共查询到20条相似文献，搜索用时 421 毫秒
1.
参数优化问题直接影响着支持向量机的预测精度和泛化能力,粒子群优化算法具有全局最优搜索能力,因此通过粒子群算法优化支持向量机参数可以有效提高预测精度.以延长县历史滑坡数据为基础,分析了岩性、地貌类型、土壤厚度、坡度、坡向、坡高与滑坡分布的关系,并利用滑坡密度值对各定性或定量因子进行了归一化处理;在此基础上,通过区域内所划分的１６３００个斜坡单元作为评价单元,采用粒子群优化支持向量机(PSOＧSVM)算法完成了延长县滑坡的易发性评价.从滑坡密度指标角度来看,评价结果中高易发区和极高易发区的历史滑坡数占比７２．１９％,通过滑坡面积百分比(LAR)等指标进行了有效的验证,均显示出对滑坡易发性评价效果良好. 相似文献
2.
四川省地形高低悬殊, 岩性构造发育, 各类地质灾害频发, 开展地质灾害易发性评价具有重要意义。崩塌、泥石流属于广义上的滑坡, 以四川省丹巴县为例, 从考虑不同滑坡类别的区域性地质灾害易发性出发综合考虑崩塌、滑坡、泥石流的空间概率分布。基于ArcGIS通过高精度数字高程模型共选取高程、坡度等10个地质灾害关键控制因素, 采用信息量模型对综合地质灾害进行了易发性评价。最终通过ArcGIS的单元统计(Cell Statistics)功能实现多个栅格图层最大值法合成综合易发性, 进一步利用受试者工作特征曲线(ROC)验证单种滑坡类别易发性模型的精度。按照自然断点法将研究区划分为极低、低、中、高、极高易发区, 高易发区和极高易发区主要集中分布在章谷镇、太平桥乡以及甲居镇等地。研究结果证明信息量模型能对单类地质灾害进行评价, 栅格最大值法是获取综合易发性的一种有效评价方法。 相似文献
3.
对于滑坡易发性预测中的水系、公路和断层等线状环境因子, 现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量, 带有大小不等的随机波动性且对点或线要素的误差较为敏感, 导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例, 选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子), 再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子); 之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型, 分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性; 最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明: ①改进因子机器学习预测精度均高于原始因子机器学习模型, 表明空间密度对于易发性预测的适宜性更好; ②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好, 其次是SVM、MLP和LR; ③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。 相似文献
4.
人工神经网络和决策树模型在滑坡易发性分析中的性能对比 总被引：1，自引：0，他引：1
机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。 相似文献
5.
为解决基于机器学习的滑坡易发性建模存在的单模型分类能力弱和传统随机抽取非滑坡样本准确性不高的问题，本研究以三峡库区奉节县为例，应用优化的非滑坡样本和Stacking异质集成机器学习模型进行滑坡易发性建模研究。首先，基于地形、地质和遥感影像等数据提取16个评价指标并进行相关性分析，剔除高相关指标，构建易发性评价指标体系；其次，基于信息量模型提出非滑坡样本选取（Non-Landslide Sampling, NLS）指数；最后，应用NLS指数选取更高质量的非滑坡样本，并与滑坡样本组成训练集；采用随机森林(Random Forest, RF)，轻量级梯度提升树（Light Gradient Boosting Machine, LGBM），梯度提升决策树（Gradient Boosting Decision Tree, GBDT），以及以三者为基模型的同质（Boosting）和异质（Stacking）集成方法进行易发性建模。结果表明：应用NLS指数能选取得到质量更高的非滑坡样本，提升了易发性建模精度；Stacking异质集成机器学习模型的精度最高，为0.941，优于3个同质集成模型和3个单模型... 相似文献
6.
