准确识别雪崩潜在释放区或雪崩高易发区域对高寒山区工程建设减灾防灾意义重大，特别是在雪崩监测数据缺失地区，能够提供重要的区域性灾害风险预估参考。本文以新疆天山地区伊阿铁路沿线区域为例，将铁路沿线154个雪崩范围形成区作为评价样本，开展基于机器学习算法的雪崩易发性评价，构建新疆天山地区伊阿铁路沿线雪崩易发性评价体系；开展基于数据叠加的雪崩潜在释放区(PRA)识别，绘制伊阿铁路沿线雪崩潜在释放区分布图，并对两个结果通过Kappa系数和AUC值进行检验，并对比讨论。结果显示，支持向量机(SVM)、多层感知器(MLP)、PRA的Kappa系数分别为0.806、0.774、0.600;AUC值分别为0.993、0.961、0.802,机器学习算法在雪崩易发性评价中的表现优于传统的基于数据叠加的雪崩潜在释放区识别算法；两种机器学习算法模型均精度高，其中支持向量机(SVM)算法表现最佳，优于多层感知器(MLP),评价结果比较符合野外雪崩发育实际情况，可为高寒山区重大工程建设的雪崩防灾减灾工作提供基础的科学依据；雪崩潜在释放区的自动识别算法评价能力较弱，评价结果基本符合野外雪崩发育实际情况，对于缺乏可用...

来源平台：工程地质学报