【編者按】黃河上游干流庫壩群段是黃河的安全屏障，對于保障黃河長治久安、全流域生態(tài)保護(hù)和高質(zhì)量發(fā)展具有重要的基礎(chǔ)支撐作用。由于黃河上游地質(zhì)新構(gòu)造活動強(qiáng)烈、地貌類型復(fù)雜、生態(tài)系統(tǒng)脆弱，地震、崩滑流、暴雨與山洪等復(fù)合鏈生災(zāi)害具有非線性、疊加與“碰頭”等顯著特征，因此難以實(shí)現(xiàn)對其孕育、發(fā)展、演化過程的精準(zhǔn)解析與建模，使得黃河上游梯級水庫系統(tǒng)安全及流域人民生命財(cái)產(chǎn)存在直接威脅。為解決國家與行業(yè)在黃河上游干流庫壩群段多災(zāi)種應(yīng)對方面面臨的現(xiàn)實(shí)難題，在“十四五”國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“黃河上游干流庫壩群段多災(zāi)種應(yīng)對關(guān)鍵技術(shù)\"的支持下，聯(lián)合、、、等單位，開展了系統(tǒng)深入的研究工作，取得了系列創(chuàng)新技術(shù)成果，針對黃河上游干流庫壩群段地質(zhì)地貌特征與工程系統(tǒng)組成，提出了多災(zāi)種耦合模擬及高危險(xiǎn)區(qū)定量識別方法，研發(fā)了多災(zāi)種多源數(shù)據(jù)準(zhǔn)實(shí)時(shí)/實(shí)時(shí)優(yōu)化-建模-集成技術(shù)，開發(fā)了多源信息集成共享的實(shí)景化大數(shù)據(jù)智能預(yù)警平臺，構(gòu)建了多災(zāi)種快速評估與精準(zhǔn)損失評估天空地一體化關(guān)鍵技術(shù)體系，集成了高海拔缺氧環(huán)境下多災(zāi)種高效指揮應(yīng)對智能決策支持系統(tǒng)，全面提升黃河上游干流庫壩群段多災(zāi)種系統(tǒng)應(yīng)對能力。本刊擇其主要成果予以集中刊發(fā)，以饗讀者。

關(guān)鍵詞：滑坡；敏感性；GIS；地理探測器模型；隨機(jī)森林模型中圖分類號：P642.22;TV882.1 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1000-1379.2025.07.001引用格式;胡少偉，郭要輝，許耀群，等.耦合地理探測器和機(jī)器學(xué)習(xí)模型的滑坡致災(zāi)因子敏感性分析[J].人民黃河，2025，47（7）：1-7，34.

Sensitivity Analysis of Landslide Hazard Factors by Coupling Geographic Detector and Machine Learning Model

HU Shaowei1，GUO Yaohui 2，XU Yaoqun1，LI Liang2，LONG Kun2，WANG Chenfeng （1.College of Water Conservancy and Transportation，Zhengzhou University，Zhengzhou 45ooo1，China; 2.School of Civil Engineering，Chongqing University，Chongqing 40OO45，China ）

Abstract：Inrdertoprovidereferencesforlandslidehazardpreventionandresearchonthesensivityoflandslide-causingfactors，the Longyangxia-JishiasectionofteupperYelowRiverasinasseleedasthesudyarea，nd1factorssuchaselevationloain roughnessandlilereakstypaldslidardfactos.ecollaritsasadoutypeancoelatiot methodtoselectlndslideaardfactors wisrogoelation.Gwassedtoassfylandsliddsstercausingfactorsadaaetir weights with geographicdetectors.TegeogaphicdetectionmodelresultswerecoupledwithandomforestodeltoobtainlandsldepredictionprobabilitsunderdiferentcausativefactorsROCcurveasusedtoverifyteauracyofpredictionresults.Thersultsindicatehat a）theexplaaoyoerofthiteractiotecausatiectorsisgeatertantatofdiiduafctos，witsesticetofele vationandotrpogapicraetersngprticlalyant.b）eiportaeofragdsityopgapcoud filecurvatureisearlosuestitatteausyotedtoscantoelaoilndocche arenotablediferencesintecontributionofcusativefactorstothepredictionesults，withthelevation-sopecombinationbeingtheore drivingunitforlndslidedevelopmentinthsdyarea.d）TheAUCvalueofrandomforestmodelhasachevedO93，ndicatingstroglasification performance.

