關(guān)鍵詞：滑坡易發(fā)性；集成學(xué)習(xí)；信息量法；滑坡負(fù)樣本；黃河上游中圖分類號：TP181;P642.22;TV882.1 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1000-1379.2025.07.019引用格式：，，，等.基于集成學(xué)習(xí)和考慮滑坡負(fù)樣本的滑坡易發(fā)性評價(jià)[J].人民黃河，2025，47（7）：116-123

Landslide Susceptibility Evaluation Based on Integrated Learning and Considering Landslide Negative Samples

ENG Yuanxun1， ZHOU Kangkang1，HU Shaowei1， ZHANG Haichao2，YU Guoqing3， XU Lukai ³ ，PENG Hao2 （1.College of Water Conservancy and Transportation， Zhengzhou University，Zhengzhou 45ooo1，China; 2.Power China Guiyang Engineering Corporation Limited， Guiyang 55O081， China; 3.Yellow River Institute of Hydraulic Research，YRCC，Zhengzhou 45OOO3，China）

Abstract：TevaluatioflndslidesuseptibitisofgeatgficanforgioaldisasterpreventionditigatioIviefei suesthatesinglecaifeintelandslidesuseptibilityvaluatiousingmacinlangalgodporpresn，dleo ofnegativesamplesoflanslidesaselatielybirarylndslidsuscetilityeaationoelaspropod，hchombdl tionmethodofnegativesamplesoflandslidesbasedonteinformationquantymetodwithmachineleaingintegrationalgorithms.Taking thesectionfromLijaxiatoGongboxiainteuppereachsoftheYllowRiverasthestudyaea3evaluationfactorssuchaselevation， slopegradientndpreipitaoneresecedasthevalatofctorsforlndslidurceresetionetdsfrgieples flandslides，namelyuferzon，lowslopeadientandifoatioquantityereadoptedBylingtheladslidesuscebilityevuationmodelsoftheasficationndessontree（AR）andeeitegatedlngrits（Bagng，oosting，ndadofor est），theperfomaeofteeuatiooelsunderdientintegatedeaingagritsanddintselectionetdsfotie plesoflandslideswasaalyzd.Thsultssowtatteintegatedleaigalgoritcasignificantlyimprovetepeformanceofthesingle baseclssifierandteiprovemenefetofteBoostingalgoiisteostpromientTeselectionmetodofegatiesamplebased onthe informationquantitytakesmostoftheevaluationfactorsintofullconsideration，andthereliabilityofthemodelishigher.

Keywords：landslidesusceptibility；integratedlearning；informationvaluemethod；landslidenegativesamples；upperreachesofthe Yellow River

0 引言

黃河上游李家峽至公伯峽區(qū)間地質(zhì)結(jié)構(gòu)復(fù)雜、晝夜溫差大、生態(tài)環(huán)境脆弱、河流下切作用強(qiáng)烈，眾多因素導(dǎo)致該區(qū)域地質(zhì)災(zāi)害發(fā)生頻繁[1]，防治形勢嚴(yán)峻。因此，開展滑坡易發(fā)性評價(jià)對于該地區(qū)防災(zāi)減災(zāi)具有重要意義。

滑坡易發(fā)性評價(jià)模型的選擇對評價(jià)結(jié)果有重要影響。目前，廣泛用于滑坡易發(fā)性評價(jià)的模型有統(tǒng)計(jì)模型[2]和機(jī)器學(xué)習(xí)模型[3]。頻率比模型[4]、信息量模型[5]和確定性系數(shù)[]等統(tǒng)計(jì)模型可以定量評價(jià)不同影響因子與滑坡發(fā)生之間的概率關(guān)系。機(jī)器學(xué)習(xí)模型則能夠捕捉滑坡與滑坡影響因子之間的非線性關(guān)系，從而取得更好的分類結(jié)果。常用的機(jī)器學(xué)習(xí)模型[7-8]包括邏輯回歸、支持向量機(jī)、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)等。然而，當(dāng)前常用的機(jī)器學(xué)習(xí)模型大多為單個(gè)模型，或者是基于某個(gè)模型的參數(shù)優(yōu)化[9]。集成學(xué)習(xí)算法[10-12]通過組合多個(gè)機(jī)器學(xué)習(xí)模型，提高了模型整體的泛化能力和預(yù)測結(jié)果的準(zhǔn)確性。鄔禮揚(yáng)等[13]基于袋裝法（Bagging）、提升法（Boosting）、堆疊法（Stacking）3種集成學(xué)習(xí)算法進(jìn)行滑坡易發(fā)性評價(jià)表明，基于Boosting的集成學(xué)習(xí)算法的模型預(yù)測精度提升最為顯著。本文以決策樹為基分類器，選擇Bagging和Boosting兩種集成學(xué)習(xí)算法，以及封裝好的決策樹集成學(xué)習(xí)算法—隨機(jī)森林，研究3種集成學(xué)習(xí)算法對決策樹性能的提升作用，

