一种基于深度学习的滑坡易发性评价方法

摘要

本发明公开了一种基于深度学习的滑坡易发性评价方法，包括：选取滑坡易发性区域的多个滑坡影响因子，根据多个滑坡影响因子获取多个影响因子层，将多个影响因子层分别输入卷积神经网络CNN的不同通道，通过多通道加权卷积模块对提取的特征加权融合，通过层数自适应网络模块利用信息熵聚类法分类后进行层数自适应分类卷积，输出堆叠后的特征图，输入全连接层获得整合特征图，使用Softmax层对整合特征图进行概率回归，输出滑坡易发性评价结果。该方法以信息增益比对各因子层提取到的特征进行多通道加权，提高模型训练的收敛速度，针对对不同信息丰富程度的影响因子分类进行自适应层数的卷积运算，解决层数优选问题。

权利要求

1.一种基于深度学习的滑坡易发性评价方法，其特征在于，包括：获取多个滑坡影响因子数据；

根据多个滑坡影响因子数据，获取滑坡易发性区域的多个影响因子层数据；

将多个影响因子层数据，分别输入卷积神经网络CNN的不同通道；

通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合；

获取层数自适应网络模块对不同通道加权融合后的结果，利用信息熵聚类法分类后进行层数自适应分类卷积，输出堆叠后的特征图；

将堆叠后的特征图输入全连接层，获得整合特征图；

使用Softmax层对整合特征图进行概率回归处理，构建层数自适应加权卷积神经网络LAW‑CNN；

根据层数自适应加权卷积神经网络LAW‑CNN，获得滑坡易发性评价结果；

所述通过层数自适应网络模块对不同通道加权融合后的结果利用信息熵聚类法分类后进行层数自适应分类卷积，包括：根据不同影响因子层的信息熵值，使用K‑means聚类算法将所有通道划分为三个类别；

对信息简单的影响因子层使用少的卷积层提取简单的特征；

对信息丰富的影响因子层使用多的卷积层增加网络深度，提取深层次的特征；

介于中间的影响因子层则选择中等的卷积层充分提取有效特征。

2.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，根据滑坡灾害分布特征选取多个滑坡影响因子数据；所述多个滑坡影响因子数据，包括：分别从地形、地质、水文、人类活动、土地覆盖方面选取了多个滑坡影响因子：高程，坡度，坡向，曲率，平面曲率，剖面曲率，地面起伏度，地表粗糙度，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离。

3.如权利要求2所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：使用信息增益比IGR法分析所选影响因子与滑坡发生之间的关系，剔除部分的滑坡影响因子，经过筛选，最终确定坡度，坡向，曲率，平面曲率，剖面曲率，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离影响因子。

4.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：对层数自适应加权卷积神经网络LAW‑CNN进行训练和验证；其步骤包括：获取历史滑坡数据和滑坡隐患点数据；

根据历史滑坡数据和滑坡隐患点数据构建，滑坡样本数据集，并在距滑坡点半径缓冲区外随机选取相同数量的非滑坡点，构建非滑坡样本数据集；

以滑坡点或非滑坡点为中心的矩形区域作为样本空间范围，并将此范围的影响因子栅格数据作为实验数据集；

将实验数据集按照7：3随机分为训练集和验证集，其中，滑坡数据集标注为1，非滑坡数据集标注为0。

5.如权利要求4所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：通过加入Dropout层在训练阶段随机丢弃一定比例的神经元。

6.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述将多个影响因子层数据分别输入卷积神经网络CNN的不同通道，包括：通过顾及滑坡空间信息，将各所述影响因子层二维面数据在三维方向上堆叠，构建具有多通道的图像输入，每个通道代表不同的影响因子数据。

7.如权利要求3所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合，包括：对各通道分组卷积提取到的基本特征根据信息增益比计算各通道影响因子层的权重：式中，Wi表示第i个因子层的权重，IGRi表示第i个因子层的信息增益比值；

对各通道提取到的特征加权融合。

8.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述层数自适应网络模块构建了3层，5层，7层，9层和11层五种不同深度的层数自适应网络。

9.如权利要求8所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述3层深度的层数自适应网络包括：对多通道加权卷积后的3层8×8大小的特征层先进行卷积核大小为3×3，卷积核数量为6，步长为2，使用0填充的卷积；