Key words： landslide； sensitivity；GIS;geographical detector model； RF

0 引言

滑坡是一種常見的地質(zhì)災(zāi)害，廣泛分布于山地、丘陵等地形復(fù)雜的區(qū)域[]?；碌男纬蓹C(jī)制復(fù)雜，通常為多因素共同作用，主要的影響因素包括降雨、地質(zhì)條件、地形地貌、植被覆蓋和人類活動等[2-3]。在全球氣候變化持續(xù)加劇與人類工程活動雙重驅(qū)動下，滑坡災(zāi)害呈現(xiàn)顯著增長趨勢，對人類生命財(cái)產(chǎn)安全及生態(tài)環(huán)境穩(wěn)定構(gòu)成嚴(yán)重威脅[4-5] O

近年來，滑坡易發(fā)性評價(jià)是滑坡風(fēng)險(xiǎn)研究的熱點(diǎn)之一[6]?；乱装l(fā)性是指在特定的地理環(huán)境條件下，某一區(qū)域發(fā)生滑坡的可能性大小[7]。對滑坡易發(fā)性的定量分析不僅可以識別滑坡高風(fēng)險(xiǎn)區(qū)域，為災(zāi)害預(yù)警和防控提供支持，而且能夠揭示滑坡的空間分布規(guī)律及其主要驅(qū)動因素，為區(qū)域可持續(xù)發(fā)展提供科學(xué)指導(dǎo)[8]。目前，國內(nèi)學(xué)者對滑坡易發(fā)性的研究經(jīng)歷了從定性分析到定量建模的演變，分析方法逐漸由經(jīng)驗(yàn)判斷向基于數(shù)據(jù)的科學(xué)建模方向發(fā)展[9-10]，研究主要分為基于統(tǒng)計(jì)的方法、基于機(jī)器學(xué)習(xí)的方法和基于空間分析的方法三類。基于統(tǒng)計(jì)的方法分為定性和定量兩大類，定性分析側(cè)重于通過專家知識、經(jīng)驗(yàn)或歷史研究來對滑坡易發(fā)性進(jìn)行評估，主觀性較強(qiáng)[\"]，主要包括專家打分法[12]、經(jīng)驗(yàn)法[13]和層次分析法[14]；定量分析可以較為客觀地揭示影響因素之間的關(guān)系，減少人為主觀因素的影響，但需要較為詳盡和可靠的數(shù)據(jù)支持，數(shù)據(jù)質(zhì)量的高低直接影響分析結(jié)果，主要包括邏輯回歸法[15]判別分析法[16]和加權(quán)疊加法[17]。隨著計(jì)算能力的提升，機(jī)器學(xué)習(xí)方法逐漸成為滑坡易發(fā)性評價(jià)的主流方法[18]。機(jī)器學(xué)習(xí)方法通過學(xué)習(xí)大量的歷史數(shù)據(jù)，自動提取特征并建立非線性關(guān)系模型，能夠有效解決傳統(tǒng)方法中線性假設(shè)的局限性，包括隨機(jī)森林法[19]、梯度提升樹法[20]、XGBoost 法[2I]、長短期記憶網(wǎng)絡(luò)法[22]、支持向量機(jī)法（SVM）[23]、神經(jīng)網(wǎng)絡(luò)法[24]和Transformer法[25]等?？臻g分析方法主要依賴地理信息系統(tǒng)技術(shù)，結(jié)合空間統(tǒng)計(jì)模型，揭示滑坡易發(fā)性的空間異質(zhì)性。常見的空間分析方法包括地理加權(quán)回歸法（GWR）[26]和地理探測器法[27]等。盡管現(xiàn)有方法在滑坡易發(fā)性研究領(lǐng)域取得了顯著成效，但是仍面臨一些挑戰(zhàn)。首先，不同研究方法的適用性和預(yù)測性可能因區(qū)域差異而表現(xiàn)出顯著的不一致性。其次，多源數(shù)據(jù)的融合與質(zhì)量控制對模型的魯棒性提出了更高要求。此外，滑坡易發(fā)性受多種自然和人為因素的影響，其分布通常具有明顯的空間異質(zhì)性。因此，開發(fā)既適用于不同區(qū)域，又具備高精度與良好解釋性的滑坡易發(fā)性分析方法，仍然是當(dāng)前研究的主要方向。

隨機(jī)森林法雖在預(yù)測精度上表現(xiàn)出色，但作為“黑箱”模型，其內(nèi)部機(jī)制難以解釋。地理探測器法可以量化分析影響因子的獨(dú)立效應(yīng)和交互效應(yīng)，揭示各個(gè)因子如何驅(qū)動滑坡的發(fā)生，從而提供更具解釋性的研究成果。地理探測器法能夠識別空間異質(zhì)性的驅(qū)動因子，并量化其對滑坡易發(fā)性影響的程度，而隨機(jī)森林法能夠在這種異質(zhì)性空間背景下，通過充分挖掘多因子之間復(fù)雜的非線性關(guān)系，提供較為精準(zhǔn)的預(yù)測。此外，隨機(jī)森林法具有較強(qiáng)的多源數(shù)據(jù)融合能力，可以處理多個(gè)變量對滑坡易發(fā)性的影響，而地理探測器法則有助于量化分析這些數(shù)據(jù)的相關(guān)性及相互作用，識別出關(guān)鍵因子和各因子的交互效應(yīng)。在此背景下，本文以黃河上游龍羊峽至積石峽段流域?yàn)檠芯繀^(qū)域，利用斯皮爾曼相關(guān)系數(shù)篩選出相關(guān)性較強(qiáng)的滑坡致災(zāi)因子，耦合隨機(jī)森林模型和地理探測器法，量化主要影響因子對滑坡易發(fā)性的貢獻(xiàn)率及其交互作用，以期為滑坡災(zāi)害防治和滑坡致災(zāi)因子敏感性研究提供參考。

