基于机器学习和编码器耦合的滑坡易发性评价
张萌萌1
李少达1
王潇2
李欣玥3
戴可人4
1.成都理工大学 地球与行星科学学院,四川 成都 6100592.成都大学 建筑与土木工程学院,四川 成都 6101063.印度马轩德拉世界联合学院,印度 浦那 4121084.成都理工大学 地球与行星科学学院,四川 成都 610059;成都理工大学 地质灾害防治与地质环境保护国家重点实验室,四川 成都 610059
摘要：目的 为了在有限样本下提升机器学习模型挖掘数据特征的能力,提高模型预测精度,方法 选取四川省雅砻江和大渡河中下游省级水土流失重点预防区九龙县、康定市、泸定县和木里县为研究区,选择 12个影响因子构建滑坡易发性评价指标体系,使用确定性系数(cer-tainty factor,CF)量化评价指标,对比逻辑回归(logistic regression,LR)和支持向量机(support vector machine,SVM)模型,在表现最优的模型上添加降噪自编码器(denoising autoencoder,DAE)和卷积自编码器(convolutional auto-encoders,CAE),并对比各模型所提取数据的特征.结果 结果表明:CF-SVM模型的精确率(P),F-measure、Kappa系数,总准确度(overall accuracy,OA)和ROC曲线下与坐标轴围成的面积(area under curve,AUC)相较于CF-LR模型的分别提高了31.9%,1.1%,17.1%,8.5%,8.6%;添加DAE编码器后,CF-SVM-DAE模型的召回率(R),F-measure,Kappa系数和总准确度(OA)相比于CF-SVM模型的分别提高了 8.1%,5.8%,8.1%,4%;添加CAE编码器后,CF-SVM-CAE模型的召回率(R),F-measure,Kappa系数和总准确度(OA)相比于CF-SVM模型的分别提高了0.4%,0.2%,0.2%,0.1%.结论 选用的机器学习方法中,CF-SVM模型预测精度更高.在CF-SVM模型基础上添加DAE编码器比添加CAE编码器鲁棒性更好,因此,CF-SVM-DAE模型在所有模型中表现最好,更适合滑坡易发性评价.
关键词：滑坡易发性建模LRSVM编码器
分类号：P642.22(水文地质学与工程地质学)
资助基金：国家自然科学基金(41801391)
论文发表日期：2025-04-27
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 69-80 )
英文信息