基于遥感解译与信息量法的滑坡易发性评价样本优化OA

黄土高原黄土特殊的水敏性与垂直节理构造导致滑坡灾害高发频发,伴随特高压输电线路等线性基建大范围落地,区域精细化滑坡易发性评价需求持续攀升,但黄土偏远区域历史滑坡编录资料稀缺,传统依靠历史台账获取正样本、全域随机抽取负样本的建模方式,存在正样本数量不足、负样本易混入同环境模糊样本的弊端,造成机器学习模型评价精度偏低。针对上述问题,提出一种融合小基线子集合成孔径雷达干涉测量(SBASInSAR)时序遥感解译与信息量统计法的滑坡正负样本协同优化方法。以山西临汾吕梁山沿线黄土区为对象,选取高程、坡度、坡向、归一化植被指数(NDVI)、沟壑密度等9项评价因子开展建模;依托2023—2024年Sentinel-1A卫星影像实施SBAS-InSAR形变反演,将沿坡向年平均形变速率≤-15 mm/a区域划为潜在滑坡区,结合光学影像滑坡地貌目视解译交叉核验,在原有历史滑坡扩充的230个栅格正样本基础上新增920个栅格样本,得到1 150个优化正样本;再利用信息量模型开展滑坡易发性五级分区,从极低、低易发区内随机采样获取优化负样本,严格控制正负样本1∶1配比。试验设置4组对照采样方案,数据集按7∶3划分训练与测试集,采用随机森林(RF)与反向传播神经网络(BPNN)开展易发性建模,以受试者工作特征曲线-曲线下面积(ROC-AUC)作为精度评价指标。结果表明,样本优化效果分级显著:仅优化正样本可明显提升模型精度,仅优化负样本对模型增益有限,正负样本协同优化效果最优;最优方案RF、BPNN模型AUC值分别为0.918 12,0.819 37,相较传统历史编录正样本+全域随机负样本方案(RF、BPNN模型AUC值分别为0.572 85,0.555 77),精度分别提升60.27%,47.43%。研究证实遥感与信息量法协同优化样本可显著提升黄土滑坡评价可靠性,该思路可推广至红层山区等样本匮乏区域,能够为黄土区输电线路安全运维与地质灾害防控提供技术依据。