基于IV-LR的山区交通地质灾害易发性区划及可解释性分析OA

为解决山区交通地质灾害易发性评价模型可解释性不足的问题,开展基于可解释性机器学习框架的交通地质灾害易发性区划研究。以位于雪峰山东麓的隆回县为研究对象,搜集地质环境与历史灾害数据,构建了包含坡度、地形起伏度、地形湿度指数、距断层距离、距河流距离、年平均降雨量及地质岩性7个评价因子的模型。采用信息量模型(information value,IV)量化了各因子属性值对灾害的影响,并耦合逻辑回归算法(logistic regression,LR)建立评价模型,结合受试者特性曲线和相对灾害密度验证模型精度。引入部分依赖图和沙普利加和解释法对致灾因子进行了可解释性分析,最终叠加交通网络矢量数据实现交通沿线地质灾害易发性评估。研究显示:1)模型的受试者特性曲线线下面积值达0.829,相对灾害密度值随着易发性由低到极高,从0.41提升至2.73,表明模型精度较好;2)空间分布上,铁路和国省干线沿线地质灾害极高易发性占比分别为5.7%和12.1%,主要位于研究区内的北部和西北部。铁路沿线高易发区多位于其与公路、河谷交叉地带。县道沿线极高和高易发区占比合计超75%;3)沙普利加和解释法表明,距河流距离、年平均降雨量和地质岩性是对模型预测结果影响较大的三大因素。部分依赖图结果则表明灾害会随着坡度、地形起伏度和年平均降雨量的增加而增加,而地形湿度指数、距河流和断层距离则相反。研究成果对研究类似地质环境区交通基础设施防灾减灾具有推广价值。