Geosci. Front. | 利用机器学习和地理探测器改进山洪易发性制图

背景：山洪灾害破坏力强，易发性制图是防灾减灾的重要非工程措施。机器学习虽在预测精度上具有优势，但现有易发性地图常因主观离散化而呈现碎片化空间模式，难以直接支持区域灾害管理决策。研究目的：本研究旨在提出一个将山洪易发性预测结果转化为管理导向型区域化地图的新框架，通过集成监督学习、无监督聚类和空间解释力反馈，生成空间连贯且实用的分区地图。结论：在秦岭陕西段的案例研究中，基于网格采样和CatBoost的模型预测性能最佳（AUC达0.997）。结合自组织映射神经网络和离差平方和法的两阶段聚类初步识别了易发性空间格局，而基于地理探测器的迭代优化在保留灾害信息的同时简化了空间结构，最终分区结果具有区域共轭性，并能解释约73%的历史山洪空间分异，为差异化防灾策略提供了有效支撑。