基于3 種不同機(jī)器學(xué)習(xí)算法的滑坡易發(fā)性評(píng)價(jià)對(duì)比研究

王本棟，李四全，許萬忠，楊勇，李永云

（1.攀枝花市自然資源和規(guī)劃局，四川 攀枝花 617000；2.昆明理工大學(xué)國土資源工程學(xué)院，云南 昆明 650093；3.西南有色昆明勘測(cè)設(shè)計(jì)（院）股份有限公司，云南 昆明 650051）

滑坡作為世界上最常見的地質(zhì)災(zāi)害之一，每年造成數(shù)千人傷亡和數(shù)千億經(jīng)濟(jì)損失（Francisco et al.，2015；王朋偉等，2023）。對(duì)中國來說，由于多山地貌的特點(diǎn)，許多地區(qū)受滑坡影響嚴(yán)重（孫萍萍等，2022）。近年來，滑坡對(duì)環(huán)境、居民建筑和工業(yè)設(shè)施的威脅日益加重（Lin et al.，2012；孟曉捷等，2022；王海芝等，2022；黃煜等，2023），嚴(yán)重危害居民的生命財(cái)產(chǎn)安全，給國家和社會(huì)造成巨大損失（李宇嘉等，2022；田媛等，2022）。因此，丞需一種有效手段來減少滑坡帶來的損害。開展科學(xué)、準(zhǔn)確的滑坡易發(fā)性評(píng)價(jià)，對(duì)制定防災(zāi)措施具有重要指導(dǎo)意義。

一般來說，通過預(yù)測(cè)未來滑坡發(fā)生的位置和可能性大小，可以在一定程度上減少滑坡的破壞（Pradhan et al.，2010）?；乱装l(fā)性因其對(duì)滑坡發(fā)生相對(duì)空間概率的預(yù)測(cè)能力，被認(rèn)為是滑坡預(yù)防管理的重要工具，也是規(guī)避滑坡風(fēng)險(xiǎn)的首要選擇（Dai et al.，2002）。近年來，滑坡易發(fā)性評(píng)價(jià)已成為熱門研究課題。在區(qū)域尺度上，易發(fā)性評(píng)價(jià)模型可分為定性評(píng)估和定量評(píng)估兩大類（賈俊等，2023）。隨著計(jì)算機(jī)技術(shù)、遙感（RS）和地理信息系統(tǒng)（GIS）的飛速發(fā)展，滑坡空間數(shù)據(jù)的獲取變得便捷，基于定量評(píng)估的易發(fā)性建模方法得到廣泛應(yīng)用（Shen et al.，2019）。例如，隨機(jī)證據(jù)權(quán)重（Haydar et al.，2016；周宇等，2022）、邏輯回歸（LR）（劉璐瑤等，2021；杜國梁等，2021）、BP 神經(jīng)網(wǎng)絡(luò)（唐睿旋等，2017；康孟羽等，2022；張林梵等，2022）、隨機(jī)森林（RF）（劉堅(jiān)等，2018；林榮福等，2020；馬嘯等，2022）和支持向量機(jī)（SVM）（Zhou et al.，2016；Zhu et al.，2022）等方法都在實(shí)際應(yīng)用中取得較為理想的預(yù)測(cè)結(jié)果。在定量評(píng)估模型中，機(jī)器學(xué)習(xí)模型表現(xiàn)尤為突出，并被認(rèn)為比基于專家意見的分析方法更有效預(yù)測(cè)山體滑坡（Binh et al.，2016）。SVM、BP 神經(jīng)網(wǎng)絡(luò)和RF作為3 種常見的典型機(jī)器學(xué)習(xí)算法，被廣泛應(yīng)用于滑坡易發(fā)性評(píng)價(jià)，并取得較高的預(yù)測(cè)精度。然而，受不同地質(zhì)環(huán)境、數(shù)據(jù)背景影響，模型間的預(yù)測(cè)精度可能存在較大差異。目前的滑坡易發(fā)性研究大多是基于單一機(jī)器學(xué)習(xí)算法實(shí)施，缺乏不同算法之間的精度比較，難以獲得研究區(qū)內(nèi)更為準(zhǔn)確的滑坡易發(fā)性結(jié)果。因此，有必要在特定區(qū)域內(nèi)對(duì)多種學(xué)習(xí)模型進(jìn)行比較，以選擇高性能模型來獲取區(qū)域滑坡預(yù)測(cè)結(jié)果。

