融合XGBoost-SHAP的极端降雨下群发性地质灾害特征研究

摘要

以2024年6月16日福建龙岩特大暴雨引发的群发性滑坡灾害为例,利用光学遥感影像解译、空间统计分析、XGBoost机器学习模型和SHAP可解释性方法研究了地形地貌因子对滑坡空间分布的控制作用.首先基于高分辨率光学遥感影像解译识别出滑坡点,以此构建滑坡空间数据库;然后结合数字高程模型提取高程、坡度、坡向、平面曲率和汇水面积等地形因子,利用XGBoost模型量化各因子对滑坡发生的影响权重,并利用SHAP方法解析其非线性交互机制.研究结果表明,滑坡主要集中于高程为200～400m、坡度为25°～40°的凹形坡区域,其中高程和坡度是关键控制因素,平面曲率和汇水条件也具有显著影响,且多因子间存在明显的耦合作用.研究结果不仅可为灾后应急响应、隐患排查与次生灾害风险评估提供科学依据和技术支撑,而且也验证了机器学习与可解释人工智能方法在滑坡风险分析中的有效性.

关键词

群发性地质灾害 / XGBoost / SHAP / 量化分析 / 机器学习