一种融合可信度与空间均匀性的滑坡负采样新方法

《Geomatics, Natural Hazards and Risk》：A novel approach incorporating credibility and spatial uniformity for landslide negative sampling

　　

滑坡易发性评估（Landslide Susceptibility Assessment，LSA）在滑坡灾害防控中发挥关键作用，负样本的选择直接影响模型的预测性能。已有方法难以同时兼顾样本可信度与空间均匀性，限制了模型对非滑坡特征的学习能力并影响精度。为此，研究人员提出一种基于可信度与空间均匀性（Credibility and Spatial-Uniformity based Negative sampling，CSUN）的负采样方法。该方法首先利用K-means聚类划分滑坡特征空间，采用高斯相似函数度量各聚类单元与滑坡样本的环境相似度，构建负样本可信度图并据此选样。研究人员使用随机森林（Random Forest，RF）与支持向量机（Support Vector Machine，SVM）模型，将CSUN与随机采样及仅可信度采样方案对比。结果表明：（1）相较随机与仅可信度负样本选取方案，所提策略在RF模型下AUC提升20.5%与8.7%，在SVM模型下提升12.3%与6.5%；（2）重复采样分析显示CSUN的AUC与F1-score标准差最低，性能最稳定。该方法提升了模型预测精度，为构建可靠且空间均匀的滑坡负样本提供了有效策略。

研究背景方面，滑坡在地形复杂区域频发且破坏性强，滑坡易发性评估（LSA）是预测潜在风险与支撑减灾决策的高效手段，而负样本质量直接决定模型判别力。现有负采样策略分为随机采样、空间几何约束采样与特征约束采样三类：随机采样易将潜在不稳定区误标为负样本；空间几何约束依赖距离缓冲，忽视环境差异；特征约束虽提升可信度，却因聚焦稳定环境导致样本空间聚集、均匀性差。三者均难兼顾可信度与空间均匀性，成为大规模LSA研究的瓶颈。为此，研究人员在川滇交界金沙江中下段（约27916.20 km²）开展研究，提出CSUN方法，并以RF与SVM验证其有效性，论文发表于《Geomatics, Natural Hazards and Risk》。

关键技术方法上，研究人员整合14个 conditioning factors（高程、坡度、坡向、平面曲率、剖面曲率、NDVI、土壤类型、降水、土壤湿度、岩性、土地利用、距断层距离、距河流距离、距道路距离），经Pearson相关与VIF分析剔除高程保留降水；采用K-means聚类（k=2由SSE、轮廓系数SC、Calinski-Harabasz指数CH、Davies-Bouldin指数DB及ARI稳定性选定）划分环境分区；用地理探测器算因子权重，高斯相似函数算单因子相似度，合成综合环境相似度S_j，负样本可信度R_j=1?S_j；依频率比（FR）<1定阈值R_j≥0.18得候选区，再用分区最小距离约束选323个负样本与323个历史滑坡正样本平衡；以最近邻指数（NNI）和区域样本数变异系数（CV_N）评空间均匀性；用RF、SVM及五折空间块交叉验证、30次重复采样评AUC、Accuracy、Precision、Recall、F1-score。

研究结果如下。环境分区与可信度制图部分，K-means聚为2类环境簇，簇内地理探测器权重显示Cluster 1以土壤类型（0.15）、坡向（0.13）为主，Cluster 2以平面曲率（0.19）为主，证明环境异质性显著；按0.02步长分箱算FR，R_j∈[0.18,1]时FR=0，定为负样本候选带。空间均匀性对比部分，CSUN的NNI=1.22高于随机与仅可信度（0.84），CV_N=1.60低于另两者（1.96），说明最小距离约束提升点散度与区域覆盖均匀性。模型性能部分，CSUN-RF的AUC=0.923、Accuracy=0.871、F1-score=0.865、Recall=0.825；CSUN-SVM的AUC=0.904、Accuracy=0.845、F1-score=0.844、Recall=0.835，均优于随机与仅可信度方案；空间块交叉验证中CSUN折叠间AUC波动最小。稳定性与敏感性部分，30次重复采样下CSUN-RF的AUC标准差0.009、F1标准差0.011，CSUN-SVM相应为0.013与0.019，低于对照；可信度阈值在0.14~0.22间AUC平滑变化，0.18为优；负正样本比1:1~5:1下CSUN保持高性能低波动。跨模型适用部分，CSUN样本训XGBoost、LightGBM、MLP的AUC均>0.90、F1>0.85，变幅小，证其不依赖特定模型。

讨论部分指出，CSUN以环境分区+相似度约束+空间均匀采样，克服随机采样引入环境重叠、仅可信度采样空间聚集的问题；其优势在环境异质性强、滑坡编录完整的山区最显，但在地形平缓区增益有限；局限在于依赖历史滑坡完整性，且未纳入降雨时序、InSAR形变等动态因子，未来可融多期动态变量。结论部分翻译如下：本研究提出联合考虑可信度与空间均匀性的滑坡负采样方法CSUN，以改善负样本构建并增强易发性建模中非滑坡样本的代表性与稳定性。主要结论为：（1）通过环境相似度与基于聚类的分区联合约束，CSUN缓解传统策略通病；RF与SVM下AUC达0.923与0.904，准确率0.871与0.845，F1-score 0.865与0.844，较随机与仅可信度方案全面提升。（2）重复采样下CSUN-RF与CSUN-SVM的AUC标准差为0.009与0.013，F1-score标准差0.011与0.019，显著低于对照，表明该方法降低负采样不确定性，提升模型稳定性与有效性。本研究为大型复杂区域滑坡风险识别与防灾决策提供更有效方法依据。