摘要
在山区,滑坡易发性评估对于灾害预防和可持续土地利用规划至关重要。然而,传统的离散化方法往往忽视了影响因素中的阈值效应,而且许多机器学习模型的可解释性仍然有限。本研究构建了一个集成框架,结合ChiMerge离散化方法、证据权重(WOE)转换以及基于树的集成学习技术,用于分析中国四川省九寨沟县的滑坡易发性。通过实地调查和危险记录,共确定了164个滑坡点,同时从多源空间数据集中提取了14个与地形、地质和环境相关的影响因素。对于连续型因素,采用了基于卡方分布的监督式离散化方法ChiMerge来进行离散化处理,该方法能够根据滑坡样本与非滑坡样本的分布情况确定具有统计意义的阈值。随后计算证据权重值,以量化各因素类别与滑坡发生之间的关联程度。研究构建了三种基于证据权重的集成模型:WOE-CatBoost、WOE-LightGBM和WOE-RF,并对它们进行了比较。所有模型的预测性能都很高(AUC大于0.90),其中WOE-CatBoost的表现最佳(AUC为0.9432)。该模型识别出的高易发区和极高风险区覆盖了研究区域的28.59%,但却包含了85.96%的已观测滑坡。高风险区域主要分布在陡峭的山谷、岩性破碎带、侵蚀带以及受工程建设影响的区域,比如道路建设、坡地开垦、旅游基础设施开发以及居民点扩张地带。所提出的框架提升了预测精度和可解释性,为滑坡预防和可持续土地利用管理提供了有力的空间支撑。