基于分形(Fractal)表征地形要素以增强人工智能(AI)驱动滑坡敏感性制图(Landslide Susceptibility Mapping, LSM)的方法研究

《Fractal and Fractional》：Fractal-Based Characterization of Topographic Features to Enhance AI-Driven Landslide Susceptibility Mapping

　　

滑坡是一种全球范围内普遍存在且破坏力极强的自然灾害。尽管基于人工智能(AI)的滑坡敏感性制图(Landslide Susceptibility Mapping, LSM)已成为划定高危区域的有效工具，但其预测性能常受限于固有数据噪声及滑坡触发因子表征不足，制约了制图结果的可信度。本研究中，为弥补此局限，研究人员采用分形(Fractal)分析从地形要素中挖掘潜在固有信息。具体而言，应用盒计数法(Box-counting Method)和多重分形(Multifractal)分析挖掘八个地形因子内嵌的固有非线性特征，并利用一种改进K-means算法进行特征选择，构建专用的分形特征数据集输入至先进AI模型中。研究结果表明：坡度的信息维数(DI)、坡向的关联维数(DC)、地形起伏度(Land Relief)、粗糙度的DI、平面曲率的DI、剖面曲率的多重分形谱宽度(Δα)、高程的DI以及地表切割深度为最优特征，在捕捉滑坡目标方面表现出优越性能。对比性能评估显示，基于分形特征训练的AI模型相比基于原始特征训练的AI模型具有显著更优的预测能力，该优势在总体精度(Overall Accuracy)、Kappa系数、F1分数及预测效率等关键评价指标上均得到一致证实，表明分形特征的引入显著增强了模型的鲁棒性和预测效能。为缓解AI建模的"黑箱"问题，研究人员采用Shapley加性解释(Shapley Additive exPlanations, SHAP)量化各特征贡献并阐明潜在预测机制。研究发现，分形分析的引入产生了高判别性且鲁棒的特征表示，从而扩展了模型的表征能力并提高预测精度。此外，空间不确定性与敏感性制图的联合评估表明，利用分形衍生特征建模的模型在划定高敏感区时表现出低预测方差和高空间稳定性。值得注意的是，基于分形特征建模的模型实现了更优的空间捕获效率。由此得出的经分形表征并通过改进K-means算法筛选的地形要素能显著提升滑坡敏感性制图任务中训练后AI模型的预测性能，为未来滑坡预测与防治提供了科学可行的技术途径。

论文解读：基于分形(Fractal)表征地形要素以增强人工智能(AI)驱动滑坡敏感性制图(Landslide Susceptibility Mapping, LSM)的方法研究

一、研究背景与概述

滑坡是全球范围内普遍且极具破坏性的地质灾害，严重威胁人身安全、基础设施及社会经济稳定。滑坡敏感性制图(Landslide Susceptibility Mapping, LSM)是估算特定区域内滑坡发生空间概率的关键技术手段。目前数据驱动的AI模型（如人工神经网络ANN、随机森林RF、支持向量机SVM）因擅长挖掘复杂非线性关系而被广泛用于LSM，但仍存在两方面瓶颈：(i) 传统欧几里得几何描述的原始地形 conditioning因子（如坡度、坡向、曲率等）难以充分刻画与滑坡相关的复杂非线性空间异质性；(ii) 输入特征的选择往往主观随意，缺乏针对高维非线性分形特征的有效筛选机制。此外，AI模型的"黑箱"特性限制了其地质物理解释能力。

为此，研究人员引入分形(Fractal)及多重分形(Multifractal)理论，通过盒计数法提取8个典型地形因子（坡度Slope Gradient、坡向Aspect、地形起伏度Land Relief、粗糙度Roughness、平面曲率Plan Curvature、剖面曲率Profile Curvature、高程Elevation、地表切割深度Surface Cutting Depth）隐含的非线性空间结构信息（容量维数D₀、信息维数D_I、关联维数D_C、多重分形谱宽度Δα、多重分形谱偏斜度Δf(α₀)），并设计改进K-means算法进行特征优选，构建分形特征数据集。研究分别基于原始特征和分形特征训练ANN、RF、SVM及深度森林(Deep Forest, DF)模型，结合混淆矩阵指标、ROC曲线、成功率曲线及SHAP(Shapley Additive exPlanations)可解释性分析、空间不确定性分析综合评价分形特征对LSM性能的提升效果。结果表明分形特征显著增强模型判别力与高敏感区空间捕获效率。该论文发表于《Fractal and Fractional》。

