GIS and Machine Learning Framework for Landslide Susceptibility Mapping: A Raster-Based Approach

方法

用30米DEM地形变量、NDVI、土壤等，比较RF、SVM、CatBoost等模

发现

加入全部变量后CatBoost最优，F1=0.886，AUC=0.956，优于仅地形变量。

机会点

可迁移到农业区滑坡风险评估，结合多时相遥感与作物分布，服务山区耕地安全与规划。

传统的滑坡易发性模型通常依赖统计方法，并应用于有限的点位样本，这可能限制预测的空间连续性。本研究提出了一种集成GIS、基于像素的机器学习方法，直接对栅格数据进行操作，以生成连续的滑坡易发性图。该方法在卢旺达实施，工作流程使用源自30 m分辨率数字高程模型（DEM）的变量，包括坡度、坡向、高程和曲率，并结合NDVI、土壤类型以及距水文和基础设施要素的距离等辅助环境数据。研究评估了多种机器学习算法，包括随机森林、支持向量机、逻辑回归和集成方法。仅使用地形变量时，堆叠集成（Stacked Ensemble）取得了最高性能（F1分数 = 0.8515；ROC-AUC = 0.9200）。当纳入所有预测变量时，CatBoost取得了最高性能（F1分数 = 0.8860；ROC-AUC = 0.9564）。这种可扩展的方法特别适用于数据稀缺地区的滑坡易发性评估，并可为卢旺达及类似地区的空间规划和风险降低工作提供支持。