通过整合机器学习模型及其应用来评估区域滑坡易感性的Python系统.

科学领域:

• 地质科学 地质科学
• 环境科学 环境科学
• 计算机科学 计算机科学

背景情况:

• 土地滑坡易感性评估对于风险管理至关重要,但通常涉及复杂的多软件预处理.
• 现有的方法限制了用于易感性分析的多种机器学习模型的整合.

研究的目的:

• 开发一个自动化的Python系统,用于区域滑坡易感性评估.
• 将数据处理,机器学习建模和结果评估集成到一个单一,高效的工作流中.
• 为土地滑坡易感性分析提供可访问的工具,特别是为非专家提供.

主要方法:

• 一个由三个模块组成的Python系统:地理数据处理,机器学习建模和结果评估.
• 利用十个滑坡影响因素和频率比方法进行数据预处理.
• 整合了四种机器学习模型:逻辑回归 (LR),多层感知器 (MLP),支持矢量机 (SVM) 和极端梯度增强 (XGBoost).
• 用户接收器操作特征 (ROC) 曲线用于模型准确性评估.

主要成果:

• 该系统已成功应用于西省兰亭县.
• 通过SVM (AUC=0.882) 实现了高精度,其次是MLP (AUC=0.812),XGBoost (AUC=0.809) 和LR (AUC=0.838).
• 确定SVM是研究区域内对山体滑坡易感性最合适的模型.

结论:

• 开发的Python系统提高了区域滑坡易感性评估的效率.
• 该系统为数据处理和建模提供了有价值的工具,有利于专业人士和非专业人士.
• 在GitHub上开源系统促进了更广泛的采用和土地滑坡危险分析的可访问性.