Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation

QIN Jiasong; LI Weile; ZHOU Shengsen; SHAN Yunfeng; HE Guoqing; FAN Luzhen

doi:10.13203/j.whugis20240494

您当前的位置：

首页 >

文章列表页 >

Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation

Photogrammetry and Remote Sensing | 更新时间：2026-11-05

- Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 6, Pages: 1228-1241(2026)
- 作者机构：
  
  1.成都理工大学地质灾害防治与地质环境保护全国重点实验室，四川成都，610059
  2.应急管理部滑坡灾害风险预警与防控实验室，四川成都，610059
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20240494
  CLC： P237
- Received：19 May 2025，
  
  Published：05 June 2026
- 稿件说明：
移动端阅览
秦佳松,李为乐,周胜森，等.考虑InSAR地表形变的滑坡易发性评价负样本选取与结果优化[J].武汉大学学报（信息科学版）,2026,51(6):1228-1241.

QIN Jiasong,LI Weile,ZHOU Shengsen,et al.Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation[J].Geomatics and Information Science of Wuhan University,2026,51(6):1228-1241.
秦佳松,李为乐,周胜森，等.考虑InSAR地表形变的滑坡易发性评价负样本选取与结果优化[J].武汉大学学报（信息科学版）,2026,51(6):1228-1241. DOI：10.13203/j.whugis20240494

QIN Jiasong,LI Weile,ZHOU Shengsen,et al.Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation[J].Geomatics and Information Science of Wuhan University,2026,51(6):1228-1241. DOI：10.13203/j.whugis20240494

摘要

滑坡易发性结果是滑坡灾害防控工作的重要参考，准确建模对灾害预警和风险管控至关重要。然而，在滑坡易发性建模过程中，非滑坡样本的选取存在较强的随机性，且未充分考虑滑坡负样本可能来源于潜在滑坡区域，导致评估结果的准确性受限。因此，提出了一种基于合成孔径雷达干涉测量（interferometric synthetic aperture radar

InSAR）的地表形变信息滑坡负样本采样策略，以四川省汉源县为例，采用小基线集InSAR技术生成年平均地表形变速率，并从形变速率极低的区域中生成滑坡负样本。结果表明，在极端梯度提升和随机森林（random forest，RF）模型中，基于InSAR的采样方法均显著提升了模型的预测性能。其中，InSAR-RF模型的预测精度最高，受试者工作特征曲线下面积为0.847，准确率为89.8%，相比于传统的缓冲区采样方法，分别提高了5.5%和5.6%。此外，通过将InSAR数据引入模型优化滑坡易发性制图结果，并利用沙普利加性解释法解释模型内部的决策机制，进一步增强了滑坡易发性评价的科学性和可靠性。所提方法为InSAR技术在机器学习预测滑坡易发性中的应用提供了新思路。

Abstract

Objectives

Landslide is one of the most frequent and destructive geological hazards in the world

posing significant threats to human lives

property

and natural environments. Accurate landslide susceptibility modeling is critical for disaster early warning and risk management. However

a major challenge in this process is the selection of non-landslide samples

which is often arbitrary and overlooks the fact that these samples might originate from potentially unstable areas

leading to reduced model accuracy.

Methods

To address this

a novel negative sample selection strategy based on interferometric synthetic aperture radar (InSAR)-derived ground deformation data is proposed. Taking Hanyuan County

Sichuan Province as the study area

annual average ground deformation rates are generated using the small baseline subset InSAR technique. Negative samples are extracted from the regions which exhibit extremely low deformation rates

representing areas unlikely to experience landslides.

Results

Results demonstrate that the InSAR-based sampling method significantly improves predictive performance in both extreme gradient boosting (XGBoost) and random forest (RF) models. The InSAR-RF model achieves the highest accuracy

with the area under the curve of 0.847 and the overall accuracy of 89.8%

representing 5.5% and 5.6% improvement

respectively

over traditional buffer-based sampling approaches. Additionally

to overcome the lack of dynamic features in conventional landslide susceptibility assessment

InSAR data are integrated with machine learning models

and an evaluation matrix is constructed to refine susceptibility mapping. The decision mechanisms within the models are further analyzed using shapley additive explanations to enhance interpretability.

Conclusions

The InSAR-based negative sampling strategy not only improves model accuracy

but also strengthens the scientific reliability of landslide susceptibility assessments by integrating real-world deformation data. It offers a new approach for landslide hazard early warning and risk management.

关键词

Keywords

references

许强，李为乐，董秀军，等 . 四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究［J］. 岩石力学与工程学报， 2017 ， 36 （ 11 ）： 2612 - 2628 .

