基于注意力驱动的层次化空间自适应集成方法用于滑坡易发性制图

《Remote Sensing》:Attention-Driven Hierarchical Spatial Adaptive Ensemble for Landslide Susceptibility Mapping

【字体: 大 中 小 】 时间:2026年06月17日 来源:Remote Sensing 4.1

编辑推荐:

  滑坡每年造成数千人伤亡和数十亿美元经济损失,但在异质性景观中实现可靠的易发性制图仍具挑战性,因为传统模型假设滑坡发生与环境控制因子之间存在平稳关系。集成方法虽具前景,但其依赖全局固定聚合权重或受核函数约束的局部平均,无法在基础模型可靠性呈非线性空间变化时进行自

  
滑坡每年造成数千人伤亡和数十亿美元经济损失,但在异质性景观中实现可靠的易发性制图仍具挑战性,因为传统模型假设滑坡发生与环境控制因子之间存在平稳关系。集成方法虽具前景,但其依赖全局固定聚合权重或受核函数约束的局部平均,无法在基础模型可靠性呈非线性空间变化时进行自适应调整。为此,研究人员提出了一种两阶段层次化空间自适应集成(HSE)框架。第一阶段部署三个互补的基础学习器:地理加权回归(GWR)处理局部空间非平稳性;基于地理学第三定律的地理最优相似性(GOS)模型表征相似性驱动的局部依赖关系;深度神经网络(DNN)捕捉非线性协变量交互作用。第二阶段通过多尺度特征提取,利用多分支注意力网络学习空间变化融合权重,摒弃固定权重或核函数约束。研究人员在典型滑坡易发流域对HSE进行验证,并与单一模型(GWR、DNN、GOS)进行对比。结果表明,该方法在预测精度、空间一致性和样本外鲁棒性方面始终表现更优。此外,注意力派生的空间变化权重为各基础学习器的优势空间域提供了可解释性洞察,架起了预测性能与地球物理解释性之间的桥梁。这些发现证实,在集成融合过程中显式学习空间异质性对于可靠的滑坡易发性制图至关重要,且该方法对其他受非平稳性困扰的地理空间预测任务具有强迁移潜力。
滑坡作为全球最具破坏性的地质灾害之一,在山区造成严重人员伤亡和经济损失。随着气候变化加剧极端降雨事件以及人类活动不断向脆弱地形扩张,滑坡发生频率和影响预计将持续上升,因此准确的滑坡易发性制图对于防灾减灾和土地利用规划具有关键意义。

滑坡易发性评估长期依赖数据驱动建模方法,经历了从空间统计与回归模型到经典机器学习再到深度学习的演进过程。早期方法以地理加权回归、逻辑回归等空间统计和回归模型为主,虽能显式考虑空间自相关和非平稳性,但受限于线性假设和捕捉复杂多因子交互作用能力的不足。随后引入的随机森林、支持向量机等经典机器学习方法通过学习环境协变量的非线性关系提升了预测性能,但仍作为全局模型运行,无法适应空间变化的滑坡控制机制。深度学习的发展使深度神经网络能够建模高维环境特征,在滑坡易发性制图中展现出较强的判别能力,但这些数据密集型模型往往忽视地貌系统固有的空间拓扑依赖关系,且在数据稀疏的山区易发生过拟合,限制了其在异质性景观中的泛化能力。为缓解单一模型推断的不确定性,研究者采用简单平均、堆叠等传统集成策略组合多个学习器输出,但这些方法依赖全局固定权重,无法适应空间变化的模型可靠性,导致在复杂高山峡谷环境中表现欠佳。

当前研究存在三方面根本局限:其一,全局模型(统计或深度模型)假设协变量与滑坡 occurrence 之间存在平稳关系,无法捕捉空间异质性;其二,深度学习虽能表征非线性交互,但通常忽略空间结构且在数据稀缺区域过拟合,而线性或浅层模型又无法充分刻画地形-水文-地质耦合非线性;其三,没有单一模型能在所有地貌域中最优,而传统集成方法依赖全局固定聚合权重,无法适应空间变化的模型可靠性。针对这些挑战,研究人员提出了一种两阶段层次化空间自适应集成学习(HSE)框架。

