基于機(jī)器學(xué)習(xí)的地質(zhì)災(zāi)害易發(fā)性研究

中圖分類(lèi)號(hào)：P237 文獻(xiàn)標(biāo)識(shí)碼：A doi：10.12128/j.issn.1672-6979.2025.07.005

0引言

地質(zhì)災(zāi)害的早期識(shí)別和易發(fā)生區(qū)域的監(jiān)測(cè)是防災(zāi)減災(zāi)的重要工作。山東省的地貌特征呈現(xiàn)為山高谷深、崖陡壁峭，且不同巖性組合和強(qiáng)烈的地質(zhì)構(gòu)造運(yùn)動(dòng)加劇了該區(qū)域地質(zhì)結(jié)構(gòu)的不穩(wěn)定性。而季風(fēng)區(qū)域大陸性氣候，雨量集中，災(zāi)害性天氣頻發(fā)，使魯中南地區(qū)成為地質(zhì)災(zāi)害易發(fā)生區(qū)域[1-4]。本文選擇山東省臨沂市平邑縣作為研究區(qū)域，進(jìn)行地質(zhì)災(zāi)害易發(fā)性區(qū)域的識(shí)別和提取。

由于遙感技術(shù)的快速發(fā)展，利用遙感影像對(duì)地質(zhì)災(zāi)害早期識(shí)別和易發(fā)生區(qū)域的監(jiān)測(cè)已成為防災(zāi)減災(zāi)的重要手段。多光譜影像結(jié)合了地形數(shù)據(jù)和氣候數(shù)據(jù)的多源異構(gòu)數(shù)據(jù)，包含了更加豐富的特征信息，有助于地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取。如裘湧泉[5基于高分二號(hào)和哨兵2A影像，根據(jù)構(gòu)建的識(shí)別規(guī)則，利用決策樹(shù)分類(lèi)的面向?qū)ο蠓椒ㄌ崛』滦畔?，正確提取率為 82.40% ；白石[等融合高分辨率遙感影像和數(shù)字高程模型數(shù)據(jù)，利用面向?qū)ο蠖嗵卣髯兓蛄糠治龇ǎ瑢?duì)研究區(qū)內(nèi)的滑坡區(qū)域進(jìn)行識(shí)別。多源異構(gòu)數(shù)據(jù)豐富的特征信息，也為利用優(yōu)化的機(jī)器學(xué)習(xí)算法進(jìn)行地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取提供了支撐。近年來(lái)，通過(guò)機(jī)器學(xué)習(xí)算法對(duì)遙感影像進(jìn)行解譯，從而進(jìn)行地質(zhì)災(zāi)害的早期識(shí)別和易發(fā)性研究取得了眾多的研究成果[]。如Stumpf[8]等人提出了一種結(jié)合面向?qū)ο髨D像分析技術(shù)和隨機(jī)森林算法的監(jiān)督分類(lèi)方法，該分類(lèi)方法能夠減少人工標(biāo)注工作，并以客觀的方式選取重要的對(duì)象特征和分類(lèi)閾值，提高識(shí)別過(guò)程的客觀性和效率；胡文杰[9]以SwinTransformerBlock為基礎(chǔ)構(gòu)建設(shè)計(jì)集成了一種交叉注意力機(jī)制模塊，提升了滑坡的識(shí)別率；岳帥帥[10]通過(guò)基于隨機(jī)森林的面向?qū)ο蠓诸?lèi)提取到略陽(yáng)縣內(nèi)505處滑坡體，總體精度為 86.3% ，展現(xiàn)出基于隨機(jī)森林的面向?qū)ο蠓诸?lèi)法在識(shí)別滑坡中較高的精度和適應(yīng)性。

