1 引　言

陕西省是中国西北部地质灾害较严重的省份，其中陕南地区处于中国南北地震带和华北地震带的交汇部位，地壳运动活跃、地质构造发育、地形起伏高差大，地质环境相当脆弱，地质灾害尤其发育（邱海军等, 2014; 曹璞源等, 2017; 周静静等, 2019）。近年来，随着社会的快速发展，人类工程活动范围的不断扩大，各类滑坡、崩塌等地质灾害发生的频率日趋增多，造成的损失也日趋严重。

地质灾害的孕育和发生受多种因素的影响，这些因素可分为基本因素和诱发因素。基本因素有地形地貌、地层岩性和坡体结构等；诱发因素有降雨、地震和人类活动等。各影响因素作用相互叠加，造成灾害发生机制具有不确定性和复杂性，给地质灾害的危险性评价带来一定困难（唐亚明和张茂省, 2011; 吴树仁等, 2012; 张茂省等, 2019）。随着遥感信息技术的迅速发展，利用GIS平台结合高分遥感影像、DEM数据等，可以快速有效地进行大范围地质灾害危险性评价（薛强等, 2023）。众多学者基于经验及统计方法，如信息量模型（李光辉和铁永波, 2023）、逻辑回归模型（李信等, 2022）、层次分析法模型（孙剑锋等, 2023）、证据权模型（姚小月等, 2023）等对地质灾害危险性评价开展了大量研究工作，分析地质灾害的孕灾和致灾的因素，并预测区域内地质灾害易发生空间位置。当前这些评价方法处于从定性到定量的过渡时期（孟晓捷等, 2022; 马啸等, 2022; 李嘉昊等, 2023）。由于地质灾害孕灾和诱发因素众多，且具有一定的随机性以及不确定性，经验统计方法对影响因素难以考虑周全。并且单一模型很难准确的表示出地质灾害和各影响因素之间复杂的映射关系（Shirzadi et al., 2019）。近年来，随着机器学习、深度学习等AI技术的发展，智能算法在区域地质灾害危险性评价中逐步得到广泛应用（Mao et al., 2021; 方然可等, 2021; 陈水满等, 2022; 张林梵等, 2022; 李明等, 2023; Zhang et al., 2024）。神经网络、随机森林、决策树、增强回归树、支持向量机、贝叶斯等多种模型算法被应用到不同区域地质灾害危险性评价中，大大提高了地质灾害危险性模型的准确性。Cao et al.（2023）通过对比支持向量机、逻辑回归、随机森林、线性判别分析与极限提升树这5种方法，最终选择了极限提升树模型评价河南省西部滑坡地质灾害的易发性。张文龙等（2023）选用随机森林、逻辑回归、支持向量机、朴素贝叶斯和梯度提升决策树这5个机器学习模型对勉略宁地区进行地质灾害危险性评价，通过对比随机森林模型能够更好地模拟勉略宁地区的地质灾害发生情况。王本栋等（2024）通过支持向量机、神经网络和随机森林3种典型机器学习算法进行滑坡易发性评价对比研究，结果表明随机森林算法在芒市区域具有更高的准确性和可靠性。受地质背景、样本数量、模型选择等因素影响，不同算法模型间的预测精度存在较大差异，没有单一算法模型可以适用于所有的孕灾环境。

本文在遥感影像解译、地质灾害资料收集以及野外地质灾害调查的基础上，建立了陕西省宁强县大安镇的地质灾害空间数据库。分析地质灾害发育的空间分布规律和影响因素，选择了地形地貌、基础地质、水文环境、植被覆盖、人类工程活动等12个影响因子，采用5种常见的机器学习算法对大安镇进行地质灾害危险性评价。选择适合陕西省宁强县大安镇的地质灾害危险评价模型，为该区域的防灾减灾工作提供一定的参考依据。