1 研究區(qū)概況

黃河上游龍羊峽至積石峽段流域地處青藏高原東部邊緣，地形地貌復(fù)雜多樣，以高山和峽谷為主，具有典型的黃河流域高原地貌特征。研究區(qū)海拔為 1 651～ 5290m ，地勢總體西高東低，沿黃河主流流向逐漸降低，涉及青海省共和縣、貴南縣、貴德縣、湟中區(qū)、尖扎縣、化隆縣、循化縣以及民和縣等，面積為57010.17km² 。研究區(qū)降水量時(shí)空分布不均，多年平均降水量350～450mm ，呈現(xiàn)由東南向西北遞減趨勢，其中7—9月雨季集中全年 70% 以上降水量。短時(shí)強(qiáng)降雨現(xiàn)象多發(fā)，最大雨強(qiáng)達(dá) 50mm/h ，尤其在峽谷區(qū)易形成局地暴雨中心。氣候以高原大陸性氣候?yàn)橹?，氣溫較低，降水量受海拔影響顯著。區(qū)內(nèi)水系密集，黃河干流及其支流構(gòu)成了重要的水文體系，水量豐富但分布不均，水庫調(diào)蓄使水文條件發(fā)生了顯著變化。此外，研究區(qū)地質(zhì)構(gòu)造復(fù)雜，分布有多種巖性類型和斷裂構(gòu)造，地質(zhì)災(zāi)害風(fēng)險(xiǎn)較高，滑坡、泥石流等災(zāi)害多發(fā)。研究區(qū)概況見圖1。

2 致災(zāi)因子選擇

滑坡致災(zāi)因子的選擇是滑坡易發(fā)性評價(jià)的重要環(huán)節(jié)，本文依據(jù)研究區(qū)滑坡發(fā)育特征和已有學(xué)者研究成果，從地質(zhì)、地形、植被與水文、人類活動等方面選取滑坡致災(zāi)因子。

2.1 地質(zhì)因子

1）巖性。一般包括巖石和土兩種類型。軟弱巖層或松散沉積物易吸水軟化，抗剪強(qiáng)度低，風(fēng)險(xiǎn)極高。2）與斷層距離。某點(diǎn)與最近地質(zhì)斷層的直線距離，斷層帶附近巖體破碎、裂隙發(fā)育，易滲水失穩(wěn)。

2.2 地形因子

1）高程。影響滑坡發(fā)育的重要因子之一，在中高海拔區(qū)凍融作用強(qiáng)，巖體易破碎。2）坡度。即坡面的垂直高度與水平寬度之比，較陡的坡度往往為滑坡體提供充足動力。3）坡向。影響陽光照射時(shí)長、植被生長和土體含水率，這些因素間接影響坡體的力學(xué)狀態(tài)。4）剖面曲率。沿斜坡垂直方向（水流方向）的曲率，反映地表凹凸形態(tài)。凹形區(qū)水流匯聚，易積水增重加大滑動可能性；凸形區(qū)水流發(fā)散，易產(chǎn)生張力裂縫導(dǎo)致坡體失穩(wěn)。

5）平面曲率。沿水平方向的曲率，反映地表橫向凹凸形態(tài)。凹形區(qū)易因水力集中而易觸發(fā)淺層滑坡，凸形區(qū)易因側(cè)蝕而導(dǎo)致坡腳失穩(wěn)。

6）地形起伏度。區(qū)域內(nèi)最高點(diǎn)與最低點(diǎn)的高差，反映地勢陡峭程度。高起伏區(qū)勢能大、侵蝕強(qiáng)，易發(fā)生深層滑坡。7）地形粗糙度。地表微觀起伏的復(fù)雜程度，量化反映地形不規(guī)則性。高粗糙度可能阻礙水流，但也可能因微地形起伏大而形成局部堵塞，增加滑坡風(fēng)險(xiǎn)。8）地表切割深度。一般來講，地表切割深度越大表明侵蝕越強(qiáng)烈，越易形成滑坡。9）高程變異系數(shù)。區(qū)域內(nèi)高程值的離散程度，反映地形變化情況。高程離散程度高的區(qū)域地形復(fù)雜，可能產(chǎn)生陡坡、破碎帶等高風(fēng)險(xiǎn)區(qū)。

