摘  要：以广东为代表的华南地区地质条件和气象条件复杂，受人类活动影响大，需要研究适合的诱发因子及模型进行地质灾害易发性评估；常规的易发性评价方法已有信息量模型或支持向量机等，但区域应用方面仍有提升空间。本文以广东省肇庆市怀集县为研究对象，基于数字高程模型结合资源三号卫星遥感影像，综合选取地形、植被覆盖、地质构造、降水分布、人类活动等11个致灾因子，采用支持向量机模型，对地质灾害的空间分布规律及其影响因素进行综合分析，获得研究区域斜坡类地质灾害隐患易发性评价结果；为验证方法可行性，与已有的信息量模型进行比较评价。研究表明：①根据评价结果极高易发区、高易发区分布的面积所占比其划分结果与研究区内地质灾害实际发育情况吻合，能够反映研究区地灾分布的总体特征。②SVM模型和信息量模型的预测结果均显示，研究区域非常容易发生滑坡危险，特别是在断裂带附近；但SVM模型的精度AUC值更高。

关键词：地质灾害；易发性评估；支持向量机；诱发因子；ROC

引用格式：刘金沧, 王欢欢, 李云, 杨婷.2024.基于支持向量机的华南斜坡类地质灾害易发性评价: 以肇庆市怀集县为例. 时空信息学报,31(6):785-794

Liu J C, Wang H H, Li Y,Yang T. 2024. Evaluating the vulnerability of slope-related geological hazards in Southern China based on support vector machine: A case study of Huaiji County, Zhaoqing City. Journal of Spatio-temporal Information, 31(6): 785-794, doi: 10.20117/j.jsti.202406004

1  引  言

华南地区尤其是广东省地质灾害易发频发，发灾规模小而多、范围分布广。具体而言，主要表现在两个方面：一是大部分丘陵山区中的花岗岩分布区，由于风化壳厚，发生滑坡、崩塌等地质灾害频率较高；二是华南亚热带森林植被茂密，地质灾害发现难度较大，易出现高位隐蔽性地质灾害隐患，造成每年人员伤亡和财产损失严重（周志华，2017）。为进一步加强华南地质灾害综合防治工作，需要建立科学高效的地质灾害防治体系，开展斜坡类地质灾害易发性评价有助于划分出地质灾害早期识别的重点区域（周阳阳等，2024）。

地质灾害的易发性评价可分为定性评价与定量评价。近年来，根据实际需要，研究多采取定量评价。定量模型的准确度在从经验驱动和统计理论模型向新兴机器学习方向发展的过程中得到提升。常用模型中，统计模型有确定性系数法（乔德京等，2020）、证据权法（邓博等，2024）、信息量法（王宁等，2023）等。其中，信息量法通过特定评价单元内某种因素作用下把影响因子的数值转换为能够反映影响程度的信息量，解决因子量纲不统一的问题（魏文豪等，2023）。另外，近年来主流的机器学习方法有随机森林（贾俊等，2023；孙德亮等，2023）、XGBoost机器学习（林报嘉等，2020）、决策树（杨永刚等，2019）、支持向量机（support vector machine, SVM）模型（Huang等，2022）、神经网络模型（庄育龙等，2019）等。SVM模型基于结构风险最小原则利用核函数将输入向量映射到一个高维特征空间，然后在特征空间中寻找分类最优超平面，将两类数据实现最大化分割，适合分析复杂、非线性的滑坡系统，具有不易过拟等优点（刘纪平等，2022）。虽然人工神经网络在性能上通常更优，适合处理复杂和高维数据，但SVM模型在处理小样本和非线性分类问题上独具优势、信息量模型更适合非线性空间分布统计，因此，后两者在模型构建方面更高效（赵铮等，2022）。

此外，以广东为代表的华南地区地质条件和气象条件复杂，受人类活动影响大，易发性评估工作难以直接利用已有研究方法，需要筛选精细诱发因子并使用适合的模型与参数（舒良树，2012；韩继全等，2022）。因此，为了在华南地区建立有效易于推广的易发性评估模型，以肇庆市怀集县为研究对象，本文基于多源遥感影像，以坡度、降水量、地层岩性和植被指数等为评价因子，采用支持向量机模型，对地质灾害的空间分布规律及其影响因素进行综合分析，获得了研究区域斜坡类地质灾害隐患易发性评价结果；为验证方法可行性，与已有的信息量模型（王宁等，2023）进行比较评价。