进入一个池化核大小为2×2，步长为2的最大池化层，得到2×2大小的6层特征图；

进入一个全连接层，输出20个特征。

说明书

一种基于深度学习的滑坡易发性评价方法

技术领域

[0001] 本发明涉地质灾害风险分析技术领域，更具体的涉及一种基于深度学习的滑坡易发性评价方法。

背景技术

[0002] 滑坡易发性评价是综合分析研究区内的各种地质环境因素、历史滑坡数据、滑坡的物理规律等要素，确定研究区内未来发生滑坡的概率。目前滑坡易发性制图的方法主要分为经验模型(专家系统打分法(张文等,2010)、层次分析法(Lyu et al.,2018))，统计模型(频率比法(Li et al.,2016；Zhang et al.,2020)、信息量法(王小浩,2020)、证据权法(郭子正等,2019))，机器学习方法(Ermini et al.,2005；Sun et al.,2021；谭龙等,2014)以及两者的集成方法(Pham et al.,2019；周超等,2020)。近年来，随着计算机技术和深度学习的逐步发展，卷积神经网络(Convolutional Neural Network，CNN)在图像分类(Krizhevsky et al.,2017)等方面取得了很好的应用。与传统机器学习方法相比，CNN可以通过卷积层有效的提取影像的深层特征，很好的处理非线性问题。因此，Wang et al.(2019)首次将CNN模型应用在滑坡易发性制图工作中，提出了适用于滑坡易发性分析的CNN‑1D、CNN‑2D、CNN‑3D模型。Sameen et al.(2020)通过加入贝叶斯优化来优化CNN的参数选择，提高了CNN模型的预测精度。Yang et al.(2021)首次提出将CNN‑1D提取的各因子间的相关信息，与CNN‑2D提取的空间信息进行融合，从而提高滑坡易发性制图的效果。上述学者在将CNN模型应用到滑坡易发性制图的研究中均取得了不错的结果。

[0003] 大部分研究均基于滑坡点所在的各因子层单个像素值进行预测，忽略了滑坡发生还与其周围环境有关且以单个像素点来代表整个滑坡发生的位置存在一定的误差，同时无法充分利用CNN模型在空间数据处理方面的优点。滑坡的发生受多种内外部因素的影响，不同的因子层具有不同的物理意义和复杂程度，对滑坡发生的贡献程度也不相同。

发明内容

[0004] 本发明实施例提供一种基于深度学习的滑坡易发性评价方法，包括：

[0005] 获取多个滑坡影响因子数据；

[0006] 根据多个滑坡影响因子数据，获取滑坡易发性区域的多个影响因子层数据；

[0007] 将多个影响因子层数据，分别输入卷积神经网络CNN的不同通道；

[0008] 通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合；

[0009] 获取层数自适应网络模块对不同通道加权融合后的结果，利用信息熵聚类法分类后进行层数自适应分类卷积，输出堆叠后的特征图；

[0010] 将堆叠后的特征图输入全连接层，获得整合特征图；

[0011] 使用Softmax层对整合特征图进行概率回归处理，构建层数自适应加权卷积神经网络LAW‑CNN；

[0012] 根据层数自适应加权卷积神经网络LAW‑CNN，获得滑坡易发性评价结果。

[0013] 进一步，根据滑坡灾害分布特征选取多个滑坡影响因子数据；多个滑坡影响因子数据，包括：

[0014] 分别从地形、地质、水文、人类活动、土地覆盖等方面选取了多个滑坡影响因子：高程，坡度，坡向，曲率，平面曲率，剖面曲率，地面起伏度，地表粗糙度，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离。

[0015] 进一步，还包括：

[0016] 使用信息增益比IGR法分析所选影响因子与滑坡发生之间的关系，剔除部分的滑坡影响因子，经过筛选，最终确定坡度，坡向，曲率，平面曲率，剖面曲率，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离影响因子。

