基于SMOTE和多粒度级联森林的泥石流易发性评价

作者：李坤; 赵俊三; 林伊琳^*; 刘金福

来源：农业工程学报, 2022, 38(06): 113-121.

• 泥石流
• 易发性
• 模型
• 流域
• gcForest
• SMOTE
• 东川区

准确的泥石流易发性评价结果对山区泥石流灾害防治具有重要意义。该研究将合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）和多粒度级联森林（multi-Grained Cascade Forest,gcForest）运用于泥石流易发性评价，以提高泥石流易发性评价精度。以泥石流多发地东川区为例，在解译泥石流点的基础上，以流域单元为评价单元，基于地质、地形和降水等多源数据，初步选取了15个泥石流孕灾因子，并对初选因子进行贡献率分析和多重共线性检验，筛选出共13个因子构建孕灾因子体系；然后采用SMOTE技术对泥石流与非泥石流样本比例不平衡问题进行处理，构建训练数据集；最后构建gcForest模型对研究区泥石流易发性进行定量分析，计算出各个流域单元的泥石流易发性指数，使用自然断点法将其划分为极低易发区、低易发区、中易发区、高易发区和极高易发区5个等级，并与BP神经网络（Back Propagation neural network,BPNN）和随机森林（Random Forest,RF）模型的预测性能进行对比。结果表明，泥石流极低和低易发区主要集中于研究区东部和西部，极高和高易发区主要集中分布于研究区小江河谷两岸和金沙江南岸，该地区地质环境脆弱，危险性较高；结合流域单元建立的山区泥石流易发性评价模型具有很好的准确性和稳定性，其中多粒度级联森林（gcForest）的受试者工作特征曲线（Receiver-Operating Characteristic,ROC）下面积AUC(Area Under Curve)值和准确度（Accuracy,ACC）分别达到91.76%和81.25%，均高于BP神经网络和RF模型的AUC值和ACC值，表明该模型是一种高性能的泥石流易发性评价方法。利用该方法能更精准地对泥石流进行易发性评价，可为山区泥石流防灾减灾提供科学依据。

• 单位
  昆明理工大学