此外，在進(jìn)行滑坡易發(fā)性評價(jià)時(shí)，滑坡負(fù)樣本的選擇至關(guān)重要，合理選擇負(fù)樣本對于提高區(qū)域滑坡易發(fā)性評價(jià)結(jié)果的準(zhǔn)確性和可靠性具有重要意義。然而，大部分學(xué)者在選擇負(fù)樣本時(shí)較為隨意，例如低坡度取樣[14]、緩沖區(qū)外取樣[15]、半監(jiān)督多層感知機(jī)法取樣[6]等。從低坡度和溝谷地區(qū)選擇負(fù)樣本容易加大某一評價(jià)因子的權(quán)重[17；隨機(jī)選擇負(fù)樣本則約束較小，容易選擇與滑坡點(diǎn)具有相同條件的負(fù)樣本。因此，選擇合適的負(fù)樣本對于提升模型的預(yù)測精度和可靠性具有重要作用。

基于此，以黃河上游李家峽至公伯峽段為研究對象，選取13個(gè)評價(jià)因子，在3種負(fù)樣本選擇方式下，基于決策樹的3種集成學(xué)習(xí)算法構(gòu)建機(jī)器學(xué)習(xí)模型進(jìn)行滑坡易發(fā)性評價(jià)，分析不同集成學(xué)習(xí)算法對模型預(yù)測性能的提升效果，以及不同滑坡負(fù)樣本選擇方式對評價(jià)結(jié)果的影響。

1 研究區(qū)概況

研究區(qū)為黃河上游李家峽至公伯峽段兩側(cè)山體，包括兩側(cè)各 10km 的緩沖區(qū)，總面積為 2 880km² 。該河段全長 75km ，途徑李家峽、直崗拉卡、康揚(yáng)、公伯峽4個(gè)水電站（見圖1），屬于黃河上游中段。周邊與化隆回族自治縣、尖扎縣、循化撒拉族自治縣接壤，河兩岸分布著眾多居民區(qū)。研究區(qū)地處青藏高原東北部，地形以高原峽谷為主，屬高原大陸性氣候區(qū)，寒冷干燥。夏季溫度在 20% 左右，冬季溫度為 -5～0^°C 。年降水量為 300～400mm ，且主要集中在6—9月。研究區(qū)地質(zhì)構(gòu)造主要由北側(cè)的中祁連山南緣斷裂帶、拉脊山南緣斷裂帶、中部宗務(wù)隆山-青海南山大斷裂帶和西南側(cè)的多福屯斷裂帶4條大斷裂帶和若干條未探明的小斷裂帶組成。巖性主要為第三系西寧群和早中三疊世大連加組，以砂巖、粉砂巖、泥巖為主。這些特征共同構(gòu)成了誘發(fā)滑坡的關(guān)鍵因素

2 評價(jià)因子選擇與分析

根據(jù)InSAR數(shù)據(jù)和遙感解譯結(jié)果，經(jīng)野外地質(zhì)調(diào)查，共計(jì)167處滑坡隱患點(diǎn)。研究區(qū)高程采用 30m 空間分辨率的ASTERGDEM數(shù)據(jù)，其他數(shù)據(jù)包括道路和水系分布矢量數(shù)據(jù)， 1：250 萬地層巖性、斷層數(shù)據(jù)，貴德、化隆、尖扎、循化、同仁5個(gè)氣象站的降水量數(shù)據(jù)，2022年中國 30m 分辨率歸一化植被指數(shù)（NDVI）數(shù)據(jù)，2020年中國土壤類型空間分布數(shù)據(jù)。

2.1 評價(jià)因子選擇與提取

研究區(qū)位于青藏高原峽谷之中，裸地廣泛分布、地質(zhì)災(zāi)害頻發(fā)。本研究在總結(jié)前人對庫區(qū)[18-20]地質(zhì)災(zāi)害影響因子研究的基礎(chǔ)上，結(jié)合研究區(qū)特點(diǎn)，從地形地貌、地質(zhì)條件、水文條件以及人類活動等多個(gè)維度，選取影響滑坡發(fā)生的因子，包括高程（DEM）A、坡度 B 、坡向 c 、巖性 D 、曲率 E 、歸一化植被指數(shù) F 、降水量 G 、土地利用類型 H 距河流距離 距斷層距離 J 距道路距離 K 地形起伏度 L 、地形濕度指數(shù) M 。

