《Remote Sensing》:Interpretable AutoML and Double Machine Learning for Landslide Susceptibility Assessment in Tongren, Qinghai–Tibet Plateau
编辑推荐:
冷高海拔地区滑坡易发性评估因地形、岩性、水文和人为因素之间的交互作用而复杂化。机器学习方法应用广泛,但模型选择、空间独立评估以及协变量调整关联解释仍具挑战。研究人员在青藏高原东北缘同仁市构建了滑坡易发性评估集成框架,整合H2O AutoML、嵌套空间交叉验证(
冷高海拔地区滑坡易发性评估因地形、岩性、水文和人为因素之间的交互作用而复杂化。机器学习方法应用广泛,但模型选择、空间独立评估以及协变量调整关联解释仍具挑战。研究人员在青藏高原东北缘同仁市构建了滑坡易发性评估集成框架,整合H2O AutoML、嵌套空间交叉验证(nested spatial cross-validation)、Shapley加性解释(SHAP)、部分依赖图(PDPs)和双重机器学习(DML)。20次采样实现中,每次包含217个滑坡点和217个非滑坡点,经共线性筛选保留13个条件因子。DML采用部分线性回归(partially linear regression)并结合200次重复的空间交叉拟合(spatial cross-fitting)估计协变量调整关联。堆叠集成(Stacked Ensemble)在20次实现中取得最高平均受试者工作特征曲线下面积(AUC)0.953 ± 0.009。空间折外(out-of-fold)评估显示,研究区易发性最高的20%区域包含93.27% ± 1.51%的留出滑坡(均值±标准差)。高程(Elevation)、距道路距离(DTR)、岩性(Lithology)、距断层距离(DTF)和土地利用/土地覆盖(LULC)合计占总平均绝对SHAP值的76.69%。PDPs揭示条件因子与模型预测易发性之间的非线性关系。高程(被解释为谷地位置的代理变量)和DTR是经多重检验校正后唯一具有统计学显著负协变量调整关联的因子。随机共同原因(RCC)检验表明,在所检验的随机协变量扰动下DML估计保持稳定。该框架区分预测贡献与协变量调整关联,并支持冷高海拔高原过渡带的滑坡监测与空间规划。
研究背景与问题:滑坡是破坏性地质灾害之一,其发生受地形、地质构造、气候和人类工程活动共同控制。青藏高原全球变暖加速冻土退化,改变岩土体结构和水热条件,增加边坡失稳风险。同仁位于青藏高原与黄土高原过渡带,季节冻融、地形深切、地质条件复杂,黄土和泥岩广布,遇水后剪切强度快速降低,易受降水、冻融循环和工程扰动影响。机器学习已广泛用于滑坡易发性评估,但既有研究存在两类与预测可靠性密切相关的问题:滑坡点和环境条件具强空间聚类,随机划分可能将邻近样本同时置于训练集和测试集,导致对未观测区域性能的乐观估计;模型选择和超参数设定常依赖研究者经验,算法比较可能受参数、样本划分和评价指标影响。此外,SHAP和PDPs解释模型预测,而非直接估计条件因子与滑坡发生之间的协变量调整关联;条件因子常相关并可能受混杂影响,共享预测信息可能被误认为因子特异关联。因此,研究人员开展集成AutoML、空间验证、可解释机器学习和DML的研究,以在留出空间组上评价预测性能,并区分预测贡献与协变量调整关联。其意义在于为冷高海拔高原过渡带滑坡监测、野外调查优先级和空间规划提供更谨慎的解释框架。
关键技术方法:样本来源于同仁市全县地质灾害调查(1:50,000)记录的217处滑坡,结合高分一号影像解译与野外调查;每次采样实现含217个滑坡点和217个非滑坡点,经共线性筛选保留13个条件因子。研究人员采用H2O AutoML结合嵌套空间交叉验证,以5 km × 5 km规则网格作空间分块、500 m缓冲排除非滑坡采样,并进行外层5折与内层4折模型搜索和AUC排序;采用SHAP与PDPs解释最终堆叠集成;采用DML部分线性回归与5折空间交叉拟合,重复200次并以Benjamini–Hochberg(BH)校正和RCC检验评估稳健性;最终以Jenks自然断点制作易发性图。