蒙阴县位于山东省东南部，岱崮地貌分布范围较广。近年来，随着人类工程活动的增强，崩塌滑坡泥石流灾害进一步加剧。本文在山东省蒙阴县1∶5万地质灾害风险普查的基础上，结合最新的遥感信息，选取坡度、起伏度、工程地质岩组、地质构造、地貌类型5个影响因子作为研究区地质灾害易发性的评价指标，采用信息量模型法对各评价因子进行信息量计算，通过GIS空间分析平台，建立了蒙阴县地质灾害易发性评价体系，为蒙阴县有效开展防灾减灾救灾工作，切实保障经济社会可持续发展提供有效的科学决策依据。研究区划分为地质灾害高易发区、中易发区、低易发区、非易发区４个等级，特征曲线（ROC）的线下面积（AUC）精度检验值为0.833，表明评价精度较高。 相似文献
7.
基于信息量模型和数据标准化的滑坡易发性评价 总被引：1，自引：0，他引：1
本文以北川曲山-擂鼓片区为研究区,将坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离作为该区域滑坡易发性评价因子。采用信息量模型计算了各项评价因子的信息量值,并运用4种标准化模型对信息量值进行标准化处理。各评价因子的权重由层次分析法（AHP）确定。在GIS中将权重值和各评价因子的标准化信息量值,进行叠加计算得到区域滑坡总信息量值,并基于自然断点法对其进行重分类,将研究区划分为极高易发区、高易发区、中易发区、低易发区和极低易发区5级易发区。将基于4种标准化模型和信息量模型得到的滑坡易发性评价结果进行了对比分析,结果表明：基于最值标准化信息量模型的滑坡易发性评价结果的ROC曲线下面积AUC值为0.807,高于其余模型的AUC值,说明最值标准化信息量模型的滑坡易发性评价效果最好。极高易发区面积占研究区面积的20.03%,离断层和水系较近,主要分布地层为寒武系、志留系和三迭系。研究结果可为区内滑坡风险评价和灾害防治提供参考。 相似文献
8.
顺层岩质滑坡突发性强, 破坏性大, 是危害山区城镇安全的重要灾害类型之一。发育软弱夹层的顺向斜坡是顺层岩质滑坡的高发区, 区域顺层岩质滑坡易发性评价应融入软弱夹层的控滑机制和空间分布不确定性分析。以万州区铁峰乡为研究区, 在软弱夹层物质结构及空间分布详细调查的基础上, 分析了原生沉积、构造变形和表生改造作用下区内页岩和泥岩两类软弱夹层发展为滑动面的演化机理, 总结了顺层岩质滑坡的变形破坏机理。考虑软弱夹层空间分布的不确定性, 提出了软弱夹层垂向分布和有效控滑深度范围内软弱夹层控滑贡献度的计算模型。提取了软弱夹层类型和控滑贡献度等表征顺层岩质滑坡控滑结构的关键指标, 结合地形地貌、斜坡结构、水文地质及人类工程活动4类要素, 构建了顺层岩质滑坡易发性评价指标体系。针对万州区铁峰乡河谷南侧的顺向坡区段, 以斜坡为评价单元, 采用层次分析法对研究区顺层岩质滑坡开展了易发性评价。结果显示研究区内侏罗系珍珠冲组泥化夹层和自流井组页岩层是顺层岩质滑坡的主要控滑层位, 极高易发区和高易发区占比分别为9.7%和25.8%, 岩质斜坡单元下伏软弱夹层分布情况和斜坡前缘开挖情况是影响滑坡灾害易发性的主要因素, 建房和道路开挖等人类工程活动极易诱发顺层岩质滑坡灾害。与不考虑软弱夹层相关指标的易发性评价结果相比, 本文方法的结果更符合实际情况。 相似文献
9.