2 研究区概况

大安镇地处汉中市宁强县城域东部（图1），位于秦巴山区腹地。境内多山岭沟谷，周边丘陵起伏，中夹谷坝。区内有东皇沟—桑树湾断裂、宽川—南屏断裂、阳平关—大安断裂等多条断裂带，分别形成了十几米至上百米宽度不等的破碎带。以阳平关—大安断裂为界，全县分为南北两片，北属秦岭山系，大部为海拔1000~1600 m的山地，山脉之间纵谷比较发育；南属大巴山系，大部分为海拔1000~1800 m的台阶山地，沟谷切割较深，山顶比较开阔。大安镇区内地层岩性复杂，以阳平关—大安断裂为界南北地层差异很大。阳平关—大安断裂以南地层发育较齐全，为一套海相碳酸盐岩及碎屑岩建造；阳平关—大安断裂以北，属松潘—甘孜造山带，为一套海相火山岩及沉积碎屑岩建造。区内地形复杂，气候差异较大，植物种类繁多。年平均降水量1100 mm，降雨主要集中在每年的6—9月。

通过地质灾害野外实地调查，宁强县大安镇共确认地质灾害点47处，发育的主要地质灾害类型有滑坡、崩塌、泥石流等。其中崩塌10处，占地质灾害总数的21.28%；滑坡36处，占地质灾害总数的76.60%；泥石流1处，占地质灾害总数的2.13%。地质灾害隐患点共224处，主要类型为滑坡隐患和崩塌隐患。整体看来，地质灾害地域分布具有不均匀性，在强构造变形区以及人类工程活动区集中分布（图1）。大安镇构造发育，岩体破碎，受地块挤压作用，区内形成山高沟深的地形地貌，为地质灾害的产生提供了条件，地质灾害主要在构造影响5 km以内距离的区域集中分布。在低山区域因为地势高差相对较小，坡度相对平缓，人类建房切坡、修路挖方等生产活动强烈，对地质环境的破坏非常大。尤其是河谷沿线人类多依坡建房筑路、顺坡开荒种植，对坡脚和坡体中下部破坏大，坡面植被差，因此地质灾害分布与地貌特征有明显的相关性。此外，大安镇夏季多连阴雨和暴雨，雨季发生的地质灾害占比83%，尤以公路切坡以及居民切坡处发育最为严重。连阴雨、暴雨是工作区地质灾害形成的主要诱发因素之一。

3 地质灾害危险性评价因子选择

地质灾害的发生是各种内外影响因子综合作用的结果。目前，对于地质灾害影响的评价因子选择还没有统一的标准。结合前文对区域地质环境及孕灾条件分析，选取高程、坡度、坡高、坡向、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖、降雨及地震动峰值等12个因子作为危险性分区评价因子（图2）。这些因子根据其作用方式可分为孕灾因子和诱发因子，其中高程、坡度、坡向、坡高、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖作为孕灾因子，可用来评价灾害易发性，再加上诱发因子降雨即可进行危险性评价。数据来源包括：（1）大安镇DEM，用于提取坡度、坡向等基本信息；（2）地形图、水文地质图，用于提取道路、水系等基本信息；（3）地质图、构造纲要图、工程地质图，用于提取地层、构造等信息；（4）全区地质灾害点分布图，用于确定地质灾害点分布状况；（5）高清影像数据、气象数据、地震数据，用于提取降雨、地震烈度等基本信息。各个评价因子的数据分类标准见图2。大安镇地质灾害主要分布在10°~40°坡度，5~20 m坡高，并且空间分布呈现出阳坡多于阴坡的特征。86%地质灾害分布在距离断裂带1 km之内的范围，67%的地质灾害发生在距离水系200 m的范围内。

地质灾害评价因子众多，难免存在统计学上的共线性关系，这会导致危险性模型无法准确地分析评价因子与地质灾害之间的真实关系。因此在数据输入之前需要对选取的12个因子进行共线性检验，以免评价因子之间的共线性破坏回归拟合过程以及影响模型准确性（Tamura et al., 2019）。本研究通过VIF（方差膨胀系数）和TOL（容忍度）评价因子多重共线性，TOL为VIF的倒数，当TOL>0.1且VIF<10时，说明自变量不存在多重共线性。分析结果如表1所示。由于所有地质灾害影响因子的TOL取值范围在0~1，VIF取值范围都<10且几乎靠近1，因此所有的地质灾害影响因子之间不存在多重共线性，可用于后续研究区的地质灾害危险性评价建模。

