System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于地质灾害预测评估,具体涉及基于增强学习-随机森林的滑坡易发性研究方法与系统。
技术介绍
1、滑坡易发性的概念可以追溯到1984年,被认为是减少滑坡灾害损失最有效的软措施,这种方法可以为滑坡防止、减少滑坡灾害风险提供关键信息。地理信息系统(gis)技术的快速发展使得制作滑坡易发性图(lsms)成为可能。在过去20年里,许多滑坡易发性制图模型被提出,假设滑坡发生在与过去滑坡相似的环境中,只要知道因果关系,就可以进行评估。利用机器学习结合地理信息系统绘制滑坡易发性区划图已经成为研究主流。pourghasem对十种机器学习技术(mlt)的性能进行全面比较,包括人工神经网络(ann)、增强回归树(brt)、分类和回归树(cart)、朴素贝叶斯(nb)、随机森林(rf)和支持向量机(svm)等,用于建模滑坡敏感性并评估gis和r开源软件中变量的重要性。这项研究是在伊朗ghaemshahr地区进行的,结果显示rf的表现最佳。
2、伴随研究的深入,滑坡易发性研究中每天都有更好的机器学习模型被引入。武越阮使用粒子群优化优化的自适应神经模糊推理系统(psoanfis)、通过粒子群优化(psoann)优化的人工神经网络和基于最佳第一决策树的旋转森林(rfbfdt),对在安白省van chan区(越南)进行滑坡易发性制图,三种模型对比rfbfdt的准确度最高。
3、经过多年的研究,传统的机器学习滑坡敏感性制图已经是一种非常成熟的滑坡灾害预防方法。但是以前的研究都是将滑坡灾害目录清单批量导入机器学习模型进行训练,忽视
技术实现思路
1、本专利技术旨在解决现有技术的不足,将增强学习和随机森林模型相结合,提出一种基于增强学习-随机森林的滑坡易发性研究方法与系统,能够有效地处理滑坡易发性研究中的数据不平衡问题和过拟合问题。
2、为实现上述目的,本专利技术提供了如下方案:基于增强学习-随机森林的滑坡易发性研究方法,包括以下步骤:
3、s1、对研究区进行制图单元划分,得到若干单元;并对滑坡影响因子进行线性分析,得到评价指标;若干所述单元与所述评价指标构成数据集,对所述数据集进行划分,得到训练数据集和验证数据集;
4、s2、将所述训练数据集按照时间序列等量划分,得到第一训练数据集、第二训练数据集以及第三训练数据集;对所述第一训练数据集计算频率比,得到第一频率比;
5、s3、基于所述第一频率比建立ilrf_1模型;基于所述ilrf_1模型、所述第二训练数据集和所述第三训练数据集依次得到ilrf_2模型、ilrf_3模型;基于所述ilrf_3模型得到滑坡易发性制图。
6、进一步优选地,所述评价指标包括:降雨量、人口、高程、坡度、归一化植被指数、岩性、坡向、侵蚀、地表、距水系距离、距道路距离、距断裂带距离以及曲率;
7、在计算所述频率比前,将所述评价指标采用自然间断法进行重分类,划分为5类。
8、进一步优选地,所述频率比的计算方法包括:
9、
10、式中,fr表示滑坡在指标类型i中发生的频率;ni表示指标类型i中的滑坡数量;n表示滑坡总数;mi表示指标类型i的面积;m表示研究区总面积。
11、进一步优选地,s3包括:
12、s31、基于所述第一频率比建立所述ilrf_1模型;所述ilrf_1模型的参数包括:支持向量机gamma=0.5、c=5;随机森林max_depth=10、n_estimators=100、max_features=0.3;
13、s32、将所述第二训练数据集增加到所述第一训练集,得到第一混合数据集,基于所述第一混合数据集对所述ilrf_1模型进行更新,得到所述ilrf_2模型;
14、s33、将所述第三训练数据集增加到所述第一混合数据集中,得到第二混合数据集,基于所述第二混合数据集对所述ilrf_2模型进行更新,得到所述ilrf_3模型;基于所述ilrf_3模型得到滑坡易发性制图。
15、本专利技术还提供一种基于增强学习-随机森林的滑坡易发性研究系统,所述系统用于实现上述方法,包括:划分系统、计算系统以及模型构建系统;
16、所述划分系统用于对研究区进行制图单元划分,得到若干单元;并对滑坡影响因子进行线性分析,得到评价指标;若干所述单元与所述评价指标构成数据集,对所述数据集进行划分,得到训练数据集和验证数据集;
17、所述计算系统用于将所述训练数据集按照时间序列等量划分,得到第一训练数据集、第二训练数据集以及第三训练数据集;对所述第一训练数据集计算频率比,得到第一频率比;
