逻辑回归与支持向量机模型在滑坡敏感性评价中的应用

白龙江流域是我国滑坡泥石流灾害四大高发区之一,进行该区域滑坡敏感性评价,能够为决策者在灾害管理和设施建设规划方面提供帮助,对区域防灾减灾具有重要指导意义。本研究采用边坡单元为基本研究单元,在野外调查及前人研究基础上,选择控制该区域滑坡发育的19个要素作为影响因子; 经过主成分分析和独立性检验得到该区域对滑坡形成贡献最大的6个因子：高程、坡度、坡向、岩性、断裂距离和人口密度; 分别使用二元逻辑回归模型（LR）和支持向量机模型（SVM）对该区域进行滑坡敏感性评价; 最后,采用ROC曲线对模型精度进行验证。研究结果表明,两模型各能将38.76%、14.48%、9.40%、11.28%、26.07%和13.49%、21.61%、8.17%、26.70%、30.04%的边坡单元分别预测为极高危险区、高危险区、中度危险区、低危险区和极低危险区; 精度验证结果表明两种模型均能有效地进行该区域滑坡敏感性评价,并且支持向量机模型具有更好的分类能力、预测精度和稳定性。     

支持向量回归机在滑坡安全可靠度评价中的应用研究

探讨支持向量机的参数优化方法,将学习能力较强的支持向量机引入滑坡可靠度评价当中,并根据数理统计的理论,对滑坡稳定性敏感性因素作数据处理,并证明其合理性,在此基础上提出一种改进的可靠度指标的计算方法。为便于对比,分别选取49个学习样本和121个学习样本两种计算模型,计算实例表明,这两种计算模型与蒙特卡洛模型计算结果非常接近,充分体现了在小样本的情形下支持向量机的优势,说明将其应用于滑坡安全可靠度评价中是可行的。     

滑坡灾害空间预测支持向量机模型及其应用

随着GIS技术在滑坡灾害空间预测研究中的广泛应用,滑坡灾害空间预测模型成为研究的热点问题。在总结滑坡灾害空间预测研究现状的基础上,简要介绍了两类和单类支持向量机的基本原理。以香港自然滑坡空间预测为例,采用两类和单类支持向量机进行滑坡灾害空间预测,并与Logistic回归模型进行了比较。结果表明,两类支持向量机模型优于Logistic回归模型,而Logistic回归模型优于单类支持向量机模型。     

改进逻辑回归方法在滑坡敏感性评价中的应用研究

以四川省北川县县城及周边为研究区,在研究区内进行了滑坡的遥感解译和野外调查完成北川滑坡分布图。然后选择了坡度,坡向,高程,曲率,水系影响,断层影响共六个因子,采用了一种改进的逻辑回归模型(AutoLogistic)模型,在ArcGIS平台上进行了滑坡敏感性的评价。完成了滑坡敏感性分级图的制图并对评价的结果和现实滑坡的发生进行了统计分析,结果表明敏感性分级比较合理。     

基于灰色关联度模型的区域滑坡敏感性评价

数理统计和机器学习模型如支持向量机(support vector machine,SVM)等,在区域滑坡敏感性评价中得到广泛的应用.但这些模型的建模过程往往较复杂,如在对机器学习进行训练和测试时难以选取合理的非滑坡栅格单元,而且有较多的模型参数需要确定.为提高滑坡敏感性评价建模的效率和精度,提出基于灰色关联度的敏感性评价模型.灰色关联度模型能有效计算各比较样本与参考样本之间的定量的关联度,具有建模过程简洁和评价精度高的优点,该模型目前在区域滑坡敏感性评价中的应用还没有引起研究人员的足够关注且有待进一步拓展.拟将灰色关联度模型用于浙江省飞云江流域南田—雅梅图幅(南田地区)的滑坡敏感性评价,并将得到的评价结果与SVM模型的敏感性评价结果作对比分析.结果显示,灰色关联度模型在高和极高敏感区的滑坡预测精度优于SVM模型,而在中等敏感区的滑坡预测精度略低于SVM模型;整体而言,灰色关联度模型对整个南田地区滑坡敏感性分布的预测精度略高于SVM模型.对两个模型建模过程的对比结果显示,灰色关联度模型建模较简单,具有比SVM模型更高的建模效率,为滑坡敏感性评价提供了一种新思路.     

