基于聚类的数据分区技术在机器学习地面沉降易发性建模中的应用

《Neurocomputing》：Clustering-Driven Data Partitioning Techniques for Land Subsidence Susceptibility Modeling Using Machine Learning

　　

摘要 土地沉降是一个关键的环境与社会经济挑战，需要准确的易发性制图来最大限度减少其对基础设施和人类活动的影响。本研究探索了基于聚类的数据划分方法在伊朗Eghlid县土地沉降易发性制图（LSSM）中提升XGBoost（极端梯度提升）模型性能的应用。传统的随机划分方法常面临特征分布不平衡、性能指标方差大以及模型训练效率低等问题。为解决这些局限，本研究采用了五种不同的聚类算法——基于密度的噪声应用空间聚类（DBSCAN）、高斯混合模型（GMM）、层次聚类、K-means和Louvain算法——在建模前对数据进行划分。结果表明，随机划分方案得到的曲线下面积（AUC）值为0.959，而基于聚类的方法显著提升了模型性能，其中DBSCAN的AUC值为0.987，GMM为0.985，层次聚类为0.981，K-means为0.984，Louvain为0.982。结果表明，与随机划分相比，基于聚类的方法将LSSM的精度提高了2.2%至2.8%。研究结果建议，聚类算法能够改善土地沉降预测，尤其适用于半干旱地区，在这些地区准确的建模对于土地和水资源管理至关重要。

引言 土地沉降是一种地表变形形式，其特征是由地质条件与外部驱动因素相互作用所引发的渐进或突发性地表下沉[1]，[2]。它是地质灾害中最为严重的类型之一。然而，与洪水和滑坡等自然灾害相比，它受到的关注较少，主要因其对人员伤亡的直接冲击较小[3]，[4]。这种现象往往引发多种危害，例如地表地形发生变化，且通常是不可逆的[5]。鉴于土地沉降对建成环境、关键基础设施和农业系统造成的广泛破坏，以及修复工作带来的巨大经济负担，全面理解其机理和驱动因素具有根本重要性[6]，[7]。在半干旱地区，导致土地沉降的变量之一是过度开采地下水[8]，[9]。

沉降在干旱和半干旱地区十分普遍，原因之一是灌溉用水对地下水的集约化利用[10]。过去几十年间伊朗人口的急剧增长，已对国内有限的水资源造成巨大压力[11]，[12]。农业和工业部门的快速扩张进一步加重了这一负担。在伊朗等半干旱地区，水资源紧张几乎已不可承受，地下水被广泛用于农业、工业乃至家庭用水[13]，[14]。因此，在伊朗等国家研究土地沉降及其加剧因素至关重要。

采用传统方法评估某一特定地点的土地沉降较为困难，因为这些要素必须同时考虑[15]，[16]。然而，空间建模和地理信息系统（GIS）预测能够整合所有影响土地沉降的因素[17]，[18]。制作土地沉降易发性地图（LSSMs）并进行空间建模，可识别易受土地沉降影响的区域，从而实现土地和水资源的有效管理[19]。这些地图作为一种非工程性措施，在缓解和控制该现象方面至关重要。为达成这一目标，已有多种基于GIS的方法被应用于土地沉降建模[20]，[21]，[22]。

研究人员越来越多地关注土地沉降建模，其方法从确定性方法转向随机统计模型[23]。许多探索土地沉降模型的研究人员对人工智能领域的快速发展产生了浓厚兴趣[18]，[24]，[25]。该方法采用常规数值方法，为确定和分析土地沉降提供了一种可靠、高效且具有全球适用性的手段[26]。不幸的是，参数输入的局限性以及尺度不等的调查数据通常显著限制了数值模型的普适性[16]。传统基于物理的数值模型也难以处理与土地沉降相关的复杂数据，这些数据受众多变量影响[16]，[27]。在应对非线性高维大数据时，数据驱动的人工智能已被证明极为有效[28]，[29]。

越来越多的研究正采用机器学习和人工智能方法来建模和预测土地沉降易发性[19]，[30]，[31]，[32]。令人意外的是，很少有研究关注在不同条件下评估模型性能。在此背景下，已使用了各种算法，包括单机机器学习模型（贝叶斯逻辑回归（BLR）、随机森林（RF）、人工神经网络（ANN）、分类与回归树（CARTs）、极端梯度提升（XGBoost）、AdaBoost、广义加法模型（GAM））[17]，[30]，[32]，[33]，[34]，[35]，[36]，混合方法（决策树桩分类-交替决策树（DSC-ADTree）、ANN-bagging）[22]，[26]，以及优化技术（粒子群优化-基于自适应网络的模糊推理系统（PSO-ANFIS）；帝国竞争算法（ICA）-ANFIS；灰狼优化器-支持向量回归（GWO-SVR））[23]，[31]，[37]。

LSSM的最新进展在很大程度上得益于干涉合成孔径雷达（InSAR）数据集与机器学习算法的整合。早期研究证明了Sentinel-1时序InSAR在构建可靠的沉降清单方面的有效性，这为元集成机器学习方法（如AdaBoost和LogitBoost）奠定了基础[33]。在伊朗的背景下，Panahi等人[38]利用InSAR获取的位置数据和群数据处理法（GMDH）进行了全国评估，表明了非线性机器学习结构在区域沉降分析中的高预测能力。

