当前位置：首页 > backend >正文

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学综述

backend 2025/7/2 19:43:29

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学综述

文章目录

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学综述
- 2 人工智能技术在滑坡风险评估中的方法学综述
- - 2.1 机器学习
  - 2.2 深度学习
  - 2.3 卷积神经网络与循环神经网络
  - 2.4 混合模型
  - 2.5 模型性能验证
  - 2.6 图形用户界面开发

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146638463

2024·Rock Mechanics Bulletin·https://doi.org/10.1016/j.rockmb.2024.100144

2 人工智能技术在滑坡风险评估中的方法学综述

本节系统梳理滑坡风险评估中应用的人工智能（AI）技术体系，主要涵盖机器学习（Machine Learning, ML）、深度学习（Deep Learning, DL）、混合模型（Hybrid Models, HMs）、模型性能验证及图形用户界面（Graphical User Interface, GUI）等核心要素。其中，前四类属于方法学范畴，而GUI作为功能性工具在滑坡风险评估中具有重要实践价值。

2.1 机器学习

机器学习（Machine Learning, ML）是一种融合统计学与优化理论的数据驱动方法。如图3所示，该方法可应用于预测与分类任务（Jordan and Mitchell, 2015）。在监督学习范式下，训练数据需预先进行标注处理；而在无监督学习框架中，所有数据均为未标注状态（Jordan and Mitchell, 2015）。
在这里插入图片描述

当前广泛应用的机器学习模型包含：线性回归、逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）、K最近邻算法（K-Nearest Neighbors, KNN）、聚类分析、决策树（Decision Tree, DT）、随机森林（Random Forest, RF）、朴素贝叶斯（Naive Bayes, NB）等。

模型构建的核心环节在于确定参数空间的最优解。
针对采集数据集，通常采用训练集进行参数拟合，并通过测试集验证模型输出的有效性。
其中，损失函数（Loss Function）是评估模型性能的重要量化指标。

2.2 深度学习

深度学习（Deep Learning, DL）作为机器学习的高级范式，其实现需依托更大规模的数据支撑（LeCun et al., 2015）。该框架基于神经网络架构构建，典型结构中至少包含三个以上的神经元层级（图4a-d）。深度学习的计算流程可分解为三个核心步骤（图4e）：

首先对输入数据实施线性回归运算，生成初步结果；
其次将线性结果输入激活函数（Activation Function）进行非线性映射，将其约束至特定数值区间；
最后将输出值作为下一神经层的输入信号。通过这种迭代计算过程逐步剔除无效特征，最终获得模型输出。

相较于传统机器学习，**深度学习框架在结构复杂性方面更近似于人类神经系统的生物运作机制。**这种架构优势使其能够自主提取数据的多层次抽象特征，从而显著提升复杂模式识别的能力。

2.3 卷积神经网络与循环神经网络

卷积神经网络（Convolutional Neural Network, CNN）与循环神经网络（Recurrent Neural Network, RNN）是深度学习领域两大主流框架。CNN主要应用于图像识别、目标检测及计算机视觉领域（图4d），而RNN则侧重于自然语言处理与时间序列分析（图4c）。

在时序预测任务中，长短期记忆网络（Long Short-Term Memory, LSTM）通过其遗忘门（Forgetting Gate）与记忆门（Memory Gate）机制，有效克服了RNN的长期依赖遗忘缺陷，可实现历史信息的高效记忆（图4b）。

近年来，基于编码器-解码器（Encoder-Decoder）架构的Transformer模型在岩土工程领域逐步获得应用。如图5所示，该模型依托自注意力机制（Self-Attention Mechanism），为长序列时序预测及自然语言处理任务提供了创新性解决方案（Vaswani et al., 2017）。
在这里插入图片描述

2.4 混合模型

混合模型（Hybrid Model, HM）通过集成两个及以上机器学习模型（Kadavi et al., 2018），充分融合各模型的优势特征，此类方法亦称为集成学习（Ensemble Learning），典型策略包括装袋法（Bagging）、提升法（Boosting）及堆叠法（Stacking）等。例如，随机森林（RF）作为最简混合模型，由多棵决策树构成，可有效缓解单棵决策树的过拟合问题（图6）。其通过多数表决（Majority Voting）或均值融合（Averaging）等策略实现最优结果输出（图6）。
在这里插入图片描述

2.5 模型性能验证

模型性能需通过评估指标进行量化验证。通常将数据集的70%至80%划分为训练集用于参数训练，剩余30%或20%作为测试集验证模型效能。常用评估指标包括：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）、交并比（Intersection over Union, IoU）、均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、曲线下面积（Area Under Curve, AUC）等。各指标数学定义如式(1)-(7)所示（Baghbani et al., 2022）：
在这里插入图片描述

式中，

TP（True Positive，真阳性）表示预测为真且实际为真的样本数量；
FN（False Negative，假阴性）指预测为假但实际为真的样本数量；
FP（False Positive，假阳性）为预测为真但实际为假的样本数量；
TN（True Negative，真阴性）为预测为假且实际为假的样本数量。

其中， $P_i$ 表征实际观测值， $Q_i$ 为模型预测值。AUC（Area Under Curve）即受试者工作特征曲线（Receiver Operating Characteristics Curve, ROC）下面积。

模型效能可通过以下准则评估：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）、交并比（Intersection over Union, IoU）及AUC值越高，而均方根误差（Root Mean Square Error, RMSE）与平均绝对误差（Mean Absolute Error, MAE）越低，则模型性能越优。需特别指出，IoU指标主要应用于目标检测及语义分割等图像识别任务。模型训练前需科学选择评价体系，重点关注指标间的协同作用，而非孤立分析单一指标。