2.3 植被與水文因子

1）歸一化植被指數(shù)（NDVI）。反映研究區(qū)植被疏密程度，高覆蓋度植被通過根系固結(jié)土壤、通過樹冠截留降水減少徑流，使坡體更穩(wěn)定。2）年降雨量。降雨入滲增加孔隙水壓力，降低巖土抗剪強(qiáng)度，暴雨可直接觸發(fā)滑坡3）河網(wǎng)密度。單位面積內(nèi)河流總長度，反映水系發(fā)育程度。高密度河網(wǎng)加劇側(cè)向侵蝕和坡腳沖刷，破壞坡體穩(wěn)定性。

2.4 人類活動因子

1）土地利用類型。地表的土地利用方式（如森林、農(nóng)田、建設(shè)用地）和人類建設(shè)活動往往改變斜坡荷載。

2）路網(wǎng)密度。即單位面積內(nèi)道路總長度。道路開挖破壞坡體結(jié)構(gòu)，增加荷載，改變排水路徑，易誘發(fā)滑坡。

2.5 數(shù)據(jù)來源

本文所用高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云；坡度、坡向、曲率、平面曲率、剖面曲率、地形起伏度、地形粗糙度、地表切割深度和高程變異系數(shù)數(shù)據(jù)通過高程數(shù)據(jù)處理得到;河網(wǎng)密度數(shù)據(jù)來源于ScienceDateBank，路網(wǎng)密度數(shù)據(jù)基于第三次全國國土調(diào)查縣級數(shù)據(jù)計(jì)算而得；歸一化植被指數(shù)源于國家生態(tài)數(shù)據(jù)中心資源共享服務(wù)平臺；年降雨量數(shù)據(jù)源于中國氣象局氣象數(shù)據(jù)中心；與斷層距離來源于中國活動斷層數(shù)據(jù)庫。對于連續(xù)型致災(zāi)因子，采用自然斷點(diǎn)分級法進(jìn)行分級；對于離散型致災(zāi)因子，以現(xiàn)有分類為主，根據(jù)數(shù)據(jù)實(shí)際情況進(jìn)行重分類。致災(zāi)因子分級分類見圖2。

3 研究方法

通過斯皮爾曼相關(guān)系數(shù)法篩選出與滑坡災(zāi)害相關(guān)性較強(qiáng)的致災(zāi)因子，利用地理探測器得到滑坡致災(zāi)因子權(quán)重，將地理探測結(jié)果耦合隨機(jī)森林模型，得到不同致災(zāi)因子作用下的滑坡預(yù)測概率，使用ROC曲線驗(yàn)證預(yù)測結(jié)果的準(zhǔn)確度。

3.1 斯皮爾曼相關(guān)系數(shù)法

斯皮爾曼相關(guān)系數(shù)法（Spearman’sRankCorrelationCoefficient）用于衡量兩個(gè)變量之間的單調(diào)關(guān)系。與皮爾遜相關(guān)系數(shù)法不同，斯皮爾曼相關(guān)系數(shù)法不要求數(shù)據(jù)具備正態(tài)分布或線性關(guān)系，它是一種基于數(shù)據(jù)值排序來度量變量之間關(guān)系的非參數(shù)統(tǒng)計(jì)方法，能夠評估兩個(gè)變量的關(guān)聯(lián)程度，尤其適用于處理順序數(shù)據(jù)或無法進(jìn)行數(shù)值轉(zhuǎn)換的數(shù)據(jù)。在本研究中，斯皮爾曼相關(guān)系數(shù)法被用來評估不同因素之間的單調(diào)相關(guān)性，尤其是在滑坡易發(fā)性研究中，用于分析高程、巖性、年降雨量和土壤類型等對滑坡發(fā)生的潛在影響。通過這種方法，能夠更清晰地揭示各因子間的相互關(guān)系，為進(jìn)一步的滑坡易發(fā)性預(yù)測和評估提供理論依據(jù)。斯皮爾曼相關(guān)系數(shù)計(jì)算公式為

式中 _：ρ 為斯皮爾曼相關(guān)系數(shù)， d_i 為第 i 個(gè)觀測值的秩次差， n 為樣本數(shù)。

3.2 地理探測器法

地理探測器法是一種用于研究空間數(shù)據(jù)中不同變量之間關(guān)系的統(tǒng)計(jì)方法，尤其適用于分析地理現(xiàn)象與其影響因素之間的空間關(guān)系。該方法由我國學(xué)者王勁峰及其團(tuán)隊(duì)提出，操作簡單，且具有較強(qiáng)的解釋性，不需要假設(shè)變量之間的關(guān)系形式，因此能夠適應(yīng)非線性、非正態(tài)的情況[28]。它可以識別不同風(fēng)險(xiǎn)因子之間的交互作用，即兩個(gè)評估因子共同作用時(shí)是否會增強(qiáng)或減弱對目標(biāo)變量Y（本研究為滑坡發(fā)生的核密度）的解釋力，或這些因子對 Y 的影響是相互獨(dú)立的，從而幫助分析復(fù)雜的地理現(xiàn)象和空間分布規(guī)律。通過比較各單因子解釋力 和交互解釋力 q（x₁∩x₂） 的大小，可以判斷交互作用的類型，表1為因子交互作用類型。與其他傳統(tǒng)方法相比，地理探測器法能夠更好地應(yīng)對復(fù)雜的非線性關(guān)系和區(qū)域差異性，為滑坡災(zāi)害的預(yù)測、風(fēng)險(xiǎn)評估和防治提供強(qiáng)有力的理論支撐。

