可解释机器学习驱动的怒江中游滑坡易发性评价OA

怒江中游流域地质构造复杂,滑坡灾害频发,对该区域滑坡进行易发性评价可有效识别滑坡高易发区域,极大提高怒江中游流域的防灾减灾效率。文章基于历史数据、遥感解译和现场勘察,获取3358处中至大型滑坡灾害数据(滑坡体积>105 m3),构建怒江中游流域滑坡灾害数据库。结合方差膨胀因子(variance inflation factor,VIF)和容忍度筛选出地形地貌、基础地质、水文地质、环境影响和外界触发因子等12个特征条件因子,以研究区内南侧滑坡相对密集区的滑坡样本作为训练集,将研究区其余滑坡作为测试集(训练集∶测试集≈1∶1),采用随机森林(random forest,RF)、朴素贝叶斯(naïve Bayes,NB)、优化梯度提升树(extreme gradient boosting,XGBoost)对整个研究区的滑坡灾害易发性情况进行分析预测,并分析评价模型的跨地区泛化能力。结果表明:滑坡的极高易发区和高易发区主要集中于怒江及其支流的河谷地区,受断裂、地表切割破碎和水系发育等因素影响,与研究区内滑坡的分布情况基本吻合。滑坡易发性评价表明RF模型精度最高(AUC=0.880),其次是NB(AUC=0.862)、XGBoost(AUC=0.853),并且RF模型的滑坡易发性制图具有更高的准确度(86.5%)和可靠性(kappa=0.730);SHAP解释认为高程因子在RF、NB和XGBoost模型中对滑坡易发性评价的重要性最大。RF、NB和XGBoost模型均具有较高的跨地区泛化能力,但RF模型AUC值最高,能更适用于地形高差大、地质环境复杂区域的滑坡易发性评价。