第十届全国数字山地学术研讨会

摘要：准确可靠的滑坡易发性建模是预测滑坡易发性和风险管理的基础，对滑坡易发性评价具有重要意义。非滑坡样本的选取和准确的评价方法影响易发性建模的精度，针对非滑坡样本选取和单一机器学习模型精度不足的问题，构建了优化非滑坡样本选取的集成学习模型。以积石山地区为研究区，选取高程、PGA、InSAR形变信息等15个因子构建易发性评价指标体系，利用SSMLP、IV和k均值聚类采样策略1：1选取非滑坡样本数据，建立训练集和测试集;利用Stacking集成策略，以SVM、RF和XGBoost算法为基模型，逻辑回归基础算法为元模型构建Stacking集成学习模型，应用Stacking集成学习、RF和XGBoost算法模型进行滑坡易发性建模，并采用Accuracy、Precision等多个评价指标对训练的模型进行精度分析;通过ROC曲线对三种采样策略下三种易发性评价模型进行精度对比分析。结果表明：较高易发区和高易发区主要分布在积石山县东北、东南乡镇区域的山梁沟壑地带，影响易发性结果的主控因子为高程、岩性、土地利用、NDVI和InSAR形变信息;利用SSMLP采样策略能够有效提高机器学习建模精度，SSMLP采样策略显著优于IV和k均值聚类，模型精度提高了3%~4.85%;Stacking集成学习模型的模型精度在不同的采样策略下均优于单一机器模型RF、XGBoost，其中SSMLP-Stacking模型AUC值为0.9017，相较于RF、XGBoost模型精度提升了1.06%~1.85%。构建的优化非滑坡样本选取的集成学习模型能够有效的提高滑坡易发性建模精度，更加科学、精确地模拟积石山地区滑坡灾害的孕育和发生规律，为积石山地区滑坡灾害预防提供科学依据。
 

滑坡易发性；机器学习；集成学习；非滑坡样本；积石山