基于异质集成学习技术优化的滑坡易发性评价模型——以四川省泸定县为例

摘要

准确的易发性评价结果能够对滑坡带来的危险进行精准防控，但目前尚未有普遍共识认为单一或某一组模型最适合所有情况，且单一模型的性能难以进一步提升。基于四川省泸定县400个滑坡样本，研究从地质、地形、气候、人类活动等多方面选取滑坡影响因子，通过相关性分析筛选出11个因子构建评价体系；以随机森林、逻辑回归、支持向量机、极限梯度提升作为基模型，采用Stacking和Blending两类集成学习技术，建立滑坡易发性评价模型；同时根据数据特点进行网络设计，构建深度神经网络和卷积神经网络，比较其与集成学习的预测性能。受试者工作特征曲线对模型性能进行评估的结果表明：Stacking(AUC=0.898)和Blending(AUC=0.895)相较于深度神经网络（AUC=0.860）和卷积神经网络（AUC=0.813）的预测精度更高。通过使用最佳超参数和异构集成技术能够有效提高模型性能，为区域灾害预警和资源保护提供科学依据。

关键词

滑坡易发性制图 / 集成学习 / 深度学习 / 四川省泸定县 / 高山峡谷

基金资助

雅鲁藏布江中游自然资源西藏自治区野外科学观测研究站开放基金项目（2024YJZKF005）; 四川省重点研发项目（2023YFS0435）; 2024年大学生创新训练计划项目（s202410616058,s202410616024）