基于stacking集成策略和SBAS-InSAR的滑坡动态易发性制图

当前滑坡易发性评价方法存在集成建模策略缺失及假阴性误报现象。首先创新性地利用stacking算法集成随机森林(random forest,RF)和极端梯度提升树(extreme gradient boosting,XGBoost),用于预测滑坡发生的空间概率;然后采用小基线集干涉测量方法解译2018年1月~2021年9月的104景Sentinel-1A数据,将沿视线的变形速度(Vlos)重新投影为沿斜坡方向(VSlope);最后采用经验关联矩阵将易发性分级与变形速度分级相结合,以生成滑坡动态易发性图。研究结果表明,stacking-based RF-XGBoost模型具有比决策树(decision tree,DT),RF,XGBoost,贝叶斯模型(Bayesian network,BN)和多层感知器神经网络(multilayer perceptron neuro network,MLPNN)更好的预测效果和泛化能力。滑坡动态易发性图对变形强烈的区域具有良好的识别效果,降低了3%~8%低易发性占比,提升了2%左右的高~极高易发性占比。现场调查验证了该方法能够在工程活动强烈的区域提高滑坡易发性等级,减少假阴性误报。大周镇极高动态易发区主要分布在长江沿岸及北部凤凰村,应加强监测预警。提出的集成框架及滑坡动态易发性制图技术能够提高区域滑坡的空间辨识度和预警精度,可以作为滑坡灾害区域规划的新手段。