基于机器学习的滑坡易发性预测建模及其主控因子识别

不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异,另外如何有效识别滑坡易发性的主控因子意义重大。针对上述问题,以支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性,创新地提出了“权重均值法”来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子,将因子频率比值作为SVM和RF的输入变量;再将滑坡与随机选择的非滑坡样本划分为训练集和测试集,用训练好的机器学习预测出滑坡易发性并制图;最后用受试者工作曲线、均值和标准差等来评估建模不确定性,并计算滑坡主控因子。结果表明:①机器学习能有效预测出区域滑坡易发性,RF预测的滑坡易发性精度高于SVM,而其不确定性低于SVM,但两者的易发性分布规律整体相似;②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。