几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用

• 作者: 吴帮玉 唐亚明 潘学树 邱维蓉
• 来源期刊: 西北地质
• 学科: 地球科学
• 关键词: 滑坡 灵台县 滑坡易发性评价 机器学习方法
• 年，卷（期）: 2020,（1）
• 页码范围: 222-233
• 页数: 12页
• 分类号: P642.22
• 字数: 8265字
• 语种: 中文
• DOI: 10.19751/j.cnki.61-1149/p.2020.01.021

摘要

笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型.选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30 m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元.利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型.利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比.分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合.随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴帮玉	西安交通大学数学与统计学院	3	5	1.0	2.0
2	邱维蓉	西安交通大学数学与统计学院	1	0	0.0	0.0
3	潘学树		1	0	0.0	0.0