鑒于此，筆者以云南芒市區(qū)域?yàn)槔?，分別基于SVM、BP 神經(jīng)網(wǎng)絡(luò)和RF 等3 種典型機(jī)器學(xué)習(xí)算法獲取其區(qū)域滑坡易發(fā)性評(píng)價(jià)結(jié)果，并采用不同精度評(píng)價(jià)指標(biāo)對(duì)其結(jié)果進(jìn)行對(duì)比分析，以獲得研究區(qū)最佳評(píng)價(jià)算法及結(jié)果。所得最優(yōu)評(píng)價(jià)結(jié)果能為當(dāng)?shù)卣块T提供更加準(zhǔn)確、可靠的防災(zāi)減災(zāi)參考依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)芒市地處云南省西南邊境地區(qū)，隸屬德宏傣族景頗族自治州，地理位置為E 98°05′～98°44′，N24°05′～24°39′（圖1）。全境是以中、低山地為主的低緯山原地區(qū)，最高海拔2 890 m（風(fēng)平鎮(zhèn)），最低海拔528 m（中山鄉(xiāng)）。山地面積占89%，山體多為東北至西南走向，東北高而峻峭，西南低而寬緩，向西南傾斜展布，河谷與斷裂帶走向一致，甚至發(fā)育在斷裂帶上。芒市屬南亞熱帶季風(fēng)氣候,熱量豐富,夏季濕潤多雨,冬季溫暖少雨,干濕季節(jié)分明。降雨主要集中在5～10 月份，年平均降雨量為1 653.4 mm，最多年為1 959.8 mm（楊平芬等，2014）。區(qū)內(nèi)地貌涵蓋侵蝕堆積地貌、巖溶地貌、構(gòu)造剝蝕地貌、構(gòu)造侵蝕地貌及火山堆積地貌5 大成因類型，其中以構(gòu)造侵蝕地貌和巖溶地貌為主（鄭迎凱等，2020）。

圖1 研究區(qū)地理位置及樣本分布Fig.1 Geographical location of the study area and distribution of sample

近年來，該區(qū)域大肆開展道路修建和礦產(chǎn)資源開采等人類工程活動(dòng)，致使原有的生態(tài)環(huán)境遭到破壞。加之境內(nèi)地質(zhì)構(gòu)造復(fù)雜，新構(gòu)造運(yùn)動(dòng)強(qiáng)烈，為地質(zhì)災(zāi)害的發(fā)育提供了有利條件，從而引發(fā)泥石流、崩塌和滑坡等一系列災(zāi)害的頻繁發(fā)生，嚴(yán)重威脅了區(qū)內(nèi)居民的生命財(cái)產(chǎn)安全。

1.2 數(shù)據(jù)來源

筆者采用的主要實(shí)驗(yàn)數(shù)據(jù)來源如下：①250 m 空間分辨率的巖性圖，來源于地學(xué)服務(wù)平臺(tái)。②30 m 分辨率的土地利用數(shù)據(jù)，來源于中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心。③30 m 分辨率的DEM，來源于美國航空航天局NASA SRTM，用于地形地貌信息提取。④0.1°×0.1°空間分辨率的降雨數(shù)據(jù)，來源于美國航空航天局NASA GPM，通過反距離權(quán)重插值法獲取區(qū)域內(nèi)年均降雨量。

1.3 評(píng)價(jià)因子

實(shí)驗(yàn)采用100 m×100 m 分辨率的柵格作為評(píng)價(jià)單元，研究區(qū)共計(jì)289 609 個(gè)柵格單元。結(jié)合研究區(qū)歷史資料、現(xiàn)場(chǎng)勘探及遙感影像目視解譯，共獲得565個(gè)滑坡點(diǎn)作為滑坡基礎(chǔ)樣本數(shù)據(jù)，并利用GIS 隨機(jī)生成相等數(shù)量的非滑坡點(diǎn)（黃武彪等，2022）（圖1），一同作為模型輸入的因變量，記發(fā)生滑坡為1，未發(fā)生滑坡為0。在此基礎(chǔ)上，按照7∶3 的比例將樣本數(shù)據(jù)進(jìn)行劃分（Vijendra et al.，2019），70% 用于模型訓(xùn)練，30%用于模型精度測(cè)試。