在地質(zhì)災(zāi)害易發(fā)性區(qū)域提取領(lǐng)域，機(jī)器學(xué)習(xí)算法已展現(xiàn)出顯著的成效。這些算法具備自動(dòng)化識(shí)別地質(zhì)災(zāi)害易發(fā)性區(qū)域的能力，能夠高效地從多源異構(gòu)數(shù)據(jù)中提取關(guān)鍵特征信息，進(jìn)而實(shí)現(xiàn)對(duì)地質(zhì)災(zāi)害易發(fā)性區(qū)域的精確界定。此外，機(jī)器學(xué)習(xí)算法在計(jì)算成本方面相對(duì)較低，且通常能夠達(dá)到較高的識(shí)別精度，足以滿足多樣化的研究和實(shí)際應(yīng)用需求?；诖?，本文將GF-1WFV光學(xué)影像、ASTERGDEM地形數(shù)據(jù)和降水?dāng)?shù)據(jù)進(jìn)行數(shù)據(jù)處理，形成多源異構(gòu)數(shù)據(jù)，通過(guò)對(duì)比TensorFlow算法、支持向量機(jī)和隨機(jī)森林三種機(jī)器學(xué)習(xí)算法對(duì)地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取效果，確定適用于地質(zhì)災(zāi)害易發(fā)性區(qū)域提取的優(yōu)秀算法，為平邑縣地質(zhì)災(zāi)害預(yù)防提供參考。

研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

平邑縣地處山東省臨沂市西部、山東省東南部，縣域總面積約為 1825km² 。地質(zhì)構(gòu)造復(fù)雜，具有明顯的山區(qū)特征，浚河、溫涼河穿縣而過(guò)，縣內(nèi)存在大量巖溶塌陷區(qū)域[11]。最高點(diǎn)位于蒙山珠峰龜蒙頂，海拔約為 1155m ，最低點(diǎn)在縣北部孫家莊區(qū)域，海拔約為 97m 。全境地勢(shì)南北高，中間低，略向東南傾斜。平邑縣屬暖溫帶東南亞季風(fēng)區(qū)域大陸性氣候，寒暑交替、四季明顯，雨量集中，旱澇不均[12]夏季雨量集中，災(zāi)害性天氣頻繁，易引發(fā)山體滑坡、泥石流等地質(zhì)災(zāi)害。

1.2 數(shù)據(jù)及預(yù)處理

（1）光學(xué)遙感數(shù)據(jù)。云量篩選了高分1號(hào)2021—2024年4景遙感數(shù)據(jù)。高分一號(hào)衛(wèi)星（GF-1）搭載了2臺(tái) 2m 分辨率全色、 8m 分辨率多光譜相機(jī)和4臺(tái) 16m 分辨率多光譜相機(jī)，本次使用 16m 分辨率多光譜寬幅影像。GF-1WFV獲取的 16m 分辨率能夠?yàn)樽匀毁Y源部門(mén)、地質(zhì)部門(mén)提供高精度、寬范圍的空間觀測(cè)服務(wù)[13]。所有光學(xué)遙感數(shù)據(jù)均經(jīng)過(guò)輻射定標(biāo)、大氣校正和正射校正，為確保多源異構(gòu)數(shù)據(jù)在實(shí)驗(yàn)中保持空間分辨率一致，對(duì)所有數(shù)據(jù)均重采樣至 30m 分辨率[14]

（2）地形數(shù)據(jù)。本次使用的地形數(shù)據(jù)是先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（ASTERGDEM），該數(shù)據(jù)是由日本METI和美國(guó)NASA聯(lián)合研制并免費(fèi)面向公眾分發(fā)[15]。該數(shù)據(jù)是根據(jù)NASA的新一代對(duì)地觀測(cè)衛(wèi)星Terra的詳盡觀測(cè)結(jié)果制作完成，其數(shù)據(jù)覆蓋范圍為 83^°N 到 83^°S 之間的所有陸地區(qū)域，達(dá)到了地球陸地表面的 99%^[16]"。

（3）降水?dāng)?shù)據(jù)。本文根據(jù)平邑縣發(fā)布的各鎮(zhèn)街年度累計(jì)降雨量，以各鎮(zhèn)街的地理中心作為降雨數(shù)據(jù)點(diǎn)，通過(guò)克里金插值方法，得到了平邑縣年度累計(jì)降雨量圖。數(shù)據(jù)的具體情況見(jiàn)表1。

