来源：期刊VIP网 时间：
作者：曹攀;陈婕;齐小帅;包峻帆;杨泽强;
单位：河南省地质矿产勘查开发局第三地质矿产调查院;河南省自然资源科技创新中心(信息感知技术应用研究);中国地质大学(武汉)地球物理与空间信息学院;
摘要：准确开展崩塌滑坡灾害易发性评价是花岗岩分布区崩塌滑坡灾害防治的关键，可有效规避潜在风险。为探索崩塌滑坡灾害易发性评价模型的适用性及合理性，以河南罗山县花岗岩分布区为研究区，构建涵盖地形地貌、地层岩性、水文及土地利用四个层次14个因子的评价体系，采用逻辑回归(Logistic Regression, LR)模型、反向传播(Back Propagation, BP)神经网络、粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation, PSO-BP)神经网络模型、类别提升(Categorical Boosting, CatBoost)、极限梯度提升(eXtreme Gradient Boosting, XGBoost)和轻量级梯度提升机(Light Gradient Boosting Machine, LightGBM)6种机器学习算法，开展崩塌滑坡灾害易发性评价研究。结果表明，BP模型(BP、PSO-BP)和Boosting模型(CatBoost、XGBoost、LightGBM)精度远大于LR模型，6种模型的AUC分别为0.958 57、0.960 55、0.986 13、0.986 06、0.986 19和0.739 05。LightGBM模型在AUC、频率比和野外验证中均表现最优，更适用于研究区崩塌滑坡灾害易发性建模，其极低、低、中、高和极高易发性区域面积占比分别为86.06%、2.76%、3.00%、3.50%和4.68%。6种算法的高及极高易发性分区结果基本一致，主要分布在人类活动强烈的山区。距道路距离、年平均降雨量、距断层距离、地貌和高程是诱发崩塌滑坡灾害的主控因子。研究旨在探究不同机器学习模型的精度和预测能力，优化建模思路，获取最优评价结果，为类似地区崩塌滑坡灾害的科学防治提供参考。
关键词：公共安全;;机器学习模型;;花岗岩分布区;;崩塌滑坡灾害;;易发性
基金资助：河南省自然资源科研项目(2022-12,2023-8)
