基于不同评价单元的三峡库区滑坡易发性对比

摘要：为探究不同评价单元对区域滑坡易发性评估的影响，基于网格单元与斜坡单元对三峡库区典型县域重庆市云阳县开展了滑坡易发性研究。首先选取高程、坡度、曲率等22个评价因子，根据研究区988个历史滑坡数据，通过30 m×30 m的栅格数据提取斜坡单元，并基于网格单元及斜坡单元分别建立22个滑坡影响因子地理空间数据库；然后利用随机森林与贝叶斯优化算法来构建滑坡易发性模型，对研究区滑坡进行易发性评估；最后结合ROC （受试者工作特征）曲线与混淆矩阵结果检验评价单元的易发性模型预测精度。结果表明：易发性评估的结果可划分为低、较低、中、较高、高5个等级；基于网格单元的滑坡易发性模型中，高程、与道路距离、坡度这3个因子对滑坡发生的贡献率大，基于斜坡单元的模型中，INDV（归一化植被指数）、剖面曲率、平面曲率这3个因子对滑坡发生的贡献率大，并且2个模型的滑坡密度均随着滑坡易发性等级的升高而变大；与网格单元相比，斜坡单元能更好地解释地形间的联系，以斜坡单元（AUC=0.744）为最小评价单元的滑坡易发性模型比网格单元（AUC=0.714）精度更高。

关键词：滑坡；滑坡评价单元；斜坡单元；网格单元；滑坡易发性；随机森林；三峡库区；重庆市云阳县

doi：10.13278/j.cnki.jjuese.20230071

中图分类号：X43

文献标志码：A

安雪莲，密长林，孙德亮，等.基于不同评价单元的三峡库区滑坡易发性对比：以重庆市云阳县为例.吉林大学学报（地球科学版），2024，54（5）：16291644. doi：10.13278/j.cnki.jjuese.20230071.

An Xuelian，Mi Changlin，Sun Deliang，et al. Comparison of" Landslide Susceptibility in" Three Gorges Reservoir Area Based on Different Evaluation Units：Take Yunyang County in Chongqing as an Example. Journal of Jilin University （Earth Science Edition），2024，54（5）： 16291644. doi：10.13278/j.cnki.jjuese.20230071.

收稿日期：20230318

作者简介：安雪莲（1999-），女，硕士研究生，主要从事机器学习、大数据与地灾易发性建模及评估方面的研究，E-mail：419496030@qq.com

通信作者：孙德亮（1976-），男，副教授，主要从事机器学习、大数据与地灾易发性建模及评估方面的研究， E-mail：sundeliang2002@aliyun.com

基金项目：重庆市自然科学基金项目（CSTB2023NSCQMSX0618）；教育部人文社会科学规划项目（20XJAZH002）

Supported by the Natural Science Foundation of Chongqing （CSTB2023NSCQMSX0618） and the Humanities and Social Science Planning Fund of Ministry of Education （20XJAZH002）

Comparison of" Landslide Susceptibility in Three Gorges Reservoir Area Based on Different Evaluation Units

——Take Yunyang County in Chongqing as an Example

An Xuelian1，Mi Changlin2，Sun Deliang1，Wen Haijia3，Li Xiaoqin2，Gu Qingyu1，Ding Yuekai1

1. Chongqing Key Laboratory of GIS Application" （Chongqing Normal University）， Chongqing 401331， China

2." Linyi Natural Resources Development Service Center of" Shandong， Linyi 276000， Shandong，" China

3. Key Laboratory of New Technology for Construction of Cities in Mountain Area （Chongqing University）， Ministry of Education， ""Chongqing 400045，China

Abstract：

In order to explore the influence of different evaluation units on the assessment of regional landslide susceptibility， the landslide susceptibility of Yunyang County in Chongqing， a typical county in the Three Gorges reservoir area， was studied based on grid units and slope units. Twenty-two evaluation factors such as elevation， slope and curvature were selected. Combined with 988 historical landslide data in the study area， slope units were extracted from 30 m×30 m raster data， and geospatial databases of landslide impact factors were established based on slope units and grid units. The landslide susceptibility model was constructed by random forest and Bayesian optimization algorithm to evaluate the landslide susceptibility in the study area. The results indicate that the susceptibility assessment can be divided into five levels： low， moderately low， medium， moderately high， and high. In the landslide susceptibility model based on the grid units， the three factors of elevation， distance from the road and slope contribute greatly to the landslide occurrence. In the model based on slope units， the three factors of INDV （normalized difference vegetation index ）， profile curvature and plane curvature contribute greatly to the landslide occurrence. The landslide density of both models increases with the increase of susceptibility level. Compared with grid units， slope units can better explain the relationship between terrain， and the landslide susceptibility model with slope units （AUC=0.744） as the minimum evaluation unit is more accurate than grid units （AUC=0.714）.

Key words：

landslide; landslide evaluation units; slope units; grid units; landslide susceptibility; random forest; Three Gorges reservoir area；Yunyang County in Chongqing

0" 引言

滑坡是常见的地质灾害之一，频繁发生且分布广，破坏力强［1］。中国是世界上滑坡灾害最为严重的国家之一［2］，根据自然资源部发布的数据，2021年我国共发生地质灾害4 772起，造成80人死亡、11人失踪，导致了32亿元的直接经济损失，其中滑坡2 335起，占地质灾害总数的48.93%。滑坡易发性区划是根据研究区的地形地貌等特征来预测滑坡发生概率的空间分布，对滑坡灾害预防以及城市规划选址有重要意义［3］。

早期对滑坡易发性的研究有定性和定量的方法。定性方法有层次分析法［45］、专家打分法［6］等，但这类方法主观性较强，对数据缺乏定量的分析；而传统的定量模型如信息量模型［7］、频率比模型［8］等则需要大量数据作为支撑，评价精度也不理想。随着人工智能技术和GIS（地理信息系统）的不断发展，研究者开始采用机器学习算法进行滑坡易发性的研究。如：闫举生等［9］采用ANN（人工神经网络）模型和LR模型（逻辑回归模型）对远安县进行滑坡易发性评价，结果表明ANN模型在该研究区的预测能力更好；刘睿等［10］选取了高程、起伏度、坡度等22个因子作为滑坡易发性的影响因子，利用巫山县历史滑坡数据和随机森林构建滑坡易发性模型进行滑坡易发性评价研究，结果表明随机森林模型有良好的预测功能，且有较高的稳定性和准确性；Merghadi等［11］以北非米拉盆地为研究区，