表1因子交互作用類型

Tab.1 Types of Factors Interaction

3.3 隨機(jī)森林模型

隨機(jī)森林模型（RandomForest）是一種集成學(xué)習(xí)算法，它通過建立多個(gè)決策樹并結(jié)合各個(gè)樹的預(yù)測結(jié)果，來進(jìn)行分類或回歸[29]。隨機(jī)森林模型已經(jīng)廣泛應(yīng)用于滑坡易發(fā)性評價(jià)，其能夠處理復(fù)雜的非線性關(guān)系，具有較高的準(zhǔn)確性和較強(qiáng)的魯棒性，是滑坡易發(fā)性預(yù)測的理想選擇。盡管隨機(jī)森林模型在計(jì)算資源和模型復(fù)雜度方面存在一定的挑戰(zhàn)，但其在處理高維、復(fù)雜、噪聲較多的地理數(shù)據(jù)時(shí)仍然表現(xiàn)出明顯的優(yōu)勢。隨機(jī)森林模型通過數(shù)據(jù)隨機(jī)抽樣、特征隨機(jī)選擇、決策樹訓(xùn)練和集成預(yù)測與優(yōu)化做出最終判定。

結(jié)果與分析

4.1 單因子探測結(jié)果

利用地理探測器法進(jìn)行致災(zāi)因子探測分析結(jié)果表明，所選的16個(gè)致災(zāi)因子均通過了顯著性水平為0.05的檢驗(yàn)，可認(rèn)為是導(dǎo)致研究區(qū)滑坡發(fā)生的因子，對滑坡災(zāi)害發(fā)生有不同程度貢獻(xiàn)。由致災(zāi)因子探測分析結(jié)果（見圖3）可知：高程的影響最大（為0.359），與斷層距離的影響最小（為0.003）。各致災(zāi)因子對滑坡災(zāi)害發(fā)生的解釋力大小為：高程 （0.359）gt; 路網(wǎng)密度 （0.159）gt; 高程變異系數(shù)（0.131） gt; 年降雨量 （0.114）gt; 土地利用類型 （0.100）gt; 地形起伏度 （0.086）gt; 地表切割深度（0.078）gt; 巖性 （0.075）gt; 坡度（0.061） gt; 剖面曲率（0.057）gt;平面曲率 （0.055）gt; 地形粗糙度 （0.032）gt; 歸一化植被指數(shù)（0.029） gt; 河網(wǎng)密度 （0.015）gt; 坡向（0.006）gt; 距斷層距離（0.003）。從單個(gè)致災(zāi)因子對滑坡的解釋力來看，最大僅為 36% ，單一致災(zāi)因子對于研究區(qū)滑坡災(zāi)害發(fā)生的解釋力較小，從某種程度說明滑坡災(zāi)害是由多因子共同作用引起的。

4.2 致災(zāi)因子交互作用探測結(jié)果

本研究通過雙因子交互效應(yīng)模型對滑坡災(zāi)害驅(qū)動機(jī)制進(jìn)行解析，結(jié)果見表2。對比單一因子解釋力發(fā)現(xiàn)，雙因子交互作用對滑坡災(zāi)害的驅(qū)動作用呈顯著增強(qiáng)特征，具體表現(xiàn)為雙因子增強(qiáng)效應(yīng)或非線性協(xié)同作用。定量分析表明，所有交互組合的預(yù)測效能均超越單因子獨(dú)立作用，且呈現(xiàn)以下規(guī)律：在因子交互組合中，高程因子與其他地形參數(shù)的協(xié)同作用尤為突出。

