随机森林与GIS的泥石流易发性及可靠性

目前基于GIS的泥石流易发性（简称DFS）评价模型中,统计类型模型的因子须保证独立性,且权重受区间划分控制;线性机器学习难以处理非线性问题、而常用非线性模型调试效率低.鉴于随机森林（RF）能有效克服常用模型的诸多不足,且在DFS评价中的应用极少,首先展开基于RF的DFS评价,采用线性、RBF支持向量机、二次判别分析、RF等经贝叶斯优化的模型和26种泥石流影响因子;然后,分别以RF的相对权重排序和蒙特卡洛方法研究因子组合和建模样本变化下DFS评价的可靠性.结果表明:RF不易发和较易发区中有21个因子可指示泥石流孕育环境差异;RF的相对权重排序能有效确定易发模型的局部最优因子组合;随机样本划分导致的评价不确定性在中易发区最大,应通过提高建模样本比例和改善模型降低;RF的预测能力指标AUC为0.86、全局预测精度为0.79、F1分数为0.66、brier分数为0.14,以及它们的可靠度最优,可作为DFS定量评估的优先选择.      

基于随机森林的滑坡空间易发性评价:以三峡库区湖北段为例

滑坡空间易发性分析有助于开展滑坡防灾减灾工作,训练有效的滑坡预测模型在其中扮演重要角色.以三峡库区湖北段为研究区,选取高程、坡度、斜坡结构、土地利用类型、岩土体类型、断裂距离、路网距离、河网距离、以及归一化植被指数这9个影响因子建立滑坡空间数据库,采用集成学习中的随机森林算法进行滑坡易发性评价.结果显示,随机森林抽样训练的方式有利于确定较优的训练参数,保证随机森林在不过拟合的情况下取得满意的拟合能力和泛化能力.随机森林绘制的滑坡易发性分级图显示出合理的空间分布,其中73.35%的滑坡分布在较高和极高级别区域.而巴东县北部、秭归县中部以及夷陵区南部等区域显示出较高的易发性级别.性能评估及易发性统计结果均表明随机森林是一种出色的算法,在滑坡空间预测领域具有较好的适用性.      

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模型能有效提高滑坡易发性预测准确率。     

基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.      

基于不同因子分级法的滑坡易发性评价——以湖北远安县为例

本文以湖北省远安县为研究区,利用采集的资料,提取出了与滑坡发生相关的8类指标因子:高程、坡度、坡向、地层岩性、斜坡结构、断层、水系、公路。针对连续型致灾因子,选取定性等间距划分和频率比法划分得到两类指标因子体系,分别带入人工神经网络模型和随机森林模型,绘制得研究区易发性评价区划图。最后,利用ROC曲线图对4个模型的精确性进行分析,得到ANN模型的成功率和预测率分别为0.899和0.901,FR-ANN模型的成功率和预测率0.934和0.935; RF模型的成功率和预测率分别为0.886和0.886,FR-RF模型的成功率和预测率分别为0.928和0.929。以上说明,无论对于人工神经网络还是随机森林模型,基于频率比法的因子分级均表现出了更高的精确性。 更多还原     

基于流域单元的地质灾害易发性评价——以西藏昌都市为例

作为在山地地区易发的自然灾种,地质灾害每年都给中国造成严重的经济损失。为揭示阐明典型高山峡谷区地质灾害易发性影响因素,文章以昌都市为研究区例,基于区内孕灾环境的差异,对其进行流域划分,同时选取海拔、坡度、地形起伏度等10个指标构建地质灾害易发性评价指标体系,基于随机森林模型对各流域地质灾害易发性空间分布进行研究。结果表明：（1）昌都市地质灾害类型主要以小型灾害为主,大型灾害分布相对较少但危害巨大,险情等级较高,同时,区域内地质灾害的空间分布具有沿河流与道路呈条带状分布的特征;（2）总体来看,各流域地质灾害的影响因素大致相同,但仍具有一定的差异性,金沙江流域受海拔与道路影响较为突出,澜沧江流域受居民点密度影响较为突出,而怒江流域受道路因素影响较为突出;（3）各流域地质灾害易发性空间分布存在差异,金沙江流域低易发面积占比最大,澜沧江与怒江流域均为中易发面积占比最大;三大流域均以高易发所占比最小,但在全流域内均有分布,且主要分布于人类活动较为强烈、岩性较软等区域。     

基于信息量模型的云南东川泥石流易发性评价

以东川泥石流为研究对象,选取高程、坡度、坡向、起伏度、曲率、工程岩组、距断层距离、距水系距离、土地利用类型9个影响因子,以研究区144条泥石流为样本数据,建立了东川泥石流易发性评价体系。基于GIS平台,采用信息量模型计算各个评价指标状态分级的信息量值,以小流域为评价单元使用自然间断法将研究区泥石流易发程度分为极高、高、中和低4个易发区等级。结果表明：研究区极高易发区和高易发区发生泥石流灾害数量占比94.44%,AUC值为0.876,表明选取评价指标合理,信息量模型适用于东川泥石流易发性评价研究。     

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...     