[0017] 进一步，还包括：对层数自适应加权卷积神经网络LAW‑CNN进行训练和验证；其步骤包括：

[0018] 获取历史滑坡数据和滑坡隐患点数据；

[0019] 根据历史滑坡数据和滑坡隐患点数据构建，滑坡样本数据集，并在距滑坡点半径缓冲区外随机选取相同数量的非滑坡点，构建非滑坡样本数据集；

[0020] 以滑坡点或非滑坡点为中心的矩形区域作为样本空间范围，并将此范围的影响因子栅格数据作为实验数据集；

[0021] 将实验数据集按照7∶3随机分为训练集和验证集，其中，滑坡数据集标注为1，非滑坡数据集标注为0。

[0022] 进一步，将多个影响因子层数据分别输入卷积神经网络CNN的不同通道，包括：

[0023] 通过顾及滑坡空间信息，将各所述影响因子层二维面数据在三维方向上堆叠，构建具有多通道的图像输入，每个通道代表不同的影响因子数据。

[0024] 进一步，通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合，包括：

[0025] 对各通道分组卷积提取到的基本特征根据信息增益比计算各通道影响因子层的权重：

[0026]

[0027] 式中，Wi表示第i个因子层的权重，IGRi表示第i个因子层的信息增益比值；

[0028] 对各通道提取到的特征加权融合。

[0029] 进一步，通过层数自适应网络模块对不同通道加权融合后的结果利用信息熵聚类法分类后进行层数自适应分类卷积，包括：

[0030] 根据不同影响因子层的信息熵值，使用K‑means聚类算法将所有通道划分为三个类别；

[0031] 对信息简单的影响因子层使用少的卷积层提取简单的特征；

[0032] 对信息丰富的影响因子层使用多的卷积层增加网络深度，提取深层次的特征；

[0033] 介于中间的影响因子层则选择中等的卷积层充分提取有效特征。

[0034] 进一步，层数自适应网络模块构建了3层，5层，7层，9层和11层五种不同深度的层数自适应网络网络。

[0035] 进一步，3层深度的层数自适应网络网络包括：

[0036] 对多通道加权卷积后的3层8×8大小的特征层先进行卷积核大小为3×3，卷积核数量为6，步长为2，使用0填充的卷积；

[0037] 进入一个池化核大小为2×2，步长为2的最大池化层，得到2×2大小的6层特征图；

[0038] 进入一个全连接层，输出20个特征。

[0039] 进一步，还包括：

[0040] 通过加入Dropout层在训练阶段随机丢弃一定比例的神经元。

[0041] 本发明实施例提供一种基于深度学习的滑坡易发性评价方法，与现有技术相比，其有益效果如下：

[0042] 1、LAW‑CNN模型的AUC值高于传统的CNN模型，使用LAW‑CNN模型进行滑坡易发性评价的预测结果更准确。

[0043] 2、预测极低易发区比例最高，极高易发区比例最低，表明三种模型预测结果具有一定的可靠性。

[0044] 3、LAW‑CNN模型高易发区滑坡点密度优于传统的CNN模型，能够较好的反映研究区滑坡易发性的分布状况。

[0045] 4、定性分析，使用LAW‑CNN模型得到的易发性图中滑坡点基本都分布于高易发区和极高易发区。

附图说明

[0046] 图1为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法的LAW‑CNN模型流程图；

[0047] 图2为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法五种不同深度的网络；

[0048] 图3为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法研究区地理位置及滑坡分布；

[0049] 图4为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法ROC曲线；

[0050] 图5为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法的各易发性等级的滑坡密度；

[0051] 图6为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法的滑坡易发性图；

[0052] 图7为本发明实施例提供的一种基于深度学习的滑坡易发性评价方法的川藏铁路各段滑坡易发性统计图。

具体实施方式

[0053] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0054] 参见图1～7，本发明提出了一种层数自适应加权卷积神经网络(Layer Adaptive Weighted ConvolutionalNeural Network，LAW‑CNN)应用于滑坡易发性制图中，根据滑坡影响因子贡献程度(IGR值)引入多通道加权卷积，对各通道赋权，进一步提高模型训练效率；同时基于信息熵聚类，根据蕴含信息的不同丰富程度对各因子层进行层数自适应分类卷积，精确提取不同因子层的深层特征。

