基于元学习的广域范围滑坡易发性小样本预测

作     者：陈力 丁雨淋 朱庆 曾浩炜 张利国 刘飞 CHEN Li;DING Yulin;ZHU Qing;ZENG Haowei;ZHANG Liguo;LIU Fei

作者机构：成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059 西南交通大学地球科学与环境工程学院四川成都611756 成都市勘察测绘研究院四川成都610000 四川测绘地理信息局测绘技术服务中心四川成都610081 

出 版 物：《武汉大学学报（信息科学版）》 (Geomatics and Information Science of Wuhan University)

年 卷 期：2024年第49卷第8期

页      面：1367-1376页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家自然科学基金(42301479,41941019,41871291) 西藏自治区科技计划项目(XZ202101ZD0001G) 四川省科技厅项目(2020JDTD0003) 

主　　题：滑坡敏感性 数据驱动 元学习 小样本学习 

摘      要：滑坡灾害是当前制约中国西部山区重大基础设施建设的最重要因素之一。如何可靠开展广域范围滑坡敏感性预测,一直是国内外研究的难点。现有以深度学习为代表的数据驱动广域复杂环境敏感性分析方法仍面临两大挑战:(1)广域范围滑坡孕灾环境的差异性:单一模型难以可靠预测(解释)不同孕灾环境滑坡易发性;(2)小样本问题:中国西南山区滑坡隐蔽性强,探测成本高昂,样本数据少。针对以上问题,以中国重庆市綦江、涪陵区为例,采用分块预测策略,元学习一种泛化性强的适于滑坡敏感性小样本预测的中间表征,通过局部区域中极少的样本和反向传播梯度迭代次数,将模型快速适应于当前局部区域滑坡敏感性预测任务,从而解决广域范围滑坡孕灾环境差异问题与小样本问题。区别于支持向量机、多层感知机、随机森林等传统方法需要大量样本及梯度迭代训练监督模型,所提方法仅需要小样本微调中间模型,就使滑坡敏感图预测精度提升1%~5%,准确度提升1%~3%,F1分数提升0.5%~6%,召回率接近其他方法最高水平。