·404 工程科学学报，第40卷，第4期 栅格计算结果整合到9m×9m的栅格当中，从而提 直实性分类 高了预测精度☒，因此，点状滑坡的预测精度高于 发生滑坡 未发生滑坡 真正 假正 面状滑坡. 真正 模型预测为 模型预测为 真正率真正+假负 结果对比可以发现，少量被模型预测为不稳定 失稳且实际 失稳但实际 发生滑坡 稳定 的区域在观测当中没有发现滑坡痕迹，可能是因为 模型 假正 假正率产假正+真负 在过去的一段时间，这些位置发生了一些浅层的、规 假负 直负 模型预测为 模型预测为 真正+真负 模很小的滑坡，但经过时间推移，这些痕迹被掩埋或 稳定但实际 稳定且实际 精度“真正+假正+假负+真负 者植被覆盖，而现场观测只能确定近期的滑坡发育 发生滑坡 稳定 状况，难以确定长期的小型地形地貌变化特征，因此 图7混淆矩阵法示意图 没有发现滑坡的痕迹，早期研究也存在类似的现 Fig.7 Schematic of the confusion matrix 象，要想进一步验证，需要后期对研究区进行空 最高的真正率.因此，混淆矩阵法的验证结果表明 间和时间尺度上的详细调查 Scoops3D模型的预测结果和分类方法具有可靠性. 3.3预测精度检验 表5混淆矩阵法的模型计算结果评价 预测精度检验是评价模型预测性能的重要步 Table 5 Evaluation of the confusion matrix for the calculative result 骤，本文使用了目前国际上比较通用的混淆矩阵和 分辨率/m真正率 假正率 精度 真正率/假正率 成功率曲线两种方法进行验证.混淆矩阵描述样本 3 0.65 0.37 0.63 1.73 数据的识别类型与真实属性之间的关系，侧重于体 0.61 0.35 0.64 1.74 现模型分类的准确性网.成功率曲线反映预测数 10 0.50 0.29 0.66 1.70 据各分类阶段与实际数据的匹配程度，体现了预测 数据本身的准确性，以能够直观描述预测数据分布 成功率曲线在评价Scoops3D模型预测精度时， 质量和简洁的优势，被广泛应用于不同领域0 利用ArcGIS统计由低到高的稳定性等级，计算滑坡 因此，本文从预测数据分类的合理性及数据的可靠 点或面积占研究区总滑坡点或面积的比例，绘制出 程度两个角度来评价Scoops.3D的预测精度. 研究区稳定性等级的累加比例变化规律，然后计算 混淆矩阵法检验预测精度，首先对滑坡模型的 曲线下方的面积(AUC)来判断模型预测性能.通常 预测数据和实际测量结果进行分类，并计算真正率、 曲线下方面积的值越大，表示模型的预测精度越高. 假正率和精度（图7），再对模型预测性能进行评 在点状和面状滑坡的预测结果中（图8），50% 价四.通常，一个理想的模型应同时满足真正率达 的滑坡位于稳定性等级占比为31%和42%的区域， 到最大值和假正率达到最小值两个条件，当真正率/ 随着分辨率提高，位于低稳定性等级区域的滑坡比 假正率>1时，模型预测结果则认为是可接 例显著提高，说明数字高程模型数据的分辨率显著 受的B) 影响预测精度，且各条曲线下方面积值均满足预测 混淆矩阵的评价结果如表5所示，3、5和10m 精度要求.而相同分辨率数字高程模型数据预测结 分辨率数字高程模型数据的精度和“真正率/假正 果中，点状滑坡曲线下方面积值均高于面状滑坡，说 率≥1”均满足预测要求，且3m分辨率的数据具有 明点状滑坡分布图可能更适合模型适应性的检验. 10 (a (b) 90 90 80 80 70 70 60 60 50 50 % 0 30 20 -3m:AUC=0.73 -3m:AUC=0.65 -5m:AUC-0.71 20 -5m:AUC=0.63 10 -10m:AUC=0.65 10 -10m:ALUC=0.56 2030405060708090100 0610 2030405060708090100 区域稳定性等级占比修 区域稳定性等级占比% 图8模型预测结果的成功率曲线.