基于多机器学习模型耦合的滑坡易发性评价研究——以湖北省秭归县为例OA

湖北省秭归县地质环境复杂,滑坡灾害频发,亟须构建能有效耦合致灾因子物理意义与复杂非线性关系的评价模型来开展滑坡易发性评价研究.本研究以秭归县为例,通过野外调查和资料收集,选取690处滑坡样本,构建包含地形地貌、地质环境、气象水文、植被覆盖和人类活动的评价因子体系.随后,从预测精度和运行时间等指标对比了轻量级梯度提升机模型(LightGBM)与主流机器学习模型的性能.最后,将信息量模型与LightGBM模型耦合,构建IV-LightGBM模型用于滑坡易发性评价.结果表明,LightGBM模型预测精度高,AUC(area under curve)值为0.900,运行时间仅15.1 s,在保证精度的同时提升了效率.IV-LightGBM耦合模型整体性能优于单一模型,AUC值为0.977,较LightGBM和IV模型分别提高了0.077和0.118.IV-LightGBM模型划分的极高、高、中、低、极低易发区面积比例分别为28.44%、19.84%、12.14%、13.60%和25.97%,主要分布在长江及其主要支流沿岸、河谷地区道路周边及农田集中区.因子贡献率排序前5位为坡度、地层岩性、土地覆盖类型、距水系距离和5 d持续降水量.评价结果可为三峡库区类似地质环境区的滑坡易发性评价提供方法参考,并为地方政府开展防灾减灾工作、优化城镇建设布局提供科学支撑.