Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation

GUO Fei; WU Di; GE Minrong; DONG Jinlong; FANG Hao; TIAN Dongfang

doi:10.13203/j.whugis20230413

您当前的位置：

首页 >

文章列表页 >

Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation

更新时间：2026-11-05

- Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 2, Pages: 236-248(2026)
- 作者机构：
  
  1.三峡库区地质灾害教育部重点实验室，湖北宜昌，443002
  2.三峡大学土木与建筑学院，湖北宜昌，443002
  3.浙江省工程勘察设计院集团有限公司，浙江宁波，315001
  4.北京京岩工程有限公司，北京，100028
  5.中国地质环境监测院，北京，100081
  6.北京师范大学国家安全与应急管理学院，北京，100875
  7.三峡大学水利与环境学院，湖北宜昌，443002
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20230413
  CLC： P237
- Received：11 March 2024，
  
  Published：05 February 2026
- 稿件说明：
移动端阅览
郭飞,吴迪,葛民荣，等.连续变量因子分级和机器学习模型对滑坡易发性评价精度的影响[J].武汉大学学报（信息科学版）,2026,51(2):236-248.

GUO Fei,WU Di,GE Minrong,et al.Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation[J].Geomatics and Information Science of Wuhan University,2026,51(2):236-248.
郭飞,吴迪,葛民荣，等.连续变量因子分级和机器学习模型对滑坡易发性评价精度的影响[J].武汉大学学报（信息科学版）,2026,51(2):236-248. DOI：10.13203/j.whugis20230413

GUO Fei,WU Di,GE Minrong,et al.Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation[J].Geomatics and Information Science of Wuhan University,2026,51(2):236-248. DOI：10.13203/j.whugis20230413

摘要

滑坡易发性评价建模中环境因子分级区间和机器学习模型对建模结果的影响不容忽视。为探究这两种因素对滑坡易发性评价结果的影响规律，基于主客观赋权法通过对环境因子进行赋权以构建评价指标体系，再利用地理探测器探究不同连续变量因子分级对滑坡易发性评价结果精度的影响规律，进而分别采用随机森林模型、梯度极限提升模型和遗传算法优化的神经网络模型开展滑坡易发性研究。结果表明：通过地理探测器得到的与灾害关联度最高的分区组合计算出的最大曲线下面积值为0.886，说明该方法可以得到最优的分级区间，且能有效提高易发性评价结果的精度；在易发性评价结果中，随机森林模型最优，较梯度极限提升模型和遗传算法优化的神经网络模型精度分别提高了9.7%和9.6%。基于地理探测器的环境因子最优分级区间是合理的，且随机森林模型作为滑坡易发性评价模型是高效准确的。

Abstract

Objectives

The influence of environmental factor classification interval and machine learning model on modeling results in landslide susceptibility evaluation modeling cannot be ignored. In order to explore the influence of these two factors on the evaluation results of landslide susceptibility.

Methods

The evaluation index system is constructed by weighting the environmental factors based on the subjective and objective weighting method

and then the influence of different continuous variable factor classifications on the accuracy of landslide susceptibility evaluation results is explored by using the GeoDetector. Then

the random forest model

the gradient boosting model and the neural network model optimized by genetic algorithm are used to study the landslide susceptibility.

Results

The results show that: the maximum area under curve value calculated by the partition combination with the highest correlation degree with the disaster obtained by the GeoDetector is 0.886.This finding indicates that the method can obtain the optimal classification interval and can effectively improve the accuracy of the susceptibility evaluation results. In the evaluation of susceptibility

the random forest model has been demonstrated to be the most effective

with a 9.7% and 9.6% increase over the gradient limit lifting model and the neural network model optimised by genetic algorithm

respectively.

Conclusions

The optimal classification interval of environmental factors

as determined by GeoDetector

is reasonable

and the random forest model is both efficient and accurate in its evaluation of landslide susceptibility.

关键词

Keywords

references

PETLEY D . Global Patterns of Loss of Life from Landslides ［J］. Geology ， 2012 ， 40 （ 10 ）： 927 - 930 .

徐胜华，刘纪平，王想红，等 . 熵指数融入支持向量机的滑坡灾害易发性评价方法：以陕西省为例［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 8 ）： 1214 - 1222 .

XU Shenghua ， LIU Jiping ， WANG Xianghong ， et al . Landslide Susceptibility Assessment Method Incorporating Index of Entropy Based on Support Vector Machine： A Case Study of Shaanxi Province ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 8 ）： 1214 - 1222 .