对比分析了

5种不同的滑坡易发性模型（逻辑回归、梯度提升机、随机森林、神经网络和支持向量机）的预测能力，结果表明随机森林模型

的预测能力最好；崔阳阳［12］结合经典的机器学习模型

（朴素贝叶斯分类器、支持向量机、k 近邻算法分类器、线性判别分析）和集成学习模型（随机森林、Bagging、Adaptive Boosting），选取了17个滑坡影响因子，利用斜坡单元和30、60 m栅格单元进行滑坡易发性对比研究，结果表明，滑坡评价单元与机器学习算法的最优组合是30 m栅格单元和随机森林模型的组合。通过以上学者的研究发现，随机森林模型有较高水平的预测能力，与其他模型相比更适用于进行滑坡易发性的区划研究。

滑坡评价单元的选取是进行滑坡易发性研究的基础，目前网格单元和斜坡单元应用较多。例如：王锐［13］基于6种不同大小的网格单元开展滑坡易发性评估，以分析不同大小的网格单元对评估结果的影响，结果表明随着网格的增大，评估结果的精度基本呈现出先增后减的趋势；王家柱等［14］基于斜坡单元，对康定市采用证据权模型进行滑坡易发性评估，模型精度达77.8%，较好地反映了康定市滑坡易发性分布情况。然而，大部分学者都是以单一评价单元进行滑坡易发性研究，很少有学者基于不同评价单元利用随机森林算法构建模型来进行滑坡易发性区划研究。

三峡库区地形地貌复杂，地质结构特殊，同时人类工程活动十分频繁，滑坡等地质灾害发育也十分广泛［1516］。重庆市云阳县位于三峡库区腹心，地形起伏较大，受长江蓄水的影响，云阳县滑坡发生频繁［17］。本文以云阳县为研究对象，选取22个滑坡影响因子，利用随机森林算法，对网格单元和斜坡单元得到的滑坡易发性评估结果进行对比研究，获取评价单元及随机森林的最佳组合算法，以期对滑坡灾害的预防以及城市的规划选址提供科学参考。

1" 研究区概况与数据源

1.1" 研究区概况

云阳县位于重庆市的东北部（图1），四周分别与奉节县、万州区、开县、巫溪县和湖北省的利川市相邻。云阳县的地理坐标为108°24′32″E—109°14′51″E，30°35′06″N— 31°26′30″N 。地形近似为菱形，地势南、北高，中部低，海拔高低相差1 670 m。云阳县位于亚热带季风湿润气候区，夏冬季节较长，春秋季节短，月平均温度为7 ℃（1月）～28 ℃（8月和9月）。长江河道从境内穿过，河流水系发育，年降雨量大，但季节分布不均，降水主要集中在5—9月。

云阳县地处丘陵向山地的过渡地带，地貌受华蓥山—方斗山弧形褶皱体系和大巴山断褶带控制，主要为单斜低山和背斜梳状低山。云阳县为喀斯特地貌，除溶蚀作用外，水蚀、雨蚀、风蚀等机械侵蚀作用也加剧了该地区的水土流失。云阳县内地层主要包括第四系（Q）、侏罗系（J）、三叠系（T）、志留系（S）和奥陶系（O）等，区内地质构造多为褶皱，断裂规模很小。褶皱形态为向斜背斜相间排列，形成隔档式构造。由

于云阳县的地质环境比较脆弱，并且近年来云阳县的人类工程活动越来越强烈，导致云阳县内地质灾害发育频繁。根据资料［18］

显示，云阳县内共有1 363处地质灾害点，其中包括1 312处滑坡（包括不稳定斜坡）灾害点、40处崩塌（包括危岩体）灾害点和11处泥石流灾害点。滑坡灾害在云阳县频发，其中比较严重的有旧县坪滑坡、西城滑坡和鸡扒子滑坡等。

底图来源于重庆标准地图服务网，审图号渝S（2019）055号，下同。

1.2" 数据来源

本研究的数据详情如表1所示。其中：历史滑坡数据，共988个，来自于2001—2016年的重庆市地质监测站，包括滑坡名称、滑坡发生的地理坐标、滑坡发生时间等；DEM（digital elevation model）数据，来自于ASTER（advanced spaceborne thermal emission and reflection radiometer）卫星，空间分辨率为30 m，用于计算坡度、坡向、坡位、微地貌、剖面曲率、地形湿度指数等；地质资料数据，来自国家地质资料数据中心；行政区划、土地利用、多年平均降雨量数据，来自地理国情监测云平台；河网和道路数据，由中国科学院资源环境科学数据中心提供，精度为1∶20万；INDV （归一化植被指数）数据，利用ENVI 软件计算Landsat 8下载的卫星影像获得；POI （point of interest）数据，来自百度地图服务，通过网络爬虫技术从地图上抓取。

1.3" 评价单元划分

在滑坡评价研究中，滑坡评价单元的划分要尽量保证滑坡评价单元内部的均一性和滑坡评价单元之间的差异性［19］。目前，常见的研究区滑坡单元格划分方法有正方形网格法、地域单元法、子流域单元法和斜坡单元法［20］。本研究采用了网格单元和斜坡单元作为滑坡易发性评价的基本单元。其中：网格单元作为滑坡地质灾害的评价单元，具有划分方便、数据处理速度快等优势［21］，其划分的本质是将研究区划分为若干个大小相同的规则网格单元。本研究是通过ArcGIS软件的面转栅格工具实现的，共划分了4 043 641个网格单元。斜坡单元已广泛应用在滑坡易发性研究中，本文斜坡单元的划分通过

Alvoli等［2224］提出的

r.slopeunits方法实现，用r.slopeunits方法划分能够得到坡向均一性的斜坡单元。具体的划分流程如图2所示。

HB. half basin，半流域；HBchild. HB小区域。m和a分别设定为最大和最小面积阈值；c为斜坡单元的圆方差。

进行r.slopeunits划分时，首先利用GrassGIS中的r.watershed水文模块对汇流累积量进行分析，将DEM栅格数据划分为子流域。然后不断减小汇流累积量设定的阈值，这样每个子流域会被划分为左右两个部分，以此来提取半流域（HB），HB如果存在平地，则去除平地区域。最后在不断减少设定阈值的过程中，将HB进一步细分为许多小区域（HBchild），分水线或汇水线就在小区域的边界上。若某个HBchild面积≤a，这个小区域就被作为斜坡单元；若HBchild面积gt;a

就继续划分，直到

HBchild面积lt;m，或者

圆方差lt;c时，

则

HBchild作为斜坡单元

。

参考文献［22］，对a和c进行不同的调试，选取不同参数a（50 000、250 000、500 000、750 000、1 000 000 m2）和c（0.1、0.2、0.3、0.4、0.5、0.6）运行r.slopeunits软件进行斜坡划分。

通过r.slopeunits方法将研究区划分为9 640个斜坡单元，结果如图3所示。

2" 地理空间数据库

2.1" 影响因子

影响因子与滑坡易发性评价结果的准确性密不可分［8］。滑坡的影响因子众多，本文在综合参考了相关文献和各影响因素［2530］条件下，结合云阳县自身地理条件，最终选取了地形地貌、地质条件、环境条件、人类活动及降雨等５个方面的22个影响因子，构建滑坡易发性评价指标体系。