為提高數(shù)據(jù)處理效率，采用柵格數(shù)據(jù)開展計(jì)算。矢量數(shù)據(jù)如道路、水系等基于空間插值分析方法進(jìn)行處理，得到柵格數(shù)據(jù)。選用WGS-84大地坐標(biāo)系為參考系，分辨率選擇 30m×30m 。研究區(qū)數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)后，基于自然斷點(diǎn)法對各評價(jià)因子進(jìn)行重分類，將滑坡隱患點(diǎn)提取至各分級單元，用于分析各評價(jià)因子之間的相關(guān)關(guān)系和信息量值。

2.2 相關(guān)性分析

以上選擇的13個(gè)評價(jià)因子之間可能存在相關(guān)關(guān)系，當(dāng)評價(jià)因子間的相關(guān)性過強(qiáng)時(shí)，構(gòu)建機(jī)器學(xué)習(xí)模型的復(fù)雜性增大，極易產(chǎn)生過擬合現(xiàn)象。相關(guān)性分析作為一種統(tǒng)計(jì)方法，主要用于評估兩個(gè)變量間是否存在統(tǒng)計(jì)關(guān)聯(lián)，并量化其關(guān)聯(lián)程度。相關(guān)性分析方法主要有皮爾遜相關(guān)系數(shù)法、肯德爾等級相關(guān)系數(shù)法和斯皮爾曼等級相關(guān)系數(shù)法3種，其中皮爾遜相關(guān)系數(shù)法[21]適用范圍廣，原理簡單易懂，應(yīng)用效果較好。因此，采用皮爾遜相關(guān)系數(shù)法計(jì)算評價(jià)因子間的相關(guān)系數(shù)，計(jì)算公式如下：

式中： x_i，y_i 為評價(jià)因子 i，j 的實(shí)測值， 為實(shí)測值的平均值; r 為相關(guān)系數(shù)， -1?r?1 ， rgt;0 表示評價(jià)因子 i，j 正相關(guān)， rlt;0 表示評價(jià)因子 i，j 負(fù)相關(guān)， r=0 表示評價(jià)因子 i，j 不相關(guān)。

∣r∣ 越大相關(guān)性越強(qiáng)，其中 ∣r∣lt;0.3 為基本不相關(guān)，0.3lt;∣r∣?0.5 為低度相關(guān)， 0.5lt;∣r∣?0.8 為中度相關(guān)，0.8lt;∣r∣?1 為高度相關(guān)。利用SPSS軟件計(jì)算各評價(jià)因子間的皮爾遜相關(guān)系數(shù)，結(jié)果見表1。選取的評價(jià)因子之間的相關(guān)性較弱，大部分評價(jià)因子之間的相關(guān)性處于基本不相關(guān)范圍，只有少數(shù)評價(jià)因子之間的相關(guān)性略高，如DEM與NDVI、坡度與土地利用類型、巖性與地形起伏度等為低度相關(guān)；高程與距河流距離、坡度與地形起伏度為中度相關(guān)。因此，選取的評價(jià)因子之間的相關(guān)性相對較弱，均可以用于滑坡易發(fā)性評價(jià)。

表1皮爾遜相關(guān)系數(shù)

Tab.1 ResultsofPearsonCorrelationCoefficient

3基于信息量法的滑坡負(fù)樣本選擇

3.1 信息量法

信息量法[5]源于信息理論，是一種在環(huán)境地質(zhì)災(zāi)害風(fēng)險(xiǎn)評估領(lǐng)域廣泛應(yīng)用的統(tǒng)計(jì)方法，是用于評估變量與分類結(jié)果之間關(guān)系緊密程度的統(tǒng)計(jì)學(xué)手段，信息量法的計(jì)算公式：

式中： I_i 為因子 i 的信息量值； N_i 為評價(jià)因子在分類區(qū)間內(nèi)出現(xiàn)的滑坡數(shù)量; N 為研究區(qū)內(nèi)滑坡總數(shù)量; S_i 為評價(jià)因子在分類區(qū)間內(nèi)的面積； s 為研究區(qū)總面積；FR 為頻率比。

Igt;0 表示評價(jià)因子與滑坡發(fā)生正相關(guān)， I 值越大，正相關(guān)性越強(qiáng)； Ilt;0 表示評價(jià)因子與滑坡發(fā)生負(fù)相關(guān)， I 值越小，負(fù)相關(guān)性越強(qiáng)； I=0 表示評價(jià)因子與滑坡的發(fā)生不相關(guān)。

3.2 評價(jià)因子統(tǒng)計(jì)分析

基于信息量法計(jì)算公式，計(jì)算各評價(jià)因子在各自分區(qū)上的信息量值，結(jié)果見表2（其中DEM、地形起伏度、距道路距離、距河流距離、距斷層距離分級單位為m ，降水量分級單位為 mm ，坡度分級單位為°，曲率分級單位為 m^-1 ）。

3.3 基于信息量法的滑坡易發(fā)性指數(shù)