2 研究方法

2.1 地質(zhì)災(zāi)害易發(fā)性識(shí)別方法

目前，在基于多源遙感數(shù)據(jù)進(jìn)行地質(zhì)災(zāi)害易發(fā)性識(shí)別的研究中，已經(jīng)有包括支持向量機(jī)、隨機(jī)森林和TensorFlow算法等機(jī)器學(xué)習(xí)算法。為尋找適用于研究區(qū)地質(zhì)災(zāi)害易發(fā)性識(shí)別的算法，本文對(duì)比了支持向量機(jī)、隨機(jī)森林、TensorFlow算法[17]

（1）TensorFlow算 法。TensorFlow 是由Google團(tuán)隊(duì)開(kāi)發(fā)的一款用于機(jī)器學(xué)習(xí)研究和產(chǎn)品開(kāi)發(fā)的深度學(xué)習(xí)框架，擁有高度靈活性和可擴(kuò)展性，常用于開(kāi)發(fā)自然語(yǔ)言處理、圖像識(shí)別、手寫(xiě)識(shí)別等各種任務(wù)模型[18]。其中，Tensor表示張量，即N維數(shù)組，F(xiàn)low表示數(shù)據(jù)流圖，直觀表達(dá)了張量之間通過(guò)計(jì)算相互轉(zhuǎn)化的過(guò)程，高度的靈活性使得Tensor-Flow成為主流的遙感影像識(shí)別和分析工具[19]

（2）支持向量機(jī)是一種源自統(tǒng)計(jì)學(xué)習(xí)理論的監(jiān)督分類(lèi)方法，使用被稱(chēng)為最優(yōu)決策超平面的面將類(lèi)分開(kāi)，使類(lèi)之間的邊界最大化，最接近最優(yōu)決策超平面的數(shù)據(jù)點(diǎn)稱(chēng)為支持向量。同時(shí)，在使用支持向量機(jī)方法進(jìn)行分類(lèi)時(shí)，需要選擇一個(gè)核函數(shù)，用于在估計(jì)目標(biāo)類(lèi)時(shí)提供附近數(shù)據(jù)點(diǎn)的權(quán)重[20]

（3）隨機(jī)森林算法由L.Breiman提出，該算法通過(guò)構(gòu)建大量不相關(guān)的隨機(jī)決策樹(shù)，并在使用多數(shù)投票決策的方式對(duì)所有生成的決策樹(shù)進(jìn)行引導(dǎo)和聚合，從而實(shí)現(xiàn)對(duì)圖像的分類(lèi)[21]

2.2 精度驗(yàn)證

為確定滑坡易發(fā)區(qū)域的提取精度，在研究區(qū)內(nèi)隨機(jī)采集300個(gè)樣本點(diǎn)，根據(jù)天地圖影像進(jìn)行目視判讀，確定檢驗(yàn)樣本點(diǎn)所在區(qū)域是否為易發(fā)區(qū)域，以此判斷提取結(jié)果的精度。精度驗(yàn)證采用混淆矩陣和Kappa系數(shù)作為指標(biāo)。通過(guò)混淆矩陣可以得到總體精度（OverallAccuracy，OA）、用戶精度（UserAc-curacy，UA）和生產(chǎn)者精度（ProducerAccuracy，PA）等一系列的精度評(píng)價(jià)指標(biāo)。而Kappa系數(shù)被廣泛應(yīng)用于遙感分類(lèi)的精度評(píng)價(jià)[22]

3 結(jié)果與討論

3.1 識(shí)別精度比較

通過(guò)使用3種機(jī)器學(xué)習(xí)算法，對(duì)研究區(qū)進(jìn)行分類(lèi)，共分為水體、林地、農(nóng)業(yè)用地、建筑用地、草地和地質(zhì)災(zāi)害易發(fā)性區(qū)域6類(lèi)地類(lèi)，具體分類(lèi)結(jié)果對(duì)比如圖1所示。

