基于样本优化与深度特征提取的滑坡易发性评价

摘要

[目的]探究滑坡易发性评价中准确的非滑坡样本采样方法和特征提取优异的评价模型，为区域滑坡防控工作提供理论支持和科学指导。[方法]在缓冲区采样策略的基础上提出了一种基于卷积自编码器（convolutional auto-encoder, CAE）的非滑坡样本优化方法。该方法通过学习滑坡样本的特征，利用重构误差筛选和优化非滑坡样本。在评价模型方面，引入卷积注意力模块（convolutional block attention module, CBAM）到残差网络（ResNet）中，构建ResNet-CBAM滑坡易发性评价模型，以捕捉更深层次、更复杂且更具代表性的特征。试验以三峡库区重庆市万州区为研究区域，选取高程等12个影响因子，采用SVM,DNN,CNN和ResNet-CBAM 4种模型，对缓冲区采样和基于CAE优化采样的评价精度和结果进行对比分析。[结果]在相同评价模型下，基于CAE优化的非滑坡样本采样策略具有更高的可靠性与准确性；在相同采样策略下，ResNet-CBAM模型在准确率、精确率、召回率、F₁分数和AUC等指标上均优于其他模型；各模型的评价结果具有相似性，高易发区和极高易发区主要分布在长江沿岸等植被覆盖度低、人类活动频繁的区域，使用了基于CAE优化采样的ResNet-CBAM模型表现出更优的预测效果，更适宜于该区域的滑坡易发性评价研究。[结论]万州区滑坡易发性指数较高，区域内存在大量潜在滑坡风险区。基于CAE优化的非滑坡样本采样策略和ResNet-CBAM评价模型能有效提高滑坡易发性评价的精度。

关键词

滑坡易发性评价 / 非滑坡样本 / 卷积自编码器 / 残差网络 / 卷积注意力模块