首页 | 本学科首页   官方微博 | 高级检索  
     

基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究
引用本文:张虹,辜庆渝,孙诚彬,孙德亮,密长林,张凤太. 基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究[J]. 重庆师范大学学报(自然科学版), 2022, 0(3): 78
作者姓名:张虹  辜庆渝  孙诚彬  孙德亮  密长林  张凤太
作者单位:重庆师范大学 地理与旅游学院;重庆师范大学 GIS应用研究重庆市高校重点实验室, 重庆 401331;临沂市公路事业发展中心莒南县中心, 山东 临沂 276000;山东省临沂市自然资源开发服务中心, 山东 临沂 276000;重庆理工大学 管理学院, 重庆 400054
摘    要:【目的】提出一种基于随机森林与Permutation Importance、PDP和LIME结合的可解释性模型,对滑坡易发性区划进行全局和局部解释,旨为滑坡灾害精准防治与城市规划提供理论依据。【方法】以重庆市江津区为例,选取地形地貌、地质构造、气象水文、环境条件和人类活动共5个方面的21个因子,结合江津区899个历史滑坡点,建立30 m×30 m精度的栅格空间数据库,按照滑坡与非滑坡1∶1的比例选取899个非滑坡点,利用随机森林算法构建滑坡易发性模型,将结果分为极低、低、中、高、极高等5个易发性等级,探讨了随机森林模型在三峡库区滑坡易发性区划中的普适性,最后通过Permutation Importance, PDP, LIME方法研究随机森林模型的可解释性。【结果】滑坡高-极高易发区内滑坡点数占历史总滑坡点的71.3%,面积占区域总面积的20.42%,混淆矩阵准确率为0.968,全体数据集AUC值达0.962。通过模型解释可知地形起伏度、年平均降雨量、坡度是滑坡易发性区划中最重要的因子,且地形起伏度、坡度为正影响,当年平均降雨量小于1 300 mm时,对滑坡的发生也产生正影响。【结论】基于可解释性机器学习的滑坡易发性区划模型预测精度高,对滑坡的精准防治有重要的实践意义。

关 键 词:随机森林;可解释性机器学习;江津区;滑坡易发性区划; 三峡库区

Landslide Susceptibility Mapping in Hilly and Gentle Slope Region Based on Interpretable Machine Learning
ZHANG Hong; GU Qingyu; SUN Chengbin; SUN Deliang; MI Changlin; ZHANG Fengtai. Landslide Susceptibility Mapping in Hilly and Gentle Slope Region Based on Interpretable Machine Learning[J]. Journal of Chongqing Normal University:Natural Science Edition, 2022, 0(3): 78
Authors:ZHANG Hong   GU Qingyu   SUN Chengbin   SUN Deliang   MI Changlin   ZHANG Fengtai
Abstract:
Keywords:
点击此处可从《重庆师范大学学报(自然科学版)》浏览原始摘要信息
点击此处可从《重庆师范大学学报(自然科学版)》下载全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号