2  研究区概况及数据源

2.1  研究区概况

怀集县位于广东省西北部，肇庆市北部，绥江上游，处于粤西隆起带，今县城至连麦、中洲一线断层明显可见，形成北东–南西方向为主的断裂体系，并沿着印支运动所形成的褶皱隆起地区侵入大量的花岗岩（万然，2019）。其地貌大致分为西部盆地区，中部、南部低丘区和高丘区，东部、北部、西北部山地区等三部分，总体为山地丘陵地貌，下辖2个街道、16个镇、1个乡，总面积约3554.07 km²，2022年总人口约112.4万（万然，2019）。该县地质环境极其脆弱，具备典型的华南地质、地貌特征，为地质灾害隐患的高发区和易发区，因此选作研究试点区。地灾隐患点分布如图1所示。

2.2  数据来源

实验用到的基础数据包括植被指数数据、地形数据、地质图和气象数据等，主要来源情况见表1。

3  研究方法

基于遥感影像，以坡度、降水量、地表岩性和植被指数等为评价因子，实验采用SVM模型（魏文豪等，2023），对地质灾害的空间分布规律及其影响因素进行综合分析。首先，参考已有研究（郭晨等，2021），以机载激光雷达（light detection and ranging，LiDAR）获取的重点疑似隐患图斑区域高精度DEM为数据源，根据DEM形态数据及其衍生地质地理相关信息，如坡度、高程等，综合利用资源三号光学卫星数据识别疑似斜坡类地质灾害典型图斑位置，结合怀集县地质灾害隐患库，确定选取历史隐患点数据；其次，根据已有研究（邓博等，2024），综合选取地形、植被覆盖、地质构造、降水分布、人类工程活动等因素11个致灾因子，进行分级制图，并利用SVM模型（魏文豪等，2023；窦杰等，2023）进行地质灾害易发性评价；最后，以自然断点法进行易发性分区制图，并与已有的信息量模型（王宁等，2023），进行精度比较评价。具体技术流程如图2所示。

3.1  支持向量机模型

SVM是一种传统机器学习算法，主要用于二元分类和回归任务。其核心目标是找到一个最优的超平面，以在N维空间（N代表特征样本数量）中清晰地将不同类别的数据点分开，并同时最大化这个超平面与数据点之间的间隔，这个间隔通常被称为超平面（Nguyen等，2019；Le等，2023；张子寒等，2020；魏文豪等，2023）。SVM具有出色的泛化能力和稳健性，但需要选择适当的核函数和调整超参数以获得最佳性能（王贝贝等，2022）。

SVM的目标是找到一个N维特征空间上的分类超平面或决策边界，该平面能以最大间隔区分地质灾害易发区和稳定区。SVM的决策函数如下。

（1）输入：假设存在一个线性可分的训练样本向量集合｛x_i｝（i=1，2，…，N），y_i=0或1（0表示非隐患点或不易发，1表示隐患点或者易发）。

（2）输出：

其中，λ_i为拉格朗日算子；x_i为样本标签；K(x_i,x)为核函数；b为偏置项；f(x)为决策函数。

模型的决策边界有两种情况，即线性可分和线性不可分。在线性可分的情况下，SVM通过找到一个超平面，使得不同类别的数据点被最大限度地分开。这个超平面的确定是通过求解一个凸优化问题来实现的，目标是最小化训练集上的经验风险和结构风险。另外，当线性不可分时，SVM通过使用核函数将数据映射到高维特征空间，使其变得线性可分。常用的核函数又可划分为四类，通过选择合适的核函数，SVM能够将非线性问题转化为线性问题进行求解，可以在高维空间中找到一个最优的超平面来进行分类（张子寒等，2020）。

3.2  诱发因素分析

3.2.1  诱发因子分析

根据已有研究（刘纪平等，2022；李益敏等，2023），诱发因子选取可以影响易发性模型评估的准确性。根据研究区地质灾害特征和灾害驱动原理选取评价因子，构建诱发因子指标体系。基于区内滑坡孕灾环境、滑坡发育特征及诱发因素，选取相关地形因子包括坡向、曲率、地势起伏度等；地形湿度指数（topographic wetness index，TWI）；地质因子包括距断裂带距离、地层岩性；自然因素环境因子包括年降水量；滑坡孕灾环境因子包括NDVI和距道路距离。

