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

应欣翰; 吴彩燕; 贾应; 蒙齐; 马世乾; 廖军

doi:10.19657/j.geoscience.1000-8527.2025.069

现代地质 ›› 2026, Vol. 40 ›› Issue (1) : 263 -274. DOI: 10.19657/j.geoscience.1000-8527.2025.069

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

应欣翰, 吴彩燕, 贾应, 蒙齐, 马世乾, 廖军

作者信息 +

Author information +

文章历史 +

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。