An AutoML and GeoAI workflow for comparative landslide susceptibility assessment in high-relief mountain terrain

方法

LightGBM、XGBoost、CatBoost等六模型，2384样本、13个

发现

集成模型AUC达0.9965，NDVI、土地覆盖、LS因子与岩性为主导预测因子。

机会点

可将该AutoML-GeoAI流程迁移至山区农业用地退化或坡耕地风险制图，并引入时序遥感因子。

复杂山地地形中的滑坡敏感性制图需要能够解析非线性、高维条件因子关系，同时保持空间参照完整性的建模框架。本研究应用并比较评估了ArcGIS Pro 3.5中实现的AutoML和GeoAI工具，在库尔德斯坦地区Choman区开展滑坡敏感性制图比较研究，采用LightGBM、XGBoost、CatBoost、随机树（Random Trees）、极端随机树（Extremely Randomized Trees）及加权集成模型（Ensemble）。空间均衡的训练数据集共2，384个样本，与13个条件因子进行空间相交，并按75%训练集和25%独立测试集划分。在独立留出集上，集成模型取得最低对数损失（0.0809），准确率为97.15%（95% CI 95.48–98.21%），ROC-AUC为0.9965，KS为0.943；其相对表现最佳单一学习器的优势在统计上不显著，但在所有指标上均优于两种基于Bagging的集成模型。在采用五折空间块交叉验证作为泛化性能主要估计时，平均ROC-AUC为0.993 ± 0.003，平均准确率为95.56 ± 1.20%。三种梯度提升算法形成一个连贯的高性能簇，而树类算法表现出显著更高的对数损失和压缩的概率分布。特征重要性分析识别出NDVI、土地覆盖、LS因子和岩性构造单元为四个主导预测因子。热点稳定性分析通过在10%、20%和30%水平扰动敏感性指数，结果显示1，373，610个地形特征中分别有96.84%、93.70%和88.90%保持原始聚类分类，且在两个较低扰动幅度下四分位距均为0，表明所制图的聚类结构对敏感性值的不精确性具有稳健性。该工作流程为类似山地地质灾害情形提供了一种可重复且具备不确定性感知的方法论。