结合各评价因子自身特点，采用多种分级标准（刘纪平等，2022；李益敏等，2023），对评价因子进行分级。根据研究区地层岩土体的整体特征及复杂性，将岩性整体划分为四类，作为地层岩性分级评价标准。经预处理后，实验得到的诱发因子数据如图3所示。

3.2.2  诱发因子构建

为确保参与分析的诱发因子间无强相关性，在因子筛选过程中，皮尔森相关性或独立性检验确定各因子间是否具有相关性，检验结果如表2所示。因子间的皮尔森系数绝对值为0～0.3时表示弱相关。在相关性最高的地势起伏度、坡度因子中，舍弃坡度因子，可以实现相关性降低；类似地，舍弃表面粗糙度因子，提高因子间的独立性；其他选用的因子在相关性检验交叉表中大部分是弱相关性，能够满足实验要求。

3.3  精度评估方法

为了验证方法的可行性，采用ROC 曲线进行模型预测能力检验。抽取正负样本各152个栅格单元进行ROC 曲线绘制，其曲线下面积(area under curve，AUC)值被定义为ROC 曲线以下至横坐标的面积，取值0.5～1（赵铮，2022）。其中，AUC值越高、越接近1，代表模型精度越高。

4  实验结果与分析

根据已收集的怀集县共41个历史隐患点和111个解译隐患点，选取隐患点区域为滑坡样本，通过空间分析在坡度条件和地质条件等合理范围随机选取非滑坡样本点。选取70%的样本数据作为训练集，30%的作为测试集。

4.1  精度评定结果

为验证方法的有效性，实验同时选取已有的信息量模型（王宁等，2023），进行精度比较评价。针对斜坡类地质灾害易发性评估结果，利用ArcGIS的自然断点法进行等级划分，可得到地质灾害的易发性评估结果，如图4所示。根据已有研究（解明礼等，2021），地质灾害划分为极高易发区、高易发区、中易发区、低易发区、极低易发区五个等级，参考图1中隐患点位置分布情况，极高易发区、高易发区分布的面积所占比其划分结果与研究区内地质灾害实际发育情况吻合。精度验证过程ROC 曲线如图5所示。可以看出，怀集县研究区域非常容易发生滑坡危险，特别是在断裂带附近；本方法相对较优，AUC值为0.8043，且大量滑坡点都落在高易发和极高易发区中，表明滑坡易发性评估中预测结果较好，评价准确度较高，模型训练良好；而应用信息量模型（王宁等，2023），AUC值为0.6036，相对预测精度略低。具体诱发因子分级信息及信息量见表3。

4.2  地质灾害诱发因子时空分布规律分析

通过已经建立的地质灾害样本图层统计灾害分布及其诱发影响相关性大小，分析斜坡类地质灾害空间分布规律。其中，灾害发生率反映了诱发因子对地质灾害的贡献程度，作为重要的规律分析参数，进行具体分析。斜坡类地质灾害及相关诱发因子分级信息统计情况，如图6所示。结合图4~5，可以得到斜坡类地质灾害主要空间分布规律如下。

（1）斜坡类地质灾害受坡度与斜坡形态因素影响最关键。斜坡剖面形态可分为凸形坡、凹形坡、直线坡和阶梯形四种类型（罗莉等，2024），直线坡发生灾害概率最大，部分斜坡形态类型因人类工程活动而改变。受坡度影响，低坡度产生的剪应力使其发生灾害概率变小，坡度越高则相反。

（2）距断裂带距离与灾害发生概率为负相关，即越靠近断层的斜坡更容易发生灾害。而北东–南西方向为主的断裂带斜贯怀集县，直接控制地层岩性，而受断裂带抬升错动破坏的岩土体的整体稳定性降低。

（3）地质灾害的形成与降水量、降水分布、降水强度、降水历时和过程降水量等密切相关。实验收集到广东年降水数据，降水量强度与灾害发生概率呈正相关，其与图4（a）所示易发性评估值趋势空间布局分布位置基本相一致，西部降水量偏高而对应位置呈高易发性。