此外，近期文献强调在半干旱环境中应用多样化的机器学习集成方法。例如，Gharechaee等人[39]利用InSAR数据结合随机森林（RF）和K近邻（KNN）在伊朗进行了土地沉降易发性制图，而Yaragunda等人[40]将小基线集（SBAS）InSAR与XGBoost相结合，以提升地中海景观中的建模精度。除静态易发性制图外，近期研究已转向时空演变和未来预测。Zhang等人[41]成功将长期Sentinel-1时序数据与长短期记忆（LSTM）网络相结合，用于城市监测，Ahmed等人[42]则在多种共享社会经济路径（SSP-RCPs）下应用随机森林模型，预测至2100年的未来沉降趋势。

过去的研究主要专注于采用新颖算法以提升土地沉降空间建模的精度。除算法选择外，多个因素有助于提升精度并在空间建模中实现最佳性能[43]。其中一个关键因素是在启动建模过程之前的数据划分[44]。数据划分对数据科学至关重要，尤其在开发数据驱动模型时[45]。该方法有助于确保数据模型及依赖这些模型的系统（如机器学习系统）的准确性[46]。在机器学习中，数据划分常被用于防止过拟合[46]，[47]。过拟合发生在模型对训练数据过度关注，导致其对新数据的泛化能力下降时[47]。大多数研究在LSSM准备过程中采用随机划分方法[35]，[36]，[38]或交叉验证技术，如k折交叉验证[26]，[48]，[49]。

尽管机器学习算法在LSSM中的应用日益广泛，仍存在若干关键研究空白。虽然许多研究已关注单机、混合及基于优化的机器学习模型，但对数据划分策略对模型性能影响的关注却十分有限。对随机划分和k折交叉验证等传统方法的依赖引入了重大挑战，如特征分布不平衡、性能指标方差大以及计算效率低[50]。这些问题对于小数据集以及土地沉降等复杂空间现象尤为棘手，其中因素的不均匀分布可能严重影响模型泛化能力。

本研究提出了一种基于聚类技术的创新数据划分方法，以克服这些不足。通过根据样本的内在相似性进行组织，这些算法能够更明智地将数据划分为训练集和测试集[51]。通过考虑数据内部的内在相似性结构，该策略产生了更具代表性的训练和测试子集，限制了由冗余引发的过拟合，并增强了模型性能评估的稳健性。本研究采用基于聚类的方法对XGBoost算法在LSSM中的输入数据进行划分。为实现这一目标，本研究将土地沉降空间建模的输入数据分为六种情景：一种随机划分情景，以及五种采用密度聚类（DBSCAN）、层次聚类、K-means、高斯混合模型（GMM）和Louvain聚类方法的聚类划分情景。因此，本研究的主要创新在于使用聚类方法对空间建模输入数据进行划分。据作者所知，该方法此前尚未应用于土地沉降空间建模中的数据划分。

节选段落 案例研究描述 Eghlid县位于伊朗法尔斯省东北部，面积为5,963平方公里。其位于东经52°49′至52°55′、北纬30°14′至31°05′之间（图1）。Eghlid县是法尔斯省第二高峰，海拔达2,230米，使其成为伊朗第六高的县。气象数据表明，平均年气温为14°C，极端温度范围为最高36.6°C至最低-12.8°C。该县相对

研究框架 本研究的方法论概述为若干一般步骤（图3）。第一步是从各种来源识别因变量和自变量数据，随后在ArcGIS 10.8环境中进行数据预处理，包括归一化和多重共线性检验。第二步对数据进行归一化和多重共线性检验。第三步使用六种不同情景将数据集划分为训练集和测试集。数据准备

基于聚类的划分结果 表2列出了所比较的划分类型的聚类结果。轮廓系数用于衡量聚类的紧密程度和分离度，层次聚类（S4）的轮廓系数最高，为0.322。DBSCAN（S2）的轮廓系数为0.254，表现出中等程度的聚类紧密度。Davies-Bouldin指数（数值越低表示聚类效果越好）在层次聚类（S4）中最低，为1.33，表明簇间重叠最小。

基于聚类划分的影响 对于基于XGBoost的土地沉降空间建模，实施了六种不同的数据划分方案，包括一种随机方法和五种基于聚类技术的方法。与随机划分情景相比，聚类算法将LSSM的精度提高了2.2%至2.8%。与随机方法不同，聚类方法确保了数据划分中的空间一致性和多样性，从而提升了模型性能。在聚类方法中，

结论 本研究引入了一种基于聚类的方法，利用五种聚类算法来克服传统训练数据划分方法（如随机方法）的局限。在五种情景中使用XGBoost算法的聚类方法，将土地沉降空间建模的精度提高了2.2%至2.8%。这些方法通过有效缓解过拟合误差，在空间建模中实现了最佳精度。

未引用参考文献 [96]

CRediT作者贡献声明 Soo-Mi Choi：撰写—审阅与编辑、监督、资源、项目管理、调查、资金获取、概念设计。Gengchen Mai：撰写—审阅与编辑、验证、资源、方法学。Jamil Hussain：撰写—审阅与编辑、验证、资源、方法学。Abolghasem Sadeghi-Niaraki：撰写—审阅与编辑、验证、监督、资源、项目管理、方法学、调查、概念设计。Seyed Vahid Razavi-Termeh：撰写

利益冲突声明 作者声明，他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢 本工作部分由ITRC支持计划资助（ grant IITP-2026-RS-2022 00156354），以及韩国科学和信息通信部及信息通信科学技术规划与评价院（IITP）资助的虚拟融合支持计划（ grant IITP-2026-RS-2023-00254529）。

Seyed Vahid Razavi-Termeh|Abolghasem Sadeghi-Niaraki|Jamil Hussain|Gengchen Mai|Soo-Mi Choi