XU Qiang ， LI Weile ， DONG Xiujun ， et al . The Xinmocun Landslide on June 24， 2017 in Maoxian， Sichuan： Characteristics and Failure Mechanism ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2017 ， 36 （ 11 ）： 2612 - 2628 .

许强 . 对滑坡监测预警相关问题的认识与思考［J］. 工程地质学报， 2020 ， 28 （ 2 ）： 360 - 374 .

XU Qiang . Understanding the Landslide Monitoring and Early Warning： Consideration to Practical Issues ［J］. Journal of Engineering Geology ， 2020 ， 28 （ 2 ）： 360 - 374 .

瞿伟，边子策，李久元，等 . 融合Transformer与CNN的正样本缓冲滑坡易发性评价模型：以宝鸡市为例［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 4 ）： 726 - 740 .

QU Wei ， BIAN Zice ， LI Jiuyuan ， et al . Landslide Susceptibility Assessment Model Based on Positive Sample Buffering with Transformer-CNN Integration： A Case Study of Baoji City ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 4 ）： 726 - 740 .

郭飞，吴迪，葛民荣，等 . 连续变量因子分级和机器学习模型对滑坡易发性评价精度的影响［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 2 ）： 236 - 248 .

GUO Fei ， WU Di ， GE Minrong ， et al . Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 2 ）： 236 - 248 .

徐胜华，马钰，刘纪平，等 . 多尺度特征学习的轻量化滑坡易发性评价方法［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 6 ）： 1175 - 1190 .

XU Shenghua ， MA Yu ， LIU Jiping ， et al . A Lightweight Network Based on Multi-scale Feature Learning for Landslide Susceptibility Assessment ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 6 ）： 1175 - 1190 .

HUANG F M ， LI R H ， CATANI F ， et al . Uncertainties in Landslide Susceptibility Prediction： Influence Rule of Different Levels of Errors in Landslide Spatial Position ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2024 ， 16 （ 10 ）： 4177 - 4191 .

ALVIOLI M ， LOCHE M ， JACOBS L ， et al . A Benchmark Dataset and Workflow for Landslide Susceptibility Zonation ［J］. Earth‐Science Reviews ， 2024 ， 258 ： 104927 .

LIU L L ， ZHAO S L ， YANG C ， et al . Quantifying Uncertainty in Landslide Susceptibility Mapping Due to Sampling Randomness ［J］. International Journal of Disaster Risk Reduction ， 2024 ， 114 ： 104966 .

LU Y X ， XU H G ， WANG C ， et al . A Novel Strategy Coupling Optimised Sampling with Heterogeneous Ensemble Machine-Learning to Predict Landslide Susceptibility ［J］. Remote Sensing ， 2024 ， 16 （ 19 ）： 3663 .

GU T F ， DUAN P ， WANG M G ， et al . Effects of Non-landslide Sampling Strategies on Machine Learning Models in Landslide Susceptibility Mapping ［J］. Scientific Reports ， 2024 ， 14 ： 7201 .

ZHANG Q ， HE Y ， ZHANG L F ， et al . A Landslide Susceptibility Assessment Method Considering the Similarity of Geographic Environments Based on Graph Neural Network ［J］. Gondwana Research ， 2024 ， 132 ： 323 - 342 .

YANG L ， CUI Y L ， XU C ， et al . Application of Coupling Physics‐Based Model TRIGRS with Random Forest in Rainfall-Induced Landslide-Susceptibility Assessment ［J］. Landslides ， 2024 ， 21 （ 9 ）： 2179 - 2193 .

LIU S L ， WANG L Q ， ZHANG W G ， et al . A Physics-Informed Data-Driven Model for Landslide Susceptibility Assessment in the Three Gorges Reservoir Area ［J］. Geoscience Frontiers ， 2023 ， 14 （ 5 ）： 101621 .

LIU S L ， WANG L Q ， ZHANG W G ， et al . Physics-Informed Optimization for a Data-Driven Approach in Landslide Susceptibility Evaluation ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2024 ， 16 （ 8 ）： 3192 - 3205 .

GUO Z Z ， TIAN B X ， ZHU Y H ， et al . How Do the Landslide and Non-landslide Sampling Strategies Impact Landslide Susceptibility Assessment？ —A Catchment-Scale Case Study from China ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2024 ， 16 （ 3 ）： 877 - 894 .

王磊，吕广涵，杜建涛，等 . 黄河上游玛沁段活动滑坡InSAR探测与时空特征分析［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 11 ）： 2226 - 2235 .

WANG Lei ， LÜ Guanghan ， DU Jiantao ， et al . InSAR Detection and Spatiotemporal Characteristics of Active Landslides in the Maqin Section of the Upper Yellow River ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 11 ）： 2226 - 2235 .

何国庆，李为乐，陆会燕，等 . 基于Spearman滤波与HNSW-DBSCAN聚类的滑坡隐患InSAR形变区自动识别［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 8 ）： 1682 - 1693 .