5  总  结

以广东为代表的华南地区地质条件和气象条件复杂，受人类活动影响大，需要研究适合的诱发因子及模型进行地质灾害易发性评估。本文针对特定问题进行研究，如数据源充分、高效样本制作和模型参数选取等，致力于生成适用于华南地区孕灾环境的高可靠度滑坡易发性制图。以广东省肇庆市怀集县为研究对象，实验基于数字高程模型结合资源三号卫星遥感影像，综合选取地形、植被覆盖、地质构造、降水分布、人类活动等致灾因子，采用支持向量机模型，对地质灾害的空间分布规律及其影响因素进行综合分析，获得研究区域斜坡类地质灾害隐患易发性评价结果；为验证方法可行性，并与已有的信息量模型进行比较评价。

（1）根据评价结果极高易发区、高易发区分布的面积所占比其划分结果与研究区内地质灾害实际发育情况吻合，能够反映研究区地灾分布的总体特征。在库地质灾害隐患点聚集的区域绝大多数位于中高易发区内。

（2）本方法效果更好。精度检验中，SVM模型和信息量模型的预测结果均显示，研究区域非常容易发生滑坡危险，特别是在断裂带附近；但SVM模型的精度AUC值更高。

虽然研究成果在一定程度上能够为特定区域的灾害隐患有效判识和风险科学评估定级提供参考。仍有许多待进一步研究，例如，需要建立更完善的滑坡评价因子体系和模型算法，定量化表达评价因子的重要程度，以便探索更合理可靠的斜坡类地质灾害预测模型。此外，需增加形变指标，引入耦合模型机器学习方法，在华南地质时空分布变化特征和降雨驱动为主的环境特征下，开展提高易发性评估精度的有关研究。

参考文献

邓博, 张会, 柏君, 董秀军, 金典琦, 金松燕, 张少标. 2024. 利用机载LiDAR的深圳市斜坡类地质灾害危险性评价. 武汉大学学报(信息科学版), 49(8): 1377-1391[Deng B, Zhang H, Bai J, Dong X J, Jin D Q, Jin S Y, Zhang S B. 2024. Hazard evaluation of the slope based on airborne LiDAR data in Shenzhen, China. Geomatics and Information Science of Wuhan University, 49(8): 1377-1391 (in Chinese)]

窦杰, 向子林, 许强, 郑鹏麟, 王协康, 苏爱军, 刘军旗, 罗万祺. 2023. 机器学习在滑坡智能防灾减灾中的应用与发展趋势. 地球科学, 48(5): 1657-1674[Dou J, Xiang Z L, Xu Q, Zheng P L, Wang X K, Su A J, Liu J Q, Luo W Q. 2023. Application and development trend of machine learning in landslide intelligent disaster prevention and mitigation. Earth Science, 48(5): 1657-1674 (in Chinese)]

郭晨, 许强, 董秀军, 刘小莎, 佘金星. 2021. 复杂山区地质灾害机载激光雷达识别研究. 武汉大学学报(信息科学版), 46(10): 1538-1547[Guo C, Xu Q, Dong X J, Liu X S, She J X. 2021. Geohazard recognition by airborne LiDAR technology in complex mountain areas. Geomatics and Information Science of Wuhan University, 46(10): 1538-1547 (in Chinese)]

韩继全, 殷豫江, 谢彪, 刘欣迪, 王麒麟, 黄玮. 2022. 倾斜摄影在高海拔地区泥石流勘查中的应用. 地理信息世界, 29(6): 65-68, 72[Han J Q, Yin Y J, Xie B, Liu X D, Wang Q L, Huang W. 2022. Application of oblique photography in debris flow exploration in high-altitude areas. Geomatics World, 29(6): 65-68, 72 (in Chinese)]

贾俊, 毛伊敏, 孟晓捷, 高波, 高满新, 武文英. 2023. 深度随机森林和随机森林算法的滑坡易发性评价对比——以汉中市略阳县为例. 西北地质, 56(3): 239-249[Jia J, Mao Y M, Meng X J, Gao B, Gao M X, Wu W Y. 2023. Comparison of landslide susceptibility evaluation by deep random forest and random forest model: A case study of Lueyang County, Hanzhong City. Northwestern Geology, 56(3): 239-249 (in Chinese)]