將各評價(jià)因子的信息量值進(jìn)行疊加，得到基于信息量法的滑坡易發(fā)性指數(shù)。一般情況下滑坡低易發(fā)性分區(qū)的面積大于高易發(fā)性分區(qū)的。為便于與后續(xù)模型開展對比分析，避免因分級面積差異而造成滑坡數(shù)量關(guān)系的可比性降低，采用分位數(shù)法進(jìn)行滑坡易發(fā)性分區(qū)。將研究區(qū)面積按照易發(fā)性指數(shù)劃分為10份，按照4：2：2：1：1 的面積比劃分出極低、低、中、高、極高

5個(gè)級別的滑坡易發(fā)性分區(qū)，并計(jì)算各個(gè)分區(qū)內(nèi)的滑坡數(shù)量和頻率比，結(jié)果見表3、圖2。可以看出，基于信息量法的滑坡易發(fā)性分區(qū)結(jié)果較為合理，隨著易發(fā)性等級的提高，面積占比減小，但滑坡數(shù)量和頻率比呈現(xiàn)明顯上升趨勢。

表2評價(jià)因子的信息量值

Tab.2 Information Value of Evaluation Factors

3.4 滑坡負(fù)樣本的選擇

確保滑坡負(fù)樣本的低易發(fā)性和隨機(jī)性是機(jī)器學(xué)習(xí)模型建模的重要前提。基于信息量法初步得到了滑坡的易發(fā)性分區(qū)，從其預(yù)測的極低易發(fā)性分區(qū)中隨機(jī)選擇與正樣本數(shù)量相同的點(diǎn)作為后續(xù)機(jī)器學(xué)習(xí)的負(fù)樣本點(diǎn)，同時(shí)在滑坡點(diǎn) 800m 緩沖區(qū)外和坡度小于 3^° 的地本選擇方式對滑坡易發(fā)性評價(jià)結(jié)果的影響。采用不同負(fù)樣本選擇方式得到滑坡負(fù)樣本分布，見圖3。

4基于集成學(xué)習(xí)和考慮滑坡負(fù)樣本的易發(fā)性評價(jià)

4.1 集成學(xué)習(xí)算法

1）決策樹。目前最常用的決策樹算法為分類回歸樹（CART），首先基于訓(xùn)練數(shù)據(jù)集生成決策樹，生成的決策樹要盡量大；然后用驗(yàn)證數(shù)據(jù)集對已生成的樹進(jìn)行剪枝并選擇最優(yōu)子樹，這時(shí)將損失函數(shù)最小作為剪枝的標(biāo)準(zhǔn)。對于分類任務(wù)，一般采用基尼系數(shù)最小化準(zhǔn)則來進(jìn)行特征選擇并生成二叉樹。

2）Bagging算法。Bagging算法是一種并行式集成學(xué)習(xí)算法，通過組合多個(gè)模型來降低泛化誤差進(jìn)而提高模型預(yù)測的準(zhǔn)確率。此次選擇CART決策樹作為Bagging算法的基分類器。Bagging算法分為自助采樣、訓(xùn)練基分類器、模型集成三步。自助采樣：有放回簡單隨機(jī)抽樣，即從一個(gè)包含 m 個(gè)樣本的源數(shù)據(jù)集中隨機(jī)抽取一個(gè)樣本放人樣本集中，再將其復(fù)制后放回源數(shù)據(jù)集中，重復(fù) m 次隨機(jī)抽樣，獲取一個(gè)包含 m 個(gè)樣本的樣本集，重復(fù) n 次，最終得到 n 個(gè)包含 m 個(gè)樣本的樣本集；訓(xùn)練基分類器：對自助采樣的 n 個(gè)樣本集分別訓(xùn)練一個(gè)基分類器，對于決策樹算法就是構(gòu)建 n 個(gè)決策樹模型；模型集成：對于分類任務(wù)，通常采用多數(shù)投票的方式來決定最終分類結(jié)果

3）Boosting算法。Boosting算法是一種串行式集成學(xué)習(xí)算法，核心思想是按順序逐步訓(xùn)練弱學(xué)習(xí)器來構(gòu)建強(qiáng)學(xué)習(xí)器，每個(gè)新的弱學(xué)習(xí)器逐步糾正前一個(gè)模型的錯(cuò)誤。此次選擇CART決策樹作為Boosting算法的基分類器。在模型訓(xùn)練中，為訓(xùn)練集中的每個(gè)樣本分配初始權(quán)重，在初始權(quán)重下，訓(xùn)練第一個(gè)弱分類器如果某個(gè)樣本未被準(zhǔn)確分類，那么在構(gòu)造下一個(gè)訓(xùn)練集時(shí)提高它的權(quán)重，這樣下一個(gè)弱分類器就會重點(diǎn)關(guān)注未被正確分類的樣本，并逐步調(diào)整樣本權(quán)重。各個(gè)弱分類器訓(xùn)練結(jié)束后，加大分類誤差小的弱分類器的權(quán)重，使其在最終分類函數(shù)中起較大的決定作用。

