扈秀宇，秦勝伍，竇 強(qiáng)，劉 飛，喬雙雙，董 冬

（1.吉林大學(xué) 建設(shè)工程學(xué)院，吉林 長春130000；2.吉林省地質(zhì)環(huán)境監(jiān)測總站，吉林 長春130000）

泥石流是由土、碎石及水組成并在重力作用下以＞10 m／s速度［1］前行的混合物，是山區(qū)最具破壞性的自然災(zāi)害之一。泥石流令其物源區(qū)水土流失，流通區(qū)的溝谷遭受侵蝕；其在堆積區(qū)淹沒住房、農(nóng)田和林地，堵塞河流。研究區(qū)洮南北部山區(qū)于2014年夏季由于持續(xù)性強(qiáng)降雨，形成126處泥石流災(zāi)害，使人民財(cái)產(chǎn)安全受到威脅。為減少泥石流災(zāi)害所帶來的損失，利用影響泥石流發(fā)育的因子及已發(fā)生的泥石流災(zāi)害點(diǎn)進(jìn)行訓(xùn)練建模，從而能夠?qū)δ嗍髅舾行苑旨壴u價(jià)，評價(jià)結(jié)果能夠有效而直觀地預(yù)測泥石流敏感區(qū)域。

對于泥石流敏感性研究，國外起步較早。1976年，聯(lián)合國委托國際工程地質(zhì)聯(lián)合會開展泥石流敏感性研究，此后逐漸成為泥石流地質(zhì)災(zāi)害防治評價(jià)的重要內(nèi)容。20世紀(jì)80年代初，美國學(xué)者Kovacs等利用定性評價(jià)方法對泥石流敏感性建立了評價(jià)模型，為泥石流敏感性評價(jià)提供了新的方向［2］。此后利用因子疊加評估地質(zhì)災(zāi)害危險(xiǎn)度的方法被很多學(xué)者使用。而國內(nèi)起步稍晚，1986年，譚炳炎［3］第一次對泥石流的易發(fā)性進(jìn)行了數(shù)量化綜合評價(jià)。1988 年，劉希林［4］首次使用多因子疊加方法對泥石流危險(xiǎn)性進(jìn)行研究。1994年，唐川等［5］利用數(shù)值模擬對泥石流堆積扇進(jìn)行了危險(xiǎn)度評價(jià)。之后，眾多學(xué)者利用定性和定量分析方法對泥石流進(jìn)行敏感性分析，如層次分析法［6］，模糊 數(shù) 學(xué) 法［7-8］，信 息 量 法［9］，回 歸 分 析［10］，頻率比法［11］，人工神經(jīng)網(wǎng)絡(luò)［12］等。這些方法由定性到半定量再到定量過渡并且已應(yīng)用較長時(shí)間，使用范圍廣泛。但不能對因子進(jìn)行權(quán)重分析，而且在災(zāi)害點(diǎn)和評價(jià)因子較多的情況下，上述方法并不能在運(yùn)算復(fù)雜大數(shù)據(jù)上取得優(yōu)勢。而現(xiàn)在興起的人工智能算法對大數(shù)據(jù)能夠進(jìn)行高速處理并進(jìn)行自組織學(xué)習(xí)。

隨機(jī)森林算法是以簡單高效著稱的人工智能算法［13］，開始是在2001年由Breiman提出的一種人工智能算法［14］，用于市場營銷、醫(yī)學(xué)領(lǐng)域，預(yù)測客戶的保留與流失以及預(yù)測疾病風(fēng)險(xiǎn)與病患的易感性［15］。它將決策樹作為單元進(jìn)行集成學(xué)習(xí)的樹形分類器組合算法。其相比于決策樹及其他算法，它集成了Bagging算法和隨機(jī)選擇特征分裂特點(diǎn)，準(zhǔn)確率較高，能夠處理大數(shù)據(jù)并評估每個(gè)因子在分類上的重要性。本文在研究區(qū)使用隨機(jī)森林進(jìn)行泥石流敏感性建模，然后與概率統(tǒng)計(jì)方法中使用廣泛且簡單高效的頻率比法進(jìn)行比較驗(yàn)證。以期能夠客觀驗(yàn)證隨機(jī)森林模型的效果，又能對洮南北部山區(qū)泥石流災(zāi)害預(yù)警提供直觀有效的參考。

