基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能...     

基于3种不同机器学习算法的滑坡易发性评价对比研究

准确的滑坡易发性评价结果是山区滑坡灾害防治的关键,可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考,笔者以云南芒市为研究对象,选取高程、地层岩性、年均降雨量等9项评价因子,通过多重共线性分析,构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(S_ei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的S_eV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其S_eV值分别为0.829、0.90、9.14;SVM最低,其S_eV值分别为0.794、0.88、6.85。此外,RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比,RF算法在芒市区域具有更高的准确性和可靠性,更适合用于该区域的滑坡易发性建模,且利用该模型获得的评价结果,能够为芒市区域的滑坡防治提供理论依...     

基于自组织特征映射网络-随机森林模型的滑坡易发性评价

为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响,构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足,结合栅格单元和斜坡单元的相互关系,提出了滑坡易发性指数的优化计算方法。在此基础上,基于随机森林Tree Bagger分类器构建滑坡易发性评价模型,通过对比分析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响,探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三种评价模型的有效性;将评价模型应用于大余县滑坡易发性评价。结果显示,随机森林模型和自组织特征映射网络-随机森林模型的预测精度较高,分别达到91.19%和94.94%,成功率曲线的AUC值分别为0.822和0.849,表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率, 自组织特征映射网络聚类的预测精度虽然有限,但作为非滑坡样本的选择方法,能够有效提高随机森林模型的评价精度。     

基于FR的多种机器学习模型在地质灾害易发性评价中的对比分析

选取建模效果较好的3种模型,支持向量机模型、随机森林模型和人工神经网络模型,以福建福鼎为研究区进行地质灾害易发性分析,将3种模型建模结果通过ROC曲线和频度比法进行对比,选择最优福鼎地质灾害易发性分析结果,为该地区防灾减灾提供有利指导。结果表明:3种模型均能有效地预测出福鼎地质灾害易发性,是基于该区域可靠性较高的预测模型;支持向量机模型的准确率(86.7%)高于人工神经网络(84.7%)和随机森林(79.7%)的准确率;支持向量机模型的频度比分析值更具梯度,是最适合该地区的易发性分析模型。     

镇域尺度下秦巴山区堆积层滑坡易发性不同单元评价性能对比研究

秦巴山区堆积层滑坡数量多、分布广、密度大、频次高,所造成的危害十分严重,且具有孕灾条件复杂多样和部分灾害评价数据获取难度大等特征。笔者选取秦巴山区小岭镇作为研究区,在地质灾害野外调查基础上,结合堆积层滑坡区域特点,采取栅格、斜坡两种单元类型,因地制宜的提取了滑坡孕灾因子,分析其相关性,提选出坡度、坡高、坡面形态、斜坡结构类型、堆积层厚度、距道路、矿区、断裂的距离等8个因子作为堆积层滑坡特征因子,运用随机森林模型方法对该镇域进行了滑坡易发性评价;并通过评价结果频率比、ROC曲线、易发性概率均值与标准差,对栅格单元、斜坡单元两种单元类型的精度与准确性进行了验证,结果表明：两种评价单元的预测结果都有良好的表现,但斜坡单元作为评价单元总体预测性能高于栅格单元,栅格单元在灾害防治具体空间部署上有着更精细的参考。研究成果对秦巴山区镇域地质灾害风险评价工作有一定的理论和实践意义。     

