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.

滑坡易发性;斜坡单元;频率比模型;机器学习模型;毛尔盖水库

成都理工大学地球科学学院;地质灾害防治与地质环境保护国家重点实验室,四川 成都 610059

[1]吴先谭;邓辉;张文江;卓文浩-.基于斜坡单元自动划分的滑坡易发性评价)[J].山地学报,2022(04):542-556

毛尔盖水库,slopeunits

斜坡单元,滑坡易发性评价,机器学习模型,精确性,黑水县,地理探测器,GeoDetector,方法优化,易发性评价指标,应用频率,FR,RF,人工神经网络,ANN,耦合模型,行空,空间预测,性能差异,坡向,均一性,滑坡稳定性,稳定性分析方法,中计,计算单元,评价因子,预测能力,Kappa,Accuracy,易发区,坡面,深切河谷区,频率比模型

0.199961