用于滑坡发生的空间分布型降雨阈值：一种多任务机器学习建模方法

《Hydrological Sciences Journal》：Spatially distributed antecedent rainfall thresholds for landslide occurrence: a multitask machine learning modelling approach

本研究提出多输出人工神经网络模型，同步评估滑坡易发性和触发所需降雨量。采用MLP网络结合嵌套空间交叉验证策略优化参数，单任务与多任务模型在易发性预测中表现相近，但降雨阈值建模更优。SHAP分析显示模型输出共享隐藏层神经元，空间模式一致。生成的易发性地图经1995年滑坡事件验证，具有良好可转移性，数据已公开。

　　

摘要

滑坡易发性与引发滑坡所需的前期降雨量在概念上紧密相关，但通常被分别建模。我们提出了一种使用多输出人工神经网络（ANN）同时建模这两个变量的方法。我们采用多层感知器ANN，并应用嵌套空间交叉验证策略来调整超参数，并评估该模型从大范围区域内个别时空滑坡事件中进行泛化的能力。在多任务模型中，降雨阈值得到了更好的建模效果；对于滑坡易发性而言，单任务模型的性能与多任务模型相当。Shapley加性解释（SHAP）图和成对相关性分析表明，模型的输出在ANN的隐藏层中共享了一些神经元，从而形成了滑坡易发性和前期降雨阈值的一致空间分布模式。生成的滑坡易发性地图与1995年的滑坡事件进行了对比，该事件的数据未被用于地图生成，结果显示模型的泛化能力是可接受的。最终的地图已发布在公共仓库中。