基于机器学习和多源数据融合的快速城市化山区区域地质灾害风险评估

《Scientific Reports》：Harnessing machine learning and multi-source data fusion for regional geohazard risk assessment of a rapidly urbanizing mountainous region

　　

摘要

山区地区快速城市化往往加剧了工程活动与地质环境之间的冲突。四川东南部研究区正因城市化加速而面临日益加剧的地质灾害风险。为量化这一冲突，我们构建了一套集成的灾害–脆弱性–风险评估工作流。利用九个条件因子和三个模型——信息值法（IV）、层次分析法（AHP）和随机森林（RF）——对灾害易发性进行建模，同时基于四个社会经济指标，运用博弈论赋权方法对脆弱性进行制图分析。结果表明，RF模型判别能力最佳（AUC = 0.936），显著优于AHP（AUC = 0.798）和IV（AUC = 0.865）。基于RF的高灾害等级区域覆盖了36.79%的面积，并捕获了94.73%的历史灾害点。人口密度和道路密度是脆弱性的主要贡献因素，权重分别为0.351和0.324，高和极高脆弱性区域占研究区的21.13%。高和极高风险区域仅占研究区的8.07%，其中高风险区域占4.72%，极高风险区域占3.35%，主要集中在沿河城市化带以及人口和基础设施密集的区域。这些结果为快速城市化山区的针对性监测、空间规划和地质灾害风险管理提供了依据。