基于随机森林-特征递归消除模型的可解释性缓丘岭谷地貌滑坡易发性评价

研究旨在基于随机森林-特征递归消除模型，通过SHAP算法(SHapley Additive exPlanation, SHAP)与部分依赖图(Partial Dependence Plot, PDP)对缓丘岭谷地貌区域进行滑坡易发性评价与内部机制解释，以期为地质灾害防治研究提供参考。利用优化随机森林算法对典型缓丘岭谷地区滑坡易发性进行研究，建立缓丘岭谷滑坡易发性评价模型；利用特征递归消除算法剔除噪声因子，选取地形地貌、地质构造、环境条件、人类活动5个类型16个因子构建重庆合川区滑坡致灾因子数据库；结合合川区754个历史滑坡点，利用随机森林算法对因子重要性进行排序，并根据专家经验法对研究区的滑坡易发性进行划分，将研究区的滑坡易发性分为极低、低、中、高、极高5个等级；应用部分依赖图对合川区滑坡发生影响大的因子进行解释和SHAP算法对个体滑坡进行局部解释。结果表明：与原模型相比，随机森林-特征递归消除模型测试集AUC值提高了0.019,证明了特征递归消除算法的有效性；训练集以及测试集的AUC值分别为0.769、0.755,具有较高的预测精度；缓丘缓坡地区在起伏较大地区滑坡密度较大，历史滑坡多...     

基于贝叶斯优化机器学习超参数的滑坡易发性评价

利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说...     

基于机器学习的滑坡易发性预测建模及其主控因子识别

不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异,另外如何有效识别滑坡易发性的主控因子意义重大.针对上述问题,以支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性,创新地提出了"权重均值法"来...     

基于C5.0决策树-快速聚类模型的万州区库岸段乡镇滑坡易发性区划

以乡镇为评价单元开展区域滑坡易发性评价对用地规划、防灾减灾等方面具有重要意义。以万州区临江段的23个乡镇单元作为研究对象,首先选取地表高程、坡度、坡向、岩性、构造、土地利用类型、地形湿度指数、水系、道路9个指标因子,通过C5.0决策树算法计算该区域发生滑坡的概率,再利用快速聚类算法进行易发性结果分级;基于ArcGIS平台得到各乡镇单元的滑坡易发性分区,结果表明:C5.0决策树-快速聚类模型的易发性评价精度最高,AUC值达到0.950,优于人工神经网络-快速聚类模型的0.826和贝叶斯-快速聚类模型的0.772。利用C5.0决策树-快速聚类模型的计算结果,综合考虑极高(高)易发区面积大小及其占乡镇面积比大小,完成各乡镇单元的滑坡易发性区划。在所有23个乡镇中,滑坡易发性等级高的包括大周镇、万州城区、溪口乡、新田镇等乡镇。通过对比各乡镇滑坡面积占研究区滑坡总面积的比重,发现两者结论基本一致,预测结果可为全区滑坡防灾减灾提供科学依据。     

基于粗糙集和BP神经网络的滑坡易发性评价

区域滑坡易发性评价是国土规划和滑坡中长期防治的重要依据。为进一步提高滑坡易发性评价的准确性,以恩施市龙凤镇为研究区,运用地理信息系统GIS技术,获取了包括工程岩组、坡度、地质构造等在内的13个初始评价因子,利用基于遗传约简算法的粗糙集理论对初始评价因子进行属性约简,去掉冗余属性后获得最小约简,即8个核评价因子:工程岩组、高程、地形曲率、道路、水系、坡度、坡向、径流强度指数,并以此作为BP神经网络的输入层,构建RS-BPNN预测模型,获得滑坡易发性指数LSI及滑坡易发性等级分区图。其中高易发区面积占总面积的12.82%,该区包含的滑坡面积占总滑坡面积的78.11%,通过ROC曲线测试,模型预测精度为90.9%。结果表明,RS-BPNN模型预测性能良好,进一步提高了滑坡易发性评价的精度和准确性,有较高的工程实用价值。      

