考虑空间异质性的降雨滑坡易发性预测研究

摘要

现有滑坡易发性预测方法未能充分考虑地形、土壤和植被等环境因素的空间异质性，也无法准确反映极端降雨对滑坡易发性的影响。为了克服这些限制，引入了一种结合深度嵌入聚类（DEC）的动态雨量阈值分区方法，通过深度学习技术，根据环境因素将研究区域划分为具有相似特征的子区域，实现了滑坡预测模型的精细化空间异质性分析；在此基础上，提出基于混合分布的动态雨量阈值模型以区分非极端降雨与极端降雨，并采用贝叶斯方法动态更新模型参数，提高了模型对不同降雨类型的适应性和预测的时效性。以通江县为案例，采用多任务学习自适应神经树模型（MLANT），结合深度嵌入DEC模型与混合分布阈值模型，对滑坡易发性进行预测。结果表明，本文方法在精确度、F1分数及受试者工作特征曲线下面积AUC值等关键性能指标上显著优于传统依赖统一阈值的模型。特别是与传统的基于前期有效降雨量方法相比，预测效果提升显著，预测滑坡密度和数量由0.038事件/km²和44个滑坡事件提升至0.044事件/km²和59个滑坡事件，充分证实了在滑坡易发性预测中使用深度嵌入聚类（DEC）的动态雨量阈值分区考虑空间异质性和区分不同降雨事件的重要性和有效性。

关键词

滑坡易发性 / 深度嵌入聚类(DEC) / 空间异质性 / 混合分布降雨阈值 / 多任务学习自适应神经树模型