【技术介绍】
为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响， 构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价 模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足， 结 合栅格单元和斜坡单元的相互关系，提出了滑坡易发性指数的优化计算方法。在此基础上，基于随机森林Tree Bagger分类器构建滑坡易发性评价模型，通过对比分 析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响，探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三 种评价模型的有效性；将评价模型应用于大余县滑坡易发性评价。结果 显示，随机森林模型和自组织特征映射网络-随机森林模型的预测精度较 高，分别达到91.19%和94.94%，成功率曲线的AUC值分别为0.822和0.849， 表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率, 自组织特征映射网络聚类的预测精度虽然有限，但作为非滑坡样本的选择方法，能够有效提高随机森林模型的评价精度。
【技术指标】
目前国内主流地质灾害评估技术采用多指标加权或机器学习进行， 本成果在地质灾害评估领域具有一定的原创性和先进性，采用自组织特 征映射网络聚类提取非滑坡样本，能够有效提高基于机器学习语言构建 滑坡评价模型的评价精度。
【技术成熟度】
已完成研发，专利申请中。
【应用情况】
已在江西大余县开展了初步建模应用，可推广应用于所有地质灾害 区域易发性评价。