1 研究區(qū)概況

研究區(qū)域位于吉林省洮南市北部，其面積約1 181 km2。洮南地處東三省與內(nèi)蒙古交界中心。地理坐 標(biāo) 為 東 經(jīng)122°45′—122°48′，北 緯45°19′—45°21′。洮南市總體上屬北溫帶大陸性季風(fēng)氣候區(qū)，春季干燥多風(fēng)，夏季溫?zé)岫嘤?，秋季涼爽多旱，冬季寒冷少雪，平均年降雨?91.3 mm。洮南地處大興安嶺東麓，松嫩平原西部，北部丘陵高低起伏，嫩江支流發(fā)源于此。研究區(qū)多屬于低山丘陵，低山海拔多在500～550 m，坡度多在25°以下，主要由花崗閃長巖、凝灰質(zhì)砂巖和花崗巖等組成。丘陵海拔250～500 m，相對高度在百米以下，以低丘陵為主。多由火山碎屑巖、花崗巖等組成。山坡殘積，坡積物發(fā)育。研究區(qū)泥石流頻發(fā)，大部分位于洮南市西北角，包括胡力吐鄉(xiāng)、萬寶鄉(xiāng)及部分萬寶鎮(zhèn)、東升鄉(xiāng)、那金鎮(zhèn)。泥石流多發(fā)生在低山丘陵區(qū)，山峰呈北東～南西方向展布，山坡坡度為15°～25°，坡面沖溝發(fā)育，植被覆蓋率較低，出露巖石主要是侏羅系碎屑巖和燕山期巖漿巖。發(fā)生泥石流的坡面由于過度開墾、放牧，植被覆蓋率低，裸露巖石極易受到風(fēng)化，坡面抗沖刷能力較差，致使泥石流多沿河流發(fā)育，多威脅農(nóng)田，屋舍和道路。

研究區(qū)經(jīng)調(diào)查發(fā)現(xiàn)126處泥石流災(zāi)害，對此126處災(zāi)害點(diǎn)隨機(jī)分為訓(xùn)練集災(zāi)害點(diǎn)和驗(yàn)證集災(zāi)害點(diǎn)。訓(xùn)練集災(zāi)害點(diǎn)用于數(shù)據(jù)的訓(xùn)練和模型的建立；驗(yàn)證集災(zāi)害點(diǎn)用于驗(yàn)證模型的可靠程度。運(yùn)用隨機(jī)森林算法進(jìn)行數(shù)據(jù)分析時(shí)，傳統(tǒng)方法是將數(shù)據(jù)按照7∶3進(jìn)行訓(xùn)練集和驗(yàn)證集的劃分。所以本文將訓(xùn)練集災(zāi)害點(diǎn)劃分為85個(gè)（70%）和驗(yàn)證集41個(gè)（30%）用于模型建立和驗(yàn)證。

2 研究方法

2.1 評價(jià)因子選取

影響泥石流發(fā)育的因子十分復(fù)雜，因子之間相互聯(lián)系，相互影響，本文泥石流評價(jià)因子主要依據(jù)研究區(qū)泥石流災(zāi)害的分布及發(fā)育現(xiàn)狀，在充分考慮研究區(qū)資料獲取難易程度以及研究尺度后，選取地表高程、坡向、坡度、平面曲率、剖面曲率、到河流距離、土地利用、巖性、歸一化差分植被指數(shù)（NDVI）及地形濕度指數(shù)（TWI）作為評價(jià)因子，利用ArcGIS進(jìn)行分類后如圖1及附圖1所示。數(shù)字高程數(shù)據(jù)（DEM）直接反映研究區(qū)的地形起伏變化，在一定程度上反映了溝谷，植被變化及堆積物的狀態(tài)。DEM 柵格大小為30 m×30 m，高程范圍為163～650 m，將其按照自然斷點(diǎn)法分為5 類，分別為＜250，250～300，300～350，350～410，410～650 m。

圖1 泥石流敏感性分析的評價(jià)因子

坡向?qū)δ嗍靼l(fā)育主要影響山坡巖體風(fēng)化程度以及植被生長發(fā)育情況。ArcGIS計(jì)算坡向是按照每個(gè)柵格與相鄰柵格值變化最大的下坡方向計(jì)算，故會產(chǎn)生－1°坡向，即不具有下坡方向的平坦區(qū)域。研究區(qū)坡向分類按照自然間斷點(diǎn)分為10類，分別為－1°，0°～22.5°，22.5°～67.5°，67.5°～112.5°，112.5°～157.5°，157.5°～202.5°，202.5°～247.5°，247.5°～292.5°，292.5°～337.5°，337.5°～360°。

