基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型研究*

劉艷輝 方然可② 蘇永超 肖銳鏵

(①中國地質(zhì)環(huán)境監(jiān)測院(自然資源部地質(zhì)災(zāi)害技術(shù)指導(dǎo)中心)，北京 100081，中國)(②華北水利水電大學(xué)，鄭州 450045，中國)

0 引 言

中國是世界上地質(zhì)災(zāi)害分布最廣、危害最嚴(yán)重的國家之一。地質(zhì)災(zāi)害遍及全國山地丘陵區(qū)，已知數(shù)量近百萬處之多，平均每年造成數(shù)百人死亡，數(shù)十億元直接經(jīng)濟(jì)損失(自然資源部，2019)。世界上20多個國家或地區(qū)，包括中國香港、美國、意大利、巴西、日本等，也都不同程度地開展過或正在開展區(qū)域地質(zhì)災(zāi)害的早期預(yù)警與減災(zāi)服務(wù)工作(Fausto Guzzetti et al.，2020)。2003年起，中國大陸分級開展區(qū)域地質(zhì)災(zāi)害氣象預(yù)警業(yè)務(wù)，取得了較好的防災(zāi)減災(zāi)成效(劉傳正等，2004，2007，2009，2015；王雁林，2005；李長江等，2008；劉艷輝等，2008，2015，2018，2019；魏平新等，2015；李守定等，2017)。同時，在監(jiān)測預(yù)警示范區(qū)(侯圣山等，2014；溫銘生等，2012)、三峽庫區(qū)(劉傳正等，2004)、汶川地震災(zāi)區(qū)(劉傳正等，2017)等重點區(qū)域也開展了廣泛的研究與實踐。

預(yù)警模型是成功開展地質(zhì)災(zāi)害氣象預(yù)警的關(guān)鍵。檢索顯示，國內(nèi)外區(qū)域地質(zhì)災(zāi)害預(yù)警模型主要可分為統(tǒng)計預(yù)警模型和動力預(yù)警模型兩大類。統(tǒng)計預(yù)警模型又分為隱式統(tǒng)計預(yù)警和顯式統(tǒng)計預(yù)警模型(劉傳正等，2009，2015)。臨界降雨閾值模型是一種典型的隱式統(tǒng)計預(yù)警模型，以中國香港和美國的研究最為系統(tǒng)(Cannon et al.，1985；Au，1998；Pietro Aleotti，2004)，以模型簡單、易于推廣的優(yōu)勢，廣泛被其他國家或地區(qū)參考應(yīng)用；顯式統(tǒng)計預(yù)警模型，克服了僅依據(jù)單一臨界雨量指標(biāo)的片面性和模糊性，充分反映地質(zhì)環(huán)境要素變化的優(yōu)勢，2008年研發(fā)完成在中國大陸國家級預(yù)警業(yè)務(wù)使用，并逐步推廣。中國大陸的兩代預(yù)警模型均是基于統(tǒng)計方法，多年來并行運行，相互校驗補(bǔ)充，并不斷完善。

動力預(yù)警模型是通過分析降雨-滲流-災(zāi)害發(fā)生的機(jī)理過程，主要以無限斜坡穩(wěn)定性力學(xué)分析為基礎(chǔ)，將降雨入滲水文地質(zhì)模型與無限斜坡穩(wěn)定性力學(xué)模型耦合判斷滑坡穩(wěn)定性(Iverson，2000；Foster et al.，2011；Ponziani et al.，2013；Pennington et al.，2015)。由于滑坡條件和降雨對滑坡作用機(jī)理的復(fù)雜性，以及模型中復(fù)雜的參數(shù)輸入和不確定性，導(dǎo)致動力預(yù)警模型多處于研究階段，或者僅應(yīng)用于面積較小的區(qū)域。