在當(dāng)前的滑坡易發(fā)性建模中，對(duì)于評(píng)價(jià)因子的選取并沒有固定標(biāo)準(zhǔn)，唯一的原則是保證因子可操作、可測(cè)量和非冗余（Ayalew et al.，2005）。因此，在保證評(píng)價(jià)因子客觀準(zhǔn)確的前提下，結(jié)合研究區(qū)具體特性，選取9 個(gè)評(píng)價(jià)因子：高程、坡度、坡向、平面曲率、剖面曲率、起伏度、地層巖性、年均降雨量和土地利用，作為模型輸入的自變量，并引入灰色關(guān)聯(lián)分析對(duì)所選評(píng)價(jià)因子與研究區(qū)歷史滑坡災(zāi)害之間的關(guān)聯(lián)性進(jìn)行檢驗(yàn)，得出灰色關(guān)聯(lián)排序（周定義等，2021）。按關(guān)聯(lián)度從小到大依次為坡向（0.52）、地層巖性（0.59）、年均降雨量（0.66）、坡度（0.70）、高程（0.74）、起伏度（0.75）、剖面曲率（0.78）、平面曲率（0.81）、土地利用（0.82）。關(guān)聯(lián)度最低的評(píng)價(jià)因子為坡向，其關(guān)聯(lián)度為0.52，均大于0.5，從排序結(jié)果可以看出選取的9 個(gè)評(píng)價(jià)因子與研究區(qū)歷史滑坡災(zāi)害之間存在一定的關(guān)聯(lián)性，均能夠作為該區(qū)域滑坡易發(fā)性建模的輸入變量。

此外，為保證因子間統(tǒng)一的柵格單元大小，還利用重采樣工具將柵格單元采樣為30 m×30 m 分辨率，并據(jù)以往研究者經(jīng)驗(yàn)（Adnan et al.，2013；Markus et al.，2015）與災(zāi)害點(diǎn)分布規(guī)律對(duì)各評(píng)價(jià)因子進(jìn)行分級(jí)（圖2）。

圖2 評(píng)價(jià)因子分級(jí)Fig.2 Evaluation factor classification

2 研究方法

2.1 支持向量機(jī)（SVM）

SVM 是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，基本原理是通過將低維度空間內(nèi)混雜的、不可劃分的數(shù)據(jù)投影到高維度空間內(nèi)，并在相應(yīng)的高維度空間內(nèi)尋找最優(yōu)分類超平面，以實(shí)現(xiàn)數(shù)據(jù)的正確分類（Huang et al.，2020）。

首先假設(shè)一組數(shù)據(jù)為（xi，yi），i=1,2,···,n，通過線性回歸函數(shù)f(x)=ω·x+b擬合并確定ω 和b。采用松弛變量ε 來控制分類誤差，相應(yīng)得線性函數(shù)擬合為（黃發(fā)明等，2022）：

當(dāng) ξi、大于0 時(shí)表示有分類錯(cuò)誤，此時(shí)變換為求解最小化函數(shù)問題，如公式（2）所示，其中常數(shù)C大于0 為超出分類誤差ε 的錯(cuò)分程度，將其帶入拉格朗日函數(shù)后的線性擬合函數(shù)如公式（3）所示。

式中：ω 為確定超平面方向的權(quán)重向量；b為偏差；C為懲罰因子；αi、為支持向量機(jī)系數(shù)。

2.2 BP 神經(jīng)網(wǎng)絡(luò)（BPNN）

BP 神經(jīng)網(wǎng)絡(luò)由Hinton（1986）于1986 年提出，是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，分別由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成（陳玉萍等，2012）。該算法的模型結(jié)構(gòu)和權(quán)值通過學(xué)習(xí)過程獲得，學(xué)習(xí)過程分為多層前饋和反向誤差修正兩個(gè)階段（李東等，2015）。多層前饋數(shù)學(xué)模型為：