坡度對于泥石流的發(fā)育是十分重要的一個(gè)因素，常被直接用作泥石流敏感性制圖。研究區(qū)坡度變化范圍為0°～59.28°，其分為6類，分別為0°～4°，4°～7°，7°～11°，11°～16°，16°～24°，24°～59.28°。

平面曲率及剖面曲率代表地形表面的凹凸程度，其間接影響泥石流發(fā)育范圍。平面曲率值為正值時(shí)，表明地形表面為向上凸，負(fù)值表明地形向下凹，值為0時(shí)，表面為水平。剖面曲率與平面曲率相反，正值表明地面向下凹，負(fù)值表明向上凸。平面曲率劃分為5類，分別為－10.23～－1.14，－1.14～－0.28，－0.28～0.32，0.32～1.17，1.17～11.64。剖面曲率劃分為5類，分別為－12.89～－1.39，－1.39～－0.47，－0.47～0.24，0.24～1.15，1.15～13.06。

泥石流常發(fā)生于山區(qū)溝壑，經(jīng)常堵塞河流，而河流溝谷也為泥石流提供流動通道，使其流通距離加長，規(guī)模變大。本文在ArcGIS平臺上對河流進(jìn)行緩沖區(qū)劃分，分為5個(gè)緩沖區(qū)，分別為0～1 000，1 000～2 000，2 000～3 000，3 000～4 000，＞4 000 m。

地形濕度指數(shù)（TWI）表征地形與土壤隨空間的水分分布，是一種對徑流長度及產(chǎn)流面積的定量描述［16］。其直接反映了土壤含水量隨地形及空間變化規(guī)律，以及間接反映研究區(qū)的水土流失狀況。研究區(qū)地形濕度指數(shù)分為5類，分別為＜3，3～6，6～9，9～12，12～33.2。

歸一化差分植被指數(shù)（NDVI）通常與植物蒸騰作用、光合作用有關(guān)，是指示植被生長狀態(tài)及植被覆蓋度的最佳指示因子［17］。其優(yōu)點(diǎn)是可以消除太陽高度角、衛(wèi)星觀測角、地形、云影及大氣相關(guān)的輻射影響。其計(jì)算公式為：

式中：NIR——近紅外波段；R——紅波段處的反射率值。NDVI取值在－1與1之間，負(fù)值表示地面覆蓋為對可見光高反射的物體，如云、水、冰、雪等，0表示近紅外波段與紅波段近似，代表裸地或巖石。正值代表植被覆蓋，其值越大，植被覆蓋度越大。研究區(qū)NDVI范圍－0.34～0.67，分為5 類，分別為－0.34～0，0～0.22，0.22～0.32，0.32～0.43，0.43～0.67。

土地利用則分為采礦用地、城市建設(shè)用地、道路、濕地、農(nóng)林用地及河流湖泊。巖性分為火山碎屑巖、凝灰質(zhì)砂巖、花崗巖、砂巖、全新世沉積物及更新世沉積物。

評價(jià)因子數(shù)據(jù)來源如表1所示。

表1 評價(jià)因子數(shù)據(jù)來源

2.2 隨機(jī)森林模型

隨機(jī)森林由很多決策樹模型組成的分類模型。它與Bagging算法相同，計(jì)算過程如圖2 所示：①采用Bootstrap方法隨機(jī)放回地選擇i個(gè)訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)D1，D2，D3，…，Di；②構(gòu)造i個(gè)決策樹進(jìn)行分類訓(xùn)練，得到i個(gè)弱分類器C1，C2，C3，…，Ci。③對得到的弱分類器按照投票組合成強(qiáng)分類器。由于組成隨機(jī)森林算法（RF）的決策樹模型不進(jìn)行剪枝，可得到偏差較小的分類樹，確保RF 對測試數(shù)據(jù)分類訓(xùn)練的準(zhǔn)確性。弱分類器之間能夠互補(bǔ)差異，把單個(gè)分類器的誤差降到最小，從而增強(qiáng)整體的準(zhǔn)確率。

