Page 162 - 《武汉大学学报（信息科学版）》2025年第6期

1184 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

图 10 不同子模型滑坡易发性分区点密度统计
Fig. 10 Point Density Statistics of Landslide Susceptibility Zones for Different Submodels

图 11 不同子模型滑坡易发性分区占比统计
Fig. 11 Proportion Statistics of Landslide Susceptibility Zones for Different Submodels

UCNN、DS-UCNN、DFECNN 和 MFL-LN CNN） ［39］ ：利 用 多 维 卷 积 核 参 数 共 享 捕 获 各
的 ROC 曲线如图 12 所示。由图 12 可以发现，通 滑 坡 评 价 因 子 不 同 维 度 及 其 深 层 耦 合 特 征 ，
过增加不同模块，模型的精度在不断提高，MFL- 充 分 利 用 特 征 信 息 ，并 有 效 防 止 过 拟 合 。
LN 模型的 ROC 曲线上最靠近左上角的点离纵 3）深度可分离卷积神经网络（depthwise sepa‑
［40］
坐 标 最 近 ，且 AUC 值 最 大 。 结 合 图 9~图 11 可 rable convolutional neural network，DS-CNN） ：
知，MFL-LN 模型能够更好地对安康市进行滑坡 采用可分离卷积层，可以在不降低模型精度的同
易发性分区，进一步验证了其有效性。 时减少参数量。
3.3 易发性评价模型对比分析 4）多尺度卷积神经网络（multi-scale convolu‑
采用如下传统机器学习方法和深度学习方 tional neural network，MSCNN） ［41］ ：融 合 深 层 和
法进行对比实验： 浅层特征，提升模型分类结果准确性，增强模型
1）SVM ［38］ ：以训练误差作为优化问题的约束 泛化能力。
条件，通过最大化类别间隔的超平面进行分类的 5）轻 量 级 可 分 离 因 式 卷 积 网 络 ［42］ （light‑
监督学习模型。 weight separable factorized convolution network，
2）多 维 CNN 耦 合 方 法（multi-dimensional SFCNet）：采用可分离卷积和因式分解卷积，减
convolutional neural network coupled ， Multi- 少了参数数量和计算复杂度。