逻辑回归模型在玉树地震滑坡危险性评价中的应用与检验

2010年4月14日07时49分(北京时间),青海省玉树县发生了Ms7.1级大地震。作者基于高分辨率遥感影像解译与现场调查验证的方法,圈定了2036处本次地震诱发滑坡。这些滑坡受地震地表破裂控制强烈,规模相对较小,常常密集成片分布。滑坡类型多样,以崩塌型滑坡为主,还包括滑动型、流滑型、碎屑流型、复合型等类型的滑坡。本文基于地理信息系统(GIS)与遥感(RS)技术,应用逻辑回归模型开展玉树地震滑坡危险性评价,并对结果合理性进行检验。应用GIS技术建立玉树地震滑坡灾害及相关滑坡影响因子空间数据库,选择高程、斜坡坡度、斜坡坡向、斜坡曲率、与水系距离、坡位、断裂、地层岩性、归一化植被指数(NDVI)、公路、同震地表破裂、地震动峰值加速度(PGA)共12个因子作为玉树地震滑坡影响因子,在GIS平台下将这些因子专题图层栅格化。应用逻辑回归模型得到每个因子分级的回归系数,然后建立滑坡危险性指数分布图。利用玉树地震滑坡空间分布图对滑坡危险性指数图进行检验,正确率达到83.21%。滑坡危险性分级结果表明,在占研究区总面积4.97%的\     

基于信息量法和支持向量机的芦山县滑坡危险性评价

地质滑坡对人员和经济形成了巨大威胁,因此,区域地质滑坡危险性评价变得极其重要.为了将滑坡带来的损失降到最低,这里以芦山县作为研究区,分析研究区内地质环境的滑坡成因等相关特征,选择12种滑坡因子作为其滑坡危险性评价指标,采用AHP层次分析法确定滑坡因子权重,使用基于径向基核函数的支持向量机模型和信息量模型,对芦山区域进行...     

基于粗糙集的支持向量机滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义。以三峡库区秭归至巴东段为研究区,利用粗糙集理论对20个初始评价因子进行属性约简,去掉冗余或干扰信息,得到13个核心评价因子,并以此作为支持向量机的输入特征集,构建支持向量机模型,实现滑坡易发性评价。在易发性分区图中高易发区占8.2%,主要分布在童庄河右岸、归州河沿岸、青干河左岸、树坪至范家坪长江右岸、牛口到东壤口长江左岸和巴东附近;不易发区占 52.7%,主要分布于店子湾至巴东旧城以及远离长江水系及植被覆盖度高的区域。通过验证与分析,粗糙集-支持向量机模型在高中易发区中的预测精度为85.6%,其预测能力优于支持向量机模型;与野外调查对比,预测结果与实际情况吻合较好。研究表明,应用粗糙集和支持向量机相结合进行滑坡易发性评价具有预测能力强、计算效率高等优点。     

多分类支持向量机在滑坡稳定性判识中的应用

如何准确地判识和评价滑坡的稳定性一直是滑坡研究中的关键问题。基于多分类支持向量机的基本理论,利用三峡库区的37个典型滑坡（27个训练样本,10个测试样本）,建立了滑坡稳定性判识的多分类支持向量机模型,并与距离判别分析方法进行了比较。结果表明,SVM模型对测试样本和训练样本的判识准确率均达到100％,而距离判别法对测试样本和训练样本的判识准确率分别为80％和77.8％,前者的判识精度明显优于后者。在此基础上,将SVM模型运用于溪洛渡库区牛滚凼滑坡的稳定性判识中,结果与实际情况吻合较好。     

滑坡位移的多模态支持向量机模型预测

将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性     

基于支持向量机回归的电阻率成像反演

以电阻率成像为应用背景,研究了在有限学习样本下,支持向量机回归在电法反演中的建模方法,对反演建模时样本划分、数据预处理、反演流程、评估指标等关键技术进行了分析,给出了一种基于交叉验证(CV)的支持向量机参数寻优方法;通过比较RBF核函数在不同的参数ε下对反演结果的影响,建立了优化的电阻率成像SVR反演模型.     