1—平邑縣邊界;2—水體區(qū)域;3—高大植被區(qū)域;4—農(nóng)業(yè)用地區(qū)域;5—建筑用地區(qū)域;6—低矮的草本植物地區(qū)；7一地質(zhì)災(zāi)害易發(fā)區(qū)域。

由各算法分類(lèi)結(jié)果圖對(duì)比可以發(fā)現(xiàn)，各算法對(duì)于水體、建筑用地和林地的分類(lèi)結(jié)果較為一致，地質(zhì)災(zāi)害易發(fā)性區(qū)域主要集中在研究區(qū)西北的蒙山大洼區(qū)、唐村水庫(kù)南部和九間棚區(qū)域。相較于支持向量機(jī)和隨機(jī)森林的分類(lèi)結(jié)果，TensorFlow算法的分類(lèi)結(jié)果中易發(fā)性區(qū)域面積明顯更小，且草地面積更大，更加符合研究區(qū)地質(zhì)環(huán)境特征[23] 。

為進(jìn)一步確認(rèn)各算法的分類(lèi)精度，本文在研究區(qū)內(nèi)隨機(jī)采集300個(gè)檢驗(yàn)樣本點(diǎn)，根據(jù)天地圖高分辨率的影像對(duì)樣本點(diǎn)所屬區(qū)域的正確類(lèi)別進(jìn)行目視解譯。通過(guò)精度驗(yàn)證，得到3種機(jī)器學(xué)習(xí)算法對(duì)地質(zhì)災(zāi)害易發(fā)性區(qū)域和各類(lèi)地物的識(shí)別精度和Kappa系數(shù)，具體結(jié)果如表2所示。

不同分類(lèi)方法的總體精度均不小于 75% ，Kappa系數(shù)不小于0.75。其中TensorFlow算法的分類(lèi)結(jié)果總體精度最高，為 82.33% ，Kappa系數(shù)為0.82;隨機(jī)森林的分類(lèi)精度次之，支持向量機(jī)的分類(lèi)精度最低。在對(duì)各類(lèi)方法的分類(lèi)結(jié)果進(jìn)行比較后發(fā)現(xiàn)，支持向量機(jī)方法在小樣本分類(lèi)中更具有優(yōu)勢(shì)，但由于少量支持向量影響了精度，因此造成農(nóng)業(yè)用地與草地這種易混淆的地物分類(lèi)精度較差。隨機(jī)森林方法的分類(lèi)精度相對(duì)較高，但存在參數(shù)較難調(diào)優(yōu)的缺點(diǎn)，同時(shí)其運(yùn)行速度比另外兩種分類(lèi)算法更慢?？傮w而言，TensorFlow算法相較于其他方法的分類(lèi)精度較高，靈活性高，支持多種優(yōu)化算法，可根據(jù)輸入多源數(shù)據(jù)的特點(diǎn)進(jìn)行參數(shù)調(diào)優(yōu)，可以通過(guò)數(shù)據(jù)并行和模型并行實(shí)現(xiàn)高效計(jì)算，非常適合多源遙感數(shù)據(jù)分析，因此本文使用TensorFlow算法進(jìn)行平邑縣地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取。

TensorFlow算法提取結(jié)果中建筑用地的提取精度最高，用戶精度為 94.00% ，生產(chǎn)者精度為82.46% 。這是由于建筑用地在遙感影像上的特征較為明顯，易于識(shí)別和提取。水體和林地的提取精度也相對(duì)較高，用戶精度和生產(chǎn)者精度均在 80% 以上。相比之下，農(nóng)業(yè)用地和草地的提取精度稍低，這可能是由于農(nóng)業(yè)用地和草地在遙感影像上的特征相似，且易受季節(jié)、氣候等因素的影響，導(dǎo)致分類(lèi)過(guò)程中存在一定的困難。地災(zāi)害易發(fā)區(qū)的用戶精度為79.25% ，生產(chǎn)者精度為 85.71% ，相對(duì)其他地類(lèi)而言略低，但考慮到地災(zāi)害易發(fā)區(qū)在總體面積中的占比可能較小，且特征復(fù)雜，這樣的精度表現(xiàn)仍可接受。此外，其用戶精度和生產(chǎn)者精度的差異也表明，在分類(lèi)過(guò)程中可能存在一定程度的誤判和漏判。綜上所述，TensorFlow算法在不同地類(lèi)上的提取精度表現(xiàn)出一定的差異性，但整體而言，提取結(jié)果的精度較高，其分類(lèi)結(jié)果有較高的參考價(jià)值。

