信息量和机器学习的川藏交通廊道滑坡灾害易发性评价

摘要

川藏交通廊道沿线地质构造复杂，滑坡灾害对交通廊道具有极大威胁，滑坡易发性评价可有效识别滑坡高易发区域，极大提高交通廊道的防灾减灾效率，降低滑坡造成的损失。该文以川藏交通廊道沿线10 km缓冲区为研究区，基于历史数据、遥感解译和现场勘察，获取3 109处中-大型滑坡灾害数据(大于10万立方米),构建滑坡灾害数据库。结合方差膨胀因子(variance inflation factor, VIF)筛选出地形地貌、基础地质、水文地质、环境及外界触发因素共17个评价因子，采用信息量(information value, IV)、随机森林(random forest, RF)、极限梯度提升(eXtreme gradient boosting, XGBoost)和多层感知器(multilayer perceptron, MLP)模型进行滑坡易发性评价。结果表明：滑坡的极高和高易发区主要分布于泸定县、昌都市、巴塘县、八宿县、林芝市、加查县以及山南市等受地震、地表切割破碎和水系发育等因素影响显著的区域。滑坡易发性评价表明RF模型精度最高(AUC=0.995),其次是XGBoost(AUC=0.954)、MLP(AUC=0.909),IV模型最低(AUC=0.736),说明机器学习的预测结果精度更高。与MLP和XGBoost模型相比，RF模型获取的滑坡易发性制图具有更高的准确性(98.72%)和可靠性(Kappa=0.974),表明RF模型更适用于大高差地形、复杂地质环境的线性区域滑坡易发性评价。

关键词

边坡工程 / 滑坡易发性 / 川藏交通廊道 / 机器学习 / 随机森林 / 优化梯度提升树