近年來，隨著人工智能技術(shù)的蓬勃發(fā)展，基于人工智能的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法日益成熟，在各行業(yè)得到廣泛應(yīng)用。在地質(zhì)災(zāi)害防治領(lǐng)域，近年來多種機(jī)器學(xué)習(xí)算法在滑坡空間評價預(yù)測中得到廣泛應(yīng)用，如人工神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)、隨機(jī)森林等 (劉藝梁等，2010；許沖等，2012；Trigila et al.，2015；Hong et al.，2016；Tien Bui et al.，2016，2017;Chen et al.，2017)，但在區(qū)域滑坡災(zāi)害預(yù)警方面中的應(yīng)用還鮮有提及。機(jī)器學(xué)習(xí)算法的主要應(yīng)用方向是預(yù)測和分類問題，區(qū)域滑坡災(zāi)害預(yù)警恰符合其主要應(yīng)用方向。同時，訓(xùn)練樣本和數(shù)據(jù)的數(shù)量和質(zhì)量一定程度上決定著預(yù)警模型算法的預(yù)測準(zhǔn)確率，隨著多年來預(yù)警運行中歷史滑坡數(shù)據(jù)、地質(zhì)環(huán)境調(diào)查數(shù)據(jù)及滑坡誘發(fā)因素等大數(shù)據(jù)積累，為開展基于機(jī)器學(xué)習(xí)的滑坡災(zāi)害預(yù)警模型探索奠定了基礎(chǔ)。

本文從訓(xùn)練樣本集構(gòu)建、模型訓(xùn)練與優(yōu)化評估、模型預(yù)警等關(guān)鍵環(huán)節(jié)，系統(tǒng)闡述了基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型構(gòu)建方法，并以青川縣為例，基于近10年地質(zhì)與氣象大數(shù)據(jù)，構(gòu)建了青川縣區(qū)域滑坡災(zāi)害預(yù)警模型并進(jìn)行實例校驗。

1 基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型方法

1.1 訓(xùn)練樣本集構(gòu)建

訓(xùn)練樣本集的準(zhǔn)確構(gòu)建是基于機(jī)器學(xué)習(xí)研發(fā)區(qū)域滑坡災(zāi)害預(yù)警模型的根本，一定程度上直接決定著預(yù)警模型的精確度和泛化能力。區(qū)域滑坡災(zāi)害的發(fā)生發(fā)展受到地質(zhì)環(huán)境條件和降雨條件的耦合作用控制。從輸入特征角度，機(jī)器學(xué)習(xí)樣本包括地理位置、地質(zhì)環(huán)境條件和降水條件3個方面的屬性。地理位置是指樣本所在點的空間地理坐標(biāo)；地質(zhì)環(huán)境條件是指樣本點的地質(zhì)環(huán)境背景條件；降雨條件是指樣本點的降雨誘發(fā)。從輸出特征角度，訓(xùn)練樣本集包括正樣本(滑坡點，一般記為1)和負(fù)樣本(非滑坡點，一般記為0)，正負(fù)樣本采樣時要考慮正負(fù)樣本數(shù)量的均衡性。

訓(xùn)練樣本集的構(gòu)建流程見圖1，主要包括地質(zhì)環(huán)境和降雨因素特征庫構(gòu)建、正負(fù)樣本采樣、樣本特征屬性提取與數(shù)據(jù)清洗3個步驟。

圖1 訓(xùn)練樣本集構(gòu)建流程圖Fig.1 Diagram of the training sample set construction

1.1.1 地質(zhì)環(huán)境和降雨因素特征庫構(gòu)建

地質(zhì)環(huán)境特征庫和降雨因素特征庫的構(gòu)建是通過研究區(qū)區(qū)域滑坡災(zāi)害的發(fā)育分布規(guī)律和影響因素分析基礎(chǔ)上完成的。影響區(qū)域滑坡災(zāi)害發(fā)生的地質(zhì)環(huán)境因素，一般包括地形地貌、地層巖性、人類活動等；影響區(qū)域滑坡災(zāi)害發(fā)生的降雨誘發(fā)因素，一般包括日雨量、前期雨量或前期有效雨量等。

將地質(zhì)環(huán)境因素、降雨誘發(fā)因素分別與預(yù)警網(wǎng)格剖分單元進(jìn)行疊加分析(圖2)，獲取預(yù)警網(wǎng)格單元的地質(zhì)環(huán)境特征庫和降雨因素特征庫。地質(zhì)環(huán)境特征庫中，包含了各預(yù)警網(wǎng)格單元各地質(zhì)環(huán)境影響因素特征屬性；降雨因素特征庫中，包含了各預(yù)警網(wǎng)格單元逐日雨量特征屬性或有效雨量特征屬性。

