当前对滑坡敏感性建模的研究往往受制于对传统地形和地质特征的依赖，可能忽略了来自多源遥感的表面材料特性所带来的辨识能力。本研究旨在通过创新性地集成光谱信息与先进的机器学习技术，提高敏感性评估的准确性和可靠性。重点关注重庆这一滑坡易发的山区，本研究进行了三项创新性调查： (i) 将12种光谱特征引入特征集； (ii) 通过特征工程系统评估光谱特征的贡献、冗余性和集合完整性； (iii) 实施了一个综合的堆叠集成框架，使用多种元学习者和增强策略（装袋法和交叉训练），以识别最佳集成方案。关键结果显示，光谱特征对模型的性能有显著积极影响，使基于树的集成模型的AUC提升了多达4.52%。最佳模型为以BaggingXGBoost为元学习者的堆叠集成，获得了0.8611的优越测试AUC，优于所有单一基础学习者。此外，空间分析显示工程地质区I内存在高和非常高的敏感性区域，这些区域约占该地区的38%。本研究提供了一个可复制的框架，通过光谱特征与集成学习相结合，提升滑坡敏感性绘制，为复杂山区的有针对性的风险管理和减灾规划提供了科学依据。
田等（周五）研究了这个问题。