2.1.1地形地貌

与地形地貌有关的影响因子包括高程、地形起伏度、坡度、坡向、坡位、曲率、平面曲率、剖面曲率、微地貌、地形湿度指数、地形粗糙度指数、输沙指数和水流动力指数。

高程是与滑坡发生相关的常见影响因子，人类的工程活动和植被覆盖程度都和高程密不可分［31］。一般情况下，高程较低的地方，工程活动更多，人类对地表的改造更多，对生态破坏也更多；高程还会影响植被的生长，不同高程地区植被的生长情况和类型也不同，雨水冲刷后，不同高程地区的地表水土流失情况也有所不同。

地形起伏度对滑坡的发生有很大影响［32］。地形起伏度是在一定范围的区域内，区域最高点与区域最低点之间的高程之差。通过地形起伏度可以看到局部区域的地表切割程度。

坡度是水平面和斜坡之间的夹角，它是影响滑坡发生的重要影响因子［33］。坡度会影响边坡的入渗过程和应力场的分布，这与滑坡的发生密切相关［34］。坡度大小对边坡稳定性有一定的影响。

坡向与降水和太阳辐射密切相关。坡向不同，斜坡的温度和湿度也会存在差异，其会影响植被、土壤条件、土地利用和土壤饱和度等因素，而这些因素与滑坡的形成至关重要［35］。

坡位是指边坡所处的地貌位置。它主要由3个方面决定，分别是侵蚀地貌的斜坡组合、土地利用和地貌起源的侵蚀特征［36］。在不同的地貌位置上，滑坡发生的概率是不同的。

曲率、平面曲率和剖面曲率是反映边坡几何特征的地形因子，主要通过影响地表侵蚀过程和地表径流来影响滑坡的发生［37］。平面曲率和剖面曲率是地形凹凸程度的体现，其中，平面曲率表示曲面在水平方向上的弯曲程度，剖面曲率表示曲面在垂直方向上的弯曲程度。

微地貌通常由一些风化碎屑物质在重力、水流、风力等作用下被风化、搬运、沉积后形成［38］，规模相对较小。

地形湿度指数（ITW）是一个复合地形指数［39］，可用来评价土壤水分的空间分布情况，并且可用来描述地形对土壤水分饱和程度的影响。ITW比较高的地方，岩土的含水率较大，孔隙水的压力也较大。目前，ITW被广泛应用于水文、土壤和地貌等研究领域中。

地形粗糙度指数（ITR）是描述地表形态的宏观因子，它表现地表的凹凸情况，通过计算地球表面积与特定区域投影面积的比值得到［40］。ITR较高的地方地表岩石抗风化能力较强，不易发生风化作用，但是地表水流流速变化较大，流水侵蚀作用较强。

输沙指数（IST）和水流动力指数（ISP）可以定量描述地表水的输沙能力和侵蚀能力［4142］。这两个值越大，水流的输沙

能力和侵蚀能力越强，越容易使邻近河流的边坡失去稳定性。

ITW、ITR、IST和ISP的计算公式如下：

ITW=lnAstan β；

ITR=1cos（βπ/180）；

IST=As22.130.6sin β0.08961.3；

ISP=Astan β。

式中：As为单位面积的汇流累积量（m2）；β为局地坡度（°）。

2.1.2" 地质条件

与地质条件有关的影响因子有岩性、与断层距离和倾坡类型。

岩性是影响滑坡发生的重要因子，特别是在山区［43］。岩土体是坡体的组成因素，岩性不同意味着岩石的物理化学性质有很大的不同。一般来说，低渗透岩体的地区更容易发生滑坡［42］，云阳县岩性主要包括中侏罗统和上侏罗统的砂岩、页岩、泥岩等多种类型的沉积岩。

与断层距离也是评价滑坡易感性的常用地质因子。断层是指在地应力作用下，地壳岩层发生脆性破裂并且伴随着明显位移的地质构造。在一定范围内，离断层越近，岩石越不连续，土体越疏松，发生滑坡的概率越高［44］。

倾坡类型是指岩层倾向与斜坡坡向的关系［3］。平叠坡、顺向坡和逆向坡是常见的倾坡类型，其中：

平叠坡

稳定性较好；顺向坡分为两种情况，倾角小于坡角的顺向坡容易发生顺层滑坡，倾角大于坡角的顺向坡，则稳定性较好；逆向坡的稳定性一般较好，但如果岩层比较薄，则容易发生弯折。

2.1.3" 环境条件

与环境条件相关的影响因子包括归一化植被指数、与河流距离和土地利用类型。

归一化植被指数（INDV）是影响滑坡发生的重要因子，它能反映植被覆盖情况和生长状态，INDV对边坡的渗流、径流和风化有重要影响［45］。INDV越高的区域，植被覆盖程度就越高，水土保持情况越好，因此雨水对区域地表的冲刷作就越弱，滑坡发生的概率也就越低。因此，在滑坡易发性区划研究中，INDV一直被视为代表植被特征的因子，并广泛应用于以往的研究中［46］。其表达式为

INDV=（RIN-R）/（RIN+R）。

式中：RIN为近红外波段的反射值；R为红外波段的反射值。

与河流的距离也是滑坡易发性评估中常用的一个因素［4748］。河流两岸是滑坡集中发育的场所。河流对河岸具有侵蚀作用，分别是向下和向侧方。当斜坡的坡脚被掏空时，会形成临空面，导致斜坡有向下滑动的趋势；而且河流还会影响地下水的埋藏深度。长江沿岸滑坡发育广泛，且支流附近水系发育，受各类水流的长期侵蚀和冲刷，斜坡整体稳定性低［49］。消落带的形成是由于在河岸两侧河流季节性的升降，降低了边坡的稳定性［3］。

土地利用类型与滑坡之间有一定的相关性，其背后的机制也得到了进一步的研究［32］。土地覆被一方面是指植被覆盖的类型，另一方面可以决定人类的工程活动。

2.1.4" 人类活动

与人类活动相关的影响因子有与道路距离和POI核密度。

与道路距离是代表人类工程活动的常用因子［50］。人类活动对地表有重要影响，道路修建时可能会开挖山体，这容易导致岩土体的破碎，开挖路基时会在坡脚产生临空面，导致坡体稳定性降低。

POI核密度是通过POI数据在ArcGIS中进行核密度分析得到的。POI数据可表现区域内与人类活动密切相关的特征［32］，POI核密度可以用来反映人类工程活动的程度。