圖2 空間疊加分析示意圖Fig.2 Sketch map of spatial overlay analysis

預(yù)警網(wǎng)格單元是根據(jù)研究區(qū)地域面積大小和預(yù)警實際需求確定，一般為均一網(wǎng)格單元，可參考相關(guān)預(yù)警標(biāo)準(zhǔn)中的預(yù)警空間精度確定(表1)。

表1 預(yù)警空間精度劃分(中國地質(zhì)災(zāi)害防治工程行業(yè)協(xié)會，2018)Table 1 Early warning space precision division

1.1.2 正負(fù)樣本采樣方法

正樣本是指發(fā)生滑坡的點，正樣本的采樣一般以歷史滑坡編目數(shù)據(jù)為依據(jù)進(jìn)行篩選。篩選要求歷史滑坡災(zāi)害點要同時具有確定的空間地理坐標(biāo)(具體精度由研究區(qū)具體情況確定)和時間坐標(biāo)(24h預(yù)警中一般精確到日，3h或1h加密預(yù)警中一般精確到小時)。一般來講，正樣本的采樣精度較高。

負(fù)樣本是指沒有發(fā)生滑坡的點，一般無法直接獲取，本文提出以正樣本為基礎(chǔ)，在時空約束條件下隨機(jī)采樣獲取負(fù)樣本的方法。具體做法是：

(1)空間采樣：參考區(qū)域滑坡危險性評價中負(fù)樣本的采樣方法(繆亞敏，2016)，即在正樣本一定緩沖區(qū)外空間隨機(jī)采樣的方法(圖3)。本文建議緩沖區(qū)半徑為預(yù)警網(wǎng)格單元的3倍。

圖3 基于正樣本的負(fù)樣本空間采樣示意圖(據(jù)繆亞敏(2016)修改)Fig.3 Sketch map of negative sample space sampling based on positive samples

(2)時間采樣：為空間采樣獲取的點進(jìn)行時間采樣。在一定時段(根據(jù)研究區(qū)雨量數(shù)據(jù)完備情況，一般為多年汛期全時段)約束下，采用隨機(jī)函數(shù)進(jìn)行采樣，隨機(jī)函數(shù)通式為：

T=RAND(T1，T2)

(1)

式中：T為隨機(jī)獲取的時間；T1為隨機(jī)獲取時間的時間段下限；T2為隨機(jī)獲取時間的時間段上限。

綜上所述，完成了研究區(qū)的正負(fù)樣本采樣。特別需要注意的是，負(fù)樣本采樣中要控制負(fù)樣本數(shù)量，考慮正負(fù)樣本的均衡性。本文建議，正負(fù)樣本數(shù)量比例為1︰2為宜。

1.1.3 特征屬性提取與數(shù)據(jù)清洗

將正負(fù)樣本與地質(zhì)環(huán)境特征庫進(jìn)行空間疊加分析，提取正負(fù)樣本的地質(zhì)環(huán)境特征屬性；依據(jù)正負(fù)樣本的時間屬性，查詢提取正負(fù)樣本的降雨因素特征屬性。至此，完成了整個訓(xùn)練樣本集的構(gòu)建。

另外，在整個訓(xùn)練樣本集構(gòu)建過程中，數(shù)據(jù)清洗都是特別重要的，使用清洗后的數(shù)據(jù)集模型評價精度更高。數(shù)據(jù)清洗內(nèi)容一般包括2類：

(1)處理數(shù)據(jù)錯誤。例如人工錯誤、數(shù)據(jù)傳輸誤差、設(shè)備故障、地質(zhì)信息模糊等都會影響原始數(shù)據(jù)集，這些錯誤必須進(jìn)行數(shù)據(jù)提前處理與清洗。一般情況下，這類數(shù)據(jù)清洗是指對數(shù)據(jù)進(jìn)行缺失值插補(bǔ)或剔除、異常值識別處理。

(2)特征屬性預(yù)處理?？紤]到訓(xùn)練樣本的輸入特征量綱差異，需要對樣本輸入特征進(jìn)行統(tǒng)一的歸一化處理或特征縮放。不同機(jī)器學(xué)習(xí)算法對輸入特征量綱差異問題敏感程度存在差異，對輸入特征屬性預(yù)處理的要求也不盡相同。建議模型訓(xùn)練前，首先對訓(xùn)練樣本的輸入特征進(jìn)行統(tǒng)一歸一化或范圍縮放，一般至少要保證樣本輸入特征范圍相差不大，否則會直接影響到模型精度。

