11、滑坡易发性的逻辑回归模型分析

滑坡易发性的逻辑回归模型分析

1. 数据异常与训练数据集分析

数据中的错误或自然变异性十分重要，因为它们代表的值与数据集中的其他值显著偏离，可能会影响滑坡的发生。

1.1 训练数据集 1 的箱线图分析

• 坡度（Slope） ：滑坡类别中的坡度中位数较高，表明在坡度较陡的地区，滑坡更为常见。
• 地形湿度指数（TWI） ：两类的中位数接近，但非滑坡类中有更多异常值，可能指向极端的湿度条件。
• 表面积比（SAR） ：两类中均显示出更显著的变化。
• 坡向（Aspect） ：两类的值分布范围都较广。
• 哨兵 - 1 VV（S1VV）和 VH（S1VH）极化数据 ：两类的中位数和范围相似，但 VV 极化中观察到一些异常值。
• 归一化植被指数（NDVI） ：两类的中位数有明显差异，表明植被覆盖的多样性更大。例如，“滑坡”类的 NDVI 中位数较低，说明植被覆盖低的地区容易发生滑坡。
• 海拔（Elevation） ：非滑坡类的中位数较高，且两类中都有异常值。

2. 滑坡易发性建模

2.1 逻辑回归模型 1

• 模型概述 ：该模型详细研究了各种因素对滑坡可能性的贡献。偏差残差范围从