4）隨機(jī)森林（RF）算法。RF算法屬于封裝好的決策樹集成學(xué)習(xí)算法。該算法與Bagging算法存在相似之處，但在自助采樣方面二者有顯著區(qū)別。RF算法的自助采樣過程不僅對樣本進(jìn)行隨機(jī)選取，而且針對樣本的特征實(shí)施隨機(jī)選取，這一獨(dú)特操作極大地提升了模型的多樣性。相比Bagging算法，RF算法通過這種更為全面的隨機(jī)化策略，有效增強(qiáng)了模型應(yīng)對各種數(shù)據(jù)變化的能力，從而展現(xiàn)出更高的穩(wěn)定性。這種穩(wěn)定性使得RF算法在處理復(fù)雜多變的數(shù)據(jù)時(shí)，能夠更為可靠地輸出結(jié)果，在眾多實(shí)際應(yīng)用場景中具有顯著優(yōu)勢。

4.2 不同集成學(xué)習(xí)算法的評價(jià)結(jié)果

CART決策樹作為集成學(xué)習(xí)算法的基分類器，其核心參數(shù)（如最大樹深度、最小葉節(jié)點(diǎn)樣本數(shù)、分裂準(zhǔn)則等）的選擇對后續(xù)模型的精度起著關(guān)鍵作用。本次構(gòu)建模型過程中，最大樹深度選擇為10，并采用剪枝策略構(gòu)建CART決策樹；為提升模型的泛化能力，設(shè)置最小葉節(jié)點(diǎn)樣本數(shù)應(yīng)滿足：父分支樣本數(shù)量占樣本總數(shù)的 6% 以上，子分支樣本數(shù)量占樣本總數(shù)的 3% 以上；此外，將基尼系數(shù)作為模型的分裂準(zhǔn)則。將以上參數(shù)的CART決策樹作為Bagging算法和Boosting算法的基分類器，集成學(xué)習(xí)的投票數(shù)量設(shè)置為15。RF算法也選擇與Bagging算法和Boosting算法相同的參數(shù)?；谝陨夏Ｐ停?jì)算在不同滑坡負(fù)樣本下，各集成學(xué)習(xí)算法的精確率（ Pre） 、召回率（ Rc′ ） F1 分?jǐn)?shù) （F₁） 以及ROC曲線下面積（AUC）4項(xiàng)性能指標(biāo)，結(jié)果見表4。

從緩沖區(qū)負(fù)樣本訓(xùn)練集和測試集的整體情況來看，3種集成學(xué)習(xí)算法在測試集中性能均有所下降，表明模型均出現(xiàn)過擬合現(xiàn)象。究其原因，可能是緩沖區(qū)負(fù)樣本數(shù)據(jù)集具有較強(qiáng)的隨機(jī)性，數(shù)據(jù)中存在過多噪聲，對基分類器產(chǎn)生了較大干擾。集成學(xué)習(xí)算法通過組合多棵決策樹來提升性能，但在面對緩沖區(qū)負(fù)樣本數(shù)據(jù)集時(shí)，這種方式反而導(dǎo)致集成學(xué)習(xí)算法對噪聲的敏感度顯著增強(qiáng)。在模型構(gòu)建過程中，算法可能將噪聲數(shù)據(jù)納人分裂準(zhǔn)則，從而干擾了對真實(shí)數(shù)據(jù)規(guī)律的學(xué)習(xí)，導(dǎo)致模型的泛化能力降低。對訓(xùn)練集的4項(xiàng)性能指標(biāo)進(jìn)一步觀察發(fā)現(xiàn)，由于CART分類樹的精確率較高，因此3種集成學(xué)習(xí)算法對CART分類樹提升效果并不明顯，甚至出現(xiàn)精確率降低的現(xiàn)象。在召回率方面，3種集成學(xué)習(xí)算法對模型性能均有明顯提升效果，其中Bagging算法對模型性能的提升效果較小，Boosting算法和RF算法對模型性能的提升效果較為突出，Boosting算法對模型性能的提升效果最佳。對F1分?jǐn)?shù)來說3種算法的集成效果與召回率類似。對于ROC曲線下面積來說，RF算法對模型性能的提升效果最佳，Boosting算法次之，Bagging算法對模型性能的提升效果一般。綜上，在緩沖區(qū)負(fù)樣本中，Bagging算法對模型性能的提升效果較為一般，Boosting算法和RF算法對模型性能的提升效果較為顯著，且二者差距較小。對比Boosting算法和RF算法在測試集中的表現(xiàn)可以看出，RF算法的4項(xiàng)性能指標(biāo)均高于Boosting算法的。由此可見，在緩沖區(qū)負(fù)樣本中，RF算法對模型性能的提升效果最佳。