基于对应分析的支持向量机回归在地震储层厚度预测中的应用

储层厚度的预测是油气藏描述的一项关键技术,然储层厚度和地震信息之间的关系是非线性的,其他的数学方法很难拟合.解决这一难点用到了一种新的数学统计方法--支持向量机.笔者介绍了对应分析和支持向量回归机算法原理,在此基础上以实际的数据为例子成功地对储层参数-厚度进行了预测,取得了实际的应用效果,得出了该方法切实可行的结论.     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

支持向量机在泥石流危险度评价中的应用研究

为改善传统泥石流危险度评价方法存在的缺陷,提出了基于支持向量机的泥石流危险度评价方法,并建立了支持向量机评价模型。研究选取泥石流一次(可能)最大冲出量(L1)、泥石流发生频率(L2)、流域面积(S1)、主沟长度(S2)、流域最大相对高差(S3)、流域切割密度(S6)和泥沙补给段长度比(S9)7个因子作为泥石流沟谷危险度评价因子,运用支持向量机理论,选用径向基(RBF)核函数,采取"试错法"进行参数优选;确定参数C=8,γ=2。以云南省37条泥石流沟的259个基础数据为样本进行学习训练和测试,建立了泥石流危险度评价的支持向量机模型。并将该模型应用于黄河积石峡水电站库区的泥石流危险性评价中进行验证。将模型评判结果和模糊数学方法的评价结果进行对比分析,结果的一致性达到73.33%。研究认为支持向量机方法能够成功地应用到泥石流危险度评价中,且具有较高的精度及很强的泛化能力,应用前景广阔。     

基于遗传算法-支持向量机的滑坡渗透系数反演

求解库岸边坡岩土体的渗透系数是研究滑坡渗流场及多场演化的基础,一般通过原位试验和室内试验求得,但试验成本较高且试验位置具有一定的随机性。本文以三峡库区马家沟滑坡为例,提出一种利用地下水位动态观测资料反演滑坡岩土层渗透系数的方法。具体步骤为:（1）依据滑坡的勘察资料和水位观测数据,构建滑坡数值模型;（2）利用SPSS生成不同渗透系数正交试验组合,并将渗透系数代入数值模型中计算监测井的水位,得到不同渗透系数及其对应的模拟水位数据;（3）应用遗传算法优化的支持向量机构建坡体模拟水位与渗透系数的非线性映射关系,再通过代入实际动态监测水位值求得滑坡岩土层的渗透系数;（4）将求得的渗透系数代入数值模型,用计算的模拟水位与实际观测水位进行对比验证。研究结果表明:遗传算法优化的支持向量机具有良好的学习预测效果,能准确预测渗透系数与水位的关系。该反演方法具有高效、准确的优点,反演结果的精度满足实际应用需要。     

逻辑回归模型在边坡稳定性分析中的应用

采用逻辑回归模型和确定性系数CF建立概率模型,使用收集到的22个边坡实例,将重度、内聚力、坡角、坡高、内摩擦角和孔隙压力比六个影响因子作为自变量,边坡状态作为因变量,应用SPSS取不同的滑坡概率P与不滑坡概率1-P的比值的自然对数Z进行回归分析。将获得的滑坡概率拟合模型反馈到样本参数上,对比其误差,选取Z=±10时的函数模型对另外8组边坡进行验证,证明预测模型的合理性。     

支持向量机在遥感数据分类中的应用新进展

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注.该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用.综述了支持向量机算法在遥感数据分类中的应用.首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用.     

基于逻辑回归模型的汶川地震滑坡危险性评价与检验

以2008年5月12日汶川地震区为研究区,基于高分辨率航片与卫星影像开展地震滑坡目视解译,制作了汶川地震滑坡编录图.选择坡度、坡向、高程、与水系距离、与公路距离、与映秀-北川断裂距离、地震烈度、岩性共8个影响因子开展地震滑坡危险性评价工作.滑坡样本采用前期48007处滑坡编录点数据,不滑样本为在基于证据权重模型的滑坡危险性评价结果的低危险区与极低危险区随机选择的48000个点.基于这8个影响因子与逻辑回归模型,建立了汶川地震滑坡危险性索引图.采用这48007个滑坡样本点与汶川地震滑坡最新编录的增加滑坡,分别进行模型的成功率与预测率检验.结果表明,模型成功率为81.739％,预测率达到86.278％.     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。