Machine-learning modelling of regional landslide susceptibility in eThekwini, South Africa
Cher Petersen · Paidamwoyo Mhangara · Laven Naidoo 等 4 人
用随机森林与支持向量机评估南非eThekwini地区滑坡易发性并分析住房风险。
随机森林、支持向量机结合地理空间工具与NDVI、岩性等触发因子。
土地利用、高程、NDVI和岩性最关键；RF精度99.45%略高于SVM，非正式住房更易受灾。
可探索将滑坡易发性模型与农业土地利用规划结合，评估农田与乡村道路的灾害风险。
南非城市滑坡易发性机器学习研究，属地质遥感领域，与三农、农业信息化、智慧农业无直接关联，不建议进入每日精选。
滑坡的发生，尤其是在城市景观中，因其对基础设施的破坏性影响，导致人员伤亡、流离失所和经济损失，已引起广泛的研究关注。本研究旨在考察南非夸祖鲁-纳塔尔省eThekwini大都市自治市范围内滑坡事件的发生概率及滑坡易发区域。为实现这一目标，本研究在分析中采用了稳健的机器学习模型，包括随机森林（Random Forest, RF）和支持向量机（Support Vector Machines, SVM），并结合地理空间工具和关键滑坡触发因子，基于多种精心选取的阈值，按照从极低到极高的易发性指数进行了表征。结果表明，土地利用、海拔、归一化植被指数（NDVI）和岩性是重要的滑坡影响因素。相比之下，耕地和建成区等土地利用参数与高易发性区域相关。此外，RF的总体精度得分略高于SVM，分别为99.45%和98.63%。研究进一步基于正式住房和非正式住房类型的空间分布对SVM易发性输出进行了分析。结果证实，每种住房类型仅有一小部分位于高易发性区域内，正式住房和非正式住房分别为1.33%和2.41%。尽管SVM是最强的模型之一，但RF在滑坡易发性建模中表现出更高的精度。此外，其召回率得分略高于精确率得分，被认为最适合用于识别滑坡易发区域。研究提示，人为工程土地利用活动，如道路和房地产开发，对eThekwini地区滑坡易发性的增加具有显著贡献。