4 样本与建模 4.1 算法模型

不同的评价模型在具体研究中有不同的性能和效果（Pourghasemi and Rahmati, 2018）。通过总结前人成果和模型特点，选取贝叶斯、策略梯度神经网络、随机森林、K最近邻分类（KNN，k–nearest neighbor）和神经网络算法这5种经典的模型（方然可等, 2021；窦杰等, 2023），对大安镇地质灾害危险性进行计算并寻找最优模型。

贝叶斯依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率，应用所观察到的现象修正有关概率分布的主观判断（即先验概率）的方法。

策略梯度深度强化学习是在深度学习和强化学习相结合的基础上，使用离策略随机性AC算法加快神经网络的收敛速度。

随机森林本质是由多棵相互之间并无关联的决策树整合的多分类器，单条数据经过每一棵决策树投票，得票数最多的类别即为最终分类结果。

K最近邻类算法（KNN）是数据挖掘分类技术中最简单的方法之一。其核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。

神经网络算法是一种按误差反向传播（简称误差反传）训练的多层前馈网络。它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

4.2 数据样本

将研究区分割成5 m×5 m网格单元，在此基础上对研究区进行地质、地貌等信息提取。根据地质灾害野外调查数据，将47处地质灾害点和224处地质灾害隐患点作为正样本，再抽取288处稳定斜坡数据构建非地质灾害隐患的负样本数据库。在进行地质灾害危险性计算之前，需要选取训练样本和测试样本用于评估地质灾害危险性计算模型的性能和准确度。训练集与测试集均由正样本（灾害隐患样本）和负样本（非灾害隐患样本）共同组成。在正负样本构成的数据库中随机选取70%的数据进行模型训练，剩余的30%样本用于模型测试。输入上述的训练集和测试集于各评价模型，样本点数据是先按照训练集与测试集的比例3∶7进行抽取，然后逐步递增至训练集与测试集的比例至9∶1，每次随机取3次，取3次的平均结果为确定值。

5 各算法的评价结果分析与讨论

通过准确率、召回率、回归分析精确率和卡帕系数对模型在测试集上的表现进行比较（图3），可以看出贝叶斯模型的各项评价指标均优于其他模型；策略梯度强化学习模型的各项评价指标略低于贝叶斯模型，但是达到了评价预测精确度的标准，即准确率、召回率和回归分析精确率均超过80%，卡帕系数最大值也达到了65%；随机森林模型和KNN模型的各项评价指标大部分值在50%~65%，未达到评价模型的预测精度标准；神经网络模型的各项评价指标大部分值在40%~55%，其预测结果精度都低于类似于“抛筛子”的精度，远未达到评价模型的预测精度标准。所有评价模型表现均与训练样本的数目变化有关。随着样本数量增加，贝叶斯、神经网络、策略梯度深度强化学习、KNN、随机森林模型这5个模型的各项评价值也在增大。当样本比例超过0.7或0.8时，随着训练样本数据的增多，模型的部分指标值会下降，出现过拟合现象。无论样本数量如何变化，神经网络模型法的各项评价指标值不理想，一直垫底。由于贝叶斯算法过程分类简单，当训练样本比例超过0.9时，贝叶斯算法出现过拟合现象，造成评价指标下降。策略梯度深度强化学习表现仅次于贝叶斯算法，随着训练样本数目的增多，其各种评价指标都逐渐向好，若有更多的样本数量加入，其预测精度还有可能会提升。KNN需在较少的评价因子下达到最佳特征学习，本研究的影响因子数目达到12个，这导致KNN模型无法获得较好结果。随机森林和神经网络模型需要更多的训练样本才能捕获特征，达到较好的学习效果，而本项目的训练样本不足500，导致随机森林和神经网络模型进行欠拟合学习。因此，从各项预测精度的评价指标来看，贝叶斯模型的精确度最高，且满足预测精度评价要求。