3.2 時(shí)空變化分析

通過(guò)TensorFlow算法對(duì)2021—2024年平邑縣同時(shí)期影像進(jìn)行地質(zhì)災(zāi)害易發(fā)區(qū)域提取，地質(zhì)災(zāi)害易發(fā)性區(qū)域主要集中在研究區(qū)西北的蒙山大洼區(qū)、唐村水庫(kù)南部和九間棚區(qū)域。2023年提取結(jié)果中九間棚區(qū)域和唐村水庫(kù)南部的地質(zhì)災(zāi)害易發(fā)性區(qū)域面積有所增加。就其他地類(lèi)而言，浚河、溫涼河兩條河流貫穿研究區(qū)，為主要水系，建筑面積在現(xiàn)有的位置逐步外擴(kuò)，草地區(qū)域主要集中在研究區(qū)的南部，與農(nóng)業(yè)用地交錯(cuò)，林地主要集中要蒙山的大洼區(qū)和龜蒙區(qū)（圖2）。

7—地質(zhì)災(zāi)害易發(fā)區(qū)域。

為驗(yàn)證數(shù)據(jù)的準(zhǔn)確性，將TensorFlow算法提取的各類(lèi)型土地利用類(lèi)型的面積與公開(kāi)發(fā)布的全球土地利用數(shù)據(jù)進(jìn)行對(duì)比，該分類(lèi)結(jié)果與Sentinel-2世界 10m 土地利用時(shí)間序列數(shù)據(jù)具有高度的一致性[24]。表3詳細(xì)體現(xiàn)了2021—2024年期間平邑縣地質(zhì)災(zāi)害易發(fā)性區(qū)域面積的變化，總體上呈現(xiàn)出先穩(wěn)定后增長(zhǎng)再減少的趨勢(shì)。從2021年的227.211km² 到2022年的 226.384km² ，面積略有減少，但占比保持穩(wěn)定，分別為 12.46% 和 12.41% 。然而，到了2023年，地災(zāi)易發(fā)區(qū)面積顯著增加至254.460km² ，占比也相應(yīng)提升至 13.95% 。這種增長(zhǎng)可能與氣候變化、降水增加、人類(lèi)活動(dòng)對(duì)地質(zhì)環(huán)境的干擾等因素有關(guān)。值得注意的是，盡管2024年地災(zāi)易發(fā)區(qū)面積有所減少至 212.868km² ，但其在總面積中的占比仍然較高，達(dá)到 11.67% ，地質(zhì)災(zāi)害的防范和治理工作依然面臨嚴(yán)峻挑戰(zhàn)。

4結(jié)論

本文以山東省平邑縣為研究區(qū)域，將GF-1WFV光學(xué)影像、ASTERGDEM地形數(shù)據(jù)和降水?dāng)?shù)據(jù)進(jìn)行數(shù)據(jù)處理，形成多源異構(gòu)數(shù)據(jù)，通過(guò)對(duì)比TensorFlow算法、支持向量機(jī)和隨機(jī)森林3種機(jī)器學(xué)習(xí)算法對(duì)地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取效果，在確定算法后提取2021年和2024年同時(shí)期地質(zhì)災(zāi)害易發(fā)性區(qū)域，得到以下結(jié)論：

