基于Adaboost算法的滑坡预测模型研究

孟 欣

（重庆交通大学土木工程学院，重庆 400074）

1 引言

根据中国地质环境信息网发布的《全国地质灾害通报》数据统计[1]，中国2018、2019年度发生的地质灾害分别为2966起、6181起，滑坡占比分别为55%、68.27%，可见滑坡灾害是中国当前最严重的地质灾害。

近年来学者们提出了多个滑坡预测模型，如：黄发明（2017）[2]Extreme Learning Machine，ELM滑坡位移组合预测模型；李麟玮等（2018）[3]GWO-MIC-SVR滑坡位移预测模型等。随着软件技术以及机器学习算法的发展，也开始有学者研究基于机器学习的滑坡灾害空间预测技术。

机器学习算法中，目前主要有：最近邻分类算法、人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)等，但利用Adaboost算法进行滑坡预测的研究还比较少。本文选取对滑坡影响较大的降雨、地震因素来开展基于Adaboost算法的滑坡预测模型研究。

2 Adaboost算法原理

Adaboost是英文“Adaptive Boosting”的缩写，算法中不同的训练集是通过调整每个样本对应的权重来实现的：开始时，每个样本对应的权重是相同的，在此样本分布下训练出一弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重。这样，分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到一个新的弱分类器。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加起来，得到最终理想的强分类器。

Adaboost算法的计算过程如下：

1）权值初始化：给训练样本中的每组数据赋予一个初始权值。

2）迭代计算：第 t 轮迭代中，使用权值分布Dt训练样本数据，得到第t个弱分类器Gt(x)，计算Gt(x)在训练样本数据上的误差率εt、系数αt，以及函数f t(x)，从而得到第t个弱分类器：

3）得到最终强分类器：如此往复训练，直到第 t=T 轮迭代后将数据全部分类正确时为止，得到最终强分类器：

3 Adaboost算法滑坡预测研究

3.1 数据获取及预处理

图1 月均滑坡次数-降雨量-地震次数（上月）分布曲线

通过中国地质环境信息网[1]、中国气象数据网[4]、国家地震科学数据中心[5]、中国统计年鉴[6]等官方网站获取到了四川省1949—2001年及2014—2017年的滑坡数据、降雨数据、地震数据，前者作为建模样本数据，后者作为测试数据。

经整理绘制了1949—2001年月均滑坡次数-降雨量-地震次数（上月）分布曲线（图1）如下所示。

为了便于计算，将当月平均滑坡数≥18次的类别值设为“1”；将当月平均滑坡数＜18次的类别值设为“-1”。

3.2 Adaboost算法预测模型训练

计算前，绘制数据坐标分布如图2所示：

图2 数据坐标分布图

由上图可找到3个基本分类器如下：

按照Adaboost算法原理进行迭代计算，得到最终的强分类器即滑坡预测模型为：

3.3 预测模型验证

用上述模型对四川省2014—2017年的月滑坡次数进行验证，在48组数据中，预测成功的次数为41次，预测成功率为85.42%。

4 研究结论

Adaboost算法可建立包括降雨量、地下水、库水位、地应力、地震、深部位移、地表沉降等的多维度预测模型，且在通过大量实测数据对模型进行优化后能具有较高的预测准确度，可为滑坡灾害防治提供宏观决策依据。