與其他算法相比，隨機(jī)森林算法還可以對分類特征（即評價(jià)因子）進(jìn)行重要性分析，得出每個(gè)評價(jià)因子的重要性。計(jì)算重要性的方法為重要性評分（VIM），其主要分為兩種計(jì)算方法，分別為基尼指數(shù)計(jì)算和OOB誤差率置換計(jì)算法。本文的模型使用基尼指數(shù)計(jì)算節(jié)點(diǎn)的不純度來衡量特征的重要性，計(jì)算過程如下。

圖2 隨機(jī)森林方法流程

假設(shè)有M 個(gè)特征為X1，X2，…，Xm，基尼指數(shù)計(jì)算公式為：

式中：K——K 個(gè)類別；Pck——c節(jié)點(diǎn)中類別k 所占的比例。

式中：VIMjc——第j個(gè)因子在節(jié)點(diǎn)c 的重要性；GIl，GIr——向下分枝后兩個(gè)新節(jié)點(diǎn)處的基尼值。

式中：VIMij——第j個(gè)因子在第i個(gè)樹的重要性。

假設(shè)有n 個(gè)決策樹，則第j 個(gè)因子的重要性為VIMj。

根據(jù)隨機(jī)森林算法原理，結(jié)合GIS進(jìn)行隨機(jī)森林評價(jià)的過程為［18-20］：

（1）對泥石流災(zāi)害點(diǎn)數(shù)進(jìn)行分類，70%（85個(gè)）災(zāi)害點(diǎn)作為訓(xùn)練集進(jìn)行隨機(jī)森林訓(xùn)練計(jì)算，其余30%（41個(gè)）作為驗(yàn)證數(shù)據(jù)集對結(jié)果進(jìn)行預(yù)測率驗(yàn)證。

（2）根據(jù)研究區(qū)泥石流發(fā)育特點(diǎn)，選取10 個(gè)評價(jià)因子。

（3）從訓(xùn)練數(shù)據(jù)N 中使用Bootstrap 重抽樣方法隨機(jī)有放回地選出K 個(gè)不同的樣本，進(jìn)行n 次采樣，得到n個(gè)訓(xùn)練集。

（4）對n個(gè)訓(xùn)練集，分別訓(xùn)練n個(gè)決策樹模型。

（5）對于單個(gè)決策樹模型，假設(shè)訓(xùn)練樣本特征的個(gè)數(shù)為M，那么每次分裂時(shí)都從M 中抽取m 個(gè)特征作為當(dāng)前節(jié)點(diǎn)的分裂特征集。

（6）每棵樹都一直這樣分裂下去，直到該節(jié)點(diǎn)的所有訓(xùn)練樣例都屬于同一類。在決策樹的分裂過程中不需要剪枝。

（7）利用生成的各個(gè)決策樹組成隨機(jī)森林，其預(yù)測結(jié)果取K 棵決策樹的平均值，從而得到最終預(yù)測結(jié)果。

（8）根據(jù)模型預(yù)測結(jié)果進(jìn)行敏感性分級，利用GIS生成研究區(qū)泥石流敏感性評價(jià)圖，并得到評價(jià)因子重要性評估值。

2.3 頻率比模型

利用概率統(tǒng)計(jì)的方法，對10個(gè)評價(jià)因子進(jìn)行頻率比方法的統(tǒng)計(jì)計(jì)算，然后對評價(jià)因子進(jìn)行疊加，得到泥石流敏感性評價(jià)圖。首先利用隨機(jī)森林劃分的訓(xùn)練集（70%）與驗(yàn)證集（30%）對災(zāi)害點(diǎn)分類。其次對每個(gè)泥石流評價(jià)因子的FR 計(jì)算。利用ArcGIS將泥石流訓(xùn)練集災(zāi)害點(diǎn)與每個(gè)評價(jià)因子圖疊加提取所需數(shù)據(jù)，并且使用公式（6）計(jì)算每個(gè)類別的頻率比值。這一步對每個(gè)評價(jià)因子進(jìn)行計(jì)算（如表2所示）。最后，通過將常規(guī)FR 方法中的FR 值（式7）求和來創(chuàng)建泥石流敏感性指數(shù)并進(jìn)行敏感性制圖。

式中：Nij——因子i的第j 個(gè)子類中的泥石流災(zāi)害點(diǎn)數(shù)；Aij——相應(yīng)子類所占柵格數(shù)；NT——泥石流災(zāi)害點(diǎn)總數(shù)；AT——調(diào)查區(qū)域所占總柵格數(shù)。

式中：DSI——泥石流敏感性指數(shù)，敏感性指數(shù)越大，泥石流發(fā)生的概率越大；FR——每個(gè)因子級別的計(jì)算頻率比；N——因子的數(shù)量。

