岷江上游汶川地震前后泥石流易发性评价

P642.23; 科学准确地绘制泥石流易发性区划图以及确定主控因子及其贡献率,是区域泥石流预警预报和风险管理的重要基础.文章以岷江上游为研究区,以小流域为评价单元,分别采用了 5种机器学习模型构建了泥石流易发性评价模型,对汶川大地震前、后岷江上游泥石流易发性和评价因子贡献率进行了定量分析.结果表明:(1)集成机器学习模型的预测精度及受试者工作特征曲线下面积值均高于浅层机器学习模型,其中随机森林模型在地震前、后泥石流易发性评价中表现最优;(2)震前、震后泥石流发生率均随易发性等级的提高逐渐增大,且等级越高增量越大,各等级震后泥石流发生率均高于震前;(3)地震前、后侵蚀传递系数的贡献率均显著高于其...

Full description

Saved in:
Bibliographic Details
Published in中国地质灾害与防治学报 Vol. 35; no. 1; pp. 51 - 59
Main Authors 赵佳忆, 田述军, 李凯, 侯鹏鹂
Format Journal Article
LanguageChinese
Published 西南科技大学土木工程与建筑学院,四川绵阳 621010 2024
Subjects
易发性
岷江上游
susceptibility
泥石流
机器学习
the Wenchuan earthquake
debris flow
upper reaches of the Minjiang River
汶川大地震
machine learning
Online AccessGet full text
ISSN1003-8035
DOI10.16031/j.cnki.issn.1003-8035.202306035

Cover

More Information
Summary:P642.23; 科学准确地绘制泥石流易发性区划图以及确定主控因子及其贡献率,是区域泥石流预警预报和风险管理的重要基础.文章以岷江上游为研究区,以小流域为评价单元,分别采用了 5种机器学习模型构建了泥石流易发性评价模型,对汶川大地震前、后岷江上游泥石流易发性和评价因子贡献率进行了定量分析.结果表明:(1)集成机器学习模型的预测精度及受试者工作特征曲线下面积值均高于浅层机器学习模型,其中随机森林模型在地震前、后泥石流易发性评价中表现最优;(2)震前、震后泥石流发生率均随易发性等级的提高逐渐增大,且等级越高增量越大,各等级震后泥石流发生率均高于震前;(3)地震前、后侵蚀传递系数的贡献率均显著高于其他因子,与汶川大地震地震烈度空间分布特征叠加,加大了震后干流和支流泥石流由下游向上游发育程度逐渐降低的空间分布规律.
ISSN:1003-8035
DOI:10.16031/j.cnki.issn.1003-8035.202306035