（1）TensorFlow算法、支持向量機(jī)和隨機(jī)森林均能夠較好地識(shí)別滑坡易發(fā)生區(qū)域，總體精度均不小于 75% ，Kappa系數(shù)均不小于0.75。

（2）TensorFlow算法相較于其他方法的分類(lèi)精度較高，總體精度為 82.33% ，Kappa系數(shù)為0.82，該算法可根據(jù)輸人多源數(shù)據(jù)的特點(diǎn)進(jìn)行參數(shù)調(diào)優(yōu)，適用于進(jìn)行地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取。

（3）2021—2024年，平邑縣易發(fā)生地質(zhì)災(zāi)害的區(qū)域面積占比為 11.5%～12.5% ，相較于2021年，2024年滑坡易發(fā)生區(qū)域面積減少了 14.343km² ，地質(zhì)災(zāi)害易發(fā)性區(qū)域主要集中在研究區(qū)西北的蒙山大洼區(qū)、唐村水庫(kù)南部和九間棚區(qū)域。

本文對(duì)比了TensorFlow算法、支持向量機(jī)和隨機(jī)森林3種機(jī)器學(xué)習(xí)算法對(duì)地質(zhì)災(zāi)害易發(fā)性區(qū)域的提取效果，未通過(guò)標(biāo)準(zhǔn)樣本對(duì)其他算法進(jìn)行提取效果的對(duì)比，如何利用多源異構(gòu)數(shù)據(jù)的優(yōu)勢(shì)，優(yōu)化各類(lèi)機(jī)器學(xué)習(xí)算法的提取精度和效率有待深人研究。

參考文獻(xiàn)：

[1] 辛魯斌，韓玲，李良志.基于多源數(shù)據(jù)融合的滑坡智能識(shí)別[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2023，45（4）：920－928.

[2] 孫萍萍，張茂省，賈俊，等.中國(guó)西部黃土區(qū)地質(zhì)災(zāi)害調(diào)查研究進(jìn)展J」.西北地質(zhì)，2022（3）：55.

[3] 高峰，孟凡奇，張麗，等.山東省地質(zhì)災(zāi)害調(diào)查工作回顧與展望[J].山東國(guó)土資源，2022，38（10）：35-41.

[4] 常允新，宋長(zhǎng)斌.山東省崩塌、滑坡、泥石流災(zāi)害發(fā)育現(xiàn)狀與趨勢(shì)分析[J].山東國(guó)土資源，2000，16（4）：39－44.

[5] 裘湧泉.基于多源遙感數(shù)據(jù)的黃土滑坡提取[D」.江西：東華理工大學(xué)，2023.

[6] 白石，唐攀攀，苗朝，等.基于高分辨率遙感影像和改進(jìn)U-Net模型的滑坡提取：以汶川地區(qū)為例LJ].自然資源遙感，2024，36（3）：96-107.

[7] 韓學(xué)林，王秀芬，郭寶奎，等.山東省砂石資源遙感解譯成果及應(yīng)用[J].山東國(guó)土資源，2023，39（11）：59-67.

[8] Stumpf A，KerleN.Object-oriented mapping of landslides u-singRandom Forests[J]. Remote sensing of environment，2011，115（10）：2564-2577.

[9]胡文杰.基于深度學(xué)習(xí)的滑坡識(shí)別方法：以四川省瀘定縣為例[D].廊坊：防災(zāi)科技學(xué)院，2024.

[10]岳帥帥.基于多源遙感數(shù)據(jù)的滑坡識(shí)別技術(shù)研究[D].西安：長(zhǎng)安大學(xué)，2023.

[11］孫頎.巖溶塌陷治理設(shè)計(jì)與實(shí)現(xiàn)：以山東省平邑縣泰和村巖溶塌陷設(shè)計(jì)治理點(diǎn)為例[J].山東國(guó)土資源，2023，39（10）：26-30.

[12]馮廣，杜現(xiàn)福，孫超，等.山東省平邑縣九間棚村土壤地球化學(xué)調(diào)查評(píng)價(jià)[J].山東國(guó)土資源，2024，40（10）：35－42.

