基于IV-ML模型的滑坡易发性评价与机理分析

摘要

为了实现对临潼区滑坡灾害易发性的预测，为防灾减灾提供依据，本文选取了地形地貌、地质、水文地质、人类工程活动与植被五个方面共12个评价因子，通过耦合信息量法(information value, IV)与机器学习方法(machine learning, ML),构建了信息量-随机森林(information value-random forest, IV-RF)、信息量-支持向量机(information value-support vector machine, IV-SVM)、信息量-极致梯度提升(information value-eXtreme gradient boosting, IV-XGBoost)模型，并基于机器学习可解释算法(SHapley Additive exPlanations, SHAP)给出的因子权重进行信息量加权构建了加权信息量-随机森林(weighted information value-random forest, WIV-RF)和加权信息量-极致梯度提升(weighted information value-eXtreme gradient boosting, WIV-XGBoost)模型，最后结合SHAP模型和地质调查分析了区内滑坡机理。研究结果显示，IV-RF、IV-SVM、IV-XGBoost模型的曲线下面积(area under curve, AUC)值分别为0.85、0.88、0.85,显示出较高的预测精度。通过信息量-机器学习耦合的方式得到的模型具有较强的分类能力。SHAP可解释性分析揭示，坡度、人类工程活动与断层破碎带构成灾变主控本底，降雨则为核心触发因子。进一步结合地质调查结果，将研究区滑坡归纳为拉张软化型黄土滑坡和蠕变渗流型堆积层滑坡两类，其演化受控于土-岩渗透差异及外营力耦合作用。

关键词

滑坡 / 易发性评价 / 信息量法 / 机器学习 / 滑坡机理