[0055] 滑坡的发生受多种影响因子的共同作用，不同的因子所蕴含的信息量不同，对滑坡发生的贡献也不同，传统CNN模型在训练过程中对提取到的所有通道特征不分权重直接结合并且共用相同的网络层数进行训练，不能充分挖掘因子层深层次特征，且模型效率较低。针对网络权值初始化问题，LAW‑CNN框架以信息增益比对各因子层提取到的特征进行多通道加权，提高模型训练的收敛速度；基于信息熵的K‑means聚类对不同信息丰富程度的影响因子分类进行自适应层数的卷积运算，解决层数优选问题。

[0056] 通过顾及滑坡空间信息，将各因子层二维面数据在三维方向上堆叠，构建具有多通道的图像输入，每个通道代表不同的影响因子数据。为充分挖掘并利用各因子间的深层信息，本设计在传统的CNN模型的基础上提出LAW‑CNN网络架构，更好的服务于滑坡易发性评估工作。

[0057] LAW‑CNN网络架构如图1所示。模型由一个多通道加权卷积模块、一个层数自适应网络模块、一个全连接层和一个Softmax层组成。输入的各因子层首先进入多通道加权卷积模块，然后对输出结果按信息熵聚类结果分类，然后进入层数自适应网络模块，之后进入全连接层整合特征，最后使用Softmax层对特征图进行概率回归，输出滑坡易发性等级。在模型训练过程中，为了防止局部过拟合，一般通过加入Dropout层在训练阶段随机丢弃一定比例的神经元。

[0058] 1多通道加权卷积模块

[0059] 对于滑坡易发性评估工作，输入数据中不同的通道代表不同的影响因子层，不同的因子层对于滑坡发生的影响程度不同，也就是说不同通道的重要性程度不同。传统的CNN在提取特征进行融合时认为每个通道的重要性是相同的，而没有考虑不同因子层的重要性来赋予它们相应的权重。针对这个问题，有研究提出一种多通道加权卷积的方式来解决这个问题，并应用在直升机传输系统状态监测和齿轮箱故障诊断问题中，均取得了不错的效果。在滑坡易发性评估问题中将不同因子层以多通道数据作为输入，引入多通道加权卷积，通过对不同通道进行加权卷积，以权重表示每个特征通道的重要程度，从而提升对目标任务有用的特征并抑制无关紧要的特征信息，减小网络的计算量，使模型能够得到更加准确的预测结果。

[0060] 多通道加权卷积是在对各通道分组卷积提取到一定的基本特征后根据信息增益比计算结果由式(1)计算各通道的权值，并对各通道提取到的特征加权融合，以实现对影响比较大的因子通道进一步增强，使得模型能够更加准确快速的将注意力集中在贡献值大的特征上。

[0061]

[0062] 式中，Wi表示第i个因子层的权重，IGRi表示第i个因子层的信息增益比值。

[0063] 2层数自适应网络模块

[0064] 卷积操作能够提取图像的特征，更多的卷积层能够从低级的特征中迭代提取到更高级的特征。但对于卷积神经网络，并不是网络越深，分类的效果就越好。以往研究表明，网络层数太少或者太多，可能会导致模型欠拟合或者过拟合；随着网络层数的增加，会产生梯度消失或发散，导致训练结果难以收敛。另外，模型越深，运行过程中消耗的资源就越多。因此，本设计提出层数自适应网络模块，包括信息熵聚类和层数自适应分类卷积两部分。根据不同因子层的信息熵聚类结果，将因子层分为三类，信息量越丰富，采用的网络层数也越多，提取的特征也越深入。

[0065] 层数自适应分类卷积能够对不同通道的特征数据根据其包含的信息复杂程度自适应选择不同的网络深度，不同因子层所蕴含的信息多少可由信息熵决定。根据信息熵值，使用K‑means聚类算法将所有通道划分为三个类别：对信息简单的因子使用较少的卷积层提取简单的特征，对信息丰富的因子使用较多的卷积层增加网络深度，提取深层次的特征，介于中间的因子则选择适中的卷积层充分提取有效特征。各分类后的特征内部仍保留卷积神经网络权值共享和局部连接的特点。池化是指对卷积提取到的特征图进行降采样的过程，可用来降低特征图的维数，但不改变深度。全连接层中每一个神经元都与上一层的所有神经元相连，用来整合上一层中具有类别区分性的局部信息。最后对通过层数自适应卷积得到的各部分特征进行堆叠，作为该模块的输出。