CHEN Y ， DONG J L ， GUO F ， et al . Review of Landslide Susceptibility Assessment Based on Knowledge Mapping ［J］. Stochastic Environmental Research and Risk Assessment ， 2022 ， 36 （ 9 ）： 2399 - 2417 .

闫举生，谭建民 . 基于不同因子分级法的滑坡易发性评价：以湖北远安县为例［J］. 中国地质灾害与防治学报， 2019 ， 30 （ 1 ）： 52 - 60 .

YAN Jusheng ， TAN Jianmin . Landslide Susceptibility Assessment Based on Different Factor Classification Methods—A Case Study in Yuan’an County of Hubei Province ［J］. The Chinese Journal of Geological Hazard and Control ， 2019 ， 30 （ 1 ）： 52 - 60 .

李萍，叶辉，谈树成 . 基于层次分析法的永德县地质灾害易发性评价［J］. 水土保持研究， 2021 ， 28 （ 5 ）： 394 - 399 .

LI Ping ， YE Hui ， TAN Shucheng . Evaluation of Geological Hazards in Yongde County Based on Analytic Hierarchy Process ［J］. Research of Soil and Water Conservation ， 2021 ， 28 （ 5 ）： 394 - 399 .

连志鹏，徐勇，付圣，等 . 采用多模型融合方法评价滑坡灾害易发性：以湖北省五峰县为例［J］. 地质科技通报， 2020 ， 39 （ 3 ）： 178 - 186 .

LIAN Zhipeng ， XU Yong ， FU Sheng ， et al . Landslide Susceptibility Assessment Based on Multi-Model Fusion Method： A Case Study in Wufeng County， Hubei Province ［J］. Bulletin of Geological Science and Technology ， 2020 ， 39 （ 3 ）： 178 - 186 .

吴辰文，梁靖涵，王伟，等 . 基于递归特征消除方法的随机森林算法［J］. 统计与决策， 2017 ， 33 （ 21 ）： 60 - 63 .

WU Chenwen ， LIANG Jinghan ， WANG Wei ， et al . Random Forest Algorithm Based on Recursive Feature Elimination ［J］. Statistics & Decision ， 2017 ， 33 （ 21 ）： 60 - 63 .

游士兵，严研 . 逐步回归分析法及其应用［J］. 统计与决策， 2017 ， 33 （ 14 ）： 31 - 35 .

YOU Shibing ， YAN Yan . Stepwise Regression Analysis and Its Application ［J］. Statistics & Decision ， 2017 ， 33 （ 14 ）： 31 - 35 .

LUO W ， LIU C C . Innovative Landslide Susceptibility Mapping Supported by Geomorphon and Geographical Detector Methods ［J］. Landslides ， 2018 ， 15 （ 3 ）： 465 - 474 .

刘婷，谭建民，郭飞，等 . 人工切坡下滑坡易发性评价中权重修正方法研究：以赣州市沙地镇为例［J］. 自然灾害学报， 2021 ， 30 （ 5 ）： 217 - 225 .

LIU Ting ， TAN Jianmin ， GUO Fei ， et al . Research on the Method of Weight Correction for Landslide Susceptibility with Artificial Cutting Slope： A Case Study of Shadi Town， Ganzhou City ［J］. Journal of Natural Disasters ， 2021 ， 30 （ 5 ）： 217 - 225 .

CHANG M ， ZHOU Y ， ZHOU C ， et al . Coseismic Landslides Induced by the 2018 Mw 6.6 Iburi， Japan， Earthquake： Spatial Distribution， Key Factors Weight， and Susceptibility Regionalization ［J］. Landslides ， 2021 ， 18 （ 2 ）： 755 - 772 .

HUANG F M ， YE Z ， JIANG S H ， et al . Uncertainty Study of Landslide Susceptibility Prediction Considering the Different Attribute Interval Numbers of Environmental Factors and Different Data-Based Models ［J］. CATENA ， 2021 ， 202 ： 105250 .

凌晓，刘甲美，王涛，等 . 基于致灾因子对称法分级的信息量模型在地震滑坡危险性评价中的应用［J］. 国土资源遥感， 2021 ， 33 （ 2 ）： 172 - 181 .

LING Xiao ， LIU Jiamei ， WANG Tao ， et al . Application of Information Value Model Based on Symmetrical Factors Classification Method in Landslide Hazard Assessment ［J］. Remote Sensing for Land & Resources ， 2021 ， 33 （ 2 ）： 172 - 181 .

