基于集成学习方法的汶川震损区崩塌滑坡易发性评价

作     者：丁嘉伟 王协康 

作者机构：四川大学山区河流保护与治理全国重点实验室 

出 版 物：《工程科学与技术》 (Advanced Engineering Sciences)

年 卷 期：2025年

核心收录：

学科分类：070801[理学-固体地球物理学] 081803[工学-地质工程] 07[理学] 08[工学] 0708[理学-地球物理学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金委员会-中华人民共和国水利部-中国长江三峡集团有限公司长江水科学研究联合基金项目资助(U2340201) 国家自然科学基金重点项目(52239006) 四川省自然科学基金项目(2024NSFSC0005) 

主　　题：汶川震损区 滑坡 崩塌 山洪灾害 机器学习 

摘      要：崩塌、滑坡等形成的松散物质常为山洪灾害提供重要泥沙物源。汶川“5.12地震灾区存在大量不稳定边坡与潜在的滑坡、崩塌风险区。构建崩塌、滑坡易发性评价模型对于该区域复合山洪灾害的早期防范具有重要意义。本研究从地形地质及气象水文等方面筛选出10个评价因子，应用极端梯度提升（XGBoost）与轻量级梯度提升机（LightGBM）两种先进的集成学习算法和逻辑回归、随机森林两种常见算法分别构建汶川县崩塌滑坡易发性评价模型，利用准确率、精确率、受试者工作特征曲线（ROC）下面积等定量指标对比评估各模型结果。结果表明：根据不同分类评价指标，两种集成学习模型相较于传统模型拥有更高的分类预测能力。基于分类准确率，XGBoost模型（0.903）与LightGBM模型（0.903）优于随机森林模型（0.900）与逻辑回归模型（0.864）；精确率方面，LightGBM模型（0.887）略优于XGBoost(0.882)，优于随机森林模型（0.872）与逻辑回归模型（0.802）；根据不同模型ROC曲线下面积计算结果，XGBoost(0.904)模型与LightGBM(0.904)模型具有近乎同等的分类性能，略优于随机森林模型（0.902），逻辑回归模型最差（0.869）。基于对易发性图的进一步对比分析，两种集成学习模型的易发性分区结果与逻辑回归、随机森林模型结果存在一定差异，根据对各分区崩滑点密集程度的计算，两种集成学习模型的结果较为可靠，LightGBM模型在识别和预测崩滑高易发区域方面的性能最佳。