GEE Python案例——通过机器学习算法检测 Portonovo 和 Trave 悬崖之间的崖顶侵蚀驱动因素（意大利安科纳）

简介

岩石海岸线的特点是陡峭的悬崖峭壁，经常会经历各种自然过程，这些过程往往表现出错综复杂的相互依存关系，如降雨、冰雪和水流以及海洋作用。 通过遥感和地理信息技术获取的高时空分辨率数据的出现，为安全勘探原本无法进入的区域提供了便利。 从这些技术中收集到的数据集通常与实地考察的数据相结合，随后可通过机器学习算法和/或数值建模进行分析，以确定/找出影响崖顶侵蚀的主要影响因素。 本研究侧重于马尔凯地区亚得里亚海科内罗岬角的一个具体案例。 研究方法包括几个步骤。 首先，通过无人飞行器（UAV）和传统地质/地质力学勘测确定了这些地区的形态、地质和地质力学特征。 随后，通过使用 DSAS 工具（数字海岸线分析系统）比较 1978 年和 2022 年拍摄的正射影像图，在地理信息系统环境中确定了崖顶退缩情况，突出显示了某些区域高达 50 米的崖顶退缩。 通过使用两种机器学习（ML）算法，即随机森林（RF）和极端梯度提升（XGB），进行了进一步分析。 采用平均杂质减少率 (MDI) 方法来评估每个因子的重要性。 两种算法得出了一致的结果，强调了崖顶侵蚀率主要受斜坡高度的影响。 最后，使用二维极限平衡法（LEM）代码对 ML 算法结果进行了验证。 在二维极限平衡法分析中，使用了从 DSAS 确定的崖顶退缩最严重的地段中提取