孙德亮，马祥龙，唐小娅，等 . 基于不同因子分级的滑坡易发性区划对比：以万州区为例［J］. 重庆师范大学学报（自然科学版）， 2021 ， 38 （ 5 ）： 43 - 54 .

SUN Deliang ， MA Xianglong ， TANG Xiaoya ， et al . Comparison of Landslide Susceptibility Mapping Based on Different Factor Classifications： Taking Wanzhou District as an Example ［J］. Journal of Chongqing Normal University （Natural Science）， 2021 ， 38 （ 5 ）： 43 - 54 .

孙德亮 . 基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究［D］. 上海：华东师范大学， 2019 .

SUN Deliang . Landslide Susceptibility Zoning and Rainfall-Induced Landslide Prediction and Early Warning Based on Machine Learning ［D］. Shanghai ： East China Normal University ， 2019 .

YOUSSEF A M ， PRADHAN B ， DIKSHIT A ， et al . Landslide Susceptibility Mapping Using CNN-1D and 2D Deep Learning Algorithms： Comparison of Their Performance at Asir Region， KSA ［J］. Bulletin of Engineering Geology and the Environment ， 2022 ， 81 （ 4 ）： 165 - 176 .

赵占骜，王继周，毛曦，等 . 多维CNN耦合的滑坡易发性评价方法［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 8 ）： 1466 - 1481 .

ZHAO Zhan’ao ， WANG Jizhou ， MAO Xi ， et al . A Multi-dimensional CNN Coupled Landslide Susceptibility Assessment Method ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 8 ）： 1466 - 1481 .

陈涛，钟子颖，牛瑞卿，等 . 利用深度信念网络进行滑坡易发性评价［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 11 ）： 1809 - 1817 .

CHEN Tao ， ZHONG Ziying ， NIU Ruiqing ， et al . Mapping Landslide Susceptibility Based on Deep Belief Network ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 11 ）： 1809 - 1817 .

郭飞，王秀娟，陈玺，等 . 基于不同模型的赣南地区小型削方滑坡易发性评价对比分析［J］. 中国地质灾害与防治学报， 2022 ， 33 （ 6 ）： 125 - 133 .

GUO Fei ， WANG Xiujuan ， CHEN Xi ， et al . Comparative Analyses on Susceptibility of Cutting Slope Landslides in Southern Jiangxi Using Different Models ［J］. The Chinese Journal of Geological Hazard and Control ， 2022 ， 33 （ 6 ）： 125 - 133 .

黄发明，李金凤，王俊宇，等 . 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律［J］. 地质科技通报， 2022 ， 41 （ 2 ）： 44 - 59 .

HUANG Faming ， LI Jinfeng ， WANG Junyu ， et al . Modelling Rules of Landslide Susceptibility Prediction Considering the Suitability of Linear Environmental Factors and Different Machine Learning Models ［J］. Bulletin of Geological Science and Technology ， 2022 ， 41 （ 2 ）： 44 - 59 .

赵久彬，刘元雪，刘娜，等 . 海量监测数据下分布式BP神经网络区域滑坡空间预测方法［J］. 岩土力学， 2019 ， 40 （ 7 ）： 2866 - 2872 .

ZHAO Jiubin ， LIU Yuanxue ， LIU Na ， et al . Spatial Prediction Method of Regional Landslide Based on Distributed BP Neural Network Algorithm Under Massive Monitoring Data ［J］. Rock and Soil Mechanics ， 2019 ， 40 （ 7 ）： 2866 - 2872 .

田乃满，兰恒星，伍宇明，等 . 人工神经网络和决策树模型在滑坡易发性分析中的性能对比［J］. 地球信息科学学报， 2020 ， 22 （ 12 ）： 2304 - 2316 .

TIAN Naiman ， LAN Hengxing ， WU Yuming ， et al . Performance Comparison of BP Artificial Neural Network and CART Decision Tree Model in Landslide Susceptibility Prediction ［J］. Journal of Geo⁃Information Science ， 2020 ， 22 （ 12 ）： 2304 - 2316 .

吴宏阳，周超，梁鑫，等 . 基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划［J］. 中国地质灾害与防治学报， 2023 ， 34 （ 5 ）： 141 - 152 .

WU Hongyang ， ZHOU Chao ， LIANG Xin ， et al . Assessment of Landslide Susceptibility Mapping Based on XGBoost Model： A Case Study of Yanshan Township ［J］. The Chinese Journal of Geological Hazard and Control ， 2023 ， 34 （ 5 ）： 141 - 152 .