基于信息量的长白山地区泥石流易发性评价

长白山地区泥石流较发育,选取高程、坡度、坡向、年降水、年蒸发、泥石流点密度、人口密度、构造作用、河流作用、地层岩性、地下水类型、地貌类型、土地利用13个影响因素,以研究区110个泥石流点为样本数据,连续型指标依据各个因素分级状态下泥石流比例曲线和信息量曲线的突变点为等级划分临界值,离散型变量根据已有分类分级,建立了长白山地区泥石流易发性指标评价体系。基于信息量模型和GIS平台的栅格数据,计算各个因素分级状态下的信息量,采用自然断点法将易发性等级分为5级。结果表明:泥石流高易发区主要为地层岩性较差、靠近河流和断层的区域,土地利用类型为农业用地和居住使用地,较高易发区和高易发区占总研究区面积的19%,大部分地区较安全。采用曲线下面积即AUC值作为易发性精度验证结果,AUC值为93%,表明评价结果可靠。     

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。     

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RF-FR模型的滑坡易发性评价——以略阳县为例

滑坡易发性评价是指导区域滑坡初步预警、预报的重要手段。为提高县域滑坡易发性评价的准确性,以随机森林模型（RF）、频率比模型（FR）为基础模型,结合2种模型的优越性,建立随机森林-频率比模型（RF-FR）,进行滑坡易发性评价。以略阳县域为研究区,选取高程、坡向、坡度、地层、地表粗糙度、距断层的距离、曲率、距道路的距离、地形湿度指数、距河流的距离及降雨量等14项影响因子建立数据库,采用Spearman方法对各因子相关性进行分析,剔除地形起伏度等3项相关性较高的评价因子,并基于滑坡相对点密度（LRPD）进行评价因子分析。结果表明：①滑坡灾害点与线状因子的距离呈负相关,即距离越近,灾害点越多。②FR、RF、RF-FR模型预测率分别为84.3%、90.1%、95.0%,RF-FR模型较FR、RF模型预测精度分别提高了10.7%、4.9%。③RF-FR模型的滑坡灾害点在高、极高易发区的比例比FR、RF模型分别提高了15.89%、5.29%。     

基于子流域特征的泥石流易发性评价

文章以云南省迪庆藏族自治州金沙江河谷金江镇—林当可为例,研究了基于子流域单元的泥石流易发性评价模型。首先,将研究区划分为1 570个子流域单元,其中70%(1 090个)用于模型建立,30%(480个)作为模型测试样本。然后,采用9种子流域单元特征因子（melton比率、流域平均径流侵蚀力指数、平均地形湿度指数、流域延伸率、流域平均高程、流域水系密度、流域平均植被覆盖度、流域平均坡度、流域高差率）的归一化值作为自变量,泥石流是否发育作为因变量,运用逻辑回归建立泥石流易发性评价模型,将易发性划分为5个等级。最后,通过独立的测试样本验证,易发性评价模型预测性能(AUC=0.821)良好;且随着易发性等级提高,泥石流绝对和相对发育比例逐级增加,模型满足合理性要求,适用于研究区的泥石流易发性评价。     

候旗沟泥石流发育特征及易发性评价

候旗沟流域地处青藏高原东北缘,降雨量集中且充沛,流域内支沟发育,沟谷深切,山坡陡峻,相对高差大,沟内固体物源储量丰富,沟床纵比降大,具备泥石流发育的条件。文章在深入分析4条泥石流沟形成的地质环境条件基础上,系统研究了泥石流静动力学特征、灾害史及爆发频率;采用层次分析法(AHP),选择单位面积物源储量、主沟纵比降、人口密度等10项因子,建立了泥石流易发性评价体系,通过对评价因子的定性分析和计算得到每条泥石流沟易发性大小,评价结果与历史调查结果有着很好的一致性。评价方法及评价结果对类似地区泥石流灾害的防治具有一定的参考价值。     