1.2 樣本學(xué)習(xí)訓(xùn)練與優(yōu)化建模

1.2.1 學(xué)習(xí)訓(xùn)練與算法評估

常用機(jī)器學(xué)習(xí)算法主要解決回歸、聚類和分類三大問題(周志華，2016；Peter Harrington，2013)?；貧w算法預(yù)測數(shù)據(jù)為連續(xù)型數(shù)值數(shù)據(jù)，主要包括線性回歸、邏輯回歸等，其中邏輯回歸也可以解決分類問題；聚類算法預(yù)測數(shù)據(jù)為類別型數(shù)據(jù)，且類別未知，主要為K-means聚類算法；分類算法預(yù)測數(shù)據(jù)為類別型數(shù)據(jù)，且類別已知，主要算法包括最近鄰算法、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、邏輯回歸、決策樹和隨機(jī)森林等。區(qū)域滑坡災(zāi)害預(yù)警問題，主要用到機(jī)器學(xué)習(xí)分類算法，常用機(jī)器學(xué)習(xí)分類算法和適用性對比分析見表2。

表2 常用機(jī)器學(xué)習(xí)分類算法與適用性對比分析Table 2 Comparative analysis of common machine learning classification algorithms and their applicability

機(jī)器學(xué)習(xí)模型的好壞，取決于其評價精度和模型泛化能力。模型評價的幾個常見參數(shù)有：

(1)準(zhǔn)確率(Accuracy，ACC)，表達(dá)的是模型評價精度。模型準(zhǔn)確率，是判斷模型預(yù)測分類正確的樣本數(shù)和總樣本數(shù)的比值。另外，還有精確率(Precision)、召回率(Recall)和F1值等指標(biāo)。

(2)ROC曲線和AUC值，表達(dá)的是模型泛化能力。ROC(Receiver Operating Characteristic)曲線是指受試者工作特征曲線，是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)，其主要分析工具是一個畫在二維平面上的曲線；AUC(Area Under roc Cure)值，是ROC曲線下的面積。通常，AUC的值介于0.5～1.0之間，AUC值越大，說明模型表現(xiàn)越好。

(3)學(xué)習(xí)曲線(Learning Curve)，描述模型擬合問題，判斷模型是否存在過擬合還是欠擬合。

1.2.2 模型參數(shù)優(yōu)化

模型參數(shù)的選取對于模型精度影響重大，模型優(yōu)化在模型構(gòu)建中至關(guān)重要。目前最常用的模型參數(shù)優(yōu)化方法包括傳統(tǒng)方法和超參數(shù)優(yōu)化算法。傳統(tǒng)參數(shù)優(yōu)化方法是網(wǎng)格搜索法，方法優(yōu)化精度和速度成反比，為了更高效地進(jìn)行參數(shù)優(yōu)化，逐步出現(xiàn)了貝葉斯優(yōu)化算法(Snoek et al.，2012)。貝葉斯優(yōu)化算法采用了高斯過程，通過增加樣本數(shù)量來擬合目標(biāo)函數(shù)分布，目標(biāo)函數(shù)通過交叉驗證精度來進(jìn)行優(yōu)化，每次迭代都會輸出一次超參數(shù)，在尋找最優(yōu)值的過程中優(yōu)化超參數(shù)。

1.3 模型保存與預(yù)警輸出

將機(jī)器學(xué)習(xí)訓(xùn)練好的模型進(jìn)行保存，可在python環(huán)境下調(diào)用DUMP函數(shù)完成，模型一般保存為pkl格式文件。

預(yù)警運行時，通過LOAD函數(shù)調(diào)用訓(xùn)練好的預(yù)警模型輸出滑坡災(zāi)害可能發(fā)生的概率,依據(jù)概率大小分級確定預(yù)警等級。分級斷點設(shè)定可參考地質(zhì)災(zāi)害氣象風(fēng)險預(yù)警等級劃分表(中國地質(zhì)災(zāi)害防治工程行業(yè)協(xié)會，2018)，也可根據(jù)研究區(qū)具體情況微調(diào)使用?？紤]到本研究中機(jī)器學(xué)習(xí)算法中輸出閾值設(shè)置為0.5，結(jié)合研究區(qū)具體情況，將地質(zhì)災(zāi)害氣象預(yù)警概率等級劃分進(jìn)行調(diào)整。即，當(dāng)輸出概率P≥40%且P<60%時，發(fā)布滑坡災(zāi)害黃色預(yù)警；當(dāng)輸出概率P≥60%且P<80%時，發(fā)布滑坡災(zāi)害橙色預(yù)警；當(dāng)輸出概率P≥80%時，發(fā)布滑坡災(zāi)害紅色預(yù)警(表3)。

