 基于对象的遥感案例推理方法检测岩溶地面塌陷. 中国图象图形学报, 15(6): 900-909.

[98] 杜磊, 陈洁, 李敏敏, 等, 2019. 机载激光雷达技术在滑坡调查中的应用: 以三峡库区张家湾滑坡为例. 国土资源遥感, 31(1): 180-186.

[99] 冯夏庭, 马平波, 2001. 基于数据挖掘的地下硐室围岩稳定性判别. 岩石力学与工程学报, 20(3): 306-309.

[100] 葛大庆, 戴可人, 郭兆成, 等, 2019. 重大地质灾害隐患早期识别中综合遥感应用的思考与建议. 武汉大学学报(信息科学版), 44(7): 949-956.

[101] 郭晨, 许强, 董秀军, 等, 2021. 复杂山区地质灾害机载激光雷达识别研究. 武汉大学学报(信息科学版), 46(10): 1538-1547.

[102] 郭衍昊，窦杰，向子林，等，2023. 基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价．地质科技通报.

[103] 韩健楠, 孙增慧, 2018. 卫星遥感在滑坡识别中的应用. 资源节约与环保, (11): 117.

[104] 黄发明, 陈佳武, 唐志鹏, 等, 2021. 不同空间分辨率和训练测试集比例下的滑坡易发性预测不确定性. 岩石力学与工程学报, 40(6): 1155-1169.

[105] 黄发明, 叶舟, 姚池, 等, 2020. 滑坡易发性预测不确定性：环境因子不同属性区间划分和不同数据驱动模型的影响. 地球科学, 45(12): 4535-4549.

[106] 纪守领, 李进锋, 杜天宇, 等, 2019. 机器学习模型可解释性方法、应用与安全研究综述. 计算机研究与发展, 56(10): 2071-2096.

[107] 巨袁臻, 许强, 金时超, 等, 2020. 使用深度学习方法实现黄土滑坡自动识别. 武汉大学学报(信息科学版), 45(11): 1747-1755.

[108] 李雪平, 唐辉明, 周顺平, 2005. 区域滑坡因子敏感性的Logistic回归分析. 地球科学与环境学报, 27(4): 14-18.

[109] 李秀珍, 许强, 2003. 滑坡预报模型和预报判据. 灾害学, 18(4): 71-78.

[110] 李振洪, 张成龙, 陈博, 等, 2022. 一种基于多源遥感的滑坡防灾技术框架及其工程应用. 地球科学, 47(6): 1901-1916.

[111] 林大超, 安凤平, 郭章林, 等, 2011. 滑坡位移的多模态支持向量机模型预测. 岩土力学, 32(S1): 451-458.

[112] 林鲁生, 冯夏庭, 白世伟, 等, 2002. 人工神经网络在边坡滑移预测中的应用. 岩土力学, 23(4): 508-510.

[113] 刘汉龙, 马彦彬, 仉文岗, 2021. 大数据技术在地质灾害防治中的应用综述. 防灾减灾工程学报, 41(4): 710-722.

[114] 龙玉洁, 李为乐, 黄润秋, 等, 2020. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析. 武汉大学学报(信息科学版), 45(11): 1792-1800.

[115] 吕晓玲,宋捷, 2019. 大数据挖掘与统计机器学习. 北京: 中国人民大学出版社.

[116] 彭建兵, 兰恒星, 钱会, 等, 2020. 宜居黄河科学构想. 工程地质学报, 28(2): 189-201.

[117] 佘金星,许强,杨武年,等, 2023. 九寨沟地震地质灾害隐患早期识别与分析研究.工程地质学报, 31(1):207-216.

[118] 沈强, 陈从新, 汪稔, 2006. 边坡位移预测的RBF神经网络方法. 岩石力学与工程学报, 25(S1): 2882-2887.

[119] 盛建龙, 熊绵国, 2012. 基于灰色-BP神经网络组合模型的边坡稳定性预报方法. 有色金属(矿山部分), 64(4): 71-73, 82.

[120] 唐辉明, 2015. 斜坡地质灾害预测与防治的工程地质研究. 北京: 科学出版社.

[121] 王治华, 2005. 中国滑坡遥感. 国土资源遥感, 17(1): 1-7.

[122] 王治华, 2007. 滑坡遥感调查、监测与评估. 国土资源遥感, 19(1): 10-15.

[123] 向贤礼, 2007. 关于滑坡勘察的几个问题的探讨. 西部探矿工程, 19(7): 4-6.

[124] 许冲, 戴福初, 姚鑫, 等, 2009. GIS支持下基于层次分析法的汶川地震区滑坡易发性评价. 岩石力学与工程学报, 28(S2): 3978-3985.

[125] 许强, 2020. 对地质灾害隐患早期识别相关问题的认识与思考. 武汉大学学报(信息科学版), 45(11): 1651-1659.

[126] 许强, 董秀军, 李为乐, 2019. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警. 武汉大学学报(信息科学版), 44(7): 957-966.

[127] 许强, 朱星, 李为乐, 等, 2022. “天-空-地”协同滑坡监测技术进展. 测绘学报, 51(7): 1416-1436.

[128] 杨背背, 殷坤龙, 杜娟, 2018. 基于时间序列与长短时记忆网络的滑坡位移动态预测模型. 岩石力学与工程学报, 37(10): 2334-2343.

[129] 杨骏堂, 刘元雪, 郑颖人, 等, 2020. 剪胀型土剪胀特性的大数据深度挖掘与模型研究. 岩土工程学报, 42(3): 513-522.

[130] 易顺民，唐辉明，龙昱, 1994. 基于分形理论的岩体工程分类初探. 地质科技情报, 13(1): 101-106.

[131] 殷跃平, 2001. 中国地质灾害减灾回顾与展望: 从国际减灾十年到国际减灾战略. 国土资源科技管理, 18(3): 26-29.

[132] 余晓敏, 湛飞并, 廖明生, 等, 2012. 利用改进SEaTH算法的面向对象分类特征选择方法. 武汉大学学报·信息科学版, 37(8): 921-924.

[133] 翟明国, 杨树锋, 陈宁华, 等, 2018. 大数据时代: 地质学的挑战与机遇. 中国科学院院刊, 33(8): 825-831.

[134] 张俊, 殷坤龙, 王佳佳, 等, 2015. 基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究. 岩石力学与工程学报, 34(2): 382-391.

[135] 张凯翔, 2020. 基于“3S”技术的地质灾害监测预警系统在我国应用现状. 中国地质灾害与防治学报, 31(6): 1-11.

[136] 张茂省, 贾俊, 王毅, 等, 2019. 基于人工智能(AI)的地质灾害防控体系建设. 西北地质, 52(2): 103-116.

[137] 张勤, 赵超英, 陈雪蓉, 2022. 多源遥感地质灾害早期识别技术进展与发展趋势. 测绘学报, 51(6): 885-896.

[138] 郑志成, 徐卫亚, 徐飞, 等, 2012. 基于混合核函数PSO-LSSVM的边坡变形预测. 岩土力学, 33(5): 1421-1426.

[139] 周超, 殷坤龙, 曹颖, 等, 2020. 基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价. 地球科学, 45(6): 1865-1876.

基金资助

国家自然科学基金重大项目课题(42090054)

四川大学水力学与山区河流开发保护国家重点实验室基金资助项目(SKHL1903;SKHL2003)

湖北省创新群体项目(2022CFA002)