地质灾害是由自然和人为相互作用而产生的灾害现象，常见类型如崩塌、滑坡、泥石流、地面塌陷、地裂缝、地面沉降等^[1-2] 。据广东省“十三五”期间的统计数据显示，全省范围内共有1100多起地质灾害，直接经济损失约1.8亿元。截至2020年，广东省边坡崩滑地质灾害在册隐患点中，粤东山区占比超过30% 。因此，尽可能精准地发现边坡崩滑地质灾害的风险隐患并做好提前防控，是当前粤东山区防灾减灾的重要工作。

国内外学者对地质灾害危险性评价进行了大量的研究。赵富萌^[3]分别采用Logistics回归模型和RF模型对区域滑坡灾害危险性进行评价。朱文慧等^[4]通过MATLAB软件建立BP神经网络，进而得出地质灾害易发性区划结果。Marjanovic M等^[5]通过将DT、SVM和Logistic回归模型作为地质灾害易发性评价方法，并将其与AHP法进行比较。

灾点和非灾点共同构成样本数据集，采用SMOTETomek混合采样进行数据不平衡处理，具体则先利用SMOTE技术进行样本点过采样，增加少数类样本点数，再针对边界不明确点，利用Tomek欠采样技术进行筛选和剔除，来构建清晰边界线数据集并均衡正负样本比例，随后利用生成的新样本数据集结合随机森林（RF）、梯度提升决策树（GBDT）、3D卷积神经网络（3D CNN）、图注意力网络（GAT）等模型，对研究区开展易发性、危险性评价研究。

梅州市梅县区梅西镇地处粤东山区，地质结构较为复杂，全镇总面积为92.7 km²，位置示意如图1 。截至2023年梅西镇共查明崩塌、滑坡等两类地质灾害隐患点共93处，其中崩塌81处，滑坡12处。

图1 梅西镇位置示意图Fig.1 Location of Meixi Town

本文选用2m栅格单元作为评价的基本单元，选取涵括地形地貌、基础地质、地表覆盖、人类活动等四方面共11个评价因子，依托梅西镇高程数据，对相关因子数据进行提取。

3.1 评价因子的提取

本文选取坡度、坡向、平面曲率、剖面曲率等4个地形地貌因子，选取地层岩性、断裂距、水系距等3个基础地质因子，选取归一化植被指数（NDVI）来表征地表覆被，选取道路距、建筑物距、土地利用类型等3个人类活动因子，各评价因子的分级图如图2。

图2 各评价因子分级图Fig.2 Assessment factor classification maps

3.3 易发性评价结果

从灾点和非灾点的坐标信息中提取栅格特征值，其中80%用于训练模型，20%用于测试，利用性能表现最为优异的学习器预测各个栅格地质灾害发生的概率，导入ArcGIS进行分级便可以得到易发性分区图，按照《地质灾害风险调查评价技术要求（1∶50000）（试行）》的要求，划分为低、中、高和极高易发区四个等级。

图3 基于机器学习模型的易发性分区图Fig.3 Susceptibility zoning maps based on machine learning models

图4 基于SMOTETomek混合采样和机器学习模型的易发性分区图Fig.4 Susceptibility zoning maps based on SMOTETomek hybrid sampling and machine learning models

统计不同模型各易发性等级区域内地质灾害点的分布情况，如表1所示。其中点密度通过比较灾点数量与区间面积得出，单位为个/km²；灾点比例揭示了不同级别灾害点在总灾害点中的占比情况，单位为%。

表1 各模型地质灾害易发性分区灾点分布情况Table 1 Disaster point distribution of geological hazard susceptibility zoning in each model

3.4 精度检验

本文借助受试者工作特性曲线（ROC）^[7]来对易发性评价结果的准确性进行验证。常用ROC曲线下的面积AUC值作为定量的评价指标来衡量模型预测的精度，曲线越靠近左上方，精度越高。

图5 基于机器学习模型的易发性评价ROC曲线图Fig.5 ROC curves of susceptibility assessment based on machine learning models

图6 基于SMOTETomek混合采样和机器学习模型的易发性评价ROC曲线图Fig.6 ROC curves of susceptibility assessment based on SMOTETomek hybrid sampling and machine learning models

由上图可知，基于随机森林（RF）、梯度提升决策树（GBDT）、3D卷积神经网络（3D CNN）和图注意力网络（GAT）的 AUC 值分别为 0.69、 0.71、0.77和0.83。而基于SMOTETomek混合采样的4种模型的 AUC 值分别为 0.86 、 0.83 、 0.90 和0.93 。基于机器学习模型的结果精度普遍低于基于 SMOTETomek 混合采样的模型精度，这说明SMOTETomek混合采样方法不仅有效解决数据不平衡性问题，也让模型在训练集和验证集上也表现出更加一致的性能，证明其对未知数据具有更好的泛化能力。其中SMOTETomek-GAT模型的综合表现最优，其AUC值为0.93。

结合该模型的易发性分区图可知，梅西镇地质灾害极高易发区主要分布在丰田村、石赖村，总面积约为12.44 km²，占全区总面积的13.42%，高易发区主要分布在崇化村、龙增村，总面积约为5.73 km²，约占全区总面积的6. 19%，中、低易发区主要分布在三益村、罗墩村、石篆村一带，总面积分别约为18.63 km² 、55.90 km²，占全区总面积的20.09% 、60.30%。

本文的危险性评价以易发性评价里精度最高的SMOTETomek-GAT模型为基础，叠加降雨量进行分析，具体则对2004年至2022年之间的降雨量进行统计分析如图7，再利用自然断点法将危险性评价结果进行划分如图8所示。

图7 梅西镇年均降雨量分布图Fig. 7 Annual precipitation distribution of Meixi Town

图8 梅西镇地质灾害危险性分区图Fig.8 Geological disaster risk zoning map of Meixi Town

统计分析可知，低、中、高、极高危险区所包含的地质灾害点数分别为1 、5 、47和40处，占总点数的1.08%、5.37%、50.53%和43.02%，面积占比分别为 41.62%、 29.48%、 16. 11% 和12.79% 。同时梅西镇地质灾害极高危险区在永福村、石赖村一带均有分布，高危险区主要分布在丰田村、石篆村。

本文采用基于SMOTETomek混合采样的方式分别组合随机森林（RF）、梯度提升决策 树（GBDT）、3D卷积神经网络（3D CNN）、图注意力网络（GAT）等4种机器学习、深度学习模型，依托梅西镇截至2023年的边坡崩滑地质灾害数据进行危险性评价研究，结果表明：

（1）经过SMOTETomek混合采样的模型精度普遍更高，说明该方法不仅解决了数据不平衡性问题，也促使模型发挥出更优异的性能，其中SMOTETomek-GAT 模型的精度最高， AUC 值为0.93。

（2）研究区低、中、高、极高危险区灾点占比分别为1.08%、5.37%、50.53%和43.02%，面积占比41.62% 、29.48% 、16. 11%和12.79%，其中极高危险区在永福村、石赖村一带均有分布，高危险区主要分布在丰田村、石篆村。