摘要：滑坡易发性结果是滑坡灾害防控工作的重要参考，准确的建模对于灾害预警和风险管控至关重要。然而，在滑坡易发性建模过程中，非滑坡样本的选取存在较强的随机性，且未充分考虑滑坡负样本可能来源于潜在滑坡区域，导致评估结果的准确性受到限制。为此，提出了一种基于InSAR地表形变信息的滑坡负样本采样策略，以四川省汉源县为例，采用小基线集合成孔径雷达干涉测量（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）技术生成年平均地表形变速率，并从形变速率极低的区域中生成滑坡负样本。结果表明，在极端梯度提升（extreme gradient boosting，XGBoost）和随机森林模型（random forest，RF）中，基于InSAR的采样方法均显著提升了模型的预测性能。其中，InSAR-RF模型的预测精度最高，AUC值为0.847，准确率为89.8%，相较于传统的缓冲区采样方法，分别提高了4.4%和5.7%。此外，通过将InSAR数据引入模型优化滑坡易发性制图结果，并利用SHAP（shapley additive explanations）算法解释模型内部的决策机制，进一步增强了滑坡易发性评价的科学性和可靠性。所提方法为InSAR技术在机器学习预测滑坡易发性中的应用提供了新思路。
摘要：滑坡易发性结果是滑坡灾害防控工作的重要参考，准确的建模对于灾害预警和风险管控至关重要。然而，在滑坡易发性建模过程中，非滑坡样本的选取存在较强的随机性，且未充分考虑滑坡负样本可能来源于潜在滑坡区域，导致评估结果的准确性受到限制。为此，提出了一种基于InSAR地表形变信息的滑坡负样本采样策略，以四川省汉源县为例，采用小基线集合成孔径雷达干涉测量（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）技术生成年平均地表形变速率，并从形变速率极低的区域中生成滑坡负样本。结果表明，在极端梯度提升（extreme gradient boosting，XGBoost）和随机森林模型（random forest，RF）中，基于InSAR的采样方法均显著提升了模型的预测性能。其中，InSAR-RF模型的预测精度最高，AUC值为0.847，准确率为89.8%，相较于传统的缓冲区采样方法，分别提高了4.4%和5.7%。此外，通过将InSAR数据引入模型优化滑坡易发性制图结果，并利用SHAP（shapley additive explanations）算法解释模型内部的决策机制，进一步增强了滑坡易发性评价的科学性和可靠性。所提方法为InSAR技术在机器学习预测滑坡易发性中的应用提供了新思路。
