61 / 2025-05-06 19:43:15

基于间谍技术的集成学习模型泥石流易发性研究——以岷江上游流域为例

泥石流易发性；集成学习；间谍技术；岷江上游流域；机器学习

泥石流作为一种由强降雨或冰雪融化引发的高浓度非均质流体，具有复杂的形成和运动过程。研究泥石流的易发性评价对灾害预警和防治具有重要意义。传统方法难以准确预测泥石流的发生，因此近年来机器学习算法在该领域的应用逐渐增多。本文基于RF和XGBoost模型，并通过Stacking集成学习方法，构建了泥石流易发性评估模型，并引入间谍技术（SPY）优化负样本选择。研究结果表明，SPY-RF模型在各个风险等级中均表现优异，特别是在极高易发区的泥石流密度最高，其AUC值达0.93，显著高于原RF模型的0.82。此外，SPY-XGBoost模型的AUC值为0.87，同样优于原始XGBoost模型的0.72。这表明SPY技术能够提高模型的预测准确性和可靠性，特别是在减少非易发区域误判方面效果显著；相比之下，Stacking-RF和Stacking-XGBoost模型由于基学习器特征相关性较高，未能进一步提升预测性能，AUC值分别为0.80和0.71；因子贡献率分析显示，SPI、降雨、曲率和流域面积是影响泥石流易发性的主要因素，其中水流强度指数(Stream Power Index, SPI)贡献率最大，反映了水流强度在泥石流形成中的关键作用。本文的研究证明了SPY技术与集成学习相结合的优势，同时，也探讨了Stacking模型在泥石流预测中的局限性，为未来研究如何优化模型多样性和提升预测性能提供了重要的参考方向。