18、所述模型构建系统用于基于所述第一频率比建立ilrf_1模型;基于所述ilrf_1模型、所述第二训练数据集和所述第三训练数据集依次得到ilrf_2模型、ilrf_3模型;基于所述ilrf_3模型得到滑坡易发性制图。
19、进一步优选地,所述评价指标包括:降雨量、人口、高程、坡度、归一化植被指数、岩性、坡向、侵蚀、地表、距水系距离、距道路距离、距断裂带距离以及曲率;
20、在计算所述频率比前,将所述评价指标采用自然间断法进行重分类,划分为5类。
21、进一步优选地,所述频率比的计算方法包括:
22、
23、式中,fr表示滑坡在指标类型i中发生的频率;ni表示指标类型i中的滑坡数量;n表示滑坡总数;mi表示指标类型i的面积;m表示研究区总面积。
24、进一步优选地,所述模型构建系统包括:第一构建模块、第二构建模块以及第三构建模块;
25、所述第一构建模块用于基于所述第一频率比建立所述ilrf_1模型;所述ilrf模型的参数包括:支持向量机gamma=0.5、c=5;随机森林max_depth=10、n_estimators=100、max_features=0.3;
26、所述第二构建模块用于将所述第二训练数据集增加到所述第一训练集,得到第一混合数据集,基于所述第一混合数据集对所述ilrf_1模型进行更新,得到所述ilrf_2模型;
27、所述第三构建模块用于将所述第三训练数据集增加到所述第一混合数据集中,得到第二混合数据集,基于所述第二混合数据集对所述ilrf_2模型进行更新,得到所述ilrf_3模型;基于所述ilrf_3模型得到滑坡易发性制图。
28、与现有技术相比,本专利技术的有益效果为:
29、本专利技术提出的增强学习-随机森林的滑坡易发性研究方法与系统,结合了增量学习和随机森林模型的优点,能够有效地处理滑坡易发性研究中的数据不平衡问题和过拟合问题。基于增量学习-随机森林模型的滑坡易发性研究方法,生成滑坡易发性分区图用于对滑坡灾害进行预警。
本文档来自技高网...【技术保护点】
1.基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,包括以下步骤:
2.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,所述评价指标包括:降雨量、人口、高程、坡度、归一化植被指数、岩性、坡向、侵蚀、地表、距水系距离、距道路距离、距断裂带距离以及曲率;
3.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,所述频率比的计算方法包括:
4.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,S3包括:
5.基于增强学习-随机森林的滑坡易发性研究系统,所述系统用于实现权利要求1-4任一项所述方法,其特征在于,包括:划分系统、计算系统以及模型构建系统;
6.根据权利要求5所述基于增强学习-随机森林的滑坡易发性研究系统,其特征在于,所述评价指标包括:降雨量、人口、高程、坡度、归一化植被指数、岩性、坡向、侵蚀、地表、距水系距离、距道路距离、距断裂带距离以及曲率;
7.根据权利要求5所述基于增强学习-随机森林的滑坡易发性研究系统,其特征在于,所
8.根据权利要求5所述基于增强学习-随机森林的滑坡易发性研究系统,其特征在于,所述模型构建系统包括:第一构建模块、第二构建模块以及第三构建模块;
...【技术特征摘要】
1.基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,包括以下步骤:
2.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,所述评价指标包括:降雨量、人口、高程、坡度、归一化植被指数、岩性、坡向、侵蚀、地表、距水系距离、距道路距离、距断裂带距离以及曲率;
3.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,所述频率比的计算方法包括:
4.根据权利要求1所述基于增强学习-随机森林的滑坡易发性研究方法,其特征在于,s3包括:
5.基于增强学习-随机森林的滑坡易发性研究系统,所述系统用...
【专利技术属性】
技术研发人员:孔秋平,郑添寿,聂闻,许万强,卢焱保,王旭,朱天强,陈新泉,郑文明,范美玲,
申请(专利权)人:福建永强岩土股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。