基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究

以重庆市黔江区为例,选取23个评价因子构建滑坡致灾因子数据库,利用地理探测器与皮尔逊-主成分分析2种因子筛选方法选择因子最优组合;基于Bayesian-LightGBM-SHAP混合模型进行滑坡易发性评价,并对模型精度进行验证,分析影响黔江区滑坡发生的主导因子.初始模型的AUC值为0.801,Pearson Correlation Coefficient-BayesianLightGBM模型AUC值为0.824,GeoDetector-Bayesian-LightGBM模型AUC为0.835;由因子重要性可知,多年平均降雨量、高程、POI核密度与距河流距离是滑坡发生的最主要因子,而输沙指数、水流动力指数与坡位对滑坡的发生影响较弱.因子筛选法-Bayesian-LightGBM相结合的混合模型能够提高模型的准确性,为构建合理因子数据库提供参考框架;通过与因子重要性的结合分析,验证了地理探测器能够准确探测各因子对滑坡发生的贡献值,突出各滑坡地理因子组合之间的相关性,从而探究各因子与滑坡之间的关系.

基于不同评价单元的三峡库区滑坡易发性对比——以重庆市云阳县为例

为探究不同评价单元对区域滑坡易发性评估的影响,基于网格单元与斜坡单元对三峡库区典型县域重庆市云阳县开展了滑坡易发性研究。首先选取高程、坡度、曲率等22个评价因子,根据研究区988个历史滑坡数据,通过30 m×30 m的栅格数据提取斜坡单元,并基于网格单元及斜坡单元分别建立22个滑坡影响因子地理空间数据库;然后利用随机森林与贝叶斯优化算法来构建滑坡易发性模型,对研究区滑坡进行易发性评估;最后结合ROC(受试者工作特征)曲线与混淆矩阵结果检验评价单元的易发性模型预测精度。结果表明:易发性评估的结果可划分为低、较低、中、较高、高5个等级;基于网格单元的滑坡易发性模型中,高程、与道路距离、坡度这3个因子对滑坡发生的贡献率大,基于斜坡单元的模型中,I_(NDV)(归一化植被指数)、剖面曲率、平面曲率这3个因子对滑坡发生的贡献率大,并且2个模型的滑坡密度均随着滑坡易发性等级的升高而变大;与网格单元相比,斜坡单元能更好地解释地形间的联系,以斜坡单元(AUC=0.744)为最小评价单元的滑坡易发性模型比网格单元(AUC=0.714)精度更高。

基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究

【目的】提出一种基于随机森林与Permutation Importance、PDP和LIME结合的可解释性模型,对滑坡易发性区划进行全局和局部解释,旨为滑坡灾害精准防治与城市规划提供理论依据。【方法】以重庆市江津区为例,选取地形地貌、地质构造、气象水文、环境条件和人类活动共5个方面的21个因子,结合江津区899个历史滑坡点,建立30 m×30 m精度的栅格空间数据库,按照滑坡与非滑坡1∶1的比例选取899个非滑坡点,利用随机森林算法构建滑坡易发性模型,将结果分为极低、低、中、高、极高等5个易发性等级,探讨了随机森林模型在三峡库区滑坡易发性区划中的普适性,最后通过Permutation Importance,PDP,LIME方法研究随机森林模型的可解释性。【结果】滑坡高-极高易发区内滑坡点数占历史总滑坡点的71.3%,面积占区域总面积的20.42%,混淆矩阵准确率为0.968,全体数据集AUC值达0.962。通过模型解释可知地形起伏度、年平均降雨量、坡度是滑坡易发性区划中最重要的因子,且地形起伏度、坡度为正影响,当年平均降雨量小于1300 mm时,对滑坡的发生也产生正影响。【结论】基于可解释性机器学习的滑坡易发性区划模型预测精度高,对滑坡的精准防治有重要的实践意义。