2.1.5" 降雨

与降雨有关的影响因子有多年平均降雨量。

降雨是重庆山区滑坡的主要触发因素［32，51］，降雨量对表层土壤体积含水量的影响非常显著［52］。短期高强度降雨会增加孔隙水压力，降低边坡的稳定性，滑坡灾害更容易发生。然而，从研究区域的气象站获得的数据非常有限。因此，本研究采用研究区2001—2016年多年平均降雨量数据进行滑坡易发性评价。

2.2" 数据处理

利用ArcGIS的工具对DEM数据进行处理可得到高程、地形起伏度、坡度、坡向、坡位、曲率等数据，在ArcGIS里对地质图进行矢量化可以获得岩性、断层等数据，通过ENVI软件处理可得INDV数据，在ArcGIS里进行多重缓冲分析可得到与河流距离、与道路距离和与断层距离数据，通过核密度计算可以得到POI核密度，多年平均降雨量通过空间内插方法获得。为降低数据离散性，需对数据进一步做归一化处理，公式如下：

X*=X-XminXmax-Xmin。

式中：X*为22个滑坡影响因子进行归一化处理后的结果；X为原始数据；Xmin为滑坡影响因子中的最小值；Xmax为滑坡影响因子中的最大值。

本文以30 m精度的网格单元和斜坡单元作为滑坡评价单元，建立了滑坡影响因子数据库。图4为数据库的部分影响因子。

3" 滑坡易发性区划

3.1" 随机森林

Breiman［53］和Cutler等［54］提出的随机森林（random forest）模型具有较高的泛化能力，并且可以处理高维度、大数据量的数据集，它与传统方法相比具有一定的优势［55］。随机森林是一种无监督学习分类方法，无监督学习是指从现有的训练集出发，经过训练得出一定结果［56］。随机森林本质是先构建多棵决策树，然后对多个决策树的判断结果进行投票，再从投票结果中选择众数作为输出结果。

随机森林的核心是互不关联的n棵决策树组合模型［h（X，θk）（k=1，2，…， n）］建立的分类模型，在模型中，每棵决策树都单独进行预测和判断样本的类别，判断样本属于哪种类别的决策树更多，就预测样本为哪种类别。随机森林由多棵决策树进行判断，可以减小单一的决策树带来的不准确性和片面性问题，且操作简单、易于实现、不易过拟合、计算效率高［57］。随机森林流程如图5所示。

随机森林通过构建不同的训练集来增加模型之间的差异，从而提高随机森林模型性能。先通过样本训练，得到不同分类模型h1（X），h2（X），…，hk（X），再用这些分类组合随机森林模型，然后进行投票决策：

H（x）=arg maxZ∑ki=1I（hi（X）=Z）。

式中：H（x）为随机森林模型的最终输出结果；Z为输出变量；

arg maxZ为找到决策树投票最多的类别Z，即票数总和最大的类别标签；

hi为单个决策树模型的输出结果；k为决策树的个数；

hi（X）为第i棵决策树对输入X进行预测；I（hi（X）=Z）为指示函数，当

hi（X）的预测结果为Z时，

I（hi（X）=Z）取值为1，否则为0。

构建随机森林主要有以下2个步骤：

1）有放回的抽样产生训练集来构建单独的决策树。随机森林采用Bagging技术有放回的抽样来建立训练子集（n个），其中训练子集的数量一般约为总训练样本数量的1/3或1/4。

2）生成决策树（n个），构建随机森林。基于步骤1）建立的训练子集为每个子集建立1棵决策树。在建立决策树的过程中，本文采用CART（classification and regression trees）算法进行节分裂。CART采用基尼系数（IGini）最小原则来进行，在t节点处，将随机选择的对象分配给i类的概率为p（i|t），而实际上随机选择的对象是属于j类的估计概率为p（j|t），在此条件下分类的基尼系数公式为

IGini=∑Ji≠jp（i|t）p（j|t）。

式中，J为类别的总数。

3.2" 模型优化

超参数优化是指根据评价指标来选择最合适的超参数值［3］。目前模型优化常用的方法是网格搜索法，但是网格搜索法的效率并不高。2012年，Snoek等［58］提出贝叶斯优化算法。和网格搜索法相比，贝叶斯优化算法充分使用了先验知识，和随机搜索相比，贝叶斯优化算法具有更强的鲁棒性，可以得到最优解；故本文采用贝叶斯算法进行模型优化。

优化过程采用的贝叶斯公式为

P（f|Dx）=PDx|fP（f）P（Dx）。

式中：P（f|Dx）为f的后验概率分布；f为参数模型中的参数；Dx为观测集合，

Dx={（a1，b1），（a2，b2），…，（ax，bx）}，其中ax为决策向量，bx为观测值 ，

bx=f（ax）+ε，ε为观测误差；P（Dx|f）为在给定f的情况下观测数据Dx的似然分布；P（f）为f的先验概率分布；P（Dx）为观测数据Dx的边际似然分布。

3.3" 模型训练

本研究首先使用云阳县历史滑坡数据（988个）作为正样本；然后将研究区内滑坡500 m缓冲区和河流所在的区域剔除，作为非滑坡区，按照滑坡点与非滑坡点1∶1的比例在非滑坡区随机提取相同数量的非滑坡样本作为负样本［59］；最后由正负样本构成全体数据集进行训练。

3.4" 模型检验

3.4.1" 混淆矩阵

在进行滑坡易发性研究时可采用混淆矩阵对模型的预测精度进行分析评价［3］。

在二值分类中，可将实例分成正类（positive）和负类（negative），如样本点为滑坡，则为正类；样本点为非滑坡，则为负类。对于分类结果，会出现四种情况；第一种情况是实例为“滑坡”并且也被预测成“滑坡”，记作TP（true positive）；第二种情况是实例为“非滑坡”而被预测为“滑坡”，记为FP（1 positive）；第三种情况是实例为“非滑坡”且被预测成“非滑坡”，记为TN（true negative）；最后一种情况是实例为“滑坡”而被预测成“非滑坡”，记为FN（1 negative）。由于滑坡易发性评价所得到的结果是一个易发性概率，如要得到一个二分类的结果，需要设定一个阈值。参考相关文献［55］可知，本文的阈值为0.5，即当预测值小于0.5时，预测结果为不发生滑坡，预测值大于0.5时，预测结果为发生滑坡。

混淆矩阵是用来衡量模型分类精度的有效方法，主要以矩阵的形式表示真实情况与模型分类的情况，如表2所示。

基于混淆矩阵，我们选用IACC（accuracy，准确率）、IPRE（precision，精确率）、ISST（sensitivity，敏感度）和If1-score（精确率和敏感度的调和平均数）对其进行精度验证。计算公式为：

