基于MIV-BP神经网络的滑坡易发性空间预测

2019-12-03鲜木斯艳阿布迪克依木

人民长江 2019年11期

鲜木斯艳·阿布迪克依木，何书

(1. 江西理工大学资源与环境工程学院, 江西赣州 341000； 2.江西理工大学江西省稀土资源高效利用重点实验室，江西赣州 341000)

近20 a来，研究人员针对滑坡易发性分析提出了包括统计分析模型、确定性模型和概率模型等多种定量评价方法[1]，其中统计分析模型在中、大尺度范围内的滑坡易发性分析中应用较为广泛[2]。人工神经网络模型作为统计分析模型中的重要方法，可以用来分析不同尺度下复杂及不连贯的数据，尤其在解决不确定性或非线性问题方面具有明显优势，其中BP神经网络是应用最为广泛的神经网络[3-5]。BP神经网络具有很强的非线性映射能力和柔性网络结构，它通过建立3层感知器，能够模拟计算输入层的权重，而权重是滑坡易发性制图的关键所在[6-7]。由于BP神经网络的固有缺陷，其隐层节点数的确定缺少必要的理论指导，同时推广能力有限，造成模拟结果不确定，从而对滑坡易发性的预测能力造成影响[8]。Dombi等人提出了用MIV (Mean Impact Value)来反映神经网络中权重矩阵的变化情况[9]，MIV被认为是神经网络中评价变量相关性最好的指标之一，为解决此类问题开创了新的思路。MIV方法被广泛应用于解决非线性回归的变量排序问题[10]，MIV值的大小体现了评价变量的重要性[11]。利用训练好的BP神经网络输入层到隐藏层之间的连接矩阵可以确定输入变量权重，与MIV值均代表输入变量的相对重要程度。由于在BP网络设计中，最优隐层节点数主要依靠经验和试算来确定[12]，具有不同隐层节点数的网络，获取的连接矩阵权重及MIV值均有所不同。理论上，二者获得输入变量重要性排序趋于一致时，在满足网络收敛的前提下，将获得相对较优的隐层节点数。然而，此时利用连接矩阵和MIV值确定的滑坡评价指标权重是否具有更高的预测能力，目前尚不清楚。

为此，本文利用BP神经网络连接权矩阵获得的输入变量权重与MIV值相结合，以获取神经网络的最优隐藏节点，进而综合二者求解输入变量的最终权重。在此基础上，结合GIS制图技术，提出区域滑坡易发性评价方法，并将该方法应用于江西省龙南县滑坡易发性评价中，为区内滑坡灾害空间预测提供理论及方法指导。

1 资料与方法

1.1 研究区介绍

龙南县位于江西南部，面积约1 640.55 km2，地理坐标为东经110°41′15″～110°45′00″，北纬30°55′00″ ～30°57′30″，图1为研究区地理位置示意图。研究区滑坡发育受气候、地形地貌、地层岩性等诸因素的影响。

图1 研究区地理位置及滑坡空间分布Fig.1 Location of the study area and landslide distribution

研究区位于亚热-热带季风区，气候温暖湿润。冬夏季风盛行、春夏降水集中，该区年平均降雨量达1 526.3 mm。该区域总体地势南西高、北东低，周边多山，海拔最高处约1 430 m，最低处约190 m。地貌类型以构造侵蚀低山为主，占据全区面积的77.95%，其余包括构造剥蚀低山丘陵、岩溶及剥蚀堆积等地貌。滑坡灾害主要分布在低山、丘陵(高丘陵)地貌区，据统计，分别占已发灾害总数的53.7%和40.9%[13]。该地区地层从老到新，分布有震旦系、泥盆系、石炭系、二叠系、三叠系、侏罗系、白垩系及第四系地层，岩土类型包括红色碎屑岩、变质岩、松散岩、一般碎屑岩、碳酸盐岩和花岗岩等6类，其中一般碎屑岩分布最为广泛，约占总面积的39.2%，碳酸盐岩分布面积最下，约占0.5%。区内基岩之上普遍发育5～25 m不等的强风化层，大部分滑坡发育于强风化层中。

1.2 评价方法

BP神经网络通过对滑坡样本的训练，获取易发性评价指标权重，然后利用ArcGIS图形叠加功能制作滑坡易发性图，是区域滑坡评价中较为简单而适用的方法[14-15]。基于ArcGIS和Matlab平台，将BP神经网络与MIV方法结合，有效提高了滑坡空间预测的精度。滑坡易发性分析步骤如下(见图2)。

(1) 评价资料收集。资料包括滑坡样本和研究区地形、地质及地表的相关资料。其中滑坡样本主要通过收集研究区的灾害调查报告和现场调查获得。地形和地表相关数据通过地理空间数据云网站(http://www.gscloud.cn)获取的GDEMV2 30 m 分辨率数字高程数据和Landsat 8 OLI_TIRS卫星数字产品提取，收集的地质图包括1∶200 000区域调查地质图和部分1∶50 000地质图，研究区的水系、道路数据则来源于Google Earth Images和百度地图的解析。然后根据ArcGIS和EVEI 5.1软件平台制作与滑坡相关的评价指标图，选取与滑坡易发性相关的指标包括：岩土类型、土地利用分类、总曲率、剖面曲率、坡度、坡向、归一化植被指数、高程、到水系距离、到道路距离、滑坡点密度等14个指标。根据滑坡点在研究区的空间分布特征，计算相应区域的滑坡频率，并以此作为神经网络的输入样本和验证样本。

(2) 确定权重。利用Matlab13.0软件，编制MIV -BP神经网络确定权重的程序，计算各评价指标权重。

(3) 滑坡易发性制图与比较。利用ArcGIS软件平台制作评价指标专题图，结合指标权重，制作滑坡易发性分区图。最后，利用ROC曲线对评价结果进行对比分析，以验证评价模型的可靠性。

