Page 193 - 《武汉大学学报（信息科学版）》2025年第6期
P. 193

第 50 卷第 6 期         陈学业等：结合 SBAS-InSAR 技术与深度神经网络的滑坡早期识别                              1215


                    研 究 采 用 3 层 LSTM 结 构（每 层 100 个 单            TNR）、假正率（false positive ratio，FPR）、受试者
                元），门控激活函数为 Sigmoid，状态激活函数为                      工 作 特 征 曲 线（receiver  operator  characteristic，
                tanh。模型使用 Adam 优化器训练，在 LSTM 层                   ROC）等指标综合评估所构建滑坡易发性模型的
                间插入 Dropout 层以增强泛化能力。                           性能。
                    4）数据平衡。数据平衡是指在机器学习模                             （1）准确率 A 表示模型正确分类的样本占总
                型训练中，针对数据集中的不平衡问题采取的一                           样本数的比例，用于衡量模型整体的正确分类能
                些方法   ［30］ 。在实际应用中，当数据集的部分特定                    力，其计算公式为：
                类别（如滑坡与非滑坡样本）存在显著数量差异                                           N TP + N TN
                                                                      A =                       ×100% （3）
                时，会诱发模型训练偏差，进而导致预测结果过                                     N TP + N TN + N FP + N FN
                度偏向高频类别        ［31］ 。数据平衡目的就是通过调                式 中 ，TP（true positive）是 真 正 例 ，N TP 代 表 模 型
                整样本分布，使得模型能够更好地学习数据集中                           正确预测为正类的样本数；TN（true negative）是
                所有类别之间的特征和关系，提高模型的泛化能                           真负例，N TN 代表模型正确预测为负类的样本数；
                力。常用的数据平衡方法有以下几种：（1）欠采                          FP（false positive）是假正例，N FP 代表模型错误预
                样：从数量较多的那些类别中随机地选择少量样                           测 为 正 类 的 样 本 数 ；FN（false negative）是 假 负
                本，使得不同类别的样本数量趋于平衡。（2）过采                         例，N FN 代表模型错误预测为负类的样本数。
                                                                    （2）精确率 P 衡量的是所有被预测为正类的
                样：通过一些方法增加数量较少的那些类别的样
                                                                样本中，实际为正类的比例，其计算公式为：
                本数。（3）生成合成样本：通过基于少量样本生成
                新 样 本 的 方 法 ，使 不 同 类 别 的 样 本 数 量 达 到 平                      P =    N TP   ×100%         （4）
                                                                                N TP + N FP
                衡。（4）类别加权：在训练模型时提高数量较少的
                                                                    （3）召回率 R 表示所有实际为正类的样本中
                那 些 类 别 的 权 重 ，降 低 数 量 较 多 的 那 些 类 别 的
                                                                被正确预测为正类的比例，用于衡量模型捕获正
                权重。
                                                                类样本的能力，其计算公式为：
                    对此，本文选用合成少数类过采样（synthetic
                                                                                   N TP
                minority over-sampling technique，SMOTE）、汤姆                  R =           ×100%         （5）
                                                                                N TP + N FN
                克 链 接 欠 采 样（Tomek Link）和 SMOTETomek
                                                                    （4）F1 分 数 是 精 确 率 和 召 回 率 的 调 和 平 均
                综合采样 3 种数据平衡方法，与 CNN、MLP、
                                                                值，综合衡量模型在精确度和召回率之间的平衡
                LSTM 3 种深度神经网络进行排列组合，构建了
                                                                表现，其计算公式为：
                9 种滑坡易发性预测模型。通过系统评估各模型                                               PR
                                                                             F1 = 2      ×100%          （6）
                预测精度，确定最优模型方案。                                                     P + R
                    5）精度评价指标。为确保所得预测结果的                             （5）Kappa 系数考虑了随机猜测（偶然性）可
                可靠性，研究采用准确率、精确度、召回率、F1 分                        能带来的正确率，用于衡量模型预测结果与真实
                数 、Kappa 系 数 、真 负 率（true  negative  ratio，      结果之间的一致性的，其计算公式为：
                                                          )           )             )          )
                                   A - P e      ( N TP + N FP ( N TP + N FN +( N TN + N FN ( N TN + N FP
                            C Kappa =     ,P e =                                                        （7）
                                    1 + P e                                       )  2
                                                            ( N TP + N TN + N FP + N FN
                   （6）TNR 也称为特异度，表示所有实际为负                       能力。
                类的样本中被正确预测为负类的比例，用于衡量                           2.2 斜坡单元划分方法
                模型识别负例的能力，其计算公式为：                                   1）r.slopeunits 工具。其划分斜坡单元的主要
                                                                原理为   ［32］ ：定义少量且面积比较大的区域，并逐
                                    N TN
                          P TNR =          ×100%        （8）
                                                                步减少单个区域的面积增加个数，直到获得比较
                                 N TN + N FP
                   （7）FPR 表示所有实际为负类的样本中被错                       满意的结果，将研究区分为大的子流域，并依据
                误预测为正类的比例，其计算公式为：                               水文和地形条件进一步细分为左右两侧，由此产
                                                                生的两侧被命名为半盆地，继续迭代一定次数，
                                    N FP
                          P FPR =         ×100%         （9）
                                                                细分半盆地得到最终斜坡单元。
                                 N TN + N FP
                   （8）ROC 是一种常用的地质灾害易发性评价                           2）水文分析法。其提取斜坡单元的主要原
                精度评价方法，其曲线下面积是对模型性能的一                           理为  ［33］ ：首先利用无洼地正负地形分别提取山脊
                个数值衡量指标，反映了模型区分正负类样本的                           线和山谷线（分别对应分水线和汇水线），把生成
   188   189   190   191   192   193   194   195   196   197   198