從低坡度負(fù)樣本訓(xùn)練集和測試集的整體表現(xiàn)看，3種集成學(xué)習(xí)算法均未出現(xiàn)過擬合現(xiàn)象。進(jìn)一步觀察訓(xùn)練集的4項(xiàng)性能指標(biāo)，Bagging算法對模型性能的提升效果依然較為有限，而Boosting算法展現(xiàn)出較為顯著的性能提升效果，RF算法略微次之。在測試集中同樣如此。綜上，在低坡度負(fù)樣本中，Boosting算法對模型性能的提升效果最佳。

在信息量法負(fù)樣本中，3種集成學(xué)習(xí)算法也未出現(xiàn)過擬合現(xiàn)象。在訓(xùn)練集和測試集中，算法對模型性能提升效果的表現(xiàn)與低坡度負(fù)樣本的情況類似，同樣是Bagging算法對模型性能的提升效果一般，Boosting算法對模型性能的提升效果最好，RF算法次之。綜上，在信息量法負(fù)樣本中，Boosting算法對模型性能的提升效果最佳。

綜上所述，3種集成學(xué)習(xí)算法相比較于基分類器，對模型性能均有明顯提升效果。其中，Bagging算法在3種負(fù)樣本中，對模型性能提升效果相對有限。而Boosting算法和RF算法在3種負(fù)樣本條件下，均對模型性能呈現(xiàn)較為顯著的提升效果。具體而言，在緩沖區(qū)負(fù)樣本中，RF算法對模型性能的提升效果優(yōu)于Boosting算法的。但在低坡度負(fù)樣本和信息量法負(fù)樣本中，Boosting算法對模型性能的提升效果則優(yōu)于RF算法的。總體來看，Boosting算法在不同負(fù)樣本中展現(xiàn)了較好的性能提升效果。究其原因，地形、降水、水文等因子為非線性關(guān)系，3種集成學(xué)習(xí)算法對該類型特征的處理方式不同，導(dǎo)致最終結(jié)果存在差異。Bagging算法僅對滑坡正負(fù)樣本開展了自助采樣，在此過程中，所形成的多個(gè)基分類器在模型構(gòu)建時(shí)選擇的特征大致相同，未能充分考慮多個(gè)因子對滑坡發(fā)生的綜合作用，導(dǎo)致其模型性能提升效果較為一般。RF算法不僅對樣本進(jìn)行了自助采樣，而且對特征進(jìn)行了自助采樣，形成的基分類器能夠選擇多個(gè)特征，充分考慮了多個(gè)因子對滑坡發(fā)生的綜合作用，因此模型性能得到了明顯提升。Boosting算法通過不斷調(diào)整被錯(cuò)誤分類樣本的權(quán)重逐步形成強(qiáng)學(xué)習(xí)器，能夠更好地逼近復(fù)雜決策邊界，充分考慮了特征之間的相互作用關(guān)系，因此其對模型性能的提升效果最為出色。

4.3 基于Boosting算法的滑坡易發(fā)性評價(jià)

采用Boosting算法，針對不同滑坡負(fù)樣本選擇方式構(gòu)建滑坡易發(fā)性評價(jià)模型，并計(jì)算各項(xiàng)性能指標(biāo)，結(jié)果見表5。從表5可知，緩沖區(qū)負(fù)樣本的性能指標(biāo)最小，低坡度和信息量法負(fù)樣本的性能指標(biāo)較大，且兩種負(fù)樣本選擇方式的性能指標(biāo)差距較小，其中低坡度負(fù)樣本選擇方式模型性能稍占優(yōu)勢

由于低坡度負(fù)樣本選擇方式可能極大提升坡度特征的重要性，導(dǎo)致泛化能力下降，因此對這兩種負(fù)樣本選擇方式進(jìn)行評價(jià)因子重要性分析。基于Boosting算法，低坡度負(fù)樣本選擇方式下，坡度、地形起伏度、地形濕度指數(shù)、距河流距離、巖性、DEM、降水量、NDVI、距斷層距離、距道路距離、坡向、曲率、土地利用類型的重要性指數(shù)分別為0.353、0.324、0.229、0.040、0.013、0.012、0.011、0.005、0.003、0.005、0.002、0.002、0.001;信息量法負(fù)樣本選擇方式下，地形濕度指數(shù)、地形起伏度、降水量、DEM、距斷層距離、土地利用類型、NDVI、坡度、巖性、距河流距離、坡向、曲率、距道路距離的重要性指數(shù)分別為0.178、0.157、0.154、0.078、0.077、0.072、0.065、0.063、0.059、0.053、0.033、0.006、0.005。

