作者及机构
本研究由Mohammad Azarafza（伊朗大不里士大学土木工程系）、Mehdi Azarafza（伊朗大不里士大学计算机工程系）、Haluk Akgün（土耳其中东技术大学地质工程系）、Peter M. Atkinson（英国兰卡斯特大学环境中心）和Reza Derakhshani（荷兰乌得勒支大学地球科学系）共同完成。研究成果发表于2021年的Scientific Reports期刊（第11卷，文章编号24112），标题为《Deep learning-based landslide susceptibility mapping》。
研究领域与动机
滑坡是全球范围内最具破坏性的自然灾害之一，尤其在伊朗地区，频繁的滑坡事件导致严重的经济损失和人员伤亡。传统的滑坡敏感性评估方法（如统计模型、启发式方法）受限于数据不确定性和模型精度问题。近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）技术因其在特征提取和模式识别上的优势，逐渐成为滑坡预测的新工具。
本研究旨在开发一种结合卷积神经网络（Convolutional Neural Network, CNN）和深度神经网络（Deep Neural Network, DNN）的混合模型（CNN-DNN），用于提高伊朗伊斯法罕省（Isfahan Province）滑坡敏感性制图的精度。研究目标包括：
1. 识别滑坡发生的主要触发因子；
2. 验证CNN-DNN模型是否优于传统机器学习算法；
3. 为伊斯法罕省提供高精度的滑坡敏感性地图。
1. 数据准备与预处理
研究对象：伊斯法罕省（面积约106,786 km²）的222处历史滑坡记录，数据来源包括野外调查、遥感影像（Landsat TM/ETM+）和数字高程模型（DEM）。
样本划分：
- 训练集（80%）：包含60%滑坡点和40%非滑坡点；
- 测试集（20%）：包含55%滑坡点和45%非滑坡点。
滑坡触发因子：
研究选取了15个影响因子，分为四类：
1. 地貌因子（如高程变化、坡度、曲率）；
2. 地质因子（如岩性、断层距离、土壤类型）；
3. 环境因子（如气候、植被指数NDVI）；
4. 人类活动因子（如道路距离、城市距离）。
通过方差膨胀因子（VIF）检验排除了多重共线性问题（所有因子VIF < 2.1）。
2. CNN-DNN模型构建
模型架构：
- CNN部分：用于自动提取空间特征，包括卷积层、池化层（Max-pooling）、批量归一化层（Batch Normalization）和全连接层。
- DNN部分：基于提取的特征进行分类，输出滑坡敏感性概率。
超参数优化：采用网格搜索（Grid Search）技术确定最佳参数（如学习率=0.01，迭代次数=5000）。
3. 模型验证与对比
评估指标：
- 混淆矩阵（Confusion Matrix）指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数；
- 误差指标：均方误差（MSE=0.17）、均方根误差（RMSE=0.40）、平均绝对百分比误差（MAPE=0.42）；
- ROC曲线下面积（AUC=90.9%）。
对比模型：支持向量机（SVM）、逻辑回归（LR）、高斯朴素贝叶斯（GNB）等6种传统机器学习算法。
科学意义：
- 首次将CNN-DNN混合模型应用于伊斯法罕省的滑坡敏感性制图，证明了深度学习在空间预测中的优势；
- 解决了传统方法中因数据冗余和特征人工提取导致的精度限制问题。
应用价值：
- 为地方政府提供了高分辨率的滑坡风险分区图，可用于土地规划与灾害管理；
- 模型框架可推广至其他地质条件复杂的地区。
局限性：
- 历史滑坡数据量有限（222处）；
- 模型计算需求高，需依赖高性能处理器。
未来研究可考虑结合实时遥感数据或增强样本多样性以进一步提升模型鲁棒性。