机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

基于机器学习的区域滑坡灾害预警模型研究

中国滑坡灾害严重,区域滑坡灾害预警是防灾减灾的重要手段之一,预警模型是开展区域滑坡灾害预警的关键问题。本文系统开展了基于机器学习的区域滑坡灾害预警模型研究,并以四川省青川县为例,基于近10年地质与气象数据,构建了青川县区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:(1)提出了基于机器学习的区域滑坡灾害预警模型的构建方法,主要包括训练样本集构建、样本学习训练与优化建模、模型保存与预警输出等几个关键步骤。(2)提出了区域滑坡训练样本集的构建方法,即以正样本为基础,在时空约束条件下随机采样获取负样本,最终获得完整的训练样本集。(3)样本学习训练中,以训练样本集的80%作为训练集,20%作为测试集,进行5折交叉验证,采用精确度、ROC曲线和AUC值校验模型准确度和模型泛化能力。采用贝叶斯优化算法进行模型优化。(4)实际预警中,调用训练好的预警模型输出滑坡灾害可能发生的概率。依据概率大小,分级确定预警等级。分级依据为:当输出概率P≥40%且P＜60%时,发布黄色预警;当输出概率P≥60%且P＜80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。(5)以青川县为例,构建了青川县区域滑坡训练样本集,采用6种机器学习算法进行模型训练,结果显示随机森林算法表现最好,其准确率最高(0.963),模型无过拟合现象,模型泛化能力最好(AUC=0.986);其次为逻辑回归算法;再次为人工神经网络算法和决策树算法。选取2018年6月26日的青川县日常预警业务进行实例校验。结果显示:当日17处滑坡灾害点中,100%的灾害点全部落入预警区范围内,其中:70.6%的滑坡落在红色预警区内,17.6%的滑坡落在橙色预警区内,11.8%的滑坡落在黄色预警区内。     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC(Area Under Curve)精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。     

不同环境因子联接和预测模型的滑坡易发性建模不确定性

拟深入探讨滑坡与其环境因子间的非线性联接计算以及不同数据驱动模型等因素,对滑坡易发性预测建模不确定性的影响规律.以江西省瑞金市为例共获取370处滑坡和10种环境因子,通过概率统计（probability statistics,PS）、频率比（frequency ratio,FR）、信息量（information value,Ⅳ）、熵指数（index of entropy,IOE）和证据权（weight of evidence,WOE）等5种联接方法分别耦合逻辑回归（logistic regression,LR）、BP神经网络（BP neural networks,BPNN）、支持向量机（support vector machines,SVM）和随机森林（random forest,RF）模型共构建出20种耦合模型,同时构建无联接方法直接将原始数据作为输入变量的4种单独LR、BPNN、SVM和RF模型,预测出总计24种工况下的滑坡易发性;最后分别使用ROC曲线、均值、标准差和差异显著性等指标分析上述24种工况下易发性结果的不确定性.结果表明:（1）基于WOE的耦合模型预测滑坡易发性的平均精度最高且不确定性较低,基于PS的耦合模型预测精度最低且不确定性最高,基于FR、Ⅳ和IOE的耦合模型介于两者之间;（2）单独数据驱动模型易发性预测精度略低于耦合模型,且未能计算出环境因子各子区间对滑坡发育的影响规律,但其建模效率高于耦合模型;（3）RF模型预测精度最高且不确定性较低,其次分别为SVM、BPNN和LR模型.总之WOE是更优秀的联接法且RF模型预测性能最优,WOE-RF模型预测的滑坡易发性不确定性较低且更符合实际滑坡概率分布特征.      

基于斜坡单元与随机森林模型的元阳县崩滑地质灾害易发性评价

针对基于栅格单元与定性定量方法模型在地质灾害易发性评价中存在模型预测精度低且使用较为频繁的不足与弊端,采用斜坡单元与机器学习方法之一的随机森林模型相结合开展元阳县崩滑地质灾害易发性评价。在ArcGIS中,利用曲率分水岭法划分出7 851个斜坡单元。经过大量统计研究与地质环境条件分析,选取工程地质岩组、地貌类型、高程、坡度、坡向、曲率、起伏度、河流距离、断层距离等9个因子作为评价指标,并通过SPSS软件,将9个评价指标与灾点发育特征的关系进行数据分析,得出各评价指标权重。在SPSS中,采用随机森林模型,建立易发性评价模型,将元阳县崩滑地质灾害易发性划分为低、中、高、极高4类,所占面积分别为410.06 km²、470.21 km²、550.02 km²和776.87 km²,分别占元阳县面积的18.58%、21.30%、24.92%和35.20%。经与详查结果对比,评价结果与实际高度吻合。利用ROC曲线得出区划结果精度AUC值为92.7%,区划结果相当好。研究显示,元阳县中部和西南两个部分地质灾害集中...     