(a)点状滑坡：(b)面状滑坡 Fig.8 Success rate curve of the model prediction result:(a)point landslide:(b)facial shape landslide工程科学学报，第 40 卷，第 4 期 栅格计算结果整合到 9 m × 9 m 的栅格当中，从而提 高了预测精度［12］，因此，点状滑坡的预测精度高于 面状滑坡． 结果对比可以发现，少量被模型预测为不稳定 的区域在观测当中没有发现滑坡痕迹，可能是因为 在过去的一段时间，这些位置发生了一些浅层的、规 模很小的滑坡，但经过时间推移，这些痕迹被掩埋或 者植被覆盖，而现场观测只能确定近期的滑坡发育 状况，难以确定长期的小型地形地貌变化特征，因此 没有发现滑坡的痕迹，早期研究也存在类似的现 象［26］，要想进一步验证，需要后期对研究区进行空 间和时间尺度上的详细调查． 3. 3 预测精度检验 预测精度检验是评价模型预测性能的重要步 骤，本文使用了目前国际上比较通用的混淆矩阵和 成功率曲线两种方法进行验证． 混淆矩阵描述样本 数据的识别类型与真实属性之间的关系，侧重于体 现模型分类的准确性［28］． 成功率曲线反映预测数 据各分类阶段与实际数据的匹配程度，体现了预测 数据本身的准确性，以能够直观描述预测数据分布 质量和简洁的优势，被广泛应用于不同领域［29--30］． 因此，本文从预测数据分类的合理性及数据的可靠 程度两个角度来评价 Scoops3D 的预测精度． 图 8 模型预测结果的成功率曲线． ( a) 点状滑坡; ( b) 面状滑坡 Fig． 8 Success rate curve of the model prediction result: ( a) point landslide; ( b) facial shape landslide 混淆矩阵法检验预测精度，首先对滑坡模型的 预测数据和实际测量结果进行分类，并计算真正率、 假正率和精度( 图 7) ，再对模型预测性能进行评 价［12］． 通常，一个理想的模型应同时满足真正率达 到最大值和假正率达到最小值两个条件，当真正率/ 假正 率 ＞ 1 时，模型预测结果则认为是可接 受的［31］． 混淆矩阵的评价结果如表 5 所示，3、5 和 10 m 分辨率数字高程模型数据的精度和“真正率/假正 率≥1”均满足预测要求，且 3 m 分辨率的数据具有 图 7 混淆矩阵法示意图 Fig． 7 Schematic of the confusion matrix 最高的真正率． 因此，混淆矩阵法的验证结果表明 Scoops3D 模型的预测结果和分类方法具有可靠性． 表 5 混淆矩阵法的模型计算结果评价 Table 5 Evaluation of the confusion matrix for the calculative result 分辨率/m 真正率 假正率 精度 真正率/假正率 3 0. 65 0. 37 0. 63 1. 73 5 0. 61 0. 35 0. 64 1. 74 10 0. 50 0. 29 0. 66 1. 70 成功率曲线在评价 Scoops3D 模型预测精度时， 利用 ArcGIS 统计由低到高的稳定性等级，计算滑坡 点或面积占研究区总滑坡点或面积的比例，绘制出 研究区稳定性等级的累加比例变化规律，然后计算 曲线下方的面积( AUC) 来判断模型预测性能． 通常 曲线下方面积的值越大，表示模型的预测精度越高． 在点状和面状滑坡的预测结果中( 图 8) ，50% 的滑坡位于稳定性等级占比为 31% 和 42% 的区域， 随着分辨率提高，位于低稳定性等级区域的滑坡比 例显著提高，说明数字高程模型数据的分辨率显著 影响预测精度，且各条曲线下方面积值均满足预测 精度要求． 而相同分辨率数字高程模型数据预测结 果中，点状滑坡曲线下方面积值均高于面状滑坡，说 明点状滑坡分布图可能更适合模型适应性的检验． · 404 ·