该研究发表于《Remote Sensing》,其研究区域位于中国云南省西北部怒江傈僳族自治州,面积约14,703 km2,海拔740 m至5130 m,局部落差达4390 m。该区域以北南向高山深谷为特征,地质上软硬岩层交替导致边坡稳定性差,强风暴雨叠加薄层土壤和欠发育根系,使滑坡、崩塌、泥石流等地质灾害高度易发。研究使用561个历史滑坡点作为正样本,通过确定性因子(CF)模型辅助构建非滑坡样本:首先计算各环境因子类别的CF值以量化滑坡发生经验关联,叠加生成初始CF易发性图,然后从低易发性区域随机选取561个非滑坡点,形成1:1平衡数据集,再按80%训练集和20%测试集进行分层随机抽样。研究采用的9个预测变量涵盖高程、坡度、坡向、道路距离、河流距离、断层距离、年降水量、归一化植被指数(NDVI)和岩性,分别来自SRTM 3版本30 m分辨率DEM、Landsat 8 OLI影像、地质图、气象记录和土地利用数据。

在技术方法层面,HSE框架采用两阶段设计。第一阶段部署三个互补基础学习器:GWR通过自适应双平方核权重矩阵构建位置特定线性回归以量化空间非平稳性;GOS基于地理学第三定律,通过多变量相似性计算和最优相似样本加权聚合表征相似性驱动的局部依赖;DNN采用含两个隐含层和ReLU激活函数的前馈网络挖掘非线性协变量交互。第二阶段为注意力驱动的深度集成网络,其以标准化环境协变量向量和三基础学习器的预测概率向量为输入,通过两个并行的全连接特征编码分支提取多尺度环境特征,再以专用编码模块嵌入基础预测信息,经注意力网络学习自适应特征重要性权重,融合后输入权重生成网络产生样本特定的三基础学习器动态权重,最终结合融合特征与加权预测估计滑坡发生概率。整个框架采用两阶段训练策略:GWR、GOS和DNN先独立训练并冻结,其预测概率作为固定输入,仅优化集成网络的特征编码分支、注意力模块、权重生成模块和最终预测模块参数,使用AdamW优化器(学习率5×10-3,权重衰减1×10-5)和二值交叉熵损失训练250个epoch。

研究结果表明,HSE模型在各项评价指标上均表现最优:准确率0.813、精确率0.786、F1分数0.822、ROC曲线下方面积(AUC)0.889,较DNN基线(准确率0.785、精确率0.723、F1分数0.810、AUC 0.836)有明显提升,尤其精确率提高0.063,表明更强的假阳性控制能力;虽召回率0.869略低于DNN的0.922,但实现了更优的精确率-召回率平衡。GWR和GOS作为传统空间统计模型则呈现更明显的性能权衡:GWR召回率与HSE相同但其他指标更低,GOS精确率尚可但整体判别能力最弱。

消融研究验证了各核心组件的独立贡献。完整HSE模型表现最优;移除元学习器分支(HSE w/o Meta)导致性能最严重下降(准确率降至0.763,AUC降至0.837),表明整合三基础模型预测输出的重要性;移除自适应WeightNet模块(HSE w/o WeightNet)使准确率降至0.800、AUC降至0.869,证实动态分配样本特定融合权重的必要性;禁用空间注意力机制(HSE w/o Attention)虽影响相对较小(准确率0.809,AUC 0.881),但仍造成精确率和召回率的轻微下降,说明注意力机制对提升空间上下文建模具有补充价值。

基础学习器权重的空间分布揭示了明显的空间异质性:GWR、DNN、GOS平均权重分别为0.345、0.3347、0.3196,但最大权重分别达0.9650、0.9601和0.9500,标准差较大,表明模型确实自适应调整各学习器的空间贡献而非采用固定权重。高GWR权重指示局部空间非平稳性贡献更强的区域,高DNN权重反映对多因子非线性交互依赖更强的区域,高GOS权重则表征环境相似性聚合预测信息更重要的区域。

