文章摘要:机器学习广泛应用于区域滑坡易发性评价中。传统研究通常采用GIS随机生成的方法来获取安全点，但此类方法具有较大的随意性，使机器学习预测的结果精度不高，拟合性较差。此外之前的研究中区域面积选取的过小，致使降雨量在区域内差异不明显，导致训练对其不敏感，隐形的忽视了降雨量致灾因子。鉴于此，通过选取3.4万平方公里的渝东北区域为研究区，引入熵指数（IOE）-随机森林（RF）耦合的评价模型，该模型通过客观的计算每类影响因子的概率密度和熵权指数形成熵权表，进而生成滑坡易发性分区图，从低易发区中选取安全点，确保为非滑坡单元，降低了随机性的同时提升了合理性与准确性，将选取的安全点与该地区581个滑坡点作为训练集与选取的坡度、坡向、地形地貌、岩性、距公路距离、距河流距离、距断层距离、NDVI、降雨量共9项影响因子导入随机森林算法中，再基于GIS平台得到渝东北地区滑坡易发性分区图，实现对该地区的滑坡灾害易发性评价。结果表明：IOE-RF模型比单一RF模型精度提高约8%，证明IOE-RF模型可适用于渝东北或类似大面积研究区滑坡易发性评价。本研究可为当地滑坡灾害预防与治理提供辅助决策依据。

文章关键词:

论文分类号:P642.22