研究结果:
4.1 条件因子的空间分布特征:通过条件因子空间制图和滑坡分布描述,15个条件因子呈显著空间异质性;滑坡主要集中于龙务河河谷中北部、地形切割区和近道路区域,降水总体由北向南增加,耕地集中于河谷和缓坡,滑坡多发生于黄土等软弱或非均质岩土单元。结论是滑坡发生与地形切割、水文条件、工程扰动和岩性差异相关。
4.2 条件因子共线性诊断:通过Pearson相关和方差膨胀因子(VIF)诊断,Relief与Slope高度相关(r = 0.97),SPI与TWI相关系数为0.68;Slope、TWI、SPI和Relief的VIF大于10,其余因子小于5。剔除Relief和TWI、保留Slope和SPI后,剩余连续输入无强线性相关且VIF均小于5。
4.3 AutoML模型性能评估:通过20次非滑坡采样实现和嵌套空间交叉验证,6个候选算法家族平均AUC为0.9435—0.9530;堆叠集成平均AUC最高(0.9530 ± 0.0090),GLM次之(0.9521 ± 0.0095);堆叠集成平均准确率、精确率、召回率和F1分别为0.8834、0.8893、0.8780和0.8802;各算法平均ROC曲线均高于对角线参考线。因堆叠集成平均AUC最高且在7次实现中排名第一,研究人员以其五折平均AUC最高的采样实现拟合最终模型用于制图和解释。
4.4 可解释分析结果:通过SHAP和PDPs分析最终堆叠集成,Elevation相对SHAP贡献最高(35.40%),其次为DTR(17.37%)、Lithology(15.09%)、DTF(4.49%)和LULC(4.34%),五者合计76.69%;20次采样中Elevation、Lithology和DTR稳定居前三,合计平均相对SHAP贡献71.69%。PDPs显示预测概率随Elevation和DTR升高而下降,随DTF增加下降较缓;岩性中L6平均预测概率最高(约0.72),L7最低(约0.31);LULC中草地最高(约0.51),森林最低(约0.34);SPI和Curvature增加时预测概率总体增加,DTW先增后平台略降,FTC下降并趋平,NDVI呈驼峰形,Precipitation和Slope呈浅驼峰形,Aspect变化较小。
4.5 DML估计调整关联与稳健性检验:通过重复DML控制其余条件因子,Elevation呈最大负调整关联,DTR亦呈一致负关联,二者在200次空间交叉拟合重复中均为负;每增加1个标准差的中位估计分别为?0.1539(95% CI,?0.2433至?0.0645)和?0.0608(95% CI,?0.1000至?0.0217)。BH校正20个可估计系数和对比后,仅Elevation和DTR满足q < 0.05(q分别为0.0182和0.0264)。FTC、DTF、NDVI和Slope为负点估计,Curvature、DTW和SPI为正点估计,Precipitation接近零(0.0019),Aspect分量为小正点估计,其95% CI均包含零;岩性L6正点估计最大(0.2592),L7为负,所有可估计岩性对比CI含零;LULC中森林相对草地负点估计最大(?0.2393;95% CI,?0.4532至?0.0253),其点wise CI排除零但BH校正q为0.1916;Cropland和Shrub为负点估计且CI含零。RCC检验中,20个可估计系数和对比的原始与扰动均值同号,最大绝对平均配对变化为0.0097(Cropland相对草地),支持均值调整关联估计在随机协变量扰动下稳定。
