基于极端梯度提升算法的滑坡易发性评价模型

摘要

机器学习用于地质灾害的易发性评价分析是当前研究的热点之一,不同的学习模型其效果不尽相同。为合理有效地评价滑坡地质灾害的易发性,依托浙江省温州市飞云江流域地质灾害的调查数据,应用地理信息系统(geographic information system, GIS)技术提取坡度、坡向、坡形、地表覆盖、地形湿度指数(topographic wetness index, TWI)、极端小时降雨量、内摩擦角、黏聚力、容重与风化层厚度10个滑坡致灾因子,基于极端梯度提升算法(extreme gradient boosting, XGBoost)构建模型用于滑坡地质灾害的易发性多分类评价。模型结果通过多分类混淆矩阵进行评价,并与支持向量机(support vector machine, SVM)模型进行精度比对分析。研究结果显示,训练后的XGBoost算法模型对测试集中极高易发区识别的召回率和精确率分别达到了97.92%和98.06%,F达到97.99%,均优于SVM,可为研究地区的滑塌地质灾害易发性评价提供模型支持。