1.3 滑坡影响因子分析

结合研究区的地质灾害区域调查报告和现场调查，获取了173个滑坡点数据。这些滑坡点均为平移型滑坡，滑坡规模普遍偏小，大部分滑坡平面投影面积小于30 m×30 m，在本次研究中均被视为一个点(见图1)。根据区内滑坡发育特征，选取岩土类型、土地利用类型、到水系的距离、到道路的距离、归一化植被指数、坡向、坡度、剖面曲率、平面曲率、总曲率、高程、滑坡密度、道路密度、水系密度等14个指标作为易发性评价指标。基于前人文献[16-17]和研究区滑坡频率分析，构建了指标分级标准，详见表1。以上评价指标由ArcGIS10.2软件制成大小为30 m×30 m的栅格图, 鉴于篇幅有限，仅列出部分栅格图(见图3)。

图2 MIV- BP 空间预测方法Fig.2 MIV- BP method for landslide spatial prediction

表1 滑坡评级指标及分级Tab.1 Landslide affecting factors and their classes

图3 滑坡易发性评价指标Fig.3 Landslide Sensitivity Evaluation Index Map

1.4 MIV-BP神经网络确定权重

将训练样本的评价指标信息输入BP神经网络模型中，通过输入层到隐藏层之间的连接矩阵来确定指标权重，计算公式如下[18]：

(1)

式中，vjl为连接矩阵元素，m表示输入样本指标数,k为隐藏节点数。BP神经网络训练好后，将训练样本每一个变量值增加或减少10%，得到两个新的样本，将新样本输入到训练好的神将网络中进行仿真，求取模拟值差值的算术平均数，可得到MIV值。MIV值的绝对值表示指标的相对重要性。MIV通常被用来进行变量的排序和筛选，其绝对值的大小并不能完全对应输入变量的绝对重要程度，但进行变量重要性排序效果非常好。

BP神经网络在训练过程中容易陷入局部最小点，通常需要依靠不断调整隐藏节点数来满足训练要求。在实际应用中，当隐藏节点数不断改变时，由公式(1)算出的指标权重和对应MIV排序常常不一致，但可以满足模型的训练需求，显然这存在矛盾。为此，将二者结合起来，通过不断更改节点数，确保二者对评价指标的排序一致时，取二者的组合权作为指标最终权重，此时能够解决以上不一致的矛盾，对应的隐藏节点数也属最优。具体方法如下：

首先对MIV值取绝对值，然后进行归一化处理：

(2)

将式(1)和式(2)的结果进行组合：

(3)

式中,wi为评价指标的组合权重，μ1,μ2分别表示权重置信度，μ1+μ2=1。式中的置信度可由专家主观确定或通过试算方法确定，权重置信度高低反映神经网络连接权重与MIV值在输入变量权重确定中的重要性。试算时，以模拟参与滑坡易发性预测中准确度最高时对应的置信度为最佳。根据以上方法，计算滑坡易发性评价指标权重，如图4所示。

图4 滑坡评价指标权重Fig.4 Weights of landslide evaluation index

1.5 滑坡评价模型的构建及易发性制图

将滑坡易发性影响因子栅格化，统一制成30 m×30 m的栅格，并进行重分类，然后将栅格图乘以指标相应权重，并对指标图层进行叠加制图。利用ArcGIS软件对叠加图进行平滑处理，利用邻域分析功能, 采用15 m×15 m的正方形进行平均值计算, 以消除个别异常点[19]。分别采用BP模型和MIV-BP模型，制成滑坡易发性评价图。如图5所示，按照自然间距分类方法把滑坡易发性分为：极高易发区、高易发区、中易发区、低易发区与极低易发区5种等级[20]。

图5 滑坡易发性评价结果Fig.5 Landslide susceptibility by maps usingdifferent landslide models

2 滑坡模型验证与比较

利用神经网络方法进行滑坡易发性评价在于获得一个良好的网络结构，利用MIV理论对BP神经网络进行优化，在一定程度上提高了网络结构的可靠性，在此基础上确定的指标权重也更为合理。本文分析表明，研究区剖面曲率在滑坡易发性评价中具有最高的权重，因为滑坡点主要分布在研究区山间盆地的边缘，这里的斜坡坡度变化最大。相对而言，坡度的权重最小，对滑坡易发性评价的贡献也最小，原因在于滑坡点大量发生在坡度分布相对较低的地区，这与该地区稀土原地浸矿或人工开挖造成在低缓斜坡发生滑坡有关，而在区域滑坡易发性评价指标中难以体现这一因素。获取本文中选取的14个因子之间的相对重要程度，对于滑坡易发性制图至关重要。利用BP神经网络获取评级指标权重在以往研究中已获得过类似成果，由于BP网络在确定隐藏节点数中存在困难，使得权重随着隐藏节点数的变化而变化，因而指标权重的获得存在相当的不确定性。MIV方法能够利用训练好的BP网络进行输入项的相关性分析，将原有的权重确定方法与MIV值结合起来，确定新的权重，显然能够在一定程度上获得较优的神经网络隐藏节点数，以此获得的指标权重也更符合实际。

利用ROC曲线判断BP神经网络模型的预测能力，其AUC=0.707 4，将MIV值纳入考虑后，AUC=0.820 4，可见预测能力有了显著的提高(见图6，表2)。对于BP神经网络模型，滑坡点落在高和非常高的滑坡易发性区域的比率约87.26%，而MIV-BP模型的这一比率提高到了88.1%，虽然只提高了不到1%，但对于易发性制图依然是有意义的。说明基于MIV理论的BP神经网络模型对于指标权重确定的准确性有所提高。