IACC=（Tp+Tn）/（Tp+Fp+Tn+Fn）；

IPRE=Tp/（Tp+Fp）；

ISST=Tp/（Tp+Fn）；

Ifl-score=2IPREISST/（IPRE+ISST）。

式中：Tp为TP的数量；Fp为FP的数量；Fn为FN的数量；Tn 为TN的数量。

IACC、IPRE、ISST和If1-score的取值范围均为0～1，越接近1表示模型的预测越准确，越接近0表示模型的预测越不准确。

从混淆矩阵评价结果（表3）来看，斜坡单元比网格单元的预测精度高。

3.4.2" 受试者工作特征曲线

模型分类的准确度也可以通过ROC（受试者工作特征）曲线来分析［60］。基于网格单元和斜坡单元的随机森林模型ROC曲线如图6所示。

把真阳性率（TP所占比例）作为纵坐标，假阳性率（FP所占的比例）作为横坐标来绘制曲线，即可得到ROC曲线。曲线越靠近左上方，真阳性率越大，假阳性率越小，模型分类的精确度就越高。AUC（曲线下的面积值）可以定量判断模型分类的精度大小，当AUC＜0.5时，说明模型不具有诊断价值；当AUC在0.5～0.7之间时，模型的预测效果较差；当AUC在0.7～0.9之间时，模型的预测效果较好；当AUC＞0.9时，模型的预测效果优秀。AUC值越接近1.0，表明模型的预测效果越优秀［61］。计算结果表明，斜坡单元的AUC值为0.744，网格单元的AUC值为0.714（图6），说明基于2种评价单元的随机森林模型滑坡易发性评价结果较好。

使用基于不同评价单元的随机森林模型对研究区的滑坡易发性进行预测，并利用自然断点的方法对预测结果进行划分，将研究区域的易发性等级划分成低、较低、中、较高和高5个等级。2种评价单元的易发性区划如图7所示。从图7可以看出，滑坡的高易发区多集中于水系附近。统计分析各易发性等级基本数据，计算滑坡的密度，结果如表4所示。从表4可以看出：斜坡单元和网格单元的易发性区划等级分区面积有所差异，但是随着滑坡易发性等级的升高，网格单元与斜坡单元的滑坡灾害密度均增加，两者为正相关性；从网格单元来看，低易发区和高易发区的面积相当，而高易发区的滑坡密度（0.793 1个/ km2）是低易发区（0.023 2个/ km2）的34倍。统计结果说明滑坡易发性的结果是可靠的。

4" 讨论

4.1" 影响因子重要性排序

探究不同因子对易发性模型预测的贡献程度可以为滑坡易发性研究和灾害管理提供参考。网格单元基于规则网格进行划分，通常由一个或多个地理位置的均值或代表值来表示；而斜坡单元根据地形特征和地形变化进行划分，每个斜坡单元的形状和大小是不规则的，因此可更好地捕捉地形变化和植被状况。各影响因子相关性排序如图8所示。

在斜坡评价单元（图8a）中，INDV、剖面曲率和平面曲率重要性位于前3，其对滑坡发生的贡献率较大。其中：INDV可以反映地表植被的覆盖情况，INDV高的地方，水土保持更好，雨水对地表的冲刷程度更低，INDV较低的地方，雨水对地表的冲刷程度高，更容易发生水土流失；剖面曲率对斜坡体的下滑力有影响，剖面曲率越大，地表水的流速越快，对地表的冲刷作用越强，滑坡更易发生；平面曲率表现等高线的弯曲程度，它会影响地表径流的汇聚和分散。总体来说，凹坡不太容易被外力侵蚀，风化剥蚀稳定性更好，而凸坡容易被外力侵蚀。

在网格评价单元（图8b）中，高程、与道路距离和坡度的重要性位于前3，说明这三者对滑坡发生的贡献率较大。其中：高程是影响滑坡发生的常见

因子，高程影响地形的稳定性和气候条件，同时影响人类活动，如工程建设等；与道路距离因子与人类工程活动密切相关，云阳县的县级公路较多，道路修建涉及对地形的改造，会直接影响土体稳定性；坡度是影像滑坡发生的重要因子，它表示地形的陡缓程度，坡度陡峭的地方下滑力大，更易发生滑坡，而坡度较小的地方较稳定。

4.2" 随机森林模型

已有学者［62］利用随机森林模型进行滑坡易发性研究，证明了随机森林模型具良好的预测效果。本研究基于随机森林模型将斜坡单元和网格单元进行比较分析，结果如图6所示。由图6可见，基于斜坡单元

的模型AUC值为0.744，基于网格单元的模型AUC值为0.714；说明这两种评价单元构建的随机森林模型均具有一定的合理性。另外从表4可以直观地看出，研究区内斜坡评价单元在较高—高易发区包含了61.34%的滑坡，网格评价单元在较高—高易发区的包含了74.50%的滑坡，并且2种评价单元滑坡易发性区划的分级统计的结果均是滑坡密度随着易发性等级的升高而变大;以上表明基于这两种评价单元构建的随机森林模型均具有较好的预测能力。

4.3" 评价单元

斜坡单元和网格单元都是滑坡易发性研究中常用的评价单元。网格单元由于划分简单的特点，在滑坡易发性研究中最为常见，而斜坡单元更能够体现地质环境条件与地势起伏。本文基于这两种评价单元构建随机森林模型进行滑坡易发性评价，根据预测结果得到滑坡易发性分级结果，分级结果表明两者的滑坡密度均随易发性等级的升高而变大，说明斜坡单元作为评价单元对山地丘陵地区进行滑坡易发性区划具有一定的适用性。此外，通过混淆矩阵和AUC值可直观反映出，斜坡单元进行滑坡易发性评估比网格单元更合理与准确。

5" 结论

本文选取高程、岩性、倾坡类型、曲率等22个因子作为滑坡易发性的影响因子，基于30 m网格单元和斜坡单元，利用随机森林算法构建模型来进行滑坡易发性研究，对2种评价单元的滑坡易发性结果进行对比分析，主要结论如下：

1）基于斜坡单元和网格单元的随机森林滑坡易发性区划模型AUC值分别为0.744和0.714，说明两种模型均具有较好的预测能力。

2）

斜坡评价单元中，INDV、剖面曲率和平面曲率这3个因子对滑坡发生的贡献率大；

网格评价单元中，高程、与道路距离和坡度对滑坡发生的贡献率大。

3）斜坡单元AUC值和混淆矩阵精确度均高于网格单元，这说明基于斜坡单元的随机森林模型更适用于进行滑坡易发性区划研究。

参考文献（References）：

［1］" 周超. 集成时间序列InSAR技术的滑坡早期识别与预测研究［D］. 武汉： 中国地质大学， 2018.

Zhou Chao. Landslide Identification and Prediction with the Application of Time Series InSAR［D］. Wuhan： China University of Geosciences， 2018.