区域滑坡易发性评价对滑坡灾害防治具有重要意义，贵州省思南县由于其特殊的自然地理和地质条件，受滑坡地质灾害的影响非常严重，因此，非常有必要对思南县的滑坡易发性进行评价。在滑坡编录的基础上，采用由RS、GIS和GPS组成的3S技术，获取了思南县的数字高程模型、坡度、坡向、剖面曲率、坡长、岩土类型、地表湿度指数、距离水系的距离、植被覆盖度和地表建筑物指数10个滑坡影响因子；再在频率比和相关性分析的基础上，利用逻辑回归模型对思南县的滑坡易发性进行了评价并绘制了易发性分布图。结果表明:利用逻辑回归模型预测思南县滑坡易发性的准确率(AUC值)达到0.797，较为准确地预测出了思南县滑坡分布规律；极高和高滑坡易发区主要分布在高程低于600 m、地表坡度较大且以软质岩类为主的区域；而极低和低滑坡易发区主要分布在高程较高、地表坡度较小且以硬质岩类为主的区域。 相似文献
10.
以湖南省澧源镇为例,利用证据权模型和灰色关联度模型分别计算了坡度、地层岩性、斜坡形态、土地利用类型、人类工程活动5个因子二级状态证据权值和一级因子权重;综合2种模型确定全区滑坡易发性指数后,完成基于斜坡单元的全区滑坡易发性区划;根据研究区岩土体类型（碎屑岩类、碳酸盐岩夹碎屑岩类、碳酸盐岩类和松散岩土体类）分组研究不同滑坡发生概率下的有效降雨阈值曲线（I-D曲线）。研究降雨时间为3日、有效强度为22.4 mm/d的降雨工况下各岩土体类型滑坡发生的时间概率。综合时间概率和易发性结果得到澧源镇基于有效降雨阈值的滑坡灾害危险性区划图。研究结果表明:澧源镇滑坡灾害高和极高易发区占研究区总面积的25%,主要沿澧河分布;极高危险区和高危险区占研究区总面积的14%,主要分布在澧河北侧。 相似文献
11.
以三峡库区万州区为例，选择具有代表性的地质环境指标，分析各指标等级，利用逻辑回归、支持向量机和决策树3种数理统计模型，计算全区滑坡灾害易发性程度，分析3种日降雨工况下滑坡的发生概率，得到各日降雨工况下万州区滑坡灾害危险性分布图。确定了支持向量机模型为万州区滑坡灾害易发性分析的最优模型；万州区滑坡灾害高易发区和高危险区主要表现出沿河道水系呈带状分布、沿高程垂直分布、在城镇区集中分布的特点；特定工况下，万州区滑坡灾害危险性随着日降雨量增大而增大。 相似文献
12.
Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。 相似文献
13.
不同的易发性评价模型可以得到有差异的滑坡空间预测结果，选取最优模型甚至综合各模型的优势是提高易发性评价精度的有效方法。为检验模型融合思路的有效性，以鄂西地区五峰县渔洋关镇为研究区，提取坡度、地层、断层、河流、公路等7个滑坡成因条件，分别采用信息量模型、证据权模型和频率比模型进行滑坡易发性评价；并将3种模型分别进行归一化、主成分分析（PCA，Principal component analysis）和优势融合，得到了6幅易发性分区图。结果表明:优势耦合模型精度最高（90.3%），频率比模型次之（89.7%），归一化融合模型和PCA融合模型分别为89.3%和89.1%，以上4种结果的精度均高于证据权模型（87.7%）和信息量模型（87.6%）；6幅预测图对应的评价结论与历史滑坡空间分布的实际情况相符。空间一致性对比结论表明，主成分融合模型与优势耦合模型的同格率高达68%，其预测结果避免了单个模型预测结论带来的偶然性和片面性，说明多模型融合方法与优势耦合模型在提高滑坡易发性预测精度上是可行性的，该思路对其他地区滑坡灾害易发性评价具有借鉴意义。 相似文献
14.