基于SVM-ANN模型的滑坡易发性评价——以三峡库区巫山县为例

本文以三峡库区巫山县为研究区,利用收集的资料,提取出9类指标因子(高程、坡度、坡向、地形湿度指数TWI、地表粗糙度指数TRI、地层岩性、水系距离、构造距离、植被覆盖指数NDVI),利用相关性分析剔除高程因子。将灾害点和指标因子数据带入支持向量机(SVM)和人工神经网络(ANN)模型,得到研究区滑坡易发性区划图。根据ROC曲线对模型的精确度进行评价,得到SVM模型的成功率和预测率曲线的AUC值分别为0.919和0.862,ANN模型分别为0.86和0.837,表明两个模型均适用于研究区滑坡易发性评价。根据以上工作,本文提出了基于Max{LSI(SVM);LSI(ANN)}函数的SVM-ANN模型,并将其应用到该区的滑坡易发性评价中。SVM、ANN和SVM-ANN模型中,历史滑坡灾害点分布在高-极高易发区的比例分别为90.06%、83.18%和94.01%,表明SVM-ANN模型更适用于滑坡灾害风险分析的实际应用。     

基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例

金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区...     

基于随机森林的福建省区域滑坡灾害预警模型研究

福建省滑坡灾害群发,点多面广,开展区域滑坡灾害预警业务是有效防灾减灾的重要手段,预警模型的科学性和有效性是预警业务的核心问题。传统区域滑坡灾害预警模型,受到滑坡诱发机理复杂、数据积累有限,以及大数据分析方法不足等限制,存在预警精度有限、精细化不足等问题。本文基于近9年地质与气象大数据,采用随机森林算法,构建了福建省区域滑坡灾害预警模型并开展实例校验。研究得出如下结论：(1)提出区域滑坡灾害训练样本集构建的优化方法,并构建了福建省区域滑坡灾害训练样本集,样本集包括地质环境、降雨等26个输入特征属性和1个输出特征属性,涵盖了福建省近9年(2010～2018年)全部样本数量达15 589个(其中：正样本3562个,负样本12 027个,正负样本比例约1︰3.4);(2)基于随机森林算法,对福建训练样本集进行学习训练、模型优化和模型存储。模型训练采用5折交叉验证法,采用贝叶斯优化算法进行模型参数优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。优化后的模型准确率和泛化能力均较好(准确率94.3%,AUC为0.954);(3)选取2021年6月22日和28日的实际滑坡灾害...     

基于遥感影像多尺度分割与地质因子评价的滑坡易发性区划

区域滑坡易发性的研究是滑坡空间预测的核心内容之一。从影像多尺度分割和面向对象的分类理论出发,以研究区遥感影像的熵、能量、相关性、对比度共4个参数作为影像纹理因子提取易发性特征,利用滑坡所处区域的库水影响等级、坡度、斜坡结构、工程岩组4类地质因子分析地质背景,搭建C5.0决策树的易发性分类模型,实现了对研究区内4类滑坡易发性单元的预测。结果表明:高易发性单元的工程岩组通常发育为软岩岩组和软硬相间岩组,且坡度在15°～30°之间;模型显示该区域训练样本和测试样本平均正确率达91.64%,Kappa系数分别为0.84,0.51,因此这种基于影像多尺度分割与地质因子分级的滑坡易发性分类研究具有一定的适用性。