［2］" 王涛， 刘甲美. 全国地震滑坡危险性评价研究［J］. 地质力学学报， 2019， 25（3）： 453.

Wang Tao， Liu Jiamei. National Earthquake Landslide Risk Assessment Study［J］. Journal of Geomechanics， 2019， 25（3）： 453.

［3］" 孙德亮. 基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究［D］. 上海：华东师范大学， 2019.

Sun Deliang. Mapping Landslide Susceptibility Based on Machine Learning and Forecast Warning of Landslide Induced by Rainfall［D］. Shanghai： East China Normal University， 2019.

［4］" 吴栋哲，姜琦刚，顾宗瑞，等.基于AHP的海峡沿岸地区生态地质环境质量评价：以马六甲海峡北岸马来西亚西南沿海地区为例［J］.吉林大学学报（地球科学版），2024，54（2）：619632.

Wu Dongzhe，Jiang Qigang，Gu Zongrui，et al. Evaluation of Eco-Geological Environment Quality in Strait Coastal Areas Based on AHP：Taking Southwest Coastal Areas of Malaysia of North Coast of Malacca Strait as an Example［J］. Journal of Jilin University （Earth Science Edition），2024，54（2）：619632.

［5］" 许嘉慧， 孙德亮， 王月， 等. 基于GIS与改进层次分析法的奉节县滑坡易发性区划［J］. 重庆师范大学学报（自然科学版）， 2020， 37（2）： 3644.

Xu Jiahui， Sun Deliang， Wang Yue， et al. Landslide Susceptibility Mapping in Fengjie County Based on GIS and Improved Analytic Hierarchy Process［J］. Joural of Chongqing Normal University （Natural Science）， 2020， 37（2）： 3644.

［6］" 祁元， 刘勇， 杨正华， 等. 基于GIS的兰州滑坡与泥石流灾害危险性分析［J］. 冰川冻土， 2012， 34（1）： 96104.

Qi Yuan， Liu Yong， Yang Zhenghua， et al. GIS-Based Analysis of Langslide and Debris Flow Hazard in Lanzhou［J］. Journal of Glaciology and Geocryology， 2012，34 （1）： 96104.

［7］" 吴常润， 赵冬梅， 刘澄静， 等. 基于GIS的华宁县滑坡灾害影响因子分析及易发性评价［J］. 水土保持研究， 2019， 26（6）： 212218.

Wu Changrun， Zhao Dongmei， Liu Chengjing， et al. GIS-Based Analysis on Impact Factors and Susceptibility Evaluation of Landslide Hazard in Huaning County［J］. Research of Soil and Water Conservation， 2019， 26（6）： 212218.

［8］" 李文彦， 王喜乐. 频率比与信息量模型在黄土沟壑区滑坡易发性评价中的应用与比较［J］. 自然灾害学报， 2020， 29（4）： 213220.

Li Wenyan，Wang Xile. Application and Comparison of Frequency Ratio and Information Value Model for Evaluating Landslide Susceptibility of Loess Gully Region［J］. Journal of Natural Disasters， 2020， 29（4）： 213220.

［9］" 闫举生， 谭建民.基于ANN和LR的远安县滑坡易发性评价［J］. 山西建筑， 2018， 44（20）： 4850.

Yan Jusheng，Tan Jianmin. Landslide Susceptibility Assessment Based on ANN and LR Model in Yuan’an County ［J］. Shanxi Architecture， 2018， 44（20）： 4850.

［10］" 刘睿， 施婌娴， 孙德亮， 等. 基于GIS与随机森林的巫山县滑坡易发性区划［J］. 重庆师范大学学报（自然科学版）， 2020， 37（3）： 8696.

Liu Rui， Shi Shuxian， Sun Deliang， et al. Based on GIS and Random Forest Model for Landslide Susceptibility Mapping in Wushan County［J］. Journal of Chongqing Normal University （Natural Science）， 2020， 37 （3）： 8696.

［11］" Merghadi A， Abderrahmane B， Bui D T. Landslide Susceptibility Assessment at Mila Basin （Algeria）： A Comparative Assessment of Prediction Capability of Advanced Machine Learning Methods［J］. Isprs International Journal of Geo-Information， 2018， 7： 268.

［12］" 崔阳阳. 基于不同评价单元的滑坡易发性评价方法研究：以陕西省洛南县为例［D］. 西安： 西安科技大学， 2021.

Cui Yangyang. A Comparatives Study on Evaluation Methods of Landslide Susceptibility Based on Different Evaluation Units： A Case Study of Luonan County， Shaanxi Province［D］. Xi’an： Xi’an University of Science and Technology， 2021.

［13］" 王锐. 基于GIS和Logistic回归模型的降雨型滑坡易发性研究［D］.杭州：浙江大学， 2018.

Wang Rui. GIS-Based Logistic Regression Model for Rainfall-Induced Landslide Susceptibility Assessment［D］. Hangzhou： Zhejiang University， 2018.

［14］" 王家柱， 高延超， 铁永波， 等. 基于斜坡单元的山区城镇滑坡灾害易发性评价：以康定为例［J］. 沉积与特提斯地质， 2023， 43（3）： 640650.

Wang Jiazhu， Gao Yanchao， Tie Yongbo， et al. Evaluation of the Susceptibility to Landslide in Mountainous Towns Based on Slope Unit： Taking Kangding as an Example［J］. Sedimentary Geology and Tethyan Geology， 2023， 43（3）： 640650.

［15］" 杨何， 汤明高， 许强， 等. 三峡库区石榴树包滑坡近期变形特征与机理分析［J］. 中国地质灾害与防治学报， 2022， 33（1）： 6774.

Yang He，Tang Minggao，Xu Qiang，et al. Recent Deformation Characteristics and Mechanism of the Shiliushubao Landslide in the Three Gorges Reservoir Area［J］. The Chinese Journal of Geological Hazard and Control， 2022， 33（1）： 6774.

［16］" 夏辉. 三峡库区重庆库段区域滑坡风险评价［D］. 武汉：中国地质大学， 2018.

Xia Hui. Landslide Risk Assessment in Chongqing Section， Three Gorges Reservoir［D］. Wuhan： China University of Geosciences， 2018.

［17］" 王莉芳. 云阳县自然灾害的类型及防灾对策［J］. 现代农业科技， 2013（3）： 173174.

Wang Lifang. The Types of Natural Disasters and Disaster Prevention Countermeasures in Yunyang County［J］. Modern Agricultural Science and Technology， 2013 （3）： 173174.

［18］" 张利芹， 李浩， 顾超， 等. 基于信息量法的重庆云阳县（三峡库区）地质灾害易发性评价［J］. 矿产勘查， 2020， 11（12）： 28092815.

