基于逻辑回归树耦合熵指数模型的滑坡易发性分区——以陕西省延安市吴起县滑坡为例

研究合适的县域滑坡易发性分区的方法,对于滑坡的防治有着非常重要的现实意义。鉴于此,基于陕西省延安市吴起县的717个滑坡样本,选取坡度、坡向、高程、平面曲率、剖面曲率、年平均降雨量、距道路的距离、距河流的距离、岩土体类型和NDVI作为影响因子,计算对应的熵指数,构建了基于熵指数的建模数据集。随后,基于建模数据集,耦合熵指数(IOE)和逻辑回归树模型(LMT),建立了IOE-LMT混合分类模型,并绘制了吴起县滑坡易发性分区图。利用多种统计学指标、ROC曲线下的面积(AUROC)和平均绝对误差(MAE)评价分区精度和模型的泛化性能。结果表明:IOE-LMT模型的泛化性能较强(AUROC=0.942),且滑坡易发性分区图的精度较高;研究区内滑坡易发于黄土沟道范围内,并且研究区北部的滑坡易发性明显高于南部。评价结果合理可靠,可为当地的滑坡防治和国土空间规划提供参考。

信息量与多模型耦合的滑坡易发性评价研究

滑坡易发性评价是识别滑坡灾害危险性"靶区"的基础和关键。三峡库区秭归县的侏罗系地层区是滑坡灾害易发区,选取坡度、地表切割深度、曲率、距水系与路网距离等8个影响因子,通过信息量模型(I)与人工神经网络(ANN)、随机森林(RF)、XGBboost、支持向量机(SVM)等4种模型耦合,进行了滑坡易发性评价。通过受试者工作特征(ROC)曲线对比分析发现:信息量和支持向量机耦合模型的ROC曲线AUC值最大(0.848),滑坡易发性的分区图显示高易发区主要集中在水系和路网两侧,其结果与实际滑坡分布基本一致。研究成果可为区域滑坡易发性评价和滑坡灾害的防治提供参考。