基于不同机器学习模型的滑坡易发性分析及适应性评估

作     者：王洁 林诚杰 梁峰铭 季静静 谈松林 刘宇 WANG Jie;LIN Cheng-jie;LIANG Feng-ming;JI Jing-jing;TAN Song-lin;LIU Yu

作者机构：南京信息工程大学水文与水资源工程学院南京210044 水利部水文气象灾害机理与预警重点实验室南京210044 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2025年第25卷第2期

页      面：513-520页

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：江苏省水利科技项目(2024007) 河北省省级科技计划(19275408D) 国家自然科学基金面上项目(41671022,41877158) 江苏省研究生科研与实践创新计划(KYCX23_1375) 

主　　题：机器学习 分组卷积神经网络模型 适应性评价 滑坡易发性评价 

摘      要：机器学习模型因其强大的特征提取能力被广泛应用于滑坡易发性评价,在应用中其算法在不断改进。为解决常见机器学习模型中精度不高的问题,将分组卷积神经网络模型(group convolutional neural network,GCNN)引入滑坡易发性评价,并与多种常见机器学习模型结果进行对比分析,综合评估不同机器学习模型在滑坡易发性评价的适应性。以河北省为研究区,从致灾因子、孕灾环境、承灾体这个3个方面出发,共选取16个影响因子,选择GCNN模型和目前常见的机器学习模型——卷积神经网络模型(convolutional neural network,CNN)、逻辑回归模型(Logistic)、随机森林算法模型(random forest,RF)和支持向量机模型(support vector machine,SVM)构建出相应的易发性评价模型,将研究区划分为4类滑坡易发性区域,并对区划的精确性进行综合评价。研究表明,与其他4种机器学习模型相比,GCNN模型在各混淆矩阵指标下拥有更高评分,更适合进行滑坡易发性区划,得到的滑坡易发区划结果与实际发生滑坡点的一致性较好,划分的滑坡灾害易发区更加准确。