Zhang Liqin， Li Hao， Gu Chao， et al. Geological Hazard Susceptibility Sssessment Based on Weighted Information Value in Yunyang County （the Three Gorges Reservoir Area）， Chongqing［J］. Mineral Exploration， 2020， 11 （12）： 28092815.

［19］" 赵彬. 基于GIS的汶川地震地质灾害危险性评价研究［D］. 北京： 首都师范大学， 2011.

Zhao Bin. Study on Risk Assessment of Wenchuan Earthquake Geological Dsaster Based on GIS［D］. Beijing： Capital Normal University， 2011.

［20］" 唐亚明，张茂省.滑坡风险评价难点及方法综述［J］. 水文地质工程地质， 2011， 38（2）： 130134.

Tang Yaming， Zhang Maosheng. Landslide Risk Assessment Difficulties and Methods：An Review［J］. Hydrogeology ＆ Engineering Geology， 2011， 38（2）： 130134.

［21］" 田述军， 张珊珊， 唐青松，等. 基于不同评价单元的滑坡易发性评价对比研究［J］. 自然灾害学报， 2019， 28（6）： 137145.

Tian Shujun， Zhang Shanshan， Tang Qingsong， et al. Comparative Study of Landslide Susceptibility Assessment Based on Different Evaluation Units［J］. Journalof Natural Disasters， 2019， 28（6）： 137145.

［22］" Alvoli M， Guzzetti F， Rossi M. Scaling Properties of Rainfall Induced Landslides Predicted by a Physically Based Model［J］. Geomorphology， 2014， 213： 3847.

［23］" Alvoli M， Marchesini I， Reichenbach P， et al. Automatic Delineation of Geomorphological Slope-Units and Their Optimization for Landslide Susceptibility Modelling［J］. Geoscientific Model Development Discussions， 2015， 9： 3975.

［24］" Alvoli M， Marchesini I， Reichenbach P， et al. Automatic Delineation of Geomorphological Slope-Units with r.Slope Units V1.0 and Their Optimization for Landslide Susceptibility Modeling［J］. Geoscientific Model Development， 2016， 9（11）： 39753991.

［25］" Zhou X Z，Wen H J， Li Z W， et al. An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost［J］. Geocarto International， 2022， 37： 1341913450.

［26］" Zhang J Y， Ma X L， Zhang J L， et al. Insights into Geospatial Heterogeneity of Landslide Susceptibility Based on the SHAP-XGBoost Model［J］. Journal of Environmental Management， 2023，332： 117357.

［27］" 文海家， 胡东萍， 王桂林. 汶川县地震滑坡易发性LR与NN评价比较研究［J］. 土木工程学报， 2014， 47（增刊1）： 1723.

Wen Haijia， Hu Dongping， Wang Guilin. A Comparative Study on the Susceptibility Mapping of Earthquake Triggered Landslide by Neural Network and Logistic Regression， Wenchuan County［J］. China Civil Engineering Journal， 2014， 47 （Sup.1）： 1723.

［28］" 文海家， 张永兴， 柳源. 三峡库区地质灾害防减灾战略关键问题［J］. 中国地质灾害与防治学报， 2004， 15（2）： 2531.

Wen Haijia， Zhang Yongxing， Liu Yuan. Some Crucial Problems of Controlling Geological Hazard in the Section of the Three Gorges Reservior［J］. The Chinese Journal of Geological Hazard and Control， 2004， 15（2）： 2531.

［29］" 谢明娟， 蒲瑞， 韩信， 等. 基于多模型的滑坡易发性评价［J］. 测绘与空间地理信息， 2019， 42（10）： 8385.

Xie Mingjuan， Pu Rui，Han Xin， et al. Landslide Vuinerability Assessment Based on Multiple Models［J］. Geographic amp; Spatial Information Technology， 2019， 42（10）： 8385.

［30］" Kalanter B， Pradhan B， Naghibi S A， et al. Assessment of the Effects of Training Data Selection on the Landslide Susceptibility Mapping：A Comparison Between Support Vector Machine （SVM）， Logistic Regression （LR） and Artificial Neural Networks （ANN）［J］. Geomatics， Natural Hazards and Risk， 2018， 9（1）： 4969.

［31］" Zhou X Z， Wen H J， Zhang Y L， et al. Landslide Susceptibility Mapping Using Hybrid Random Forest with GeoDetector and RFE for Factor Optimization［J］. Geoscience Frontiers， 2021， 12（5）： 101211.

［32］" Wang Y， Sun D L， Wen HJ， et al. Comparison of Random Forest Model and Frequency Ratio Model for Landslide Susceptibility Mapping （LSM） in Yunyang County （Chongqing， China）［J］. International Journal of Environmental Research and Public Health， 2020， 17（12）： 4206.

［33］" Gorokhovich Y， Machado E A， Melgar L I G， et al. Improving Landslide Hazard and Risk Mapping in Guatemala Using Terrain Aspect［J］. Natural Hazards， 2016， 81（2）： 869886.

［34］" Hong H Y， Pourghasemi H R， Pourtaghi Z S. Landslide Susceptibilit Assessment in Lianhua County （China）： A Comparison Between a Random Forest Data Mining Technique and Bivariate and Multivariate Statistical Models［J］. Geomorphology， 2016， 259（15）：105118.

［35］" 杨乐， 彭海游， 周莫林， 等. 基于层次分析法的奉节县城地质环境承载力评价［J］. 重庆交通大学学报（自然科学版）， 2014， 33（2）： 9599.

Yang Le， Peng Haiyou， Zhou Molin， et al. Assessment of Geological Environment Carrying Capacity of Fengjie County Based on AHP［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2014， 33（2）：9599.

［36］" Sun D L， Xu J H， Wen H J， et al. Assessment of Landslide Susceptibility Mapping Based on Bayesian Hyperparameter Optimization： A Comparison Between Logistic Regression and Random Forest［J］. Engineering Geology， 2021， 281： 105972.

［37］" Moosavi V， Niazi Y. Development of Hybrid Wavelet Packet-Statistical Models （WPSM） for Landslide Susceptibility Mapping［J］. Landslides， 2016， 13（1）： 97114.

［38］" Weiss A. Topographic Position and Landforms Analysis［R］. San Diego， CA： ERSI User Conferece， 2001.

［39］" 于海洋， 罗玲， 马慧慧， 等. SRTM（1″）DEM在流域水文分析中的适用性研究［J］. 国土资源遥感， 2017， 29（2）： 138143.

Yu Haiyang， Luo Ling， Ma Huihui， et al. Application Appraisal in Catchment Hydrological Analysis Based on SRTM 1 Arc-Second DEM［J］. Remote Sensing for Land and Resources， 2017， 29（2）： 138143．

［40］" Pham B T， Nguyen-Thoi T， Qi C C， et al. Coupling RBF Neural Network with Ensemble Learning Techniques for Landslide Susceptibility Mapping［J］. Catena， 2020， 195： 104805.

