机器学习驱动的滑坡易发性多模型分级优化研究——以四川省理县为例

摘要

滑坡易发性评价是地质灾害防治的重要基础工作，对灾害风险防控具有关键作用。然而，传统分级方法在处理边界模糊数据时存在明显不足。为此，本文以四川省理县为研究区，提出一种基于聚类算法的滑坡易发性分级方法。首先采用随机森林模型(Random Forest, RF)计算易发性指数，进而应用层次聚类法(Hierarchical Clustering, HC)和高斯混合模型法(Gaussian Mixture Model, GMM)进行分级，并与传统等间隔划分法和自然断点法进行对比。研究结果表明，聚类算法(尤其是层次聚类法)在处理分布不均、边界模糊的易发性指数时具有更高精度，其中层次聚类法所划定的极高易发区包含了96.1%的历史滑坡点，频率比达3.76,性能最优。实地验证进一步表明，该方法识别出的极高易发区与实际灾害分布高度吻合，证明了其在实际应用中的有效性和可靠性。

关键词

滑坡易发性 / 机器学习 / 随机森林 / 聚类算法 / 指数分级