[0066] 在层数自适应模块，本设计构建了3层，5层，7层，9层和11层五种不同深度的网络(图2)供选择，以三层网络为例，对多通道加权卷积后的3层8×8大小的特征层先进行卷积核大小为3×3，卷积核数量为6，步长为2，使用0填充的卷积，然后进入一个池化核大小为2×2，步长为2的最大池化层，得到2×2大小的6层特征图，最后进入一个全连接层，输出20个特征。

[0067] 实施例：

[0068] 川藏铁路是我国正在规划建设的重大铁路工程，是新时期国家实施西部大开发综合交通运输体系的重要组成部分，具有重大的战略意义，对国家长治久安和西藏经济社会发展的作用举足轻重。川藏铁路自东向西穿越四川盆地和青藏高原，区域地形地貌和地质构造极为复杂，极易发生滑坡灾害，该区域发生有著名的白格滑坡、旺北滑坡、毛垭坝滑坡等。滑坡是一种突发性强、分布范围广且具有一定隐蔽性的自然灾害。滑坡灾害的发生对铁路施工建设和后期运营安全造成巨大的挑战。因此，为有效减少滑坡灾害对川藏铁路建设维护及其沿线区域人民生活的影响，开展川藏铁路沿线滑坡易发性工作具有重要的现实意义。本次滑坡易发性评价选择的研究区域包含整个川藏铁路沿线，东西长约1332.5km，南北宽约427km，面积约57×104km2。研究区位置图如图3所示。

[0069] 根据由InSAR探测、Google Earth目视解译、历史滑坡资料等方式综合生成并经实地考察和铁路设计部门交付验证修订的滑坡编录包括历史滑坡数据和滑坡隐患点数据。研究区内共有滑坡隐患1039处。利用1039处滑坡位置构建滑坡样本数据集，并在距滑坡点半径1km缓冲区外随机选取相同数量的非滑坡点构建非滑坡样本数据集。以滑坡点或非滑坡点为中心的240m×240m的矩形区域作为样本空间范围，并将此范围的影响因子栅格数据作为实验数据集。将数据集按照7：3随机分为训练集和验证集，训练集共1194张影像，验证集共514张影像，其中滑坡数据集标注为1，非滑坡数据集标注为0。为一定程度上提高模型精度并提升模型收敛速度，还需要将得到的各因子层的数据集归一化至0～1上。

[0070] 根据滑坡灾害分布特征，在充分分析研究区自然地理特征、气象、水文条件的基础上，分别从地形、地质、水文、人类活动、土地覆盖等方面选取了15个滑坡影响因子：高程，坡度，坡向，曲率，平面曲率，剖面曲率，地面起伏度，地表粗糙度，地形湿度指数(topographic wetness index,TWI)，归一化植被指数(normalized difference vegetation index,NDVI)，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离等。使用皮尔逊相关系数对滑坡影响因子之间的相关性进行检验，使用信息增益比(IGR)法来分析所选影响因子与滑坡发生之间的关系，剔除影响较小的因子，经过筛选，最终确定坡度，坡向，曲率，平面曲率，剖面曲率，TWI，NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离12个影响因子用于后续研究。

[0071] 为了进一步验证LAW‑CNN模型的能力，将其与传统的CNN模型和SVM模型进行了对比，使用制作好的8×8×12大小的滑坡和非滑坡数据集进行模型训练。通过试错法对模型参数进行调优，最终得到一组最优参数，其中中间层激活函数使用ReLU，优化器使用Adam，初始学习率为0.0001，CNN模型的批大小，缓冲大小和迭代次数分别为32，600，774；LAW‑CNN模型的批大小，缓冲大小和迭代次数分别为64，750，421；SVM模型中惩罚系数C为1，gamma为0.01。通过实验分析，层数自适应网络模块中对于信息简单的因子通道层数设置为5(两个卷积层、两个池化层和一个全连接层)，信息适中的因子通道层数设置为7(三个卷积层、三个池化层和一个全连接层)，信息丰富的因子通道层数设置为9(四个卷积层、四个池化层和一个全连接层)。