ZHOU X Z ， WEN H J ， LI Z W ， et al . An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost ［J］. Geocarto International ， 2022 ， 37 （ 26 ）： 13419 - 13450 .

刘艳辉，黄俊宝，肖锐铧，等 . 基于随机森林的福建省区域滑坡灾害预警模型研究［J］. 工程地质学报， 2022 ， 30 （ 3 ）： 944 - 955 .

LIU Yanhui ， HUANG Junbao ， XIAO Ruihua ， et al . Study on Early Warning Model for Regional Landslides Based on Random Forest in Fujian Province ［J］. Journal of Engineering Geology ， 2022 ， 30 （ 3 ）： 944 - 955 .

仉文岗，何昱苇，王鲁琦，等 . 基于水系分区的滑坡易发性机器学习分析方法：以重庆市奉节县为例［J］. 地球科学， 2023 ， 48 （ 5 ）： 2024 - 2038 .

ZHANG Wengang ， HE Yuwei ， WANG Luqi ， et al . Machine Learning Solution for Landslide Susceptibility Based on Hydrographic Division： Case Study of Fengjie County in Chongqing ［J］. Earth Science ， 2023 ， 48 （ 5 ）： 2024 - 2038 .

KONG C F ， TIAN Y P ， MA X G ， et al . Landslide Susceptibility Assessment Based on Different Machine Learning Methods in Zhaoping County of Eastern Guangxi ［J］ . Remote Sensing ， 2021 ， 13 （ 18 ）： 3573 .

JENNIFER J J . Feature Elimination and Comparison of Machine Learning Algorithms in Landslide Susceptibility Mapping ［J］. Environmental Earth Sciences ， 2022 ， 81 （ 20 ）： 489 .

郭飞，蒋广辉，黄晓虎，等 . 环境因子组合和负样本选取策略对花岗岩区崩岗易发性评价的影响［J］. 农业工程学报， 2024 ， 40 （ 1 ）： 191 - 200 .

GUO Fei ， JIANG Guanghui ， HUANG Xiaohu ， et al . Impact of Environmental Factor Combinations and Negative Sample Selection on Benggang Susceptibility Assessment in Granite Areas ［J］. Transactions of the Chinese Society of Agricultural Engineering ， 2024 ， 40 （ 1 ）： 191 - 200 .

郭飞，赖鹏，黄发明，等 . 基于知识图谱的滑坡易发性评价文献综述及研究进展［J］. 地球科学， 2024 ， 49 （ 5 ）： 1584 - 1606 .

GUO Fei ， LAI Peng ， HUANG Faming ， et al . Literature Review and Research Progress of Landslide Susceptibility Mapping Based on Knowledge Graph ［J］. Earth Science ， 2024 ， 49 （ 5 ）： 1584 - 1606 .

赵晓燕，谈树成，李永平 . 基于斜坡单元与组合赋权法的东川区地质灾害危险性评价［J］. 云南大学学报（自然科学版）， 2021 ， 43 （ 2 ）： 299 - 305 .

ZHAO Xiaoyan ， TAN Shucheng ， LI Yongping . Risk Assessment of Geological Hazards in Dongchuan District Based on the Methods of Slope Unit and Combination Weighting ［J］. Journal of Yunnan University （Natural Sciences Edition）， 2021 ， 43 （ 2 ）： 299 - 305 .

王劲峰，徐成东 . 地理探测器：原理与展望［J］. 地理学报， 2017 ， 72 （ 1 ）： 116 - 134 .

WANG Jinfeng ， XU Chengdong . GeoDetector： Principle and Prospective ［J］. Acta Geographica Sinica ， 2017 ， 72 （ 1 ）： 116 - 134 .

RUMELHART D E ， HINTON G E ， WILLIAMS R J . Learning Representations by Back-Propagating Errors ［J］. Nature ， 1986 ， 323 ： 533 - 536 .

CHEN T Q ， GUESTRIN C . XGBoost： A Scalable Tree Boosting System ［C］// The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ， San Francisco， California， USA， 2016 .

BREIMAN L . Random Forests ［J］. Machine Learning ， 2001 ， 45 ： 5 - 32 .

陈玉萍，袁志强，周博，等 . 遗传算法优化BP网络在滑坡灾害预测中的应用研究［J］. 水文地质工程地质， 2012 ， 39 （ 1 ）： 114 - 119 .

