基于机器学习的滑坡易发性评价多模型对比与SHAP解释分析

作者：龙 王, 亚明 唐, 永恒 周, 志恒 刘 · 发表于：社会发展与科技创新 · 年份：2026 · DOI：10.64649/yh.shfzykjcx.2026030032

【目的】黄土高原滑坡灾害频发，严重威胁区域安全。传统易发性评价方法难以处理高维非线性因子，机器学习模型虽应用广泛，但存在“黑箱”局限，且多模型对比与可解释性研究尚显不足。【方法】以山西省乡宁县为研究区，选取高程、坡度、坡向、曲率、地形起伏度、地层岩性、河流距、断裂距、道路距、NDVI、土地利用类型11个评价因子，构建支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）、极端梯度提升（XGBoost）四种滑坡易发性评价模型。采用混淆矩阵与ROC曲线对比模型精度，并引入SHAP算法对最优模型进行全局与局部可解释性分析，量化各因子对滑坡发生的贡献程度。【结果】四种模型AUC值分别为0.8984、0.9031、0.9935、0.9999，RF与XGBoost模型性能显著优于SVM和ANN，其中XGBoost综合表现最优。SHAP解释表明，坡度和土地利用类型是研究区滑坡发育的主导控制因子，地表起伏度、地层岩性次之；坡度越大，滑坡发生概率越高。【结论】集成学习模型在黄土滑坡易发性评价中具有更高精度与稳定性，SHAP算法有效增强了模型的可解释性，研究结果可为黄土高原地质灾害防治与风险管理提供科学参考。