誤差的反向傳播階段采用梯度遞降算法，通過調(diào)節(jié)各層神經(jīng)元之間的連接權(quán)值，使總誤差向減少方向變化。其表達(dá)式為：

則權(quán)值調(diào)整公式為：

2.3 隨機(jī)森林（RF）

隨機(jī)森林是一種組合分類模型，它由多棵決策樹{h（X,Θk）,k=1,2,···n} 組成。參數(shù)集{Θk}是獨(dú)立同分布的隨機(jī)向量，在給定自變量X的情況下，最優(yōu)分類結(jié)果由每棵決策樹模型投票選出（吳孝情等，2017）。其表達(dá)式為（Pham et al.，2018）：

式中：m_vote為投票結(jié)果。

2.4 模型精度檢驗(yàn)

為有效地評(píng)估3 種算法對(duì)滑坡易發(fā)性的預(yù)測(cè)能力，筆者采用受試者工作特征曲線（Receiver-Operating Characteristic,ROC），曲線下面積（Area Under Curve,AUC）以及準(zhǔn)確度（Accuracy,ACC）對(duì)模型的性能進(jìn)行評(píng)價(jià)。ROC 曲線以真陽性率（TPR）為縱軸，以假陽性率（FPR）為橫軸，曲線越靠近左上方，AUC 值越大，判別滑坡發(fā)生的精度越高。ACC 則依靠混淆矩陣計(jì)算，它能夠度量樣本被正確分類的比例，ACC 值越接近1，說明模型準(zhǔn)確性越高。

3 結(jié)果與分析

3.1 多重共線性分析

初步選取的滑坡評(píng)價(jià)因子之間可能存在統(tǒng)計(jì)學(xué)上的共線性關(guān)系，從而使得模型估計(jì)失真或難以準(zhǔn)確描述因子與滑坡之間的真實(shí)關(guān)系（王毅等，2021）。因此，在滑坡易發(fā)性建模之前，還需檢驗(yàn)因子間是否存在共線性問題。

通常采用VIF（方差膨脹系數(shù)）和容差兩個(gè)指標(biāo)來分析評(píng)價(jià)因子間的共線性情況，當(dāng)容差值小于0.1 或VIF 值大于10 時(shí)，表示因子間具有較高的共線性程度，需對(duì)其進(jìn)行剔除（Ryuta et al.，2019）。利用SPSS20 獲取評(píng)價(jià)因子間的共線性關(guān)系（表1），所有因子的容差值均大于0.1，VIF 值均小于10，表明因子之間不存在強(qiáng)共線性關(guān)系，均可用于后續(xù)的滑坡易發(fā)性建模。

表1 評(píng)價(jià)因子多重共線性分析結(jié)果Tab.1 Results of multiple covariance analysis of evaluation factors

3.2 滑坡易發(fā)性評(píng)價(jià)結(jié)果對(duì)比分析

實(shí)驗(yàn)利用GIS 多值提取功能，將各評(píng)價(jià)因子的分級(jí)屬性值提取為前文的樣本數(shù)據(jù)，然后基于Matlab 語言下的libsvm 框架構(gòu)建SVM 模型，SPSSPRO 構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)模型和RF 模型，以此對(duì)研究區(qū)289 609個(gè)柵格單元進(jìn)行滑坡易發(fā)性指數(shù)計(jì)算，輸出0～1 之間的滑坡概率值，并導(dǎo)入到Arcgis10.7 中。采用自然間斷法（Chen et al.，2017）將其劃分為5 個(gè)等級(jí)：極低易發(fā)、低易發(fā)、中易發(fā)、高易發(fā)和極高易發(fā)，以此得到3 種算法下的芒市區(qū)滑坡易發(fā)性評(píng)價(jià)結(jié)果（圖3）。