表3 預(yù)警等級劃分Table 3 Early warning level division

2 青川縣預(yù)警模型建立與校驗

以四川省青川縣為例，按本文上述提出的方法構(gòu)建青川縣區(qū)域滑坡災(zāi)害訓(xùn)練樣本集(圖4)。四川省青川縣位于四川盆地的北部邊緣，龍門山斷裂帶的地震多發(fā)帶，轄區(qū)內(nèi)山高坡陡，地形切割強(qiáng)烈，地質(zhì)構(gòu)造復(fù)雜，是崩塌、滑坡等災(zāi)害的高發(fā)易發(fā)地區(qū)。在青川縣前期相關(guān)研究成果(溫銘生等，2016；劉傳正等，2017；劉艷輝等，2019)基礎(chǔ)上，集成了青川縣1︰5萬地質(zhì)災(zāi)害與地質(zhì)環(huán)境調(diào)查成果、地質(zhì)災(zāi)害災(zāi)情統(tǒng)計數(shù)據(jù)、隱患排查數(shù)據(jù)、縣域加密雨量站日雨量數(shù)據(jù)等，以200m×200m的預(yù)警網(wǎng)格單元，構(gòu)建滑坡災(zāi)害訓(xùn)練樣本集1826個(正負(fù)樣本比例 1︰2)。其中輸入特征共27個，包括坡度、坡向等11個地質(zhì)環(huán)境因子，當(dāng)日雨量、前期日雨量等16個降雨因子，訓(xùn)練樣本集輸入特征及參數(shù)見表4。

圖4 青川縣訓(xùn)練樣本集Fig.4 Training sample set in Qingchuan County

表4 訓(xùn)練樣本輸入特征及參數(shù)Table 4 Input characteristics and parameters of training samples

采用青川縣訓(xùn)練樣本集(圖4，表4)，按照4︰1的比例劃分正負(fù)樣本訓(xùn)練集和測試集進(jìn)行訓(xùn)練，通過貝葉斯優(yōu)化算法、五折交叉驗證得出最優(yōu)參數(shù)組合，對6種常用機(jī)器學(xué)習(xí)分類模型進(jìn)行對比評估，對比各模型的準(zhǔn)確率和模型泛化能力指標(biāo)結(jié)果如表5所示。

表5 青川縣機(jī)器學(xué)習(xí)預(yù)警模型評價對比Table 5 Comparison and evaluation of six machine learning models

根據(jù) 6 種機(jī)器學(xué)習(xí)算法計算結(jié)果(表5)可見，隨機(jī)森林模型表現(xiàn)最好，其準(zhǔn)確率最高(Accuracy=0.963)，模型泛化能力最好(AUC=0.986)，且模型無過擬合現(xiàn)象；其次為邏輯回歸模型，準(zhǔn)確率為0.940，AUC為0.979；再次為人工神經(jīng)網(wǎng)絡(luò)模型和決策樹模型，準(zhǔn)確率均為0.937，AUC分別為0.954和0.933；SVM支持向量機(jī)模型和KNN最近鄰模型相比較而言，效果不理想。隨機(jī)森林模型的學(xué)習(xí)曲線和ROC曲線見圖5。

圖5 隨機(jī)森林模型學(xué)習(xí)曲線和ROC曲線Fig.5 Learning curve and ROC curve of RF model

調(diào)用訓(xùn)練好的青川縣隨機(jī)森林區(qū)域滑坡預(yù)警模型，以2018年6月26日降雨誘發(fā)區(qū)域滑坡災(zāi)害為例，模擬青川縣6月26日的24h實際預(yù)警業(yè)務(wù)開展模擬運行。模擬運行中，將200m×200m網(wǎng)格的地質(zhì)背景環(huán)境數(shù)據(jù)及青川縣15日(6月11～26日)降水實況數(shù)據(jù)作為輸入，調(diào)用訓(xùn)練好的隨機(jī)森林模型開展概率預(yù)測，依據(jù)模型輸出概率劃分滑坡災(zāi)害預(yù)警等級。