其中，高程與坡度組合（ q=0.465 ）、高程與地形起伏度組合 （ ?q=0.462 ）、高程與地表切割深度組合（ q= 0.445）高程與高程變異系數(shù)組合（ q=0.454） 的交互解釋力均超過單一地形因子的最大值。特別值得關(guān)注的是高程-坡度協(xié)同機(jī)制，其在高海拔區(qū)凍融循環(huán)導(dǎo)致基巖裂隙擴(kuò)展，疊加陡坡的重力勢能累積，顯著降低了坡體抗剪強(qiáng)度，導(dǎo)致其為研究區(qū)滑坡發(fā)育的核心驅(qū)動力。此外，高程與地形起伏度的解釋力顯著，劇烈地形起伏、高水力梯度促進(jìn)高海拔區(qū)地下水向坡腳集中排泄，導(dǎo)致孔隙水壓力超限，影響邊坡穩(wěn)定。環(huán)境要素交互同樣呈現(xiàn)顯著增強(qiáng)特征，高程與 NDVI組合（ q= 0.484）揭示出高海拔區(qū)植被退化與凍融侵蝕的協(xié)同放大效應(yīng)，其解釋力較最大單因子高程（ q=0.359 提升 0.125 工程活動相關(guān)組合中，高程-路網(wǎng)密度交互作用（ q= 0.411）反映出山地道路建設(shè)對天然排水系統(tǒng)的破壞程度隨海拔升高呈指數(shù)型增長。上述探測結(jié)果證實(shí)，滑坡災(zāi)害本質(zhì)上是多因子非線性耦合作用的結(jié)果，其中地形因子間的交互增效作用對災(zāi)害發(fā)育具有決定性影響。研究結(jié)果對構(gòu)建山地災(zāi)害風(fēng)險(xiǎn)預(yù)警模型有重要理論價(jià)值。

4.3 隨機(jī)森林模型

4.3.1 解釋力分析

以滑坡為預(yù)測對象，采用隨機(jī)森林模型對給定數(shù)據(jù)集進(jìn)行建模，系統(tǒng)性探討了模型在特征重要性分析和預(yù)測精度評估方面的表現(xiàn)，并通過可視化手段驗(yàn)證了模型的可靠性。研究中使用的數(shù)據(jù)集包含16個(gè)特征變量 （X₁～X₁₆） 和1個(gè)目標(biāo)變量 Y 。為確保數(shù)據(jù)質(zhì)量與模型的魯棒性，數(shù)據(jù)預(yù)處理環(huán)節(jié)采用中位數(shù)填充的方法，以盡量減少因缺失值導(dǎo)致的分布偏差。數(shù)據(jù)劃分比例設(shè)定為訓(xùn)練集與測試集 7：3 ，同時(shí)，為進(jìn)一步研究特征變量對目標(biāo)變量的影響，在模型訓(xùn)練前將地理探測權(quán)重結(jié)果引入特征變量。各致災(zāi)因子對滑坡的重要性排序見圖4，從圖4可以看出，各致災(zāi)因子對預(yù)測結(jié)果的解釋力存在顯著差異，呈現(xiàn)出明顯的長尾分布，其中高程為核心特征變量，解釋力約0.44，顯著高于其他變量。這表明高程對預(yù)測滑坡具有核心影響力，是直接影響滑坡的關(guān)鍵因子。NDVI和年降雨量緊隨其后，其解釋力分別約為0.15和0.10。盡管它們的解釋力不及高程，但仍對滑坡的預(yù)測起到關(guān)鍵作用。

坡向、路網(wǎng)密度、高程變異系數(shù)和巖性的解釋力為0.02～0.08 ，盡管這些特征變量的解釋力不如核心變量，但它們對預(yù)測結(jié)果具有一定的補(bǔ)充作用。河網(wǎng)密度、地形粗糙度和剖面曲率的解釋力幾乎為0，表明它們對滑坡的發(fā)生幾乎沒有影響，在一定程度上反映了這些特征變量可能與滑坡發(fā)生沒有直接或顯著的相關(guān)性，在進(jìn)一步的模型優(yōu)化中，這些低解釋力變量可以被剔除，以提高模型的效率和預(yù)測穩(wěn)定性。

4.3.2 模型性能評估ROC曲線分析

ROC（Receiver OperatingCharacteristic）曲線與AUC（AreaUnderCurve）值是評估模型性能的重要工具，在分類問題中具有廣泛的應(yīng)用價(jià)值。本研究利用ROC曲線對隨機(jī)森林模型的分類性能進(jìn)行了評估。隨機(jī)森林模型和隨機(jī)猜測模型的ROC曲線見圖5，曲線下方的面積（AUC）被用作評價(jià)分類器整體性能的重要指標(biāo)，AUC的取值范圍為 0.5～1.0 ，其中0.5表示模型的性能與隨機(jī)猜測相當(dāng)，1.0則代表最強(qiáng)分類能力。從圖5可以看出，隨機(jī)森林模型的AUC值達(dá)到0.93，表明隨機(jī)森林模型具有非常強(qiáng)的分類能力，在區(qū)分正負(fù)樣本方面表現(xiàn)出色，具有較高的準(zhǔn)確性。隨機(jī)森林模型的ROC曲線（藍(lán)色實(shí)線）遠(yuǎn)離隨機(jī)猜測的基準(zhǔn)線（紅色虛線），并在靠近左上角處表現(xiàn)優(yōu)異。這種特性表明模型在同時(shí)保證較低的假陽性率和較高的真陽性率方面有較強(qiáng)的能力。

