考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律

• 作者: 黄发明 李金凤 王俊宇 毛达雄 盛明强
• 来源期刊: 地质科技通报
• 学科: 地球科学
• 关键词: 滑坡易发性预测 线状环境因子 空间密度 机器学习 地理信息系统
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: “地灾失稳机制及其风险评价”专辑
• 页码范围: 44-59
• 页数: 16页
• 分类号: P642.22
• 语种: 中文
• DOI: 10.19509/j.cnki.dzkq.2022.0010

摘要

对于滑坡易发性预测中的水系、公路和断层等线状环境因子,现有研究大多采用缓冲分析提取距离线状因子的距离.但缓冲分析得到的线距离属于离散型变量,带有大小不等的随机波动性且对点或线要素的误差较为敏感,导致滑坡易发性建模精度下降.提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性.以江西省安远县为例,选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子),再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子);之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型,分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性;最后利用ROC曲线和易发性指数分布特征等来研究建模规律.结果表明:①改进因子机器学习预测精度均高于原始因子机器学习模型,表明空间密度对于易发性预测的适宜性更好;②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好,其次是SVM、MLP和LR;③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前.