使用机器学习和灾难理论,在相连的贫困地区绘制滑坡易感性地图的新框架

科学领域:

• 地质科学 地质科学
• 环境科学 环境科学
• 灾害管理 灾害管理

背景情况:

• 滑坡带来了重大的全球风险,需要准确的滑坡易感性测绘 (LSM) 以有效预防灾害.
• 像山,四川这样的贫困地区特别容易受到地质灾害的影响,需要定制的风险评估策略.

研究的目的:

• 开发和评估一个新的LSM框架,整合随机森林 (RF),支持矢量机 (SVM) 和灾难理论 (CT).
• 利用拟议的综合模型,评估四川梁山贫困地区的山体滑坡易感性.
• 提高LSM的准确性和可靠性,以改善灾害预防和可持续发展.

主要方法:

• 选择了12个因子,代表内部环境和外部触发条件的土地滑坡易感性.
• 应用频率比方法来将历史的山体滑坡与所选因素相关联.
• 将灾难理论 (CT) 与射频和SVM模型集成,为LSM创建射频-CT和SVM-CT框架.
• 使用接收器操作特征 (ROC) 曲线分析评估模型性能.

主要成果:

• 与单个RF和SVM模型相比,集成的RF-CT和SVM-CT模型显示出更高的性能.
• 射频CT的成功率为0.899,预测率为0.783.
• SVM-CT的成功率为0.873,预测率为0.775,显示了显著的改进.
• 两种综合模型都显示,成功率大约提高了10%,预测率提高了5%.

结论:

• 新的RF-CT和SVM-CT框架提供了一个更准确,更可靠的方法来绘制山体滑坡易感性的地图.
• 这些发现为防范灾害,减轻贫困和规划四川梁山的可持续发展提供了有价值的数据.
• 这种综合方法可以适应全球类似脆弱地区的山体滑坡风险评估.