CGBOOST深度学习滑坡易发性预测新算法

CGBOOST深度学习滑坡易发性预测新算法 准确预测大地震后不久的滑坡易发性，对72 h“黄金窗口”的应急救援至关重要。然而，大地震后不久解释的滑坡数量有限，使得滑坡易发性预测成为一项挑战。为了解决这一差距，中国地质大学Wang Xianmin等人提出了一种交叉图注意力网络和xgBoost（CGBoost）的集成方法。该方法包含3个分支，分别提取斜坡单元内像素之间的相互关系、各斜坡单元之间的相互关系以及影响因素与滑坡概率的相关性，通过自适应融合机制获得丰富且具有判别性的特征。因此，可以降低在少量同震滑坡数据下建立易发性模型的难度。作为CGBoost的基础模块，所提出的交叉图注意力网络（Crossgat）可以表征斜坡单元内部和它们之间的空间异质性，以减少易发性结果中的误报。此外，利用降雨动态因子作为预测指标，提高易发性模型的性能，并结合地形、地质、人类活动、环境、气象和地震因子建立预测指标集。CGBoost用于预测Gorkha强震区的滑坡易发性。随机抽取3.43%的同震滑坡，其中70%用于训练，其余用于测试。在测试集中，CGBoost 的总体准确率、精确度、召回率、F1 分数和 Kappa 系数的值分别达到 0.9800、0.9577、0.9999、0.9784 和 0.9598。经所有同震滑坡验证，CGBoost优于目前主要的滑坡易发性评估方法。所提出的CGBoost方法也可用于未来新地震中滑坡易发性的预测。 技术流程如图1所示，包括3个主要步骤。1） 预测指标的建立：从多源数据中提取影响因素，以反映同震滑坡的地质环境和诱发特征。采用频率分析、基尼重要性分析、相关性分析和卡方检验等4种方法来选择显著的影响因素，并生成同震滑坡易发性的预测指标。2） CGBoost方法的构建：CGBoost采用Crossgat作为基本模块，并将XGBoost作为集成模块。它由三个分支构成，通过融合三种关系特征进行滑坡易发性预测。震后滑坡易发性的预测：将预测指标输入CGBoost，以预测整个研究区域的滑坡易发性。在经过自然间断点的分级后，将预测结果与完整的震后滑坡清单（包括11742个滑坡）进行验证。