低坡度負(fù)樣本選擇方式下，坡度、地形起伏度、地形濕度指數(shù)的重要性指數(shù)顯著大于其他評價(jià)因子的。值得注意的是，地形起伏度和地形濕度指數(shù)均是借助坡度計(jì)算得出的。由此可見，低坡度負(fù)樣本選擇方式極大提升了坡度在滑坡分類中的重要程度。若依據(jù)這種方式開展滑坡易發(fā)性評價(jià)，處于特定坡度區(qū)間的山體都將被劃定為高易發(fā)性分區(qū)，而未充分權(quán)衡其他因子對滑坡發(fā)生的影響，這顯然與實(shí)際情況不符。信息量法負(fù)樣本選擇方式下，地形濕度指數(shù)和地形起伏度的重要性指數(shù)雖然均較大，但與其他評價(jià)因子之間的差距并不懸殊，且該方式考慮了大多數(shù)評價(jià)因子，僅曲率和距道路距離的重要性指數(shù)相對較小。由此可以看出，基于Boosting算法，采用信息量法負(fù)樣本選擇方式構(gòu)建的滑坡易發(fā)性評價(jià)模型，能夠綜合考慮更多的評價(jià)因子，對滑坡易發(fā)性分區(qū)更為全面、準(zhǔn)確，

綜合權(quán)衡兩種負(fù)樣本選擇方式，以及評價(jià)因子的重要性指數(shù)，最終確定基于Boosting算法，采用信息量法負(fù)樣本選擇方式構(gòu)建滑坡易發(fā)性評價(jià)模型，對研究區(qū)滑坡易發(fā)性展開評價(jià)，結(jié)果見圖4、表6。從滑坡數(shù)量上看，高、極高滑坡易發(fā)性分區(qū)的滑坡數(shù)量遠(yuǎn)大于極低滑坡易發(fā)性分區(qū)的。從滑坡頻率比看，隨著滑坡易發(fā)性分區(qū)級別的提高，頻率比逐漸增大。高、極高滑坡易發(fā)性分區(qū)主要分布在黃河左岸峽谷地區(qū)和部分黃河右岸峽谷，極低、低滑坡易發(fā)性分區(qū)主要分布在李家峽右岸和黃河流向由南北向轉(zhuǎn)為東西向的右岸高山區(qū)以及公伯峽下游。

5 結(jié)論

以黃河上游李家峽至公伯峽段為研究區(qū)域，探究了不同集成學(xué)習(xí)算法對滑坡易發(fā)性評價(jià)模型性能的提升效果和不同滑坡負(fù)樣本選擇方式對滑坡易發(fā)性評價(jià)結(jié)果的影響。

相較于基分類器CART，3種集成學(xué)習(xí)算法對評價(jià)模型均展現(xiàn)出顯著的性能提升效果。其中，Bagging算法的提升幅度相對有限，而Boosting算法和隨機(jī)森林算法由于充分考量了多個(gè)評價(jià)因子的綜合作用，因此提升效果更為顯著。在這兩者中，Boosting算法由于對評價(jià)因子間相互關(guān)系更為關(guān)注，在處理多特征數(shù)據(jù)的分類預(yù)測任務(wù)時(shí)，表現(xiàn)出更高的適用性，因此對模型性能的提升效果最為突出。緩沖區(qū)負(fù)樣本選擇方式的性能指標(biāo)最小，低坡度和信息量法負(fù)樣本選擇方式的性能指標(biāo)較大，且兩者差距較小。從評價(jià)因子重要性指數(shù)來看，低坡度負(fù)樣本選擇方式夸大了坡度和地形起伏等地形因子的影響，導(dǎo)致模型的可靠性降低；信息量法負(fù)樣本選擇方式各評價(jià)因子之間重要性指數(shù)差距并不懸殊，充分考慮了大多數(shù)評價(jià)因子，模型可靠性更高。

因此，基于Boosting算法，采用信息量法負(fù)樣本選擇方式構(gòu)建滑坡易發(fā)性評價(jià)模型，對研究區(qū)滑坡易發(fā)性展開評價(jià)，結(jié)果表明：高、極高滑坡易發(fā)性分區(qū)主要分布在黃河左岸峽谷地區(qū)和部分黃河右岸峽谷，極低、低滑坡易發(fā)性分區(qū)主要分布在李家峽右岸和黃河流向由南北向轉(zhuǎn)為東西向的右岸高山區(qū)以及公伯峽下游

參考文獻(xiàn)：

[1] 趙淑芬，曾潤強(qiáng)，張宗林，等.黃河上游潛在滑坡早期識別及影響因素[J].山地學(xué)報(bào)，2022，40（2）：249-264.