基于沟域单元的康定市泥石流易发性评价CSCD

为研究康定市泥石流易发性,将康定市划分为421个沟域单元,采用ArcGIS软件中空间分析工具以及SPSS软件分别对评价指标内部叠加情况、评价指标与泥石流灾害相关性进行了分析,通过筛除剔除重叠度高、相关性差的评价因子,选取流域面积、melton比率、形状系数比、流域崩滑密度、流域植被覆盖率、流域道路密度、流域平均径流侵蚀力指数、多年汛期平均降雨量等8个评价指标进行康定市泥石流地质灾害易发性评价。采用信息量模型与熵值法相结合的方法定量评价了泥石流易发性,熵值法定量确定了评价指标权重,计算出评价因子加权信息量值,将康定市泥石流划分为极高易发区、高易发区、中易发区以及低易发区4个等级。通过频率比模型、受试者工作特征曲线(ROC曲线)对泥石流易发性评价结果进行检验,ROC曲线AUC值为0.842,表明评价模型精度较高。     

基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例

三峡库区是地质灾害管理的重点地区,鉴于长江对其沿岸边坡的水力作用不容忽视,因此需进一步研究水系因素对滑坡易发性的影响.以重庆市奉节县为例,考虑区域内水系影响显著,沿水域两岸300 m区域内划分为分区Ⅰ,其余区域为分区Ⅱ.其次,全域、分区Ⅰ、分区Ⅱ以提取的16个影响因子建立易发性评价指标分析模型,基于随机森林模型计算区域滑坡发生概率,并将全域和分区的滑坡易发性评价结果对比分析.结果表明：奉节县高和极高易发区主要分布在水域两岸及耕地范围内,这是由于库水位升降减少了防滑截面的有效应力,由于原有山体平衡在垦荒过程中被破坏,耕地对斜坡的防护作用微弱;基于水系分区后模型的训练精度优于全域模型的训练精度,准确率和F1分数的最大提升幅度分别可达5.1%、5.2%.基于水系分区的方法有利于提高滑坡易发性评价精度,该方法实用性强,可靠性高.     

甘肃陇南武都区泥石流易发性评价

文章分析了甘肃陇南市武都区泥石流形成的自然环境背景、发育特征及易发性。通过野外实地考察,查明了泥石流的发育情况,在此基础上,采用模糊物元可拓方法对泥石流的易发性进行了评价。分析表明,研究区的泥石流具有分布密度高、冲沟及坡面泥石流成片发育、北岸泥石流较南岸发育且粘性泥石流所占比例大于南岸的发育特征;选取岩性、沟床比降、山坡坡度、完整系数、发育程度、降水、断层密度7个因子构建泥石流易发性评价指标体系。通过易发性评价,研究区104条泥石流沟中,66条为高易发性,占总数的63.5%;32条为中等易发性,占总数的30.8%;6条为低易发性,占总数的5.7%。     

基于信息量和卷积神经网络的黄土高原滑坡易发性评价

黄土高原在地质环境与人类活动的复杂互馈作用下易导致黄土崩滑灾害频发,亟需选择适用性的影响因子和训练模型开展滑坡易发性评价研究.本研究以黄土高原为研究区,基于野外滑坡调查和资料收集,构建涵盖地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖的评价体系,采用信息量模型（ Ⅳ）分别联接到随机森林模型（RF）和卷积神经网络模型（CNN）构建耦合模型 Ⅳ-RF和 Ⅳ-CNN,开展滑坡易发性评价研究.结果表明,耦合模型（ Ⅳ-RF、 Ⅳ-CNN）的精度均高于独立模型（RF、CNN）,4种模型的AUC值分别为0.916、0.938、0.878、0.853, Ⅳ-CNN具有更强的预测能力和精度. Ⅳ-CNN模型的极高、高、中、低、极低易发性区域面积占比分别为8.78%、7.47%、15.34%、19.82%、47.87%,主要分布在黄土高原南部和东部地质环境复杂和人类活动强烈的山地、黄土梁峁地区.坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离在贡献率分析中排在前5位,是影响滑坡发育的主控因子.本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据,为滑坡易发性评价研究深化...     

基于原型网络的云南怒江州泥石流灾害易发性评价与区划CSCD

针对基于泥石流因子评价方法中选取因子不一及训练样本少的问题,提出了一种基于原型网络的沟谷泥石流灾害易发性评价方法。首先,通过元学习方式组织训练数据,计算每一类沟谷的原型中心。其次,计算未知样本与每一类原型中心的距离,得到其从属类别的概率。最后,根据类别概率计算沟谷的泥石流易发性指数,得到泥石流易发性评价等级。运用模型对怒江州的沟谷进行评价,并与历史灾害数据进行比对,分类正确率达到67.39%,历史事件中泥石流灾害严重程度与模型的评价等级吻合度较好。相比传统实地勘测和因子评价等方法,文章方法能够通过遥感影像进行泥石流灾害区域的快速识别与评价,为泥石流灾害的预警预测研究带来新的思路。