［41］" Moore I D， Wilson J P. Length-Slope Factors for the Revised Universal Soil Loss Equation： Simplified Method of Estimation［J］. Journal of Soil and Water Conservation， 1992， 47（5）： 423428.

［42］" Pradhan A M S， Kim Y T. Relative Effect Method of Landslide Susceptibility Zonation in Weathered Granite Soil： A Case Study in Deokjeok-ri Creek， South Korea［J］. Natural Hazards， 2014， 72（2）： 11891217.

［43］" Ali S A， Parvin F， Vojtekova J， et al. GIS-Based Landslide Susceptibility Modeling： A Comparison Between Fuzzy Multi-Criteria and Machine Learning Algorithms［J］. Geoscience Frontiers， 2021， 12（2）：857876.

［44］" Shirzadi A， Soliamani K， Habibnejhad M， et al. Novel GIS Based Machine Learning Algorithms for Shallow Landslide Susceptibility Mapping［J］. Sensors， 2018， 18（11）：3777.

［45］" Zhang S H， Li Z H， Hou X N， et al. Impacts on Watershed-Scale Runoff and Sediment Yield Resulting from Synergetic Changes in Climate and Vegetation［J］. Catena， 2019， 179： 129138.

［46］" Yi Y， Zhang Z J， Zhang W C， et al. Landslide Susceptibility Mapping Using Multiscale Sampling Strategy and Convolutional Neural Network： A Case Study in Jiuzhaigou Region［J］. Catena， 2020， 195： 104851.

［47］" Jebur M N， Pradhan B， Tehrany M S. Optimization of Landslide Conditioning Factors Using Very High-Resolution Airborne Laser Scanning （LiDAR） Data Acatchment Scale［J］. Remote Sensing of Environment， 2014， 152：150165.

［48］" Kavzoglu T， Sahin E K， Colkesen I. Selecting Optimal Conditioning Factors in Shallow Translational Landslide Susceptibility Mapping Using Genetic Algorithm［J］. Engineering Geology， 2015， 192：101112.

［49］" 吴宏阳，周超，梁鑫，等. 基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划［J］. 中国地质灾害与防治学报，2023，34（5）： 141152.

Wu Hongyang，Zhou Chao，Liang Xin，et al. Assessment of Landslide Susceptibility Mapping Based on Xgboost Model： A Case Study of Yanshan Township［J］. The Chinese Journal of Geological Hazard and Control，2023，34（5）： 141152.

［50］" Chen W， Chen X， Peng J B， et al. Landslide Susceptibility Modeling Based on ANFIS with Teaching-Learning-Based Optimization and Satin Bowerbird Optimizer［J］. Geoscience Frontiers， 2021， 12：93107.

［51］" Sun D L， Wen H J， Wang D Z， et al. A Random Forest Model of Landslide Susceptibility Mapping Based on Hyperparameter Optimization Using Bayes Algorithm［J］. Geomorphology， 2020， 362： 107201.

［52］" 刘勇，魏良帅，黄安邦，等. 气候变化下长江源土壤水时空演化及其环境响应［J］. 水文地质工程地质，2023，50（5）： 3952.

Liu Yong，Wei Liangshuai，Huang Anbang，et al. Spatial and Temporal Evolution of Soil Water and Its Response to the Environment in the Yangtze River Source Area Under Climate Change［J］. Hydrogeology amp; Engineering Geology， 2023， 50（5）： 3952.

［53］" Breiman L. Bagging Predictors［J］. Machine Learning， 1996， 24（2）： 123140.

［54］" Cutler A， Cutler D R， Stevens J R. Random Forests［M］. New York： Springer， 2012： 157175.

［55］" 曹正凤. 随机森林算法优化研究［D］. 北京：首都经济贸易大学， 2014.

Cao Zhengfeng. Study on Optimization of Random Forests Algorithm［D］. Beijing：Capital University of Economics and Business， 2014.

［56］" 齐永强，李文鹏，郑跃军，等. 地下水机器学习方法研究：水位监测数据驱动的区域补排边界识别［J］. 水文地质工程地质，2022，49（1）： 111.

Qi Yongqiang，Li Wenpeng，Zheng Yuejun，et al. Application of Machine Learning to Aquifer Analyses：Locating Hydrogeological Boundaries with Water Table Monitoring Data［J］. Hydrogeology amp; Engineering Geology， 2022， 49（1）： 111.

［57］" 侯贤沐， 王付勇， 宰芸， 等. 基于机器学习和测井数据的碳酸盐岩孔隙度与渗透率预测［J］. 吉林大学学报（地球科学版）， 2022， 52（2）： 644653.

Hou Xianmu， Wang Fuyong， Zai Yun， et al. Prediction of Carbonate Porosity and Permeability Based on Machine Learning and Logging Data［J］. Journal of Jilin University （Earth Science Edition）， 2022， 52（2）： 644653.

［58］" Snoek J， Larochelle H， Adams R P. Practical Bayesian Optimization of Machine Learning Algorithms［C］//Neural Information Processing Systems（NIPS）. Nevada： Lake Tahoe， 2012： 29512959.

［59］" 张虹， 辜庆渝， 孙诚彬， 等. 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［J］. 重庆师范大学学报（自然科学版）， 2022， 39（3）： 7892.

Zhang Hong， Gu Qingyu， Sun Chengbin， et al. Landslide Susceptibility Mapping Hilly and Gentle Slope Region Based on Interpretable Machine Learing［J］. Journal of Chongqing Normal University （Natural Science）， 2022， 39 （3） ：7892.

［60］" 方然可. 基于机器学习的四川青川县区域滑坡灾害预警模型研究［D］. 郑州： 华北水利水电大学， 2021.

Fang Ranke. Research on Regional Landslide Disaster Early Warning Model Based on Machine Learning in Qingchuan County， Sichuan Province［D］. Zhengzhou： North China University of Water Resources and Electric Power， 2021.

［61］" 王冬燕. Logistic回归与决策树分类效能的ROC曲线比较［J］. 智能计算机与应用， 2014， 4（5）： 3436.

Wang Dongyan. The ROC Curves Comparing of Classification Performance Between Logistic Regression and Decision Tree［J］. Intelligent Computer and Applications， 2014， 4（5）： 3436.

［62］" 王雪冬， 张超彪， 王翠， 等. 基于Logistic回归与随机森林的和龙市地质灾害易发性评价［J］. 吉林大学学报（地球科学版）， 2022， 52（6）： 19571970.

Wang Xuedong， Zhang Chaobiao， Wang Cui， et al. Geological Disaster Susceptibility in Helong City Based on Regression and Randdom Forest［J］. Journal of Jilin University （Earth Science Edition）， 2022， 52（6）： 19571970.