[2] 古騰飛，段平，王偉鵬，等.滑坡易發(fā)性評價(jià)方法綜述[J].自然災(zāi)害學(xué)報(bào)，2024，33（6）：1-16.

[3]] 蘇志萍，楊成生，王子倩.結(jié)合負(fù)樣本優(yōu)化與機(jī)器學(xué)習(xí)模型的怒江州峽谷段滑坡易發(fā)性評價(jià)[J].地球信息科學(xué)學(xué)報(bào)，2025，27（4）：979-993.

[4] 郭子正，殷坤龍，黃發(fā)明，等.基于滑坡分類和加權(quán)頻率比模型的滑坡易發(fā)性評價(jià)[J].巖石力學(xué)與工程學(xué)報(bào)，2019，38（2） ：287-300.

[5] 王炳亮，裴超，李寶泉，等.基于信息量模型的黑山峽地區(qū)滑坡易發(fā)性風(fēng)險(xiǎn)評價(jià)[J].人民黃河，2025，47（1）：134-140.

[6] 鄭迎凱，陳建國，王成彬，等.確定性系數(shù)與隨機(jī)森林模型在云南芒市滑坡易發(fā)性評價(jià)中的應(yīng)用[J].地質(zhì)科技通報(bào)，2020，39（6）：131-144.

［7］文海家，胡東萍，王桂林.汶川縣地震滑坡易發(fā)性 LR與 NN評價(jià)比較研究[J].土木工程學(xué)報(bào)，2014，47（增刊1）：17-23.

[8]黃發(fā)明，潘李含，姚池，等.基于半監(jiān)督機(jī)器學(xué)習(xí)的滑坡易發(fā)性預(yù)測建模[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2021，55（9） ：1705-1713.

[9]金必晶，曾韜睿，桂蕾，等.考慮未來土地利用動態(tài)情景的滑坡易發(fā)性制圖[J].地球信息科學(xué)學(xué)報(bào)，2024，26（6）：1486-1499.

[10]MIENYE I D，SUN Y.A Survey of Ensemble Learning：Con-cepts，Algorithms，Applications，and Prospects[J]. IEEEAccess，2022，10：99129-99149.

[11]FERREIRA A J，F(xiàn)IGUEIREDO M A T.Boosting Algorithms ：AReview of Methods，Theory，and Applications[J].EnsembleMachine Learning，2012（1） ：35-85.

[12]BARTON M，LENNOX B.Model Stacking to Improve Predic-tion and Variable Importance Robustness for Soft Sensor De-velopment［J].DigitalChemical Engineering，2022，3：100034.

［13］鄔禮揚(yáng)，曾韜睿，劉謝攀，等.基于集成學(xué)習(xí)建模的滑坡易發(fā)性評價(jià)[J].地球科學(xué)，2024，49（10）：3841-3854.

[14]KAVZOGLU T，SAHIN E K，COLKESEN I.Landslide Sus-ceptibility Mapping Using Gis-Based Multi-Criteria DecisionAnalysis，Support Vector Machines，and Logistic Regression[J].Landslides，2014，11（3） ：425-439.

[15]GU Tengfei，LI Jia， WANG Mingguo，et al.Landslide Sus-ceptibility Assessment in Zhenxiong County of China Basedon Geographically Weighted Logistic Regression Model[J].Geocarto International，2022，37（17） ：4952-4973.

[16]HUANG Faming，CAO Zhongshan，JIANG Shuihua，et al.Landslide Susceptibility Prediction Based on a Semi-Super-vised Multiple-Layer Perceptron Model[J]. Landslides，2020，17（12） ：1-12.

［17］周超，甘露露，王悅，等.綜合非滑坡樣本選取指數(shù)與異質(zhì)集成機(jī)器學(xué)習(xí)的區(qū)域滑坡易發(fā)性建模［J].地球信息科學(xué)學(xué)報(bào)，2023，25（8） ：1570-1585.

[18］李明，蔣委君，董佳慧，等.基于機(jī)器學(xué)習(xí)的滑坡災(zāi)害易發(fā)性評價(jià)：以三峽庫區(qū)為例[J].華南地質(zhì)，2023，39（3）：413-427.

[19］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.

[20]石菊松，徐瑞春，石玲，等.基于RS 和GIS 技術(shù)的清江隔河巖庫區(qū)滑坡易發(fā)性評價(jià)與制圖[J].地學(xué)前緣，2007，14（6） ：119-128.

[21]YANG Wei，TAN Shucheng，ZHU Tao，et al.SusceptibilityEvaluation of Slip Avalanche-Slip Geohazards in Xiangyun（Southwest China） Based on IM-LR Coupling[J].NaturalHazards，2024，121（5） ：1-18.

【責(zé)任編輯 呂艷梅】