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-重庆师范大学学报（自然科学版）

文章信息/Info

Title:: Landslide Susceptibility Mapping in Hilly and Gentle Slope Region Based on Interpretable Machine Learning

作者:: 张虹;辜庆渝;孙诚彬;孙德亮;密长林;张凤太; 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

Author(s):: ZHANG Hong; GU Qingyu; SUN Chengbin; SUN Deliang; MI Changlin; ZHANG Fengtai

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。