4.6 滑坡易发性制图:通过最终堆叠集成生成易发性指数并以Jenks自然断点分为五类,极低、低和中易发区分别占71.25%、8.44%和5.20%;高易发区占5.19%并含9处滑坡(4.15%),极高易发区占9.92%并含206处滑坡(94.93%)。高和极高易发区沿龙务河河谷及支沟呈带状和斑块状集中,中北部突出,西南亦有集中;极低和低易发区广布于外围山地。空间折外评估显示,易发性最高的20%区域含93.27% ± 1.51%的留出滑坡,预测率曲线下面积为0.9363 ± 0.0050,平均频率比由极低类的0.05升至极高类的10.24。
讨论总结与结论翻译:讨论部分指出,SHAP、PDPs和DML分别回答预测贡献、响应模式和调整关联问题,结果互补而非等同。Elevation信号最一致:最终模型SHAP贡献最高、PDP呈负响应、DML在200次重复中持续为负;DTR的PDP下降与负DML估计一致;DTF方向类似但DML CI含零;Lithology和LULC在PDP中类别差异明显,但DML对比经多重检验校正后不显著;NDVI呈非单调PDP响应并具小负DML估计;Precipitation呈非线性PDP响应,但最终模型SHAP贡献较小且DML估计近零,可能与其和地形、岩性条件的空间相关及长期降水数据与事件尺度降水的时间不匹配有关。区域机制上,Elevation更适合解释为河谷系统地貌位置代理,其DML系数描述与空间代理的协变量调整关联而非海拔直接效应;道路建设与边坡开挖可造成坡脚卸载和应力重分布,断层破碎降低边坡完整性;黄土大孔和垂直节理促进入渗,泥岩低渗透且易水致软化,水可在黄土—泥岩界面或既有滑带附近积累,升高孔隙水压力并降低剪切强度;Pan et al. 同样识别出龙务河及其支流沿岸高易发区,但其SVM在70:30训练/测试划分下AUC为0.9489,与本研究嵌套空间交叉验证下堆叠集成0.953 ± 0.009不可直接比较。局限性包括:每次实现434个样本(217个滑坡点)可能限制泛化;30 m网格点表示不能捕捉完整滑坡足迹;1:1平衡使预测易发性应解释为相对易发性分数而非绝对发生概率;空间交叉验证减少乐观偏差,但仍需跨地貌区和独立区域验证;多数条件因子为静态或长期环境条件,缺滑坡时间、短历时强降水、前期累计降水和土壤水分;DML依赖观测协变量、样本代表性和未测混杂,分类估计为相对于参考类的对比,部分线性估计假设编码处理成分具恒定线性关联,空间交叉拟合和网格聚类标准误处理空间分组但邻近网格依赖可能残留,故DML结果为协变量调整关联而非因果效应。
结论(译文):(1)在嵌套空间交叉验证下,堆叠集成在20次采样实现中取得最高平均AUC,为0.953 ± 0.009(均值±标准差);空间折外评估显示,易发性最高的20%区域包含93.27% ± 1.51%的留出滑坡;最终图中高易发区占5.19%并含4.15%的库存滑坡,极高易发区占9.92%并含94.93%的库存滑坡;这些库存比例描述与训练库存的空间一致性,空间交叉验证和折外评估提供预测性能证据。(2)SHAP识别Elevation、DTR、Lithology、DTF和LULC为最终模型主要预测因子,合计占总平均绝对SHAP值的76.69%;PDPs揭示非线性预测响应,较低高程、近道路和断层及特定岩性/土地覆盖类别具较高预测易发性;这些排序以共线性剔除Relief和TWI后保留的因子集为条件。(3)重复DML估计识别Elevation和DTR为负调整关联,且为多重检验校正后仅存的统计学显著因子;FTC为负点估计但CI跨零,Precipitation估计接近零;RCC结果表明均值调整关联估计在所检验随机协变量扰动下稳定。结合SHAP和DML可区分基于模型的预测贡献与协变量调整关联,对滑坡条件因子提供更谨慎解释;该互补方法有助于评估有影响力预测因子在调整其他观测变量后是否仍与滑坡发生相关,结合易发性图可帮助优先安排龙务河河谷高易发区尤其是道路走廊附近的野外调查和监测,并服务区域滑坡减灾规划;将框架应用于其他高原过渡带需本地代表性滑坡库存、适当条件因子数据和独立空间验证。