【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实践（一）

【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实践（一）

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

3. 人工智能技术在滑坡风险评估中的方法学实践

本节系统阐述人工智能（Artificial Intelligence, AI）技术在滑坡风险评估中的工程应用范式，重点聚焦三大核心领域：滑坡检测（Landslide Detection）、滑坡易发性评估（Landslide Susceptibility Assessment）及滑坡位移预测（Landslide Displacement Prediction）。此外，对采样策略（Sampling Strategies）、超参数优化（Hyper-Parameter Optimization）及图形用户界面（GUI）等辅助技术进行延伸讨论。需特别指出，滑坡检测与易发性评估属于软性风险评估方法（区域性分析），而位移预测则属于硬性风险评估方法（单体性分析）（Lei et al., 2023）。

机器学习（Machine Learning, ML）是一种基于数据驱动的非显式规则编程算法。

• 需明确区分，传统统计学模型通过数学方程形式化表征变量间关系，而ML则通过数据驱动实现模式挖掘。

广义而言，ML隶属于AI技术体系，深度学习（Deep Learning, DL）又为ML的子集（图2）。本文研究中，ML与DL具有明确范畴界定：

• ML特指支持向量机（SVM）、逻辑回归（LR）、线性回归、决策树（DT）、随机森林（RF）、自适应增强（AdaBoost）、聚类分析、K最近邻（KNN）、朴素贝叶斯（NB）等经典算法；
• DL则涵盖人工神经网络（ANN）、卷积神经网络（CNN）、循环神经网络（RNN）、图神经网络（GNN）、长短期记忆网络（LSTM）等神经网络架构。

图7统计了近十年滑坡风险评估领域代表性研究中AI技术的应用分布。

• 结果表明：滑坡易发性评估研究数量居首，位移预测次之，滑坡检测与GUI研究相对较少。

需指出，当前滑坡检测仍高度依赖遥感影像目视解译技术，AI技术渗透率较低。技术迭代方面，DL正逐步取代传统ML与统计模型成为主流方法，但该领域仍缺乏可有效应用于工程实践的高级GUI工具。

3.1 滑坡检测

为预防滑坡灾害，精准识别历史滑坡发育区域是首要任务。

• 滑坡检测（Landslide Detection）指通过技术手段对目标区域内滑坡进行识别与制图，获取其空间位置、类型、边界、体积及发生时间等关键参数，此为滑坡易发性评估（Landslide Susceptibility Assessment）的必要前置条件。

传统滑坡检测方法依赖遥感影像与航拍数据的目视解译（Visual Interpretation），辅以实地调查验证（Zhang et al., 2024）。然而，该方法具有资源密集型、耗时性及解译主观偏差等固有缺陷（Das et al., 2023; Wang et al., 2020b）。

因此，基于人工智能的半自动化/自动化滑坡检测技术对于生成高精度滑坡编录图（Landslide Inventory Maps）具有重要价值，可显著降低人工解译工作量（Das et al., 2023; Liu et al., 2023a, 2023b, 2023c, 2024a; Lv et al., 2023; Zhang et al., 2024）。此外，传统目视解译方法因过度依赖人工主观判断，易导致滑坡判别标准不一致，而基于AI模型的检测技术通过统一算法框架实现结果客观化输出。

人工智能技术，尤其是图像识别（Image Recognition）方法，为遥感与航拍数据的滑坡智能识别提供了创新路径。如图8所示，该技术流程通过特征提取与模式分类算法实现滑坡的精准高效识别，有效降低对人工解译的依赖，提升检测结果的可重复性与可靠性。

下节请参考：【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实践（二）