5結(jié)論

本文通過斯皮爾曼相關(guān)系數(shù)法篩選出相關(guān)性較強(qiáng)的滑坡致災(zāi)因子，利用GIS將滑坡致災(zāi)因子重分類后使用地理探測器分析得到各致災(zāi)因子權(quán)重，將各致災(zāi)因子權(quán)重耦合到隨機(jī)森林模型，得到不同致災(zāi)因子作用下的滑坡預(yù)測概率，并通過ROC曲線驗(yàn)證預(yù)測結(jié)果的準(zhǔn)確度，得到以下結(jié)論：

1）致災(zāi)因子交互作用的解釋力均大于單個(gè)致災(zāi)因子的解釋力。交互作用結(jié)果顯示雙因子增強(qiáng)或非線性增強(qiáng)，在因子交互組合中，高程與其他地形參數(shù)的協(xié)同作用尤為突出，對滑坡災(zāi)害發(fā)生的解釋力增大明顯。

2）河網(wǎng)密度、地形粗糙度和剖面曲率的解釋力幾乎為0，在一定程度上說明這些特征變量可能與滑坡發(fā)生沒有直接或顯著的相關(guān)性。在進(jìn)一步的模型優(yōu)化中，這些低解釋力變量可以被剔除，以提高模型的效率和預(yù)測穩(wěn)定性。

3）各致災(zāi)因子對預(yù)測結(jié)果的解釋力存在顯著差異，其中高程-坡度協(xié)同作用下，高海拔區(qū)凍融循環(huán)導(dǎo)致基巖裂隙擴(kuò)展，疊加陡坡的重力勢能累積，顯著降低了坡體抗剪強(qiáng)度，該組合是研究區(qū)滑坡發(fā)育的核心驅(qū)動力。此外，高程與地形起伏度的解釋力顯著，劇烈地形起伏、高水力梯度促進(jìn)高海拔區(qū)地下水向坡腳集中排泄，導(dǎo)致孔隙水壓力超限，影響邊坡穩(wěn)定。

4）隨機(jī)森林模型的AUC值達(dá)到0.93，表明隨機(jī)森林模型具有較高的分類能力，在區(qū)分正負(fù)樣本方面表現(xiàn)出色，具有較高的準(zhǔn)確性。同時(shí)，該模型在保證較低的假陽性率和較高的真陽性率方面有較強(qiáng)的能力。

參考文獻(xiàn)：

［1］李子豪，王鈞，郭婷婷，等.基于降雨強(qiáng)度-歷時(shí)的安徽省黃山市滑坡分組閾值研究[J].水土保持通報(bào)，2022，42（1）：184-190.

[2] 尚敏，王殿鵬，易慶林，等.基于最大信息系數(shù)法的臥沙溪滑坡變形相關(guān)性分析及預(yù)警模型研究［J].工程地質(zhì)學(xué)報(bào)，2025，33（2）：572-580.

[3] 耿豪鵬，徐子怡，郭宇，等.基于粒子群優(yōu)化算法的東構(gòu)造結(jié)滑坡清單建立與侵蝕速率估算［J].水土保持學(xué)報(bào)，2025，39（2） ：338-347.

[4] 郭鐘群，劉凌峰，劉顏碩，等.風(fēng)化殼淋積型稀土礦區(qū)滑坡預(yù)測方法及適用性探討[J].稀土，1-15（2024-11-28）[2024-12-21].https：//kns.cnki.net/kcms/detail/15.1099.TF.20241127.1544.003.html.

[5]路昌明，王祚鵬，吳靚，等.基于環(huán)剪試驗(yàn)的蠕變型滑坡滑帶力學(xué)性質(zhì)：以甘肅舟曲地區(qū)鎖兒頭滑坡為例[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2024，46（5）：677-688.

[6]余紹淮，徐喬，余飛.聯(lián)合光學(xué)和SAR遙感影像的山區(qū)公路滑坡易發(fā)性評價(jià)方法[J].自然資源遙感，2023，35（4）：81-89.

［7］洪浩源，王德生，朱阿興.面向機(jī)器學(xué)習(xí)型區(qū)域滑坡易發(fā)性評價(jià)的訓(xùn)練樣本采樣方法[J].地理學(xué)報(bào)，2024，79（7）：1718-1736.

[8]MERGHADI A，YUNUS A P，DOU J，et al.Machine LearningMethods for Landslide SusceptibiLity Studies：A ComparativeOverview of Algorithm Performance[J].Earth-Science Re-views，2020，207：103225.

[9]周超，殷坤龍，曹穎，等.基于集成學(xué)習(xí)與徑向基神經(jīng)網(wǎng)絡(luò)耦合模型的三峽庫區(qū)滑坡易發(fā)性評價(jià)［J].地球科學(xué)，2020，45（6） ：1865-1876.