二、主要关键技术方法概要

研究区选为中国江西省崇义县(Chongyi County)，获取Copernicus DEM GLO-30数字高程模型(分辨率30 m，重采样至100 m)，提取8项地形因子构成原始特征集。采用滑动窗口盒计数法计算各因子局部多重分形参数（q∈[-5,5]，窗口边长5000 m，步长1000 m），通过反距离加权(Inverse Distance Weighted, IDW)插值将窗口中心分形值分配至全幅栅格像元。设计改进K-means聚类算法，以簇内历史滑坡点占比(P_L)、簇内总样本占比(P_S)及其比值（滑坡捕获能力指标P_L/P_S）评估各候选特征对滑坡目标的区分能力，筛选每类地形因子中最优原始或分形特征构建优选数据集。以历史滑坡点(166个有效栅格单元)与分层随机抽样非滑坡点(332个，1:2再随机取1:1组成训练集)建立正负样本，进行10次独立训练以消除随机性。采用ANN(前馈神经网络FNN)、RF、SVM及DF四种算法，网格搜索结合10折交叉验证确定超参数，比较原始特征与分形特征输入下模型的准确率(Accuracy)、Kappa系数、F1分数、ROC-AUC、成功率曲线及空间预测效率，并以SHAP值和10次迭代预测标准差分别做可解释性与不确定性分析。

三、研究结果（按原文小节总结）

4.1. Feature Selection in the Fractal Exponential Evidence Layer（分形指数证据层的特征选择）

研究人员对8个地形因子的多重分形指标计算P_L/P_S值进行排名，最终选出最具滑坡捕获能力的特征组合：坡向的D_C、坡度的D_I、地形起伏度（原始）、粗糙度的D_I、平面曲率的D_I、剖面曲率的Δα、高程的D_I、地表切割深度（原始）。其中粗糙度D_I全局P_L/P_S最高(3.6794)，坡度D_I次之(3.4626)。该优选子集含2个原始因子与6个分形因子，构成本研究的分形特征数据集。

4.2. Pre-Experimental Setup（实验前设置）

明确正负样本构建方式（166个滑坡点配166个非滑坡点，非滑坡点由160等分亚区随机抽选并补足以避开滑坡300 m缓冲区），说明软硬件环境（PyTorch 1.13.1, Python 3.7）、10次独立建模策略及网格搜索结合10折交叉验证确定最优超参数，列出各模型关键超参数搜索范围与最终取值。

4.3. Predictive Modeling（预测建模）

四类AI模型在分形特征训练下的总体精度、Kappa、F1-score及AUC均高于原始特征训练组——以ANN为例AUC由0.9355提升至0.9730。DF与RF虽分类统计指标略低于ANN，但在空间预测效率（高敏感区面积占比vs历史滑坡捕获率）上表现最佳：分形特征训练的DF仅需划定5%研究区为高敏感区即可捕获57.23%的历史滑坡，分形特征训练的RF捕获53.01%，均优于各自原始特征模型。成功率曲线第一段斜率（空间预测效率）分形特征组全面优于原始特征组。基于信息增益的特征重要性显示，分形特征训练后坡度D_I贡献较原始坡度提升5.31%，地表切割深度仍为首要因子。SHAP分析表明原始特征中坡度、曲率、粗糙度、坡向SHAP值密集交织于零附近、判别性差，引入分形维度后高低特征值沿SHAP轴明显两极分化，特征判别边界显著拓宽（高程原始值判别力强于其D_I，因绝对高程含势能及环境代用信息）。空间不确定性分析显示极端敏感与极低敏感区预测方差小，过渡区方差大；分形特征模型在低不确定区间(≤0.1)内含更高比例历史滑坡，滑坡靶向效率(Targeting Efficiency)较原始特征模型分别提升ANN 5.0730、DF 3.8281、SVM 1.7906、RF 1.4154。

四、讨论与结论翻译总结

讨论指出分形几何成功挖掘原始地形变量中隐藏的非线性空间结构信息，揭示地表破碎度与滑坡发育的内在联系，克服原始欧氏特征信息量局限，增强AI模型对滑坡边界的识别能力；SHAP解析验证了分形特征改善多数地形因子决策贡献的清晰度；不确定性联合评估佐证分形特征降低预测方差、提高空间稳定性。

结论部分：研究人员对8个地形因子计算五类多重分形指标，经改进K-means筛选出最优子集（地表切割深度、剖面曲率Δα、高程D_I、平面曲率D_I、地形起伏度、粗糙度D_I、坡向D_C、坡度D_I）。所有AI模型在分形特征输入下准确率、F1、Kappa及AUC均优于原始特征输入；分形特征训练的DF模型以顶部5%高敏感区捕获57.23%历史滑坡，具最高空间靶向效率。SHAP分析表明除高程外，其余地形因子的分形维度提升了特征判别力。基于不确定性分析划定高敏感—低预测风险叠置区作为优先防灾区，分形特征显著提高了模型靶向效率。研究表明：基于分形表征并经改进K-means选择的地形要素可显著提升LSM中AI模型预测性能，为滑坡预测与防治提供科学可行的技术途径。