基于3种不同机器学习算法的滑坡易发性评价对比研究

准确的滑坡易发性评价结果是山区滑坡灾害防治的关键，可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考，笔者以云南芒市为研究对象，选取高程、地层岩性、年均降雨量等9项评价因子，通过多重共线性分析，构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(S_ei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的S_eV值最高，分别为0.867、0.94、9.21;BP神经网络模型次之，其S_eV值分别为0.829、0.90、9.14;SVM最低，其S_eV值分别为0.794、0.88、6.85。此外，RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比，RF算法在芒市区域具有更高的准确性和可靠性，更适合用于该区域的滑坡易发性建模，且利用该模型获得的评价结果，能够为芒市区域的滑坡防治提供理论依...