[10］李郎平，蘭恒星，郭長寶，等.基于改進(jìn)頻率比法的川藏鐵路沿線及鄰區(qū)地質(zhì)災(zāi)害易發(fā)性分區(qū)評價(jià)［J].現(xiàn)代地質(zhì)，2017，31（5） ：911-929.

［11］劉長江，羅曉東.南疆鹽漬土峽谷景區(qū)滑坡易發(fā)性評價(jià)[J].科技與創(chuàng)新，2024（5）：71-74，77.

[12］王烜，李英，趙利軍，等.基于雙重層次分析法的地質(zhì)災(zāi)害易發(fā)性評價(jià)：以遼寧省為例[J].資源環(huán)境與工程，2025，39（2）：215-223，233.

[13］謝琳琳，喻子宜，楊強(qiáng)，等.HOPSCA 項(xiàng)目施工安全風(fēng)險(xiǎn)評價(jià)[J].土木工程與管理學(xué)報(bào)，2024，41（6）：53-60.

[14] 丁思蒙，韓尚鵬，田仕雄，等.基于GIS技術(shù)的乃東區(qū)斜坡類地質(zhì)災(zāi)害易發(fā)性評價(jià)[J].防災(zāi)減災(zāi)學(xué)報(bào)，2024，40（4）：13-20.

[15]余淙蔚，柳侃，殷杰，等.一種適用于邏輯回歸模型評價(jià)淺層滑坡易發(fā)性的網(wǎng)格尺度劃分方法：以2019年福建省三明市群發(fā)淺層滑坡為例［J].山地學(xué)報(bào)，2022，40（1） ：106-119.

[16]CARRARA A. Multivariate Models for Landslide HazardEvaluation[J].Mathematical Geology，1983，15：403-426.

［17］秦佳松，李為樂，單云鋒，等.融合時(shí)序InSAR形變的石棉縣滑坡易發(fā)性評價(jià)[J/OL].地質(zhì)科技通報(bào)，1-14（2024-08-29）[2024 - 12 - 22]. htps：//doi.org/10.19509/j.cnki.dzkq.tb20240342.

[18］張清，何毅，陳學(xué)業(yè)，等，基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的深圳市滑坡易發(fā)性評價(jià)[J].中國地質(zhì)災(zāi)害與防治學(xué)報(bào)，2024，35（4） ：146-162.

［19］周書東，丁其樂，王奕仁，等.基于隨機(jī)森林算法和物理模型試驗(yàn)的軟土滑坡運(yùn)動特性預(yù)測研究［J/OL].水利水電技術(shù)（中英文），1-14（2024-12-13）[2024-12-22].http：//kns.cnki.net/kcms/detail/10.1746.TV.20241213.1423.006.html.

[20］劉伊銘，徐勝華，劉春陽，等.顧及多方法集成特征選擇與負(fù)樣本優(yōu)化的滑坡易發(fā)性評價(jià)[J].測繪通報(bào)，2024（9） ：74-79.

［21］鄭德鳳，潘美伊，高敏，等.集中降雨影響下遼南仙人洞國家級自然保護(hù)區(qū)滑坡災(zāi)害多因子風(fēng)險(xiǎn)評價(jià)［J].地質(zhì)科技通報(bào)，2025，44（2）：48-58.

[22］林娜，譚力兵，張迪，等.時(shí)序InSAR和LSTM結(jié)合的滑坡形變時(shí)空分析與預(yù)測方法[J].地球信息科學(xué)學(xué)報(bào)，2024，26（12） ：2772-2787.

[23］劉金滄，王歡歡，李云，等.基于支持向量機(jī)的華南斜坡類地質(zhì)災(zāi)害易發(fā)性評價(jià)：以肇慶市懷集縣為例[J].時(shí)空信息學(xué)報(bào)，2024，31（6）：785-794.

［24］李世琦，姚國清.基于CNN與 SETR 的特征融合滑坡體檢測[J].自然資源遙感，2024，36（4）：158-164.

［25］于長獅.基于可解釋性Transformer 網(wǎng)絡(luò)的滑坡易發(fā)性預(yù)測研究[D].南昌：南昌大學(xué)，2024：8-23.

［26］黎承球，蘇小婷，王盈，等.雅襲江流域大型滑坡分布規(guī)律及成因機(jī)制[J].第四紀(jì)研究，2025，45（1）：132-148.

［27］郭飛，吳迪，葛民榮，等.連續(xù)變量因子分級和機(jī)器學(xué)習(xí)模型對滑坡易發(fā)性評價(jià)精度的影響［J/OL].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），1-17（2024-09-20）[2024-12-22].https：//doi.org/10.13203/j.whugis20230413.

[28］王勁峰，徐成東.地理探測器：原理與展望[J].地理學(xué)報(bào)，2017，72（1） ：116-134.

[29］劉聰林，李盛，崔曉寧，等.融合XGBoost和SHAP的混凝土抗壓強(qiáng)度預(yù)測分析模型[J].水利水電技術(shù)（中英文），2025.56（2）：246-258.