鲁中地区隐伏岩溶广泛分布，多年来岩溶塌陷灾害频发，给区内高速铁路的勘察、施工与运营管理带来了较多困难。本文以泰安东地区某拟建高速铁路为研究对象，在对线路穿越段地质构造、水文地质条件、岩溶塌陷发育现状总结分析的基础上，选取了8项岩溶塌陷影响因子作为评价指标，并运用AHP法计算了各评价指标的权重，构建了有针对性的评价指标体系，结合GIS空间分析方法进行了岩溶塌陷易发性评价。结果表明：研究区易发性高区面积约11.0km2，占比37.6%，易发性中等区面积约9.6km2，占比32.9%，易发性低区面积约7.8km2，占比26.8%，需在高速铁路建设过程中有针对性地采取进一步的防治工程措施。本研究成果可为高铁线路方案的确定及工程处理提供地质依据，也可为同类覆盖型岩溶区高速铁路工程的规划建设与防灾减灾管理提供参考。 相似文献
15.
巴东县城由于其特殊的地理位置和特有的地质条件，使之成为滑坡灾害多发地带，严重威胁着巴东县城的发展，因此，有必要对巴东县城进行滑坡易发性评价研究。首先，基于GIS平台分别提取影响滑坡发生发育的各指标因子（地层岩性、地形地貌、地质构造、水文地质条件等），并划分证据层；其次，采用证据权法分别计算各证据层的权重及后验概率；然后将单元各证据层后验概率进行叠加，生成滑坡易发性分区图；最后，使用自然断点法将研究区按滑坡易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类，极高易发区与高易发区面积之和约占研究区总面积的33%，其中86%的已有滑坡发生在极高易发区和高易发区，利用成功率曲线检验表明区划效果较好。 相似文献
16.
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"来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子, 将因子频率比值作为SVM和RF的输入变量; 再将滑坡与随机选择的非滑坡样本划分为训练集和测试集, 用训练好的机器学习预测出滑坡易发性并制图; 最后用受试者工作曲线、均值和标准差等来评估建模不确定性, 并计算滑坡主控因子。结果表明: ①机器学习能有效预测出区域滑坡易发性, RF预测的滑坡易发性精度高于SVM, 而其不确定性低于SVM, 但两者的易发性分布规律整体相似; ②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。 相似文献
17.
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明该算法的可行性与适用性。基于滑坡历史编录, 确定研究区内1 017个滑坡点, 并选定15个滑坡影响因子, 以此构建滑坡易发性模型的训练集和测试集。利用贝叶斯优化算法对4种机器学习模型的主要超参数进行了优化, 依据优化后的超参数建立了4种优化模型, 并使用AUC值等指标来比较其预测能力。结果表明: 经超参数优化后的4种机器学习模型预测性能均有所提高, 且基于贝叶斯优化的随机森林模型表现最好。 相似文献
18.
19.
地质灾害威胁着山区人民生命财产安全, 进行地质灾害易发性评价有助于山区城镇进行规划与建设时规避灾害风险。以川东南古蔺县为例, 基于ArcGIS空间分析获取了研究区高程、坡度、岩性、斜坡结构、植被指数、距断层距离和距道路距离7个评价因子, 采用信息量模型分别对滑坡和崩塌灾害进行易发性评价后, 进一步利用ArcGIS单元统计功能对比了滑坡和崩塌易发性的信息量值, 选取相对更大的信息量值作为该栅格的最终信息量值, 绘制了研究区综合地质灾害易发性图, 利用自然断点法将古蔺县按信息量值的大小划分为极低、低、中、高和极高易发区。结果表明: 地质灾害主要分布在断层和道路附近, 断层和人类工程活动是造成研究区地质灾害频发的主要原因; 高易发区与极高易发区面积之和为1 315.62 km2, 占全区总面积的41.32%;预测模型性能经ROC曲线检验, AUC值为0.812 5, 说明栅格最大值法预测的古蔺县综合地灾易发性效果良好。 相似文献
20.
编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型（certainty factor,简称CF）方法计算各个因子的敏感值,作为随机森林（random forests,简称RF）的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。 相似文献