基于机器学习的滑坡易发性评价多模型对比与SHAP解释分析

期刊: 《社会发展与科技创新》 DOI:10.64649/yh.shfzykjcx.2026030032 PDF下载 返回期刊

王龙辉1；唐亚明2*；周永恒3；刘志恒2

1.中国地质科学院；2.中国科学院地球环境研究所；3.中国地质大学（武汉）

摘要

【目的】黄土高原滑坡灾害频发，严重威胁区域安全。传统易发性评价方法难以处理高维非线性因子，机器学习模型虽应用广泛，但存在“黑箱”局限，且多模型对比与可解释性研究尚显不足。【方法】以山西省乡宁县为研究区，选取高程、坡度、坡向、曲率、地形起伏度、地层岩性、河流距、断裂距、道路距、NDVI、土地利用类型11个评价因子，构建支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）、极端梯度提升（XGBoost）四种滑坡易发性评价模型。采用混淆矩阵与ROC曲线对比模型精度，并引入SHAP算法对最优模型进行全局与局部可解释性分析，量化各因子对滑坡发生的贡献程度。【结果】四种模型AUC值分别为0.8984、0.9031、0.9935、0.9999，RF与XGBoost模型性能显著优于SVM和ANN，其中XGBoost综合表现最优。SHAP解释表明，坡度和土地利用类型是研究区滑坡发育的主导控制因子，地表起伏度、地层岩性次之；坡度越大，滑坡发生概率越高。【结论】集成学习模型在黄土滑坡易发性评价中具有更高精度与稳定性，SHAP算法有效增强了模型的可解释性，研究结果可为黄土高原地质灾害防治与风险管理提供科学参考。

关键词

滑坡易发性；机器学习；模型对比；SHAP；黄土高原；乡宁县

参考文献

[1]彭建兵等, 黄土地质灾害研究中的关键问题与创新思路. 工程地质学报, 2014. 22(04): 第684-691页.

[2]孙萍萍等, 黄土高原地质灾害发生规律. 山地学报, 2019. 37(05): 第737-746页.

[3]孙萍萍等, 中国西部黄土区地质灾害调查研究进展. 西北地质, 2022. 55(03): 第96-107页.

[4]冯凡等, 不同尺度下地质灾害风险评价方法探讨——以陕西吴堡县为例. 中国地质灾害与防治学报, 2022. 33(02): 第115-124页.

[5]唐晓娜, 基于卷积神经网络和综合指数模型的吕梁市滑坡灾害易发性评价, 2019, 太原理工大学.

[6]Dikshit, A., B. Pradhan and A.M. Alamri, Pathways and challenges of the application of artificial intelligence to geohazards modelling. GONDWANA RESEARCH, 2021. 100: p. 290-301.

[7]黄发明等, 滑坡易发性关键问题综述及其基于半监督非对称理论的解决方案. 岩石力学与工程学报: 第1-30页.

[8]Gameiro, S., et al., Artificial neural networks applied to landslide susceptibility: The effect of sampling areas on model capacity for generalization and extrapolation. APPLIED GEOGRAPHY, 2021. 137.

[9]王卫东, 刘攀与龚陆, 基于支持向量机模型的四川省滑坡灾害易发性区划. 铁道科学与工程学报, 2019. 16(05): 第1194-1200页.

[10]Sun, D.L., et al., A random forest model of landslide susceptibility mapping based on hyperparameter optimization using Bayes algorithm. GEOMORPHOLOGY, 2020. 362.

[11]Sun, D.L., et al., An Optimized Random Forest Model and Its Generalization Ability in Landslide Susceptibility Mapping: Application in Two Areas of Three Gorges Reservoir, China. JOURNAL OF EARTH SCIENCE, 2020. 31(6): p. 1068-1086.

[12]Tanyu, B.F., et al., Landslide susceptibility analyses using Random Forest, C4.5, and C5.0 with balanced and unbalanced datasets. CATENA, 2021. 203.

[13]仉文岗等, 基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例. 地球科学, 2023. 48(05): 第2024-2038页.

[14]吴润泽等, 基于随机森林的滑坡空间易发性评价：以三峡库区湖北段为例. 地球科学, 2021. 46(01): 第321-330页.

[15]田乃满等, 人工神经网络和决策树模型在滑坡易发性分析中的性能对比. 地球信息科学学报, 2020. 22(12): 第2304-2316页.

[16]崔婷婷等, 基于SHAP的可解释机器学习的滑坡易发性评价模型. 成都理工大学学报(自然科学版), 2025. 52(01): 第153-172页.

[17]张潇远等, 一种利用贝叶斯算法优化XGBoost的滑坡易发性评价方法. 测绘科学, 2023. 48(06): 第140-150页.

[18]薛一凡等, 基于多模型对比的甘肃庆阳地区滑坡易发性评价. 地球科学与环境学报, 2025. 47(04): 第600-617页.

[19]Chen, L., et al., A knowledge-aware deep learning model for landslide susceptibility assessment in Hong Kong. SCIENCE OF THE TOTAL ENVIRONMENT, 2024. 941.

[20]黄赠等, 隐伏断层地震诱发滑坡易发性评价. 浙江大学学报(工学版), 2017. 51(11): 第2136-2143页.

[21]张茂省与李同录, 黄土滑坡诱发因素及其形成机理研究. 工程地质学报, 2011. 19(04): 第530-540页.

[22]黄发明等, 滑坡易发性预测建模的不确定性：不同“非滑坡样本”选择方式的影响. 工程科学与技术, 2024. 56(01): 第169-182页.

[23]郭衍昊等, 基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价. 地质科技通报, 2024. 43(03): 第251-265页.


XML显示示例 

    













·