CHEN Yuping ， YUAN Zhiqiang ， ZHOU Bo ， et al . Application of back Propagation Neural Networks with Optimization of Genetic Algorithms to Landslide Hazard Prediction ［J］. Hydrogeology & Engineering Geology ， 2012 ， 39 （ 1 ）： 114 - 119 .

刘坚，李树林，陈涛 . 基于优化随机森林模型的滑坡易发性评价［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 7 ）： 1085 - 1091 .

LIU Jian ， LI Shulin ， CHEN Tao . Landslide Susceptibility Assesment Based on Optimized Random Forest Model ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 7 ）： 1085 - 1091 .

洪增林，李永红，张玲玉，等 . 一种基于主成分分析法的区域性地质灾害危险性评估方法［J］. 灾害学， 2020 ， 35 （ 1 ）： 118 - 124 .

HONG Zenglin ， LI Yonghong ， ZHANG Lingyu ， et al . A Regional Geological Hazard Risk Assessment Method Based on Principal Component Analysis ［J］. Disaster Science ， 2020 ， 35 （ 1 ）： 118 - 124 .

孟凡奇，高峰，林波，等 . 基于AHP和信息量模型的地质灾害易发性评价：以鲁东片区为例［J］. 灾害学， 2023 ， 38 （ 3 ）： 111 - 117 .

MENG Fanqi ， GAO Feng ， LIN Bo ， et al . Evaluation of Geological Disaster Susceptibility in Eastern Shandong Based on AHP and Information Model ［J］. Journal of Catastrophology ， 2023 ， 38 （ 3 ）： 111 - 117 .

易思材，张明文 . 绿春县半坡乡某村泥石流发育特征及危险性评价［J］. 地质灾害与环境保护， 2022 ， 33 （ 1 ）： 15 - 23 .

YI Sicai ， ZHANG Mingwen . Development Characteristics and Risk Assessment of Baliu Debris Flow in Banpo Township of Luchun County ［J］. Journal of Geological Hazards and Environment Preservation ， 2022 ， 33 （ 1 ）： 15 - 23 .

黄智杰，简文彬，夏昌，等 . 基于LSO-RF模型的阶跃型滑坡位移速率预测方法［J］. 福州大学学报（自然科学版）， 2023 ， 51 （ 6 ）： 872 - 878 .

HUANG Zhijie ， JIAN Wenbin ， XIA Chang ， et al . Prediction of Displacement Rate of Step-Like Landslide Based on LSO-RF Model ［J］. Journal of Fuzhou University （Natural Science Edition）， 2023 ， 51 （ 6 ）： 872 - 878 .

中华人民共和国自然资源部 . DZ/T 0438-2023 ，地质灾害风险调查评价规范（1∶50 000）［S］. 北京：自然资源部， 2023 .

Ministry of Natural Resources of the People's Republic of China . DZ/T 0438-2023 ， Standard for Geohazard Risk Survey and Evaluation （1∶50 000）［S］. Beijing ： Ministry of Natural Resources ， 2023 .

黄发明，潘李含，姚池，等 . 基于半监督机器学习的滑坡易发性预测建模［J］. 浙江大学学报（工学版）， 2021 ， 55 （ 9 ）： 1705 - 1713 .

HUANG Faming ， PAN Lihan ， YAO Chi ， et al . Landslide Susceptibility Prediction Modelling Based on Semi-Supervised Machine Learning ［J］. Journal of Zhejiang University （Engineering Science）， 2021 ， 55 （ 9 ）： 1705 - 1713 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation

Early Landslide Identification by Integrating SBAS-InSAR and Deep Neural Network

Emergency Identification and Influencing Factor Analysis of Coseismic Landslides and Building Damages Induced by the 2023 Ms 6.2 Jishishan （Gansu，China） Earthquake

Social Media Information Extraction and Public Opinion Mining for African Swine Fever Epidemic

Machine Learning-Based Remote Sensing Retrieval of Soil Moisture： Advances and Challenges

Related Author

FAN Luzhen

HE Guoqing

SHAN Yunfeng

ZHOU Shengsen

LI Weile

QIN Jiasong

QI Xiaoshuai

CHEN Xueye

Related Institution

State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology

Laboratory of Landslide Risk Early‑Warning and Control, Ministry of Emergency Management

Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources

Shenzhen Data Management Center of Planning and Natural Resource

School of Geophysics and Geomatics, China University of Geosciences

AI问答

⁰