王文霞

(北京市地质工程勘察院，北京 100048)

0 引言

滑坡是我国地质灾害中数量最多、发生频率最高的地质灾害。对穿越区域大、暴露度高的线性工程而言，滑坡严重威胁铁路、公路、输电线路、管线等“生命线”工程的正常运行[1]。因此，诸多学者对不同类型的线性工程沿线进行了地质灾害易发性评价。如屈飞行等[1]将InSA形变监测与加权信息量模型进行耦合，构建了川藏联网工程芒康段地质灾害易发性动态评价模型；冼国栋等[2]采用贡献率模型完成了中国石油西南管道沿线的地质灾害滑坡易发性评价；李刚等[3]分析了滑坡对关中环线道路建设和维护的影响。

不同的评价模型对滑坡易发性评价结果有很大影响。目前，常用的滑坡易发性评价模型可分为知识驱动型、数据驱动型和物理模型驱动型[1]。知识驱动型有较强的主观性，物理模型驱动型则需要大量精确的滑坡体力学参数，这在一定程度上限制了这两种方法的应用。实践证明，相较其他两种类型，数据驱动型有着更高的精确性[2]。随着人工智能的发展，机器模型已成为滑坡易发性定量评价最为广泛应用的模型，大量应用实践证明，机器模型的评价结果优于传统数据统计模型[4]。常见的机器学习模型有随机森林模型、决策树模型、支持向量机、贝叶斯模型和神级网络模型等[5-6]，各种模型的优缺点见表1。

表1 常见机器学习模型在滑坡易发性评价中的优缺点对比

根据滑坡评价的基本理论，未来滑坡通常会发生在与已发生过滑坡的相似区域，这与物种生存环境适宜性评价的基本理论相一致。……