为了评估贝叶斯、策略梯度深度强化学习、随机森林、KNN、神经网络这5种算法的准确性，输入上述训练样本集、测试样本集和研究区的栅格数据于这些算法中，对研究区所有划分的栅格进行了预测。预测结果按0~1的概率表示地质灾害危险性，预测结果越接近0，表明地质灾害的危险性越低，反之则越高。使用自然断点法将研究区划分为4个危险性等级，分别为低、中、高和极高危险区，获得研究区危险性评价结果（图4）。贝叶斯模型危险性评价结果的极高危险区和高危险区主要分布在大安镇镇中心和大安断裂西南方向所在区域以及北部的黑木林村周边，和已知地质灾害点几乎吻合，表明了应用模型评价的有效性。策略梯度深度强化学习模型危险性评价结果的极高和高危险区分布与调查的地质灾害点分布规律接近，但在西南方向模型结果有一些过拟合，危险性过高。随机森林算法的危险性评价结果中极高危险性和高危险性主要分布在南部整个地区，北部位置几乎没有分布，与实际调查情况有所偏差。KNN算法和神经网络算法的危险性评价结果中极高危险性和高危险性区域分布零散，且各不同的危险性等级杂乱无章分布在研究区各个地方，与实际调查情况偏差较大。

地质灾害危险性评价过程中，常用工作特征曲线（Receiver Operating Characteristic Curve, ROC）对评价结果进行检验，通过计算曲线下面积（Area under curve, AUC）值来评价结果的准确性（Fawcett, 2006）。ROC曲线纵坐标真阳性率（敏感度），横坐标为假阳性率（1−特异性）。根据测试样本点的横纵坐标值，绘制出ROC曲线，通过计算曲线下与坐标轴围成的面积AUC来确定模型的模拟精度，AUC值越大，其分类和预测的效果就越好。按照上述方法，获得各模型ROC曲线图（图5）。贝叶斯、策略梯度强化学习、随机森林、KNN和神经网络模型的AUC值分别为89.4%、87.3%、72.1%、68.8%和56.9%。

因此，从以上测评指标来看，贝叶斯模型最优，AUC值最高，且达到预测精度评价要求。从准确度、精确度、召回率、卡帕系数值和AUC这5类指标可以看出：（1）贝叶斯危险性评价模型的性能最优，其次是策略梯度深度强化学习，随机森林、KNN和神经网络算法则都未达到评价精确度的最低要求；（2）所有模型的精确度提高全都依赖样本数目，这也是分类算法的主要特征。因此在地质灾害样本数目很少的情况下选择贝叶斯算法模型进行地质灾害危险性评价，是具有可行性的。本研究训练样本数量有限，未来需探索更优的智能算法，在小样本情况下充分发挥机器学习和深度学习的优势，获取更高的评价精度。

6 结　论

（1）选取高程、坡度、坡向、坡高、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖、降雨及地震动峰值等12个因子对研究区地质灾害进行了基于机器学习的易发性和危险性评价。在样本数量有限的情况下，对比分析贝叶斯、策略梯度强化学习、随机森林、KNN和神经网络模型的预测精度和ROC曲线，发现贝叶斯模型预测精度最高，AUC值最高达到89.4%，是5种算法中的最优模型。

（2）基于5种机器学习算法开展了建模对比，优选以贝叶斯模型作为最终预测模型并开展地质灾害危险性评价，评价结果显示绝大多数已发生的地质灾害点位于评价的极高和高危险区，表明了本次研究结果的可靠。

（3）大安镇仅47个地质灾害点以及224个地质灾害隐患点，样本数量不够大，因此基于机器学习的危险性评价模型的选择受到一定限制。未来可以扩大样本容量，使评价结果更为精确，并继续探索小样本情况下的智能优化深度学习模型。

致谢：感谢项目组各位成员在野外地质调查和室内数据处理提供的帮助,也非常感谢评审专家及编辑部提出的宝贵意见。