综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模

作     者：周超 甘露露 王悦 吴宏阳 喻进 曹颖 殷坤龙 ZHOU Chao;GAN Lulu;WANG Yue;WU Hongyang;YU Jin;CAO Ying;YIN Kunlong

作者机构：中国地质大学(武汉)地理与信息工程学院武汉430074 三峡库区地质灾害野外监测与预警示范中心重庆404199 中国地质大学(武汉)工程学院武汉430078 

出 版 物：《地球信息科学学报》 (Journal of Geo-information Science)

年 卷 期：2023年第25卷第8期

页      面：1570-1585页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081803[工学-地质工程] 081104[工学-模式识别与智能系统] 08[工学] 0818[工学-地质资源与地质工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然青年科学基金项目(41907253、41702330) 湖北省重点研发计划项目(2021BCA219) 

主　　题：滑坡灾害 异质集成 非滑坡样本 易发性 机器学习 Stacking Boosting 三峡库区 

摘      要：为解决基于机器学习的滑坡易发性建模存在的单模型分类能力弱和传统随机抽取非滑坡样本准确性不高的问题,本研究以三峡库区奉节县为例,应用优化的非滑坡样本和Stacking异质集成机器学习模型进行滑坡易发性建模研究。首先,基于地形、地质和遥感影像等数据提取16个评价指标并进行相关性分析,剔除高相关指标,构建易发性评价指标体系;其次,基于信息量模型提出非滑坡样本选取(Non-Landslide Sampling,NLS)指数;最后,应用NLS指数选取更高质量的非滑坡样本,并与滑坡样本组成训练集;采用随机森林(Random Forest,RF),轻量级梯度提升树(Light Gradient Boosting Machine,LGBM),梯度提升决策树(Gradient Boosting Decision Tree,GBDT),以及以三者为基模型的同质(Boosting)和异质(Stacking)集成方法进行易发性建模。结果表明:应用NLS指数能选取得到质量更高的非滑坡样本,提升了易发性建模精度;Stacking异质集成机器学习模型的精度最高,为0.941,优于3个同质集成模型和3个单模型,表明异质集成算法能显著提升机器学习建模的性能,是一种可靠的滑坡易发性评价方法。本研究的结果将有助于提升区域滑坡灾害风险评估的精确度。