據(jù)青川縣地質(zhì)環(huán)境監(jiān)測站提供的數(shù)據(jù)，2018年6月19日至26日四川省青川縣連續(xù)普降大到暴雨，造成大院鄉(xiāng)、營盤鄉(xiāng)和涼水鎮(zhèn)等11個鄉(xiāng)鎮(zhèn)發(fā)生17處地質(zhì)災(zāi)害隱患(滑坡或不穩(wěn)定斜坡)。

根據(jù)災(zāi)害實際發(fā)生情況，導(dǎo)入17處新發(fā)滑坡災(zāi)害隱患，對預(yù)警效果進(jìn)行校驗(圖6)。校驗結(jié)果顯示，17處新發(fā)生的滑坡災(zāi)害隱患，全部(100%)落入預(yù)警區(qū)范圍。其中：紅色預(yù)警區(qū)內(nèi)12處，占總數(shù)的70.6%；橙色預(yù)警區(qū)內(nèi)3處，占總數(shù)的17.6%；黃色預(yù)警區(qū)內(nèi)2處，占總數(shù)的11.8%。

圖6 青川縣區(qū)域滑坡預(yù)警模擬運行結(jié)果Fig.6 Landslides early warning result with RF model，in Qingchuan County

3 結(jié) 論

本文提出了基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型構(gòu)建方法和過程。以四川青川縣為例，構(gòu)建了基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型，并以典型實例進(jìn)行了預(yù)警校驗。

(1)提出了基于機(jī)器學(xué)習(xí)的區(qū)域滑坡災(zāi)害預(yù)警模型的構(gòu)建方法，主要包括訓(xùn)練樣本集構(gòu)建、樣本學(xué)習(xí)訓(xùn)練與優(yōu)化建模、模型保存與預(yù)警輸出等幾個關(guān)鍵步驟。

(2)提出了區(qū)域滑坡災(zāi)害訓(xùn)練樣本集的構(gòu)建方法，即以正樣本為基礎(chǔ)，在時空約束條件下以2︰1的比例隨機(jī)采樣獲取負(fù)樣本，最終獲得完整的訓(xùn)練樣本集。

(3)模型訓(xùn)練中，以訓(xùn)練樣本集的80%作為訓(xùn)練集，20%作為測試集，進(jìn)行5折交叉驗證，采用精確度、ROC曲線和AUC值校驗?zāi)Ｐ蜏?zhǔn)確度和模型泛化能力。采用貝葉斯優(yōu)化算法進(jìn)行模型優(yōu)化。

(4)實際預(yù)警中，調(diào)用訓(xùn)練好的預(yù)警模型輸出滑坡災(zāi)害可能發(fā)生的概率。依據(jù)概率大小，分級確定預(yù)警等級。分級依據(jù)為：當(dāng)輸出概率P≥40%且P<60%時，發(fā)布黃色預(yù)警；當(dāng)輸出概率P≥60%且P<80%時，發(fā)布橙色預(yù)警；當(dāng)輸出概率P≥80%時，發(fā)布紅色預(yù)警。

(5)以青川縣為例，構(gòu)建了青川縣區(qū)域滑坡訓(xùn)練樣本集，采用6種機(jī)器學(xué)習(xí)算法進(jìn)行模型訓(xùn)練，結(jié)果顯示隨機(jī)森林算法表現(xiàn)最好，其準(zhǔn)確率最高(0.963)，模型無過擬合現(xiàn)象，模型泛化能力最好(AUC=0.986)；其次為邏輯回歸算法；再次為人工神經(jīng)網(wǎng)絡(luò)算法和決策樹算法。選取2018年6月26日的青川縣日常預(yù)警業(yè)務(wù)進(jìn)行實例校驗。結(jié)果顯示：當(dāng)日17處滑坡災(zāi)害點中，100%的災(zāi)害點全部落入預(yù)警區(qū)范圍內(nèi)，其中：70.6%的滑坡落在紅色預(yù)警區(qū)內(nèi)，17.6%的滑坡落在橙色預(yù)警區(qū)內(nèi)，11.8%的滑坡落在黃色預(yù)警區(qū)內(nèi)。