摘要
气候变化背景下我国青海、甘肃等西北地区的地质灾害增加趋势明显。青海省黄湟谷地是地质灾害高发区，也是青海主要的居民聚居区，对该地区高精度的地质灾害易发单元识别，是高效开展地质灾害防治的基础与关键。 本文通过地质灾害影响因素数据、地质灾害隐患点数据，建立以斜坡单元为基本评价单元的地质灾害易发单元数据集，基于机器学习BP神经网络模型与Bagging模型，对青海黄湟谷地的地质灾害易发单元进行识别研究。主要结论如下: (1)建立了以斜坡单元为基本评价单元的黄湟谷地区域地质灾害易发单元数据集。本文根据地质灾害易发单元识别评估的需求，考虑不同影响因素对地质灾害易发性的影响，选取了降水量、坡度、地形起伏度、距断裂带距离、岩性等13个影响因素作为参数;采用GIS水文分析工具对黄湟谷地进行斜坡单元划分，采用斜坡单元作为地质灾害易发性识别的基本单元，结合已查明的760个地质灾害隐患单元，建立了黄湟谷地区域共54272个斜坡单元的地质灾害易发单元样本数据集。 (2)针对地质灾害易发单元样本的不平衡，构建了基于BP神经网络模型的地质灾害易发单元识别方法。地质灾害易发单元识别样本数据集中存在着易发单元与非易发单元数量高度不平衡的问题，本文采用混合采样的方法进行了改善，利用BP模型对区域内混合采样后的斜坡单元进行了预测分类，模型对易发单元的识别准确率达到了86.6％,模型总体准确率达到了81.1％，AUC值为0.905，实现了性能较佳的分类效果。 (3)采用Bagging集成学习方法，实现对黄湟谷地区域的地质灾害易发单元高准确率识别。为了增强识别模型的泛化能力与稳定性，以BP神经网络模型作为基模型，建立基于Bagging模型的地质灾害易发单元识别方法。Bagging模型对黄湟谷地区域易发单元的识别准确率达到了94.5％,总体准确率为89.2％,AUC值为0.945,精度明显优于传统多元Logistic回归统计模型(其易发单元识别准确率为87.8％,总体准确率为73.9％)，在另一区域Bagging模型的易发单元识别准确率为90.6％,总体准确率为90.9％,AUC值为0.926。因此，Bagging机器学习模型在地质灾害易发单元识别上，数据挖掘能力更强，有效改善BP弱学习模型的泛化能力弱、过拟合问题。 本文以斜坡单元为基本评价单元，构建了基于BP神经网络与Bagging算法的青海黄湟谷地地质灾害易发单元识别模型，准确率较高，为青海地质灾害防治工作提供技术支持，具有较强的现实意义。
NETL