一种基于机器学习的滑坡敏感性的评估方法技术

本发明专利技术涉及滑坡灾害预测领域，公开了一种基于机器学习的滑坡敏感性的评估方法。本发明专利技术是通过使用不同的机器学习方法来提升滑坡敏感性图的可靠性，其原理是两个或多个模型可能具有非常相似的预测性能，即使它们包含不同的环境预测因子和/或它们产生截然不同的空间预测，因此很难知道使用哪个等效的候选模型，几种模型的组合表明，它们产生的输出比单一模型更强大、更稳定的集合预测。更稳定的集合预测。更稳定的集合预测。

【技术实现步骤摘要】
一种基于机器学习的滑坡敏感性的评估方法


[0001]本专利技术涉及滑坡灾害预测领域，具体涉及一种基于机器学习的滑坡敏感性的评估方法。

技术介绍

[0002]山体滑坡是主要的自然灾害之一，在世界各地具有巨大和广泛的影响，并造成人员和社会经济损失。滑坡风险的时空预测仍存在较大的不确定性，因此，滑坡风险的识别和缓解仍是地方政府面临的一项艰巨任务。为此，滑坡敏感性评估对于滑坡风险的识别十分重要。近年来，由于科学的发展，结合数值确定性建模与统计方法，专利技术了许多方法旨在评估滑坡敏感性绘图(LSM)。确定性模型需要关于导致触发的物理过程的信息，因此根据类型涉及不同的方法。
[0003]统计模型假设过去导致斜坡崩塌的因素会反复引发滑坡。因此，过去滑坡的清单加上环境因素可以用来训练统计模型。许多算法已应用于LSM，例如人工神经网络，支持向量机，随机森林等。许多学者提出了最小化不确定性的方法，该方法依赖于组合多种算法产生的预测。因此，研究新的用于滑坡敏感性绘图的集合方法(EMs)是非常必要的。集成建模(EM)在最小化不确定性、改进和提高预测精度方面做出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的滑坡敏感性的评估方法，其特征在于，包括如下步骤：S1：研究区滑坡初始数据采集；通过航空正射摄影测量和实地调查获取研究区滑坡编目；S2：滑坡诱发因素选择；所述诱发因素包括坡角、方位角、平面曲率、剖面曲率、与道路的距离、与河流的距离、地形湿度指数、地形位置指数、径流强度指数、农业梯田活动状态、土地使用、地质岩性、和土壤厚度；S3：处理预测变量共线性问题；选择两种不同的策略来使用渐进程序排除高度共线性的变量；使用了VIF
cor
，其中cor代表相关性，首先，找到一对线性相关的变量，并排除VIF最大的变量；重复该过程，直到任意一个变量与另一个变量之间不具有相关系数。S4：研究区敏感性建模；运用人工神经网络(ANN)、梯度提升机(GBM)、最大熵模型(MaxEnt)进行研究区滑坡易感性建模；S5：物种分布模型可靠性评估；选择了接受者操作特征曲线(ROC)和真实技能统计(TSS)评估每个物种分布模型(SDM)的可靠性；S6：集成算法建模；S7：集成模型交互；根据易感性值的空间分布，对整体易感性图进行比较，分析了不同模型之间的空间相似性。2.根据权利要求1所述的一种基于机器学习的滑坡敏感性的评估方法，其特征在于：步骤S2中，将已经滑坡的数据设置为响应变量，已滑坡的数据为在研究区收集到的数据点；将诱发因素设置为预测变量。3.根据权利要求1所述的一种基于机器学习的滑坡敏感性的评估方法，其特征在于：步骤S3中，测量方差膨胀因子VIF，将阈值设置为0.7；方差膨胀因子VIF是基于将一个预测变量与所有其他预测变量回归得到的多重相关系数的平方，VIF的公式如下：方差膨胀系数是容忍度的倒数,其中，Ri为自变量对其余自变量作回归分析的负相关系数；VIF
step
计算了所有变...

【专利技术属性】
技术研发人员：杨海清，陈立川，梁丹，李卓航，徐洪，王琦，梁振兴，王骏，
申请(专利权)人：重庆大学，
类型：发明
国别省市：