训练集规模优先于相似性：机器学习模型在积石山地震滑坡预测中的比较研究

摘要

机器学习方法是预测地震诱发滑坡风险的重要方法，可显著提高震后风险评估的效率。为探究不同机器学习模型对地震滑坡危险性预测的效果，本研究以2023年甘肃积石山Ms 6.2地震Ⅶ度区为研究区域，利用中国西部地区8次地震诱发滑坡的数据，制作8次地震异构训练集和8次地震传统训练集，并从中挑选出与积石山地震最为相似的4次地震，制作4次地震异构训练集和4次地震传统训练集，对3种主流机器学习模型——随机森林(RF)、人工神经网络(ANN)和极端梯度提升(XGBoost)进行对比评估。结果显示，使用8次地震异构训练集的随机森林模型表现最佳，AUC值最高，预测精度最佳。使用8次地震传统训练集的极端梯度提升和人工神经网络模型也表现良好，AUC值高于其他数据集。反之，基于地震相似性所构建的4次地震数据集训练的模型均显示出较低的准确性，表明样本大小对模型性能的影响大于样本相似性。此外，所有使用传统4次地震数据集的模型均表现出过拟合现象，进一步说明训练集规模的重要性。本研究为提高地震诱发滑坡预测的准确性提供了关于训练数据和模型选择的方法，可为应急响应和灾害风险管理工作提供有力支持。

关键词

积石山地震 / 山体滑坡 / 机器学习模型 / 准确性评估