科研之友
微信
新浪微博
Facebook
分享链接
摘要
将斜坡单元与机器学习模型相结合，对比分析不同机器学习模型在斜坡单元中滑坡易发性评价的差异性，有助于优化预测的精确性和结果的稳定性，为滑坡的预测提供科学依据。本文以四川省黑水县毛尔盖水库地区为研究区，利用r. slopeunits方法自动划分斜坡单元，采用地理探测器（GeoDetector）方法优化滑坡易发性评价指标体系，以斜坡单元为基础分别应用频率比（FR）、频率比-随机森林（FR-RF）、频率比-支持向量机（FR-SVM）、频率比-人工神经网络（FR-ANN）耦合模型对滑坡易发性进行空间预测，并对比分析不同模型在滑坡易发性评价中的性能差异。结果表明：（1）r. slopeunits方法提取的斜坡单元内部坡向均一性较好，满足滑坡稳定性分析方法中计算单元均一性假设；（2）地理探测器筛选的12个评价因子相关性分析表明，没有冗余的评价因子被输入到机器学习模型，保证了模型的可靠性和预测能力；（3）Kappa系数、准确率（Accuracy）、AUC值联合表明预测能力由大到小依次为FR-RF模型、FR-SVM模型、FR-ANN模型、FR，相较于其他模型，FR-RF模型的预测结果中极高和高易发区的滑坡面积占比最高，达到86.89%。研究成果表明FR-RF耦合模型更适用于以斜坡单元为基础的滑坡易发性评价，可为西南深切河谷区域滑坡易发性评价提供理论指导。
-
单位成都理工大学; 地质灾害防治与地质环境保护国家重点实验室