3 結(jié)果及分析

3.1 模型結(jié)果

隨機(jī)森林算法模型（RF）通過SPSS Modeler 18.0軟件構(gòu)建，參數(shù)設(shè)置為500個(gè)決策樹，節(jié)點(diǎn)個(gè)數(shù)m 為評價(jià)因子個(gè)數(shù)（10 個(gè)）的平方根，故將m 取值為3。樣本數(shù)據(jù)使用訓(xùn)練集進(jìn)行訓(xùn)練，使用自然斷點(diǎn)法對滑坡敏感性圖進(jìn)行分類，共分為5個(gè)敏感區(qū)，分別為極低敏感區(qū)、低敏感區(qū)、中敏感區(qū)、高敏感區(qū)和極高敏感區(qū)，最后得到敏感性結(jié)果見附圖2，由附圖2可知，大約有14.6%區(qū)域?qū)δ嗍髅舾行詷O低，其余22.2%，30.3%，17.6%，15.3%的區(qū)域分別表現(xiàn)為低、中、高和極高敏感性。位于極低、低、中、高、極高敏感性區(qū)的訓(xùn)練集災(zāi)害點(diǎn)分別有2，5，8，30個(gè)及40個(gè)，位于高敏感性區(qū)以上的災(zāi)害點(diǎn)占82.3%。

隨機(jī)森林算法模型模擬出的高敏感和極高敏感區(qū)主要集中在洮南市那金鎮(zhèn)東北部地區(qū)，胡力吐蒙古族鄉(xiāng)北部地區(qū)，萬寶鄉(xiāng)大部分地區(qū)和萬寶鎮(zhèn)西部和北部地區(qū)。高敏感區(qū)共分布已發(fā)生泥石流61處，占訓(xùn)練集的71%。高程大部分位于250 m 至400 m，坡度分布為10°至30°，此段區(qū)域主要為低山至河流過渡區(qū)域，高差較大，坡度適中，能夠?yàn)槟嗍魈峁﹦菽埽瑫r(shí)并不影響農(nóng)業(yè)開墾；NDVI分布為0至0.3，地表主要為裸地和農(nóng)作物，土地類型中農(nóng)業(yè)用地占90.4%，致使水土保持能力變差，土壤疏松，巖性主要為易風(fēng)化的火山碎屑巖和凝灰質(zhì)砂巖，為泥石流形成提供充足的物質(zhì)來源；高敏感區(qū)地表溝谷發(fā)育，泥石流災(zāi)害點(diǎn)距河流距離分布大多大于3 000 m，泥石流發(fā)育多沿溝谷流通，而溝谷前的平原地區(qū)又為泥石流提供堆積場所，致使大型河流對研究區(qū)的影響較低。

隨機(jī)森林算法模型根據(jù)決策樹各個(gè)節(jié)點(diǎn)的平均基尼值的減少量來計(jì)算評價(jià)因子的重要性，并對所計(jì)算的因子權(quán)重進(jìn)行歸一化處理。如圖3所示，坡度、高程、TWI和坡向是影響研究區(qū)泥石流發(fā)育十分重要的4 個(gè)因子，重要性均超過10%，占全部因子的52.57%。平面曲率、到河流距離、剖面曲率和NDVI，重要性占比為37.24%，對泥石流發(fā)育的影響較為重要。巖性和土地利用重要性占比為10.2%，對泥石流發(fā)育影響較輕。

圖3 吉林省洮南地區(qū)隨機(jī)森林評價(jià)因子重要性

頻率比敏感性評價(jià)中，按照公式（2）計(jì)算10個(gè)評價(jià)因子頻率比模型，然后根據(jù)公式（3）在ArcGIS 中進(jìn)行疊加計(jì)算，由此得出泥石流頻率比敏感性圖，如附圖3所示。按照自然斷點(diǎn)法對其進(jìn)行分類，與隨機(jī)森林模型相同，共分為5 個(gè)敏感區(qū)，極低敏感區(qū)12.4%，低敏感區(qū)占19.1%，中敏感區(qū)占23.7%，高敏感區(qū)占26.9%，極高敏感區(qū)占17.9%。其中訓(xùn)練集中位于極低、低、中、高極高敏感區(qū)的災(zāi)害點(diǎn)分別有0，10，16，27，32個(gè)，位于高敏感性區(qū)域以上災(zāi)害點(diǎn)占訓(xùn)練集的69%。

