Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

在摩洛哥北部崎岖、多雨的山区，大地是一个活生生的、不断变化的实体。陡峭的坡度、复杂的的地质构造以及季节性的强降雨共同作用，使得山体滑坡成为一种频繁发生且危险的现实。对于规划者和安全官员而言，目标是绘制一张能够显示哪些地方可能再次发生滑坡的地图。这并非一个靠猜测就能解决的问题，而是一个统计学上的挑战。为了建立一个预测可能发生滑坡位置的模型，科学家需要两样东西：一份已发生滑坡地点清单，以及一份地面稳定的地点清单。第一份清单很容易找到；但第二份清单却是一个陷阱。仅仅因为某个特定地点没有记录到滑坡，并不意味着那里的地面是安全的。它可能只是意味着该滑坡被遗漏了、被植被遮挡了，或者年代久远而无法辨识。将这些未记录的点视为确定的“安全”区域，就像是因为没看到有人，就假设房间里是空的一样——忽略了有人可能正躲在衣柜里的可能性。这种不确定性使得计算机极难区分哪些是稳定的地面，哪些是仅仅在等待滑动的地面。

来自摩洛哥的一个研究团队通过开发一种处理这些“缺失”滑坡的新方法，解决了这一问题。他们没有强迫计算机对哪些未记录的点做出单一、僵化的判断，而是创建了一种拥抱不确定性的方法。他们在里夫山区（一个以地形陡峭和频繁发生坡面失效而闻名的地区）测试了这种被称为 MC-PU-2S 的新方法，并将其与两种现有方法进行了对比。该研究使用了一个包含近 6,000 个观测值的数据库，其中包括超过 2,300 个已知的滑坡位置以及数千个地面状态未知的点。通过让模型经过严格的测试过程，以防止计算机通过记忆测试数据来进行过拟合，研究人员发现，他们的新方法产生了一个更加清晰且可靠的风险图景。旧的方法往往会将几乎整个景观都标记为危险，从而模糊了高风险与低风险之间的界限，而新方法则成功地分离了两者，提供的不仅是一张危险图，更是一张信心图。

问题的核心在于传统模型如何处理“负类”——即被假定为安全的地带。在许多研究中，研究人员只是在远离已知滑坡的地方随机选取一些点，并告诉计算机：“这是安全的。”这项研究认为，这种假设是有缺陷的。如果一个地点实际上是不稳定的，只是尚未被记录下来，那么计算机就会学到错误的教训。研究人员对比了三种不同的策略来处理这种情况。第一种被称为“增强信息价值法”（Enhanced Information Value method），它试图通过观察初步模型并挑选出风险最低的区域来过滤掉最安全的点。第二种被称为“两步 PU 法”（PU Two-Step），它使用一个严格的截断点：如果一个点根据特定评分看起来足够安全，它就被标记为安全；如果它哪怕只有一点点不够安全，就会被舍弃。这两种方法都强行进行二元选择，在现实世界中可能并不存在的安全与不安全之间划出了一道锐利的界限。

研究人员的新方法 MC-PU-2S 走上了另一条路径。它不画硬性的界线，而是为每个未知点分配一个概率。它会询问：“这个点确实是安全的可能性有多大？”并允许答案呈现为灰色调，而非非黑即白。为了实现这一点，计算机会运行数百次模拟。在每次模拟中，它会根据该概率随机决定是否将特定的未知点视为安全或不安全。然后，它会为这些场景中的每一种构建一个预测模型。最后，它将这数百个模型进行平均。这个过程平滑了误差，并揭示了哪些预测是稳固的，哪些是摇摆不定的。其结果不仅仅是一个易发性图，而是一套产品组合：一张显示平均风险的地图，一张显示预测在模拟过程中变化程度的地图，以及一张突出显示模型无法做出决定的区域的地图。

当研究人员比较结果时，差异是显著的。旧的方法生成的地图中，研究区域内的几乎每一个点都被归类为具有高滑坡风险。计算机本质上是在到处大喊“危险”，这对规划工作毫无帮助。然而，新方法产生了一个更加平衡的视角。它正确地识别出，虽然许多区域确实存在风险，但景观中的很大一部分是稳定的。新模型在区分两者方面表现得好得多，其预测结果与实际数据吻合得更为紧密。它还修复了旧模型的一个主要缺陷：它们的概率估计是压缩且带有偏差的，这意味着它们无法准确区分 AUC 为 0.9 和 AUC 为 0.6 的情况。新方法扩展了这些概率，从而实现了对地形更细致的理解。

这项方法最有价值的产出或许是识别不确定性的能力。研究发现，在大约 23% 的区域内，模型无法自信地判断地面是安全还是不安全的。这些点处于分类决策线的边缘。在传统的地图中，这些区域看起来与其他区域一样，隐藏了关键的知识匮乏。而在新地图中，这些区域被明确标记了出来。这对决策者来说是一个游戏规则的改变。一个具有高风险且高置信度的区域可以立即针对性地采取安全措施。而一个具有高风险但低置信度的区域则发出信号，表明在投入资金进行建设或缓解措施之前，需要进行更多的实地考察。它准确地告诉官员下一步该看哪里，将模糊的警告转化为具体的行动计划。

该研究还证实，驱动该地区滑坡的最重要因素仍与地质学家已知的知识保持一致：坡度、距道路距离、岩石类型以及降雨量。然而，当考虑到不确定性时，这些因素的解释方式发生了变化。新方法表明，这些因素与风险之间的关系不是一个简单的开关，而是一个复杂的梯度。通过平均掉“缺失”滑坡带来的噪声，模型可以更清晰地观察到这些模式。研究人员指出，虽然他们的方法比旧技术需要更多的计算能力，但这种权衡是值得的。量化不确定性并生成一张能够承认自身“不知道”的地图，是管理自然灾害的一大进步。

这项工作并不声称已经完全解决了滑坡预测的问题。研究人员谨慎地指出，他们的方法对初始数据的质量很敏感，并且他们在研究中使用的模拟次数仅是一项试点测试。他们建议未来的工作应该运行更多的模拟，以确保结果的稳定性。他们还指出，他们的方法只测量了一种类型的不确定性：即关于哪些地点是真正安全的这种不确定性。它并未考虑地图本身存在的误差或随时间变化的天气变化。尽管如此，这项研究证明了，从僵化的黑白思维转向概率方法能产生更好的结果。在一个大地不断移动的世界里，一个能够承认自身怀疑的模型，远比一个自信地犯错的模型更有用。来自摩洛哥北部的这些新地图，为保护生活在坡缘的社区提供了一份更清晰、更诚实的指南。