[13］馬艷敏，袁福香，李建平，等.基于GF-1衛(wèi)星數(shù)據(jù)的敦化市園參分布提取與變化分析[J].氣象災(zāi)害防御，2024，31（3）：45-48.

[14]袁金國(guó)，牛錚，王錫平.基于FLAASH的 Hyperion 高光譜影像大氣校正[J].光譜學(xué)與光譜分析，2009，29（5）：1181－1185.

[15]張朝忙，劉慶生，劉高煥，等.SRTM3與ASTERGDEM數(shù)據(jù)處理及應(yīng)用進(jìn)展[J].地理與地理信息科學(xué)，2012，28（5）：29-34.

[16]衛(wèi)石印，李忠涵，張啟慧，等.基于多源遙感數(shù)據(jù)的滑坡易發(fā)區(qū)域識(shí)別：[J].山東國(guó)土資源，2024，40（10）：60-65.

[17]王家柱，鐵永波，白永健，等.機(jī)器學(xué)習(xí)在斜坡地質(zhì)災(zāi)害領(lǐng)域的應(yīng)用現(xiàn)狀與展望[J/OL].水文地質(zhì)工程地質(zhì)，1-13.[202503-27].DOI：10.16030/j.cnki.issn.1000-3665.202402011.

[18]康愷，何偉，董天禎，等.一種基于TensorFlow 的蔬菜識(shí)別技術(shù)[J].中國(guó)科技信息，2023（23）：103-106.

[19]榮光旭，李宗洋，田凱.TensorFlow多元線性回歸在邊坡穩(wěn)定性分析中的應(yīng)用[J].齊魯工業(yè)大學(xué)學(xué)報(bào)，2020，34（6）：6.

[20]HSU C W，CHAN C C，LIN C J. A Practical Guide to Sup-port Vector Classification[J].BJU International，2008，101（1）：1396-1400.

[21］黃衍，查偉雄.隨機(jī)森林與支持向量機(jī)分類(lèi)性能比較[J].軟件，2012，33（6）：4.

[22]朱江濤.基于GEE的鄱陽(yáng)湖濕地植被長(zhǎng)期變化特征及影響因素研究[D].南昌：東華理工大學(xué)，2022.

[23]尹常銘.基于機(jī)器學(xué)習(xí)的滑坡易發(fā)性區(qū)劃和滑坡快速識(shí)別研究[D].大連：大連理工大學(xué)，2022.

[24]Karra K，Kontgis C，Statman-Weil Z，et al. Global land use/land cover with Sentinel 2 and deep learning[C]// 2021IEEE International Geoscience and Remote Sensing Symposi-um IGARSS，2021：4704-4707.

Abstract：Early identification of geological disasters and monitoring of easy-happening areas are important work in disaster prevention and reduction. In this paper，taking Pingyi county in Shandong province as the study area，the GF -1 WFV optical image，ASTER GDEM terrain data and precipitation data are fused into multi-source heterogeneous data. The extraction effects of three machine learning algorithms，such as TensorFlow algorithm，support vector machine，and random forest in geological hazard easy-happening areas have been compared. Geological hazard easy-happening areas in the study area from 2O2l to 2024 have been extracted.By using TensorFlow algorithm，support vector machine and random forest methods， landslide easy一happening areas can allidentified well.compared to other methods，TensorFlow algorithm has a higher classification accuracy with an overall accuracy of 82.33% and a Kappa coefficient of 0.82. From2021 to 2024， the proportion of geological hazard easy-happening areas in Pingyi county ranged from 11.5% to 12.5% . The fluctuations are mainly concentrated in Mengshan Dawa area in the northwest of the study area，the southern part of Tangcun reservoir，and Jiujianpeng area. The research results can provide some references for the selection of extraction algorithms for geological hazard easy-happening areas and the prevention of geological hazards in Pingyi county in Shandong province.

Key words：Geological hazard susceptibility extraction；machine learning；multi-source data; Pingyi county in Shandong province