基于机器学习的天山雪崩易发区识别
文献类型：期刊论文
| 作者 | 张悦1,2,4; 李雪梅1,2,4; 郝建盛5; 陈国庆3,5; 付晓茜3,5; 唐源隆1,2,4 |
| 刊名 | 山地学报
 |
| 出版日期 | 2025-10-15 |
| 卷号 | 43期号:05页码:763-775 |
| 关键词 | 雪崩 机器学习 易发区 识别 天山 巩乃斯沟 |
| ISSN号 | 1008-2786 |
| DOI | 10.16089/j.cnki.1008-2786.000928 |
| 产权排序 | 4 |
| 英文摘要 | 天山是中国雪崩灾害最活跃的地区之一。早期在交通线路、电网、油气输送管网以及旅游区选线选址等总体规划过程中，未能有效规避雪崩易发区域，导致天山地区既有基础设施长期暴露于雪崩高风险环境中。伴随该区域社会经济的迅猛发展，山区基础设施建设需求持续攀升，精准划定雪崩易发范围并实施空间规避已成为亟待破解的关键难题。然而，当前尚缺乏适用于天山大陆性气候区的雪崩(降雪偏少、霜晶层发育、雪崩多由降雪荷载或气温骤升触发)易发区识别方法。本研究以天山西部雪崩高发区——巩乃斯沟为靶区，构建基于机器学习的天山雪崩易发区识别模型。首先，融合观测站点数据、现场调查结果与遥感解译信息，综合识别94处历史雪崩，建立雪崩及孕灾环境高分辨率数据集;利用方差膨胀因子(Variance Inflation Factor,VIF)与容忍度(Tolerance,TOL)筛选关键评价因子;采用支持向量机(Support Vector Machine,SVM)、多层感知器(Multilayer Perceptron,MLP)、随机森林(Random Forest,RF)和逻辑回归(Logistic Regression,LR)四种算法构建识别模型，完成区域易发性制图;通过准确率、召回率、F1分数及ROC(Receiver Operating Characteristic )曲线对模型性能进行系统评估。结果表明，SVM模型表现最优，F1分数达0.93,AUC值达0.98，显著优于其他算法。本研究提出的SVM雪崩易发区识别模型可直接输出高精度易发性分布图，为天山区国土空间规划、交通选线、油气管网布设等提供即时决策支持，对提升天山大陆性气候区雪崩灾害风险防控水平具有重要现实意义。 |
| URL标识 | 查看原文 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/219556]  |
| 专题 | 陆地表层格局与模拟院重点实验室_中文论文 |
| 通讯作者 | 李雪梅 |
| 作者单位 | 1.兰州交通大学甘肃省地理国情监测工程实验室; 2.兰州交通大学测绘与地理信息学院; 3.中国科学院大学资源与环境学院 4.兰州交通大学地理国情监测技术应用国家地方联合工程研究中心; 5.中国科学院地理科学与资源研究所中国科学院陆地表层格局与模拟重点实验室; |
| 推荐引用方式 GB/T 7714 | 张悦,李雪梅,郝建盛,等. 基于机器学习的天山雪崩易发区识别[J]. 山地学报,2025,43(05):763-775. |
| APA | 张悦,李雪梅,郝建盛,陈国庆,付晓茜,&唐源隆.(2025).基于机器学习的天山雪崩易发区识别.山地学报,43(05),763-775. |
| MLA | 张悦,et al."基于机器学习的天山雪崩易发区识别".山地学报 43.05(2025):763-775. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。