基于集成学习的山区中小流域滑坡易发区早期识别优化试验

刘海知; 徐辉; 包红军; 鲁恒; 宋巧云; 狄靖月; 王蒙; 曹爽

doi:10.15961/j.jsuese.202200733

工程科学与技术 ›› 2022, Vol. 54 ›› Issue (06) : 12 -20. DOI: 10.15961/j.jsuese.202200733

基于集成学习的山区中小流域滑坡易发区早期识别优化试验

刘海知, 徐辉, 包红军, 鲁恒, 宋巧云, 狄靖月, 王蒙, 曹爽

作者信息 +

Author information +

文章历史 +

摘要

滑坡作为山洪水沙耦合运动的物源和动力基础，其易发区的识别是山洪水沙灾害预报预警和风险评估的重要前提。以往的山洪水沙灾害防治研究主要关注洪水的影响，而忽视了固体物源的作用。为完善山区中小流域山洪水沙灾害防控体系，提出基于集成学习的山区中小流域滑坡易发区早期识别方法，并对数据样本构建和影响因子选取过程进行优化试验。将滑坡单元下垫面环境因子频率比作为无监督学习算法数据样本进行聚类分析；根据聚类算法易发性分区结果选取非滑坡单元，并结合滑坡单元构建集成学习分类算法数据样本集，比较单体算法和融合算法的易发性分区结果准确率和覆盖度。选取研究区域高分卫星遥感影像建立松散堆积物直接解译标志，基于目视解译识别松散堆积物面积，通过回归分析构建松散堆积物面积–体积幂律关系，形成研究区域松散堆积物空间分布图。将固体物源作为下垫面环境因子，比较引入物源因子前后的滑坡易发性分区结果准确率和覆盖度。结果表明：K-Means–RF、K-Means–AdaBoost融合算法输出的高易发区覆盖率相对于K-Means单体算法分别提高9.3%、12.1%。两类融合算法的易发性分区准确率和泛化能力比较接近，K-Means–AdaBoost融合算法对于滑坡点的预测效果更优。考虑物源因子后的K-Means–RF和K-Means–AdaBoos融合算法易发性分区中的高易发区覆盖率分别提高14.2%和17.7%，召回率均提高12.1%。