滑坡易发性分区图显示,所有模型均能反映宏观分布规律:高和极高易发区沿怒江及其主要支流呈狭窄连续带状分布,极低和低易发区集中于高海拔分水岭和宽缓河间地。但HSE模型的极高易发区仅占总面积13.15%却包含63.39%的滑坡点,点密度达0.1835点/km2,远低于GWR(16.58%面积、0.1555点/km2)、DNN(17.39%面积、0.1506点/km2)和GOS(16.67%面积、0.1493点/km2),表明HSE避免了高风险区的过度泛化。尤为重要的是,HSE模型的极低易发区(占17.12%)完全不含滑坡点,低易发区仅含0.89%滑坡且密度近乎为零,与稳定山脊和宽缓河间地精确匹配;而对比模型存在将不稳定坡体误分为低易发区的情况。

讨论部分,研究人员从四个方面深入阐释。关于HSE框架的合理性,文中指出单一传统空间统计方法擅于捕捉空间非平稳性但缺乏非线性表征能力,独立DNN虽具非线性拟合能力却忽视空间拓扑依赖,而HSE通过双分支特征提取、注意力驱动自适应融合和动态权重分配有效弥合了空间统计与深度学习之间的鸿沟,将地理空间知识融入深度学习特征表示,使其 inherent 适应高山峡谷区受构造地质和地形异质性共同控制的复杂滑坡形成机制。关于性能优势的内在机理,研究人员认为传统空间统计模型存在明显结构偏差,纯DNN基线虽敏感性高但难以平衡精确率和整体分类稳定性,而HSE实现了精确率与召回率的有利权衡,既能抑制冗余噪声导致的虚警,又能减少潜在滑坡点的漏检,高度契合滑坡风险管理"既避免盲目预警、又全面识别隐患"的实际需求。关于核心结构组件的功能互补性,消融分析明确了各模块的独立定位和协同效应:元学习器分支是跨场景泛化的基础支撑,WeightNet模块实现条件因子的数据驱动自适应筛选与加权,空间注意力机制聚焦捕捉相邻地理单元间的长程空间关联;三者分别应对环境异质性、优化特征贡献和强化空间上下文建模,其有机整合形成系统性增强效应。关于易发性制图的地貌一致性与应用意涵,研究人员强调怒江州作为典型高山陡坡峡谷区,其滑坡分布受河流下切和构造活动主导,而HSE模型产出更紧凑合理的易发性分区,准确将高危险区限定于河流沿岸狭窄陡坡带,低易发区与稳定平缓地形完美匹配,避免了基准模型中常见的高风险区过度扩散和稳定地貌单元误分类,可为区域滑坡灾害防治、基础设施布局和国土空间规划提供精细化决策支持。

研究结论部分指出,HSE框架在预测精度、空间一致性和样本外鲁棒性方面始终优于GWR、DNN和GOS等单一模型基线,这一优势归因于注意力驱动的自适应融合机制,它直接从环境协变量和基础预测中学习空间变化的基础学习器权重,克服了传统集成方法固有的固定权重和核函数约束局限。三个互补基础学习器的刻意多样性使其能够全面表征滑坡地理空间属性:GWR捕捉局部空间非平稳性,GOS(基于地理学第三定律)量化局部空间自相关,DNN挖掘非线性协变量交互。没有单一学习器在所有地貌域中均表现最优,但其注意力加权组合能无缝适应变化的地貌条件。易发性图的空间模式具有地貌一致性:高危险区集中于怒江及其主要支流沿岸的狭窄带状区域,反映河流下切和活跃构造的主导控制;低危险区占据稳定的河间地和高海拔分水岭。这种与区域地球动力学背景的一致性确认HSE产出了物理合理且空间目标明确的易发性分区。总体而言,这些结果表明在集成融合过程中显式学习空间异质性不仅对滑坡易发性制图有益,而且是关键因素。研究也承认存在局限:GOS组件依赖于地理环境相似位置具有相似滑坡易感性的假设,但该假设在本研究区未作为独立的空间依赖假说进行验证。未来工作将聚焦于整合物理边坡稳定性约束,并将框架扩展至多时相滑坡评估。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号