李益敏, 邓选伦, 谢亚亚, 李盈盈, 蒋文学. 2023. 基于信息量–逻辑回归模型的怒江州滑坡灾害易发性评价. 时空信息学报, 30(1): 77-85[Li Y M, Deng X L, Xie Y Y, Li Y Y, Jiang W X. 2023. Evaluation of landslide hazard susceptibility in Nujiang Prefecture based on information-logistic regression model. Journal of Spatio-temporal Information, 30(1): 77-85 (in Chinese)]

林报嘉, 刘晓东, 杨川, 尹航. 2020. XGBoost机器学习模型与GIS技术结合的公路崩塌灾害易发性研究. 公路, 65(7): 20-26[Lin B J, Liu X D, Yang C, Yin H. 2020. Avalanche susceptibility assessment of highway based on XGBoost machine learning model and GIS method. Highway, 65(7): 20-26 (in Chinese)]

刘纪平, 梁恩婕, 徐胜华, 刘猛猛, 王勇, 张福浩, 罗安. 2022. 顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价. 测绘学报, 51(10): 2034-2045[Liu J P, Liang E J, Xu S H, Liu M M, Wang Y, Zhang F H, Luo A. 2022. Multi-kernel support vector machine considering sample optimization selection for analysis and evaluation of landslide disaster susceptibility. Acta Geodaetica et Cartographica Sinica, 51(10): 2034-2045 (in Chinese)]

罗莉, 王斌, 周立鹏. 2024. 基于多源数据的广域滑坡隐患数字地形分析. 北京测绘, 38(4): 596-602[Luo L, Wang B, Zhou L P. 2024. Digital terrain analysis of wide-area landslide hazards based on multisource data. Beijing Surveying and Mapping, 38(4): 596-602 (in Chinese)]

乔德京, 王念秦, 郭有金, 杨盼盼. 2020. 加权确定性系数模型的滑坡易发性评价. 西安科技大学学报, 40(2): 259-267[Qiao D J, Wang N Q, Guo Y J, Yang P P. 2020. Landslide susceptibility assessment based on weighted certainty factor model. Journal of Xi’an University of Science and Technology, 40(2): 259-267 (in Chinese)]

舒良树. 2012. 华南构造演化的基本特征. 地质通报, 31(7): 1035-1053[Shu L S. 2012. An analysis of principal features of tectonic evolution in South China Block. Geological Bulletin of China, 31(7): 1035-1053 (in Chinese)]

孙德亮, 陈丹璐, 密长林, 陈星宇, 密士文, 李晓琴. 2023. 基于随机森林-特征递归消除模型的可解释性缓丘陵谷地貌滑坡易发性评价. 地质力学学报, 29(2): 202-219[Sun D L, Chen D L, Mi C L, Chen X Y, Mi S W, Li X Q. 2023. Evaluation of landslide susceptibility in the gentle hill-valley areas based on the interpretable random forest-recursive feature elimination model. Journal of Geomechanics, 29(2): 202-219 (in Chinese)]

万然. 2019. 遥感解译在怀集县地质灾害详细调查中的应用. 西部资源 (4): 150-151[Wan R. 2019. Application of remote sensing interpretation in detailed investigation of geological disasters in Huaiji County. Western Resources, (4): 150-151 (in Chinese)]

王贝贝, 李星月, 陈濛. 2022. 基于Landsat遥感影像的浙江省建设用地扩张监测. 地理信息世界, 29(4): 23-29[Wang B B, Li X Y, Chen M. 2022. Monitoring the expansion of construction land in Zhejiang Province based on landsat remote sensing images. Geomatics World, 29(4): 23-29 (in Chinese)]

王宁, 姜德才, 郑向向, 钟昶. 2023. 基于多源异构数据斜坡地质灾害隐患易发性评价——以深圳市龙岗区为例. 自然资源遥感, 35(4): 122-129[Wang N, Jiang D C, Zheng X X, Zhong C. 2023. Assessing the susceptibility of slope geological hazards based on multi-source heterogeneous data: A case study of Longgang district, Shenzhen City. Remote Sensing for Natural Resources, 35(4): 122-129 (in Chinese)]

魏文豪, 贾雨霏, 盛逸凡, 徐光黎, 杨宜军, 张端淼. 2023. 基于I、SVM、I-SVM的滑坡灾害易发性评价模型研究. 安全与环境工程, 30(3): 136-144[Wei W H, Jia Y F , Sheng Y F, Xu G L,  Yang Y J,  Zhang D M. 2023. Research on landslide susceptibility evaluation model based on I , SVM and I-SVM. Safety and Environmental Engineering, 30(3): 136-144(in Chinese)]

