学术研究报告：基于LMT、RF和CART模型的滑坡敏感性空间预测对比研究

作者及发表信息
本研究由Wei Chen（西安科技大学地质与环境学院）、Xiaoshen Xie、Jiale Wang、Biswajeet Pradhan（马来西亚普特拉大学土木工程学院及韩国世宗大学能源与矿产资源工程系）、Haoyuan Hong（江西省气象台，通讯作者）等合作完成，发表于期刊《Catena》2017年第151卷（147–160页），DOI:10.1016/j.catena.2016.11.032。

学术背景
滑坡是全球常见的地质灾害之一，每年造成巨大的人员伤亡和经济损失。中国多地受滑坡影响严重，亟需通过预测潜在滑坡区域来降低风险。传统统计模型（如逻辑回归、层次分析法）与机器学习方法（如神经网络、支持向量机）在滑坡敏感性制图中已有应用，但Logistic模型树（Logistic Model Tree, LMT）、随机森林（Random Forest, RF）和分类回归树（Classification and Regression Tree, CART）等先进算法的性能对比研究仍较缺乏。本研究以中国陕西省陇县为案例区，旨在评估这三种模型在滑坡敏感性空间预测中的表现，为灾害防控提供科学工具。

研究流程与方法
1. 数据准备与滑坡编录
- 研究区域：陇县（34°35′–35°6′N，106°26′–107°8′E），面积约2467 km²，属暖温带季风气候，年均降雨600 mm，地质构造复杂，以黄土、泥岩为主。
- 滑坡编录：通过历史记录、航片解译和实地调查，识别171处滑坡点，最小体积120 m³，最大超4000万m³，总经济损失约1230万美元。滑坡点随机分为训练集（70%，120处）和验证集（30%，51处），并匹配513个非滑坡点（比例3:1）。

1. 滑坡影响因子提取
   基于30m分辨率DEM、Landsat-8影像和地质资料，提取12项因子：

   • 地形因子：坡度、坡向、平面曲率（Plan Curvature）、剖面曲率（Profile Curvature）、海拔。
     
   • 环境因子：归一化植被指数（NDVI）、土地利用、距断层距离、距道路距离、距河流距离。
     
   • 地质与气候因子：岩性、年均降雨量。
     所有因子通过ArcGIS 10.0转换为30m栅格，并通过线性支持向量机（LSVM）评估其预测能力，结果显示海拔（AM=11.40）和距河流距离（AM=11.10）最具影响力。
     

2. 模型构建与训练

   • LMT模型：结合决策树与逻辑回归，采用LogitBoost算法和10折交叉验证，生成树节点后验概率。
     
   • RF模型：通过200棵决策树（NumTrees参数优化确定）和袋外误差评估变量重要性。
     
   • CART模型：递归分区生成分类树，以基尼系数为分裂标准。
     

3. 模型验证与比较

   • 评估指标：受试者工作特征曲线（ROC）下面积（AUC）、预测准确率（ACC）。
     
   • 统计检验：Wilcoxon符号秩检验比较模型差异显著性。
     

主要结果
1. 模型性能排序：RF模型表现最优，训练集AUC=0.837（ACC=0.772），验证集AUC=0.781（ACC=0.795）；LMT次之（训练AUC=0.826），CART稍逊（训练AUC=0.773）。
2. 敏感性分区：RF模型将研究区分为极低（46.05%）、低（18.73%）、中（16.02%）、高（13.01%）和极高风险区（6.55%），与实际滑坡分布吻合度高。
3. 因子贡献：海拔与距河流距离是主导因子，与滑坡多发于海拔<1200m且临近河流的区域一致。

结论与价值
1. 科学价值：首次系统对比LMT、RF和CART在滑坡预测中的性能，证实RF模型在复杂地形区的优越性，为机器学习在地质灾害中的应用提供新证据。
2. 应用价值：生成的滑坡敏感性图可指导陇县土地利用规划和灾害防控，模型框架可推广至其他类似地区。

研究亮点
1. 方法创新：引入LSVM筛选因子，提升模型效率；采用Wilcoxon检验量化模型差异。
2. 数据全面性：整合多源数据（遥感、地质、气象），涵盖自然与人为影响因子。
3. 可重复性：公开工作流程与参数设置（如RF的NumTrees=200），便于后续研究复现。

其他发现
- 滑坡与人类活动（如道路建设）关联显著，距道路500m内滑坡概率提升1.875倍（频率比分析）。
- 降雨量630–650mm/yr区域滑坡风险较高，与雨季（5–9月）降水集中特性一致。

（注：全文术语首次出现时标注英文，如“平面曲率（Plan Curvature）”，后续直接使用中文表述。）