负样本选择和评价模型对滑坡易发性预测不确定性的影响

摘要

滑坡易发性预测(Landslide Susceptibility Prediction, LSP)是滑坡风险评价与区域防灾减灾的重要基础，但其精度受到多种因素的制约，如滑坡负样本选择和评价模型选取。为系统评估这两个因素对LSP精度的影响，本研究以陕西省安康市瀛湖镇为例，基于10项环境因子(高程、坡度、坡向等)和222处滑坡数据，分别采用随机选取法、耦合信息量法和半监督机器学习法3种负样本选择方式，并运用信息量法(Information Value, IV)、K-means模型、随机森林(Random Forest, RF)和逻辑回归(Logistic Regression, LR)模型开展滑坡易发性预测与对比分析。结果表明：(1)耦合IV的负样本选择方法评价精度最高，优于半监督机器学习，而随机选取法性能最差。(2)监督机器学习模型(RF和LR)性能优于统计学模型(IV)和无监督机器学习模型(K-means)模型，且RF表现出更强的鲁棒性和更合理的易发性分区效果。综合表明，采用耦合IV法选择负样本并结合RF模型进行建模，可显著提升滑坡易发性预测的精度与可靠性，结果更符合实际滑坡分布规律，为瀛湖镇及其他类似地区的滑坡风险防控提供重要的科学依据。

关键词

滑坡易发性 / 负样本 / 评价模型 / 机器学习 / 不确定性