人民黄河

作者：孟金浩, 孙奔博, 王娟, 黄承芳

单位：1.郑州大学 水利与交通学院，河南 郑州 450001;2.郑州大学 建筑学院，河南 郑州 450001

关键词：滑坡易发性；不完整滑坡数据；随机森林；神经网络；合成少数过采样；黄河上游

基金：<p class=\MsoNormal\>\r\n\t<span>国家重点研发计划项目</span>(2022YFC3004401);<span>河南省重点研发专项（</span><span>221111321100</span><span>）</span>\r\n</p>

滑坡易发性评价是地质灾害防治的重要基础，但滑坡样本数据常存在缺失或不完整的情况，导致机器学习模型难以进行准确可靠的易发性建模。基于随机森林（RF）和人工神经网络（ANN）模型，探讨了不同缺失比例（10%~50%）和区域性缺失条件下，滑坡易发性评价结果的精度变化及易发性分区特征。通过合成少数过采样技术（SMOTE）扩充样本后，进行预测结果对比分析来验证样本扩充的有效性。结果表明：随着样本缺失比例的增大，模型精度逐渐下降，但下降幅度有限，RF与ANN模型在较高等级以上易发区的预测面积最大分别缩小7.0%与5.5%；区域性缺失条件下，精度差异较大，RF与ANN模型在较高等级以上易发区的预测面积最大分别缩小11.1%与11.2%。扩充样本后，精度随扩充比例的增大略有下降。当扩充50%样本时，RF与ANN模型在较高易发区预测面积分别缩小14.0%与19.5%。基于SMOTE策略生成的滑坡样本可用于滑坡数据缺失地区易发性评价建模。

来源：2025年第7期

《人民黄河》期刊编辑部

查看人民黄河杂志2025年第7期