融合自编码与密集残差网络的滑坡易发性评价

针对滑坡易发性评价中编录样本受限、特征信息利用不足，导致预测效果不理想的问题，该文提出融合栈式自编码与密集残差网络的滑坡易发性评价方法。将传统自编码网络进行栈化，重构原始数据以强化特征表达；在卷积神经网络中引入跳层连接，通过密集连接的方式构建一种密集残差网络模型提取数据的深层特征。该文以四川省雅安市为研究区开展滑坡易发性评价，将所提模型与逻辑回归模型、CPCNN-RF模型、U-net模型进行了对比分析。实验结果表明：该方法取得最佳精度，受试者工作特征曲线下的面积为0.883,在一定程度上能够较好地适应小样本预测，易发性制图结果更为准确可靠。