滑坡易发性预测不确定性：环境因子不同属性区间划分和不同数据驱动模型的影响

作者：黄发明; 叶舟; 姚池^*; 李远耀; 殷坤龙; 黄劲松; 姜清辉

来源：地球科学, 2020, 45(12): 4535-4549.

• 滑坡易发性预测
• 不确定性分析
• 频率比
• 属性区间划分
• 数据驱动模型
• 工程地质

对于滑坡易发性预测建模,连续型环境因子在频率比分析时的属性区间划分数量(attribute interval numbers,AIN)和不同易发性预测模型是两个重要不确定性因素.为研究这两个因素对建模的影响规律,以江西省上犹县为例,考虑5种连续型环境因子AIN划分(4、8、12、16及20)和5种数据驱动模型(层次分析法(analytic hierarchy process,AHP)、逻辑回归(logistic regression,LR)、BP神经网络(back-propagation neural network,BPNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)),总计25种不同工况下的滑坡易发性预测研究.再开展滑坡易发性指数的不确定性(包括精度评价和统计规律等)分析.结果表明:(1)对于同一模型,随着AIN值从4增加至8再到20时,易发性预测精度先逐渐提升,然后缓慢提升直至稳定;(2)对于同一AIN值,RF模型预测精度最高,其后依次为SVM、BPNN、LR和AHP模型;(3)在25种组合工况下,AIN=20和RF模型的预测精度最高,AIN=4和AHP模型精度最低,但在AIN=8和RF模型组合下的易发性建模效率较高且精度也较高;(4)更大的AIN值和更先进的机器学习模型预测出的滑坡易发性指数的不确定性相对较低,更符合实际的滑坡概率分布特征.在环境因子属性区间划分为8和RF模型工况下高效准确地构建滑坡易发性预测模型.

• 单位
  建筑工程学院; 南昌大学建筑工程学院; 武汉大学