考虑非滑坡样本选取和集成机器学习方法的水库滑坡易发性预测

王悦; 曹颖; 许方党; 周超; 余蓝冰; 吴立星; 汪洋; 殷坤龙

doi:10.3799/dqkx.2022.407

地球科学 ›› 2024, Vol. 49 ›› Issue (05) : 1619 -1635. DOI: 10.3799/dqkx.2022.407

考虑非滑坡样本选取和集成机器学习方法的水库滑坡易发性预测

王悦 ¹ ,
曹颖 ¹^,³ ,
许方党 ⁴ ,
周超 ²^,³ ,
余蓝冰 ¹ ,
吴立星 ¹ ,
汪洋 ¹^,³ ,
殷坤龙 ¹^,³

作者信息 +

Reservoir Landslide Susceptibility Prediction Considering Non-Landslide Sampling and Ensemble Machine Learning Methods

Yue Wang ¹ ,
Ying Cao ¹^,³ ,
Fangdang Xu ⁴ ,
Chao Zhou ²^,³ ,
Lanbing Yu ¹ ,
Lixing Wu ¹ ,
Yang Wang ¹^,³ ,
Kunlong Yin ¹^,³

Author information +

文章历史 +

PDF (13109K)

摘要

准确的滑坡易发性建模对预警预报和风险管控具有重要意义.针对机器学习技术建模中非滑坡样本随机选取和单个分类器存在的精度不高问题，提出了一种耦合多模型的区域滑坡易发性建模框架.以三峡库区秭归‒巴东段为例，选取高程、坡度等12个因子构建评价指标体系，应用信息量法定量分析各指标对滑坡空间发育的影响程度.随机选取70%的滑坡作为训练样本，剩余的30%作为验证样本；应用逻辑回归模型（LR）制作研究区的初始易发性分区图，确定非滑坡随机采样的约束范围.随后，分别采用LR模型约束和无约束条件下随机选取的非滑坡样本，应用单个分类回归树（LR-CART和No-CART）及分类回归树‒Bagging组合模型（LR-CART-Bagging和No-CART-Bagging）开展滑坡易发性建模，并应用多个指标进行精度评估.结果发现：高程和水系等是滑坡发育的主控因素；LR-CART-Bagging模型精度为0.973，高于LR-CART模型的0.889；相比于No-CART和No-CART-Bagging模型，LR-CART和LR-CART-Bagging模型精度分别提升了0.057和0.047.LR模型可以有效约束非滑坡样本的选取范围，提升样本的选取质量；CART-Bagging模型综合了机器学习和集成学习的优势，预测性能更强，提出的LR-CART-Bagging模型是一种准确可靠的滑坡易发性建模方法.