表2 泥石流敏感性頻率比值

3.2 ROC曲線驗(yàn)證

ROC曲線即稱受試者特征曲線（receiver operating characteristic curve），其可以廣泛應(yīng)用于醫(yī)學(xué)檢驗(yàn)及疾病預(yù)測［21-22］。每個(gè)災(zāi)害點(diǎn)及其評價(jià)因子組成的個(gè)體相當(dāng)于醫(yī)學(xué)檢驗(yàn)中的受試者，再將發(fā)生泥石流及未發(fā)生泥石流作為二分類（正類及負(fù)類）進(jìn)行分析，得到每個(gè)模型所對應(yīng)的ROC 曲線及其曲線下面積（AUC）［23］。AUC 是判斷所用隨機(jī)森林及頻率比模型的優(yōu)劣標(biāo)準(zhǔn)，當(dāng)AUC＝0.5時(shí)，說明其模型結(jié)果不具有參考價(jià)值，而小于0.5則說明模型不符合真實(shí)情況。AUC大于0.5時(shí)，其值越靠近1，說明模型效果越準(zhǔn)確。

由于將樣本災(zāi)害點(diǎn)分為訓(xùn)練集及驗(yàn)證集，所以利用訓(xùn)練集數(shù)據(jù)可以得到模型準(zhǔn)確率ROC 曲線，其曲線下面積即模型的準(zhǔn)確率。驗(yàn)證集數(shù)據(jù)得到預(yù)測率ROC曲線，用于驗(yàn)證模型是否預(yù)測準(zhǔn)確，其曲線下面積為預(yù)測率。隨機(jī)森林及頻率比模型準(zhǔn)確率及預(yù)測率如表3所示。

表3 模型準(zhǔn)確率及預(yù)測率結(jié)果

隨機(jī)森林與頻率比的準(zhǔn)確率為88.4%與86.4%，說明隨機(jī)森林模型訓(xùn)練效果較頻率比結(jié)果準(zhǔn)確。而預(yù)測率兩者相差較大，隨機(jī)森林預(yù)測率達(dá)到90.4%，其模型預(yù)測結(jié)果準(zhǔn)確性高。頻率比預(yù)測率為75.1%，和隨機(jī)森林模型相比有一定差距，模型預(yù)測效果一般。準(zhǔn)確率和預(yù)測率之間的差值可以提現(xiàn)模型的穩(wěn)定性，隨機(jī)森林準(zhǔn)確率和預(yù)測率相差2%，而頻率比相差11.3%，由此可知隨機(jī)森林模型更穩(wěn)定可靠。

4 結(jié)論

吉林省洮南市北部山區(qū)是泥石流多發(fā)區(qū)域，根據(jù)該地區(qū)的地形因素、地質(zhì)因素、植被因素及人為因素，選擇了10個(gè)評價(jià)因子及隨機(jī)森林模型進(jìn)行泥石流敏感性評價(jià)，并用頻率比模型與其對比驗(yàn)證。得到以下結(jié)論：

（1）隨機(jī)森林算法應(yīng)用于泥石流敏感性分析無需提前設(shè)置因子權(quán)重，計(jì)算過程簡化，運(yùn)行平臺豐富，可在可視化軟件SPSS Modeler上運(yùn)行，使用簡便。

（2）隨機(jī)森林模型可以對評價(jià)因子進(jìn)行重要性分析，便于分析各評價(jià)因子對泥石流發(fā)育的影響。

（3）隨機(jī)森林模型結(jié)果將研究區(qū)域劃分為5個(gè)泥石流敏感性區(qū)域，分別為極低、低、中、高和極高敏感區(qū)，分別占研究區(qū)的面積的14.6%，22.2%，30.3%，17.6%，15.3%。位于各分區(qū)的泥石流災(zāi)害數(shù)占比為2.35%，5.88%，9.41%，35.29%和47.06%。泥石流發(fā)生數(shù)隨敏感性等級增大而增大，敏感性分級符合實(shí)際野外調(diào)查結(jié)果。

（4）隨機(jī)森林方法的準(zhǔn)確率與預(yù)測率分別為比頻率比方法高，準(zhǔn)確率與預(yù)測率相差較小，模型穩(wěn)定。隨機(jī)森林模型可以應(yīng)用于研究區(qū)的泥石流敏感性分析且效果良好。