解明礼, 巨能攀, 赵建军, 范强, 何朝阳. 2021. 区域地质灾害易发性分级方法对比分析研究. 武汉大学学报(信息科学版), 46(7): 1003-1014[Xie M L, Ju N P, Zhao J J, Fan Q, He C Y. 2021. Comparative analysis on classification methods of geological disaster susceptibility assessment. Geomatics and Information Science of Wuhan University, 46(7): 1003-1014 (in Chinese)]

杨永刚, 殷坤龙, 赵海燕, 黄晨忱, 陈丽霞, 张俞. 2019. 基于C5.0决策树–快速聚类模型的万州区库岸段乡镇滑坡易发性区划. 地质科技情报, 38(6): 189-197[Yang Y G, Yin K L, Zhao H Y, Huang C C, Chen L X, Zhang Y. 2019. Landslide susceptibility evaluation for township units of bank section in Wanzhou district based on C5. 0 decision tree and K-means cluster model. Geological Science and Technology Information, 38(6): 189-197 (in Chinese)]

张子寒, 葛淼, 卢新卫, 杨文婕, 葛磊, 王聪霞. 2020. 基于支持向量机的男性血清瘦素参考值空间分布规律. 地理信息世界, 27(3): 49-55, 62[Zhang Z H, Ge M, Lu X W, Yang W J, Ge L, Wang C X. 2020. Spatial distribution of men’s serum leptin reference values based on support vector machine. Geomatics World, 27(3): 49-55, 62 (in Chinese)]

赵铮, 陈建华, 甘先霞, 谢华伟. 2022. 基于信息量法和支持向量机的芦山县滑坡危险性评价. 物探化探计算技术, 44(1): 96-101 [Zhao Z, Chen J H, Gan X X, Xie H W. 2022. Risk assessment of landslides in Lushan county based on information value method and support vector machine. Computing Techniques for Geophysical and Geochemical Exploration, 44(1): 96-101 (in Chinese)]

周阳阳, 孙中瑞, 陈斌, 徐锋良, 张青峰. 2024. 基于实景三维模型的地质灾害隐患识别——以广东省上坪镇为例. 时空信息学报, 31(1): 148-156[Zhou Y Y, Sun Z R, Chen B, Xu F L, Zhang Q F. 2024. Geological hazard hidden danger identification based on real-scene 3D models: A case study of Shangping town, Guangdong Province. Journal of Spatio-temporal Information, 31(1): 145-156 (in Chinese)]

周志华. 2017. 广东省地质灾害防治信息化现状及存在问题分析. 西部探矿工程, 29(3): 6-9[Zhou Z H. 2017. Analysis of current situation and existing problems of geological disaster prevention and control informatization in Guangdong Province. West-China Exploration Engineering, 29(3): 6-9 (in Chinese)]

庄育龙, 田原, 程楚云. 2019. 基于深度神经网络的滑坡危险性评价——以深圳市为例. 地理与地理信息科学, 35(2): 104-110, 1[Zhuang Y L, Tian Y, Cheng C Y. 2019. Landslide susceptibility assessment based on deep neural network: A case study of Shenzhen. Geography and Geo-Information Science, 35(2): 104-110, 1 (in Chinese)]

Huang W B, Ding M T, Li Z H, Zhuang J Q, Yang J, Li X L, Meng L E, Zhang H Y, Dong Y. 2022. An efficient user-friendly integration tool for landslide susceptibility mapping based on support vector machines: SVM-LSM toolbox. Remote Sensing, 14(14): 3408

Le X H, Eu S, Choi C, Nguyen D H, Yeon M, Lee G. 2023. Machine learning for high-resolution landslide susceptibility mapping: Case study in Inje County, South Korea. Frontiers in Earth Science, 11: 1268501

Nguyen V V, Pham B T, Vu B T, Prakash I, Jha S, Shahabi H, Shirzadi A, Ba D N, Kumar R, Chatterjee J M, Tien Bui D. 2019. Hybrid machine learning approaches for landslide susceptibility modeling. Forests, 10(2): 157