3 種算法評(píng)價(jià)得出的研究區(qū)滑坡易發(fā)性結(jié)果（圖3）在空間位置分布上存在一定的相似性和差異性。具體而言，在3 種算法得到的易發(fā)性結(jié)果中，極高易發(fā)區(qū)集中分布在五岔路鄉(xiāng)和江東鄉(xiāng)一帶，說明這一帶相對(duì)其他區(qū)域，發(fā)生滑坡的可能性較大，和前人研究結(jié)果（鄭迎凱等，2020）相一致；極低易發(fā)區(qū)則主要分布在軒崗鄉(xiāng)、芒市鎮(zhèn)以及風(fēng)平鎮(zhèn)，這些區(qū)域由于地勢(shì)平坦，地形地貌簡單，不利于滑坡發(fā)生，因此被賦予了較低的易發(fā)性等級(jí)。從上述幾個(gè)典型區(qū)域的易發(fā)性等級(jí)劃分來看，3 種算法得到的結(jié)果都與實(shí)際情況具有較高的吻合度。三者之間的差異性則體現(xiàn)在遮放鎮(zhèn)、勐戛鎮(zhèn)一帶的南部地區(qū)，這些地區(qū)在BP 神經(jīng)網(wǎng)絡(luò)和RF 得到的評(píng)價(jià)結(jié)果中幾乎被賦予了中易發(fā)等級(jí)；而在SVM 結(jié)果中，卻被賦予了極高易發(fā)等級(jí)，不同算法對(duì)研究區(qū)內(nèi)評(píng)價(jià)因子與滑坡易發(fā)性的非線性擬合能力可能是造成差異的首要原因，即算法的性能不同，所獲取的易發(fā)性評(píng)價(jià)結(jié)果的準(zhǔn)確性也有所不同。

通過定性方面的比較，并不能得出3 種算法的優(yōu)劣。因此，下文將從定量的角度對(duì)模型評(píng)價(jià)結(jié)果的準(zhǔn)確性進(jìn)行詳細(xì)分析，以獲得芒市地區(qū)最佳易發(fā)性評(píng)價(jià)模型。

3.3 評(píng)價(jià)精度對(duì)比分析

為對(duì)模型評(píng)價(jià)結(jié)果的準(zhǔn)確性進(jìn)行量化分析，采用統(tǒng)計(jì)的方式計(jì)算出模型測(cè)試樣本的ACC 值（表2），并在SPSS 20 中繪制3 種模型的ROC 曲線（圖4）。結(jié)合表2 和圖4 可以看出RF 模型的ACC 值和AUC 值最高分別為0.867 和0.94，BP 神經(jīng)網(wǎng)絡(luò)次之為0.829 和0.90，SVM 最低為0.794 和0.88。RF 算法無論是ACC值還是AUC 值，均優(yōu)于其他兩種算法，AUC 值較SVM 和BP 神經(jīng)網(wǎng)絡(luò)分別提升了4%和6%，表明在芒市地區(qū)，RF 模型具有更高的滑坡預(yù)測(cè)能力。

圖4 測(cè)試樣本ROC 曲線Fig.4 Test sample ROC curve

此外，科學(xué)合理的滑坡易發(fā)性評(píng)價(jià)結(jié)果還需滿足兩個(gè)標(biāo)準(zhǔn)：①隨著易發(fā)性等級(jí)增加，分級(jí)面積占比逐漸減小。②隨著易發(fā)性等級(jí)增加，滑坡比（Sei）逐漸增大（Harlow et al.，2005）。在本研究中，滑坡比為實(shí)際滑坡點(diǎn)落入各級(jí)易發(fā)區(qū)的百分比（Dei）與各級(jí)易發(fā)區(qū)面積占總面積的百分比（Mei）的比值（Sei）（i=I，II，III，IV，V）。

由表3 可知3 種算法均滿足上述兩個(gè)準(zhǔn)則，從極低到極高，易發(fā)性分區(qū)面積比（Mei）逐級(jí)遞減，Sei值逐級(jí)遞增。盡管如此，由于數(shù)值差異，它們的合理性依然具有一定的可比性。極低易發(fā)區(qū)的SeI值越小，極高易發(fā)區(qū)的SeV值越大，模型的合理性越高（劉希林等，2017）。檢驗(yàn)結(jié)果顯示在SVM、BP 神經(jīng)網(wǎng)絡(luò)、RF 評(píng)價(jià)結(jié)果中，分別有74.69%、82.30% 和86.91% 的滑坡點(diǎn)落入高易發(fā)等級(jí)以上區(qū)域，SeI和SeV值分別為0.19和6.85，0.11 和9.14，以及0.07 和9.21，最小SeI值和最大SeV值均為RF 算法所得，說明RF 芒市區(qū)滑坡評(píng)價(jià)結(jié)果的合理性要優(yōu)于其他兩種算法。