HE Guoqing ， LI Weile ， LU Huiyan ， et al . Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 8 ）： 1682 - 1693 .

XU Q ， ZHAO B ， DAI K R ， et al . Remote Sensing for Landslide Investigations： A Progress Report from China ［J］. Engineering Geology ， 2023 ， 321 ： 107156 .

GUO Z Z ， WANG H J ， HE J ， et al . PSLSA V2.0： An Automatic Python Package Integrating Machine Learning Models for Regional Landslide Susceptibility Assessment ［J］. Environmental Modelling & Software ， 2025 ， 186 ： 106367 .

WU X L ， QI X S ， PENG B ， et al . Optimized Landslide Susceptibility Mapping and Modelling Using the SBAS-InSAR Coupling Model ［J］. Remote Sensing ， 2024 ， 16 （ 16 ）： 2873 .

SHAN Y F ， XU Z ， ZHOU S S ， et al . Landslide Hazard Assessment Combined with InSAR Deformation： A Case Study in the Zagunao River Basin， Sichuan Province， Southwestern China ［J］. Remote Sensing ， 2024 ， 16 （ 1 ）： 99 .

DAI C ， LI W L ， LU H Y ， et al . Landslide Hazard Assessment Method Considering the Deformation Factor： A Case Study of Zhouqu， Gansu Province， Northwest China ［J］. Remote Sensing ， 2023 ， 15 （ 3 ）： 596 .

AN B S ， ZHANG Z J ， XIONG S Q ， et al . Landslide Susceptibility Mapping Based on Ensemble Learning in the Jiuzhaigou Region， Sichuan， China ［J］. Remote Sensing ， 2024 ， 16 （ 22 ）： 4218 .

刘瑞阳，许强，蒲川豪，等 . 湖南资兴市2024年7月台风“格美”诱发滑坡特征及其地质控制作用［J］. 武汉大学学报（信息科学版）， 2025 ， DOI： 10.13203/j.whugis20250027 http://dx.doi.org/10.13203/j.whugis20250027 .

LIU Ruiyang ， XU Qiang ， PU Chuanhao ， et al . Characteristics of Landslides Induced by Typhoon ‘Gaemi’ in Zixing， Hunan， July 2024 ， and Their Geological Control［J］. Geomatics and Information Science of Wuhan University ， 2025 ， DOI： 10.13203/j.whugis20250027 http://dx.doi.org/10.13203/j.whugis20250027 .

丁明涛，江辉，李振洪，等 . 融合卷积模糊神经网络与SHAP特征优化的地震诱发滑坡易发性评价［J］. 武汉大学学报（信息科学版）， 2025 ， DOI： 10.13203/j.whugis20250017 http://dx.doi.org/10.13203/j.whugis20250017 .

DING Mingtao ， JIANG Hui ， LI Zhenhong ， et al . Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization Strategy ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， DOI： 10.13203/j.whugis20250017 http://dx.doi.org/10.13203/j.whugis20250017 .

YANG S L ， TAN J Y ， LUO D Y ， et al . Sample Size Effects on Landslide Susceptibility Models： A Comparative Study of Heuristic， Statistical， Machine Learning， Deep Learning and Ensemble Learning Models with SHAP Analysis ［J］. Computers & Geosciences ， 2024 ， 193 ： 105723 .

WEN H J ， LIU B ， DI M R ， et al . A SHAP-Enhanced XGBoost Model for Interpretable Prediction of Coseismic Landslides ［J］. Advances in Space Research ， 2024 ， 74 （ 8 ）： 3826 - 3854 .

SUN D L ， CHEN D L ， ZHANG J L ， et al . Landslide Susceptibility Mapping Based on Interpretable Machine Learning from the Perspective of Geomorphological Differentiation ［J］. Land ， 2023 ， 12 （ 5 ）： 1018 .

YE F ， FU W X ， ZHOU H F ， et al . The “8·21” Rainfall-Induced Zhonghaicun Landslide in Hanyuan County of China： Surface Features and Genetic Mechanisms ［J］. Landslides ， 2021 ， 18 （ 10 ）： 3421 - 3434 .

YANG C ， LIU L L ， HUANG F M ， et al . Machine Learning-Based Landslide Susceptibility Assessment with Optimized Ratio of Landslide to Non-landslide Samples ［J］. Gondwana Research ， 2023 ， 123 ： 198 - 216 .

LIU Q ， TANG A P ， HUANG D L . Exploring the Uncertainty of Landslide Susceptibility Assessment Caused by the Number of Non‐Landslides ［J］. Catena ， 2023 ， 227 ： 107109 .