[0072] SVM模型、CNN模型和LAW‑CNN模型的ROC曲线如图4所示，AUC值分别为0.8307、0.8512、0.8686，LAW‑CNN模型的AUC值比CNN高1.74％，比SVM高3.79％，表明使用所提出的模型进行滑坡易发性制图精度好于传统的CNN模型，同时深度学习方法远好于传统的机器学习方法，能更准确的拟合滑坡发育与其影响因素间的非线性关系。这一结果体现了IGR计算得到的各因子层重要性是正确的，同时也说明了多通道加权卷积的可行性及其在处理滑坡易发性问题上的优势。比较ROC曲线的结果，可以看出层数自适应卷积能够对不同的滑坡影响因子使用合适的网络层数提取有效特征，有效避免模型冗余，同时，多通道加权能够使模型更加准确快速的将注意力集中在贡献值大的特征上。这些结果表明LAW‑CNN模型的多通道图像输入、多通道加权卷积和层数自适应卷积能够充分利用因子间的深层信息，显著提升模型的特征提取性能，生成更加准确的滑坡易发性图。

[0073] 使用训练好的模型对栅格单元进行预测，得到每个栅格单元被预测为滑坡的概率，即易发性指数，其值介于0～1之间。易发性指数越大表示该地区越容易发生滑坡，反之，越不容易发生滑坡。使用自然间断法将生成的研究区易发性图分为极低易发区、低易发区、中等易发区、高易发区和极高易发区5个等级。表5统计了三种模型预测的易发性分区图中各个易发性等级的分布状况。SVM模型预测结果中极高易发区、高易发区、中等易发区、低易发区、极低易发区所占比例分别为16.83％、18.28％、17.97％、18.99％、27.93％。CNN模型预测结果中极高易发区、高易发区、中等易发区、低易发区、极低易发区所占比例分别为12.04％、16.50％、16.81％、13.18％、41.47％。LAW‑CNN模型预测结果中极高易发区、高易发区、中等易发区、低易发区、极低易发区所占比例分别为10.31％、12.09％、12.71％、
14.79％、50.09％。可以看出，三种模型所预测极低易发区比例最高，极高易发区比例最低，表明三种模型预测结果具有一定的可靠性。且SVM和CNN模型预测得到的极低易发区和低易发区比例远小于LAW‑CNN模型。

[0074] 表1统计分析

[0075] Table1 Statisticalanalysis

[0076]

[0077] 图5给出了滑坡易发区与滑坡点密度的关系。滑坡点密度表示在某一分区所分布的滑坡点的数量占整个分区的比例，可以用来评价模型预测的好坏。滑坡点密度越大，表明该区域分布的滑坡点数量越多，易发性等级越高。随着易发性等级逐渐增大，滑坡点密度值也随之升高，极高易发区滑坡点密度最大，极低易发区滑坡点密度最小，可见三种模型都能够正确预测极高易发区的大多数滑坡。SVM的极高易发区和高易发区滑坡点密度远小于两种CNN模型，LAW‑CNN模型高易发区和极高易发区的滑坡点密度比CNN模型更高，表明LAW‑CNN模型预测的结果更准确，优于传统的CNN模型和SVM模型，所提出模型更适合滑坡易发性制图工作。

[0078] 使用三种模型得到的研究区滑坡易发性分级图如图6所示。可以看出，各模型预测结果具有一定的相似性，易发性图中大部分区域都被预测为低易发区和极低易发区，滑坡点基本都分布于高易发区和极高易发区。高易发区和极高易发区主要集中在雅鲁藏布江、怒江、澜沧江、金沙江、雅砻江等大江大河两侧，且横断山区高易发性和极高易发性区域较多。

[0079] 对最优模型生成的川藏铁路滑坡易发性图进行分段分级统计，如图7所示。可以看出，各分段内极低易发区比例均高于其他等级，且成都‑康定、波密‑林芝和林芝‑拉萨段极低易发区比例均超过50％，成都‑康定段极低易发区比例最高，达到71.64％。康定‑昌都、昌都‑波密段极高易发区比例超10％，康定‑昌都段最高，达到16.28％，成都‑康定段比例最低，仅占2.02％。综合分析，易发性水平较高的地区主要集中在康定‑昌都、昌都‑波密等路段。这些地区地形起伏大，降雨量较大，人类工程和地震使这些地区更容易发生滑坡。易发性水平较低的区域主要分布在成都‑康定等平坦地带以及青藏高原地势平坦的区域，受降雨等诱发因素的影响较小。

[0080] 以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。