10、滑坡研究中的模型对比与位移预测方法探索

滑坡研究中的模型对比与位移预测方法探索

1. 滑坡易发性评估模型对比

在滑坡易发性评估的研究中，为了进行对比分析，从源域数据集和目标域数据集中分别随机选取了 80%的样本，用于训练四个模型，分别是 1D LandslideNet、采用 WCA 学习率调整策略的 1D LandslideNet、1D LandslideNetPro 以及采用 WCA 学习率调整策略的 1D LandslideNetPro。

不同模型在源域和目标域的 AUC 值和损失情况如下表所示：
| 模型名称 | 源域损失 | 源域 AUC | 目标域损失 | 目标域 AUC |
| — | — | — | — | — |
| 1D LandslideNet | 0.3648 | 0.9094 | 0.5584 | 0.8096 |
| 1D LandslideNet + WCA | 0.3627 | 0.9108 | 0.5884 | 0.8152 |
| 1D LandslideNetPro | 0.3436 | 0.9203 | 0.5352 | 0.8214 |
| 1D LandslideNetPro + WCA | 0.3424 | 0.9204 | 0.5300 | 0.8246 |

从这些数据可以看出，随着模型的升级，AUC 值逐渐增加，损失逐渐减小，这证明了优化的有效性。不过，在目标域中，采用 WCA 学习率调整策略的 1D LandslideNet 虽然 AUC 值更高，但损失却比普通的 1D LandslideNet 更高。这是因为损失衡量的是某个样本被预测为正类的输出概率，可能出现预测类别正确，但输出值与真实类别（0 和 1）之间