CHANG Z L ， HUANG J S ， HUANG F M ， et al . Uncertainty Analysis of Non-landslide Sample Selection in Landslide Susceptibility Prediction Using Slope Unit-Based Machine Learning Models ［J］. Gondwana Research ， 2023 ， 117 ： 307 - 320 .

中华人民共和国住房和城乡建设部 . 工程岩体分级标准： GB/T 50218—2014 ［S］. 北京：中国计划出版社， 2015 .

Ministry of Housing and Urban-Rural Development of the People's Republic of China . Standard for Engineering Classification of Rock Mass ： GB/T 50218—2014 ［S］. Beijing ： China Planning Press ， 2015 .

ZHAO F C ， MIAO F S ， WU Y P ， et al . Landslide Dynamic Susceptibility Mapping in Urban Expansion Area Considering Spatiotemporal Land Use and Land Cover Change ［J］. Science of the Total Environment ， 2024 ， 949 ： 175059 .

ULLAH M ， TANG B Z ， HUANGFU W C ， et al . Machine Learning-Driven Landslide Susceptibility Mapping in the Himalayan China‐Pakistan Economic Corridor Region ［J］. Land ， 2024 ， 13 （ 7 ）： 1011 .

ZHAO F C ， MIAO F S ， WU Y P ， et al . Refined Landslide Susceptibility Mapping in Township Area Using Ensemble Machine Learning Method Under Dataset Replenishment Strategy ［J］. Gondwana Research ， 2024 ， 131 ： 20 - 37 .

段中满，罗伟奇，陈雅娜，等 . 基于信息量和机器学习的滑坡灾害易发性分析：以湖南省中西部地区为例［J］. 湖南师范大学自然科学学报， 2024 ， 47 （ 5 ）： 111 - 120 .

DUAN Zhongman ， LUO Weiqi ， CHEN Ya'na ， et al . Analysis of Landslide Disaster Susceptibility Based on Information Quantity and Machine Learning： Take the Central and Western Regions of Hunan Province as an Example ［J］. Journal of Natural Science of Hunan Normal University ， 2024 ， 47 （ 5 ）： 111 - 120 .

MA S Y ， XU C ， SHAO X Y . Spatial Prediction Strategy for Landslides Triggered by Large Earthquakes Oriented to Emergency Response， Mid-term Resettlement and Later Reconstruction ［J］. International Journal of Disaster Risk Reduction ， 2020 ， 43 ： 101362 .

LIU B ， GUO H X ， LI J L ， et al . Application and Interpretability of Ensemble Learning for Landslide Susceptibility Mapping Along the Three Gorges Reservoir Area， China ［J］. Natural Hazards ， 2024 ， 120 （ 5 ）： 4601 - 4632 .

MA S Y ， SHAO X Y ， XU C . Estimating the Quality of the Most Popular Machine Learning Algorithms for Landslide Susceptibility Mapping in 2018 Mw 7.5 Palu Earthquake ［J］. Remote Sensing ， 2023 ， 15 （ 19 ）： 4733 .

ZHANG J Y ， MA X L ， ZHANG J L ， et al . Insights into Geospatial Heterogeneity of Landslide Susceptibility Based on the SHAP-XGBoost Model ［J］. Journal of Environmental Management ， 2023 ， 332 ： 117357 .

KE C Y ， HE S ， QIN Y G . Comparison of Natural Breaks Method and Frequency Ratio Dividing Attribute Intervals for Landslide Susceptibility Mapping ［J］. Bulletin of Engineering Geology and the Environment ， 2023 ， 82 （ 10 ）： 384 .

WANG Q ， WANG Y ， NIU R Q ， et al . Integration of Information Theory， K-Means Cluster Analysis and the Logistic Regression Model for Landslide Susceptibility Mapping in the Three Gorges Area， China ［J］. Remote Sensing ， 2017 ， 9 （ 9 ）： 938 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Refined Mapping of Urban Local Climate Zones by Integrating Multi-source Data： A Case Study of Wuhan， China

Deep Learning-Based Joint Local and Non-local Phase Filtering for InSAR Images

Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation

Identification of Debris-Covered Koxkar Glacier in Mt. Tianshan and Its Velocity Characteristics

Accuracy Verification and Analysis of the Interferometry of Lutan-1 Satellite：A Case Study of Datong

Related Author

LIU Yaolin

ZHANG Wen

QIN Rui

ZHANG Min

JIAO Limin

WANG Jie

LIU Jiahang

LING Xinpeng

Related Institution

School of Resources and Environmental Sciences, Wuhan University

Key Laboratory of Geographic Information System, Ministry of Education, Wuhan University

Duke Kunshan University, Kunshan

Wuhan Natural Resources and Planning Information Center

College of Astronautics, Nanjing University of Aeronautics and Astronautics

AI问答

⁰