论文部分内容阅读
大多数在山区发生,而西藏东南部滑坡灾害频繁发生,尤其是雅鲁藏布江下游,雅鲁藏布江下游地质构造活跃,山体滑坡时常发生,不仅会对当地居民的财产和安全造成无法挽回的影响,而且往往给周围国家造成巨大损害。滑坡易发性评价可以有效地减轻由于滑坡灾害发生对人类生命和财产的造成的损失。本文研究藏东南地区的地形地貌、气象水文等进行分析,特别是深入探究滑坡灾害最为频繁的雅鲁藏布江下游的滑坡发育特征,基于历史滑坡数据与野外调查结果,将机器学习模型在地理信息系统软件中结合使用,进行了以下研究:（1）根据藏东南地区的历史滑坡资料、地形地貌、地质构造、气象水文、地层岩性、人类活动等数据,剖析了藏东南滑坡灾害和构成条件,结果表明滑坡灾害在高程32-1544m、地形起伏0-20m、坡度80-100°、坡向为西南方向、曲率-2-2、距河流距离0-1000m、距断裂带距离2000m以内、距离道路500m以内、NDVI在0.43-0.65之间发生次数多。（2）基于Python3.6与R语言,采用了基于基尼系数的加权随机森林、XGBoost和Light GBM算法,考虑了188个滑坡样本,选择土地利用、断裂带与断层、高程、河流、地层岩性、坡度、道路7个影响因素,在模型训练过程中同时考虑特征选择算法、运用贝叶斯、网格搜索和五折交叉验证法优化超参数后,基于70%（131个样本）训练集构建预测模型。采用30%（57个样本）测试集来验证训练模型的可行性。（3）三种模型的滑坡易发性结果呈现出一定的差异,但整体趋同。Gini-RF、XGBoost和Light GBM模型均在极低类别中的百分比值最高,极高易发区面积分别为11.99%,12.05%,12.14%。（4）采用precision、recall、F1指标对各个级别的预测结果进行分析,最后用accuracy来评价整体预测性能。结果表明,Gini-RF、XGBoost和Light GBM算法综合性能较好,预测精度分别为0.8026、0.8251和0.8256。特别是XGBoost模型在所有模型中表现最好,AUC值为0.8432、准确度为0.8531、F1分数为0.8345,极高与高易发性为12.14%和12.41%。与研究区内两处滑坡进行验证,表明模型的可靠性高,滑坡分区图可为有关地方部门的防灾减灾活动提供指导。（5）选择羌纳巴嘎滑坡与墨脱县公路滑坡的现场调查进行对比验证,两处滑坡均处于滑坡高易发区,再次验证了本文机器学习模型划区的准确性。研究结果可供区域滑坡防治相关部门参考。