表3 易發(fā)性分區(qū)合理性檢驗(yàn)結(jié)果Tab.3 Rationality test results of susceptibility zoning

3.4 野外考察驗(yàn)證分析

根據(jù)野外實(shí)地考察，發(fā)現(xiàn)遮放鎮(zhèn)新增一處滑坡，該滑坡位于墾西社區(qū)七隊(duì)，長約30 m，寬約60 m，屬于小型滑坡，雖沒有人員傷亡，但仍舊對(duì)周邊設(shè)施造成了破壞。本次實(shí)驗(yàn)利用該滑坡對(duì)3 種算法的災(zāi)害預(yù)測(cè)能力進(jìn)行評(píng)估，進(jìn)一步對(duì)比驗(yàn)證模型的準(zhǔn)確性。

此次滑坡的發(fā)生對(duì)附近的植被、道路、居民建筑造成一定程度的損壞。如圖5d～圖5e 所示，受該滑坡影響，在一戶居民家中發(fā)現(xiàn)約1～2 m 長的拉張裂縫；坡體邊緣植被倒塌，道路中央也出現(xiàn)長約12 m 的裂縫，由于滑坡規(guī)模較小，并未帶來較為嚴(yán)重的損失。由圖5a～圖5c 可知，這次滑坡的空間位置分別位于SVM 滑坡易發(fā)性評(píng)價(jià)結(jié)果的極低易發(fā)區(qū)，BP 神經(jīng)網(wǎng)絡(luò)的中易發(fā)區(qū)，RF 的高易發(fā)區(qū)。從3 種評(píng)價(jià)結(jié)果的等級(jí)劃分來看，RF 算法對(duì)此次滑坡進(jìn)行了很好的空間位置預(yù)測(cè)，得到與實(shí)際情況更為一致的滑坡預(yù)測(cè)結(jié)果。

綜上可知，無論是評(píng)價(jià)結(jié)果分級(jí)的合理性，還是滑坡預(yù)測(cè)的準(zhǔn)確性，RF 算法在芒市的滑坡易發(fā)性評(píng)價(jià)應(yīng)用中都表現(xiàn)出明顯的優(yōu)勢(shì)，相比其他兩種算法更適合用于該區(qū)域的易發(fā)性評(píng)價(jià)結(jié)果獲取。這也說明即使在同一區(qū)域，相同的地理環(huán)境條件，不同模型獲得的結(jié)果也會(huì)不盡相同。通過不同模型對(duì)比的方式，可以獲得更為準(zhǔn)確、可靠的研究區(qū)易發(fā)性評(píng)價(jià)結(jié)果。

4 結(jié)論

（1）3 種算法獲得的滑坡易發(fā)性結(jié)果在極低和極高易發(fā)區(qū)的空間位置分布上具有較高的一致性，極低易發(fā)區(qū)集中分布在軒崗鄉(xiāng)、芒市鎮(zhèn)以及風(fēng)平鎮(zhèn)區(qū)域，極高易發(fā)區(qū)分布在五岔路鄉(xiāng)和江東鄉(xiāng)一帶。

（2）利用SPSS 繪制3 種算法的ROC 曲線，得到SVM、BP 神經(jīng)網(wǎng)絡(luò)和RF 的AUC 值分別為0.88、0.90、0.94。RF 的AUC 值較SVM 和BP 神經(jīng)網(wǎng)絡(luò)分別提升5.2%和3.2%，表明RF 算法在芒市地區(qū)的滑坡預(yù)測(cè)能力要優(yōu)于其余兩種算法。

（3）通過對(duì)滑坡比值（Sei）進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)SVM、BP 神經(jīng)網(wǎng)絡(luò)和RF 在極低易發(fā)區(qū)的SeI值分別為0.19、0.11 和0.07，在極高易發(fā)區(qū)的SeV值分別為6.85、9.14和9.21。SeI的最小值和SeV的最大值均由RF 算法所得，并且該算法還得到與實(shí)地考察情況更為一致的滑坡評(píng)價(jià)結(jié)果。充分說明RF 算法獲得芒市滑坡易發(fā)性結(jié)果的準(zhǔn)確性高于其他兩種算法，能夠?yàn)樵搮^(qū)域的防災(zāi)減災(zāi)提供可靠參考。