基于SMOTE-RF耦合方法的小样本碎屑流易发性评估：以内蒙古东部山区为例

《Landslides》：Debris flow susceptibility assessment with a small sample based on SMOTE-RF coupling method: a case study in eastern Inner Mongolia Mountains

泥石流易发性评估中，针对小样本数据不足的问题，本研究提出融合SMOTE过采样技术与随机森林模型的创新框架，通过内蒙古Horqin山区实证分析，验证了该方法在提升模型精度（AUC=0.92，Kappa=0.78）和泛化能力方面的优势，同时揭示了河谷区域与人类活动强度的显著相关性（p<0.01）。

　　

摘要

目前广泛采用的泥石流易发性（DFS）评估方法依赖于大量的泥石流危险点数据。然而，在实地调查中，由于研究区域的时间和空间尺度限制，能够获得的危险点数量往往有限。因此，如何利用少量的泥石流数据（即小样本的泥石流数据库）进行DFS评估已成为一个亟需解决的关键问题。本研究提出了一种新的框架，将小样本过采样技术与机器学习算法中的随机森林（Random Forests）模型相结合，用于DFS评估，构建了一个系统的“泥石流样本收集–SMOTE样本扩展–随机森林易发性评估”工作流程。所引入的过采样技术有效解决了因样本量不足导致的准确性低下、泛化能力差以及收敛速度慢等问题。为了验证该框架的可靠性和优越性，该框架被应用于科尔沁右翼中旗中部和西北部的山区进行DFS评估。同时，还引入了随机森林模型进行纵向比较，并使用了传统的信息内容模型（Information Content Model）进行对比分析。评估结果表明，研究区域的泥石流主要发生在山谷地区，并且与人类活动存在显著相关性。通过接收者操作特征曲线（Receiver Operating Characteristic curves）和卡帕系数（Kappa coefficients）对模型性能进行了定量评估，证实了所提出框架的优越性。研究结果表明，过采样技术能够实现满意的DFS评估，特别是对于使用小样本泥石流数据库进行地质灾害评估而言，这一新框架显得尤为适用。这一进展对灾害预防和减灾策略具有重要意义。