基于LR-ANN-SVM的滑坡易发性评价

• 作者: 李小双 蔡超 钱乾 陈飞
• 来源期刊: 有色金属科学与工程
• 学科: 地球科学
• 关键词: 神经网络 支持向量机 逻辑回归模型 滑坡风险预警
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 矿业·环境
• 页码范围: 82-90
• 页数: 9页
• 分类号: P694|X141
• 字数: 3984字
• 语种: 中文
• DOI: 10.13264/j.cnki.ysjskx.2020.04.013

摘要

针对传统大数据机器学习等方法进行滑坡易发性评价时,存在过于追求模型评价精度,导致在中易发区与低易发区存在滑坡产生的风险,提出了风险预警来降低中与低易发区产生的滑坡灾害.选取神经网络模型(ANN)、逻辑回归模型(LR)、支持向量机模型(SVM)3种学习方法,对上犹县进行滑坡易发性评价,将上犹县分为高易发区、较高易发区、中易发区、较低易发区,低易发区.由受试者工作曲线(ROC)下的面积(AUC)显示:神经网络(ANN)的AUC=0.939,逻辑回归模型(LR)的AUC=0.897,支持向量机(SVM)的AUC=0.884,均具有较高的评价精度.根据以上的易发性评价结果,得到上犹县栅格的易发性指数(LSI),然后基于MAX(LSI(LR)、LSI(ANN)、LSI(SVM))函数对上述模型的易发性指数取最大值,并对上犹县进行滑坡易发性评价.结果显示:LR-ANN-SVM的AUC=0.815,有较高的易发性评价精度.从高易发区与较高易发区所含滑坡占比来看,LR、ANN、SVM、LR-ANN-SVM的滑坡占比分别为80.6％、74.6％、91％、93.2％,表明根据ANN-LR-SVM易发性分区治理更安全.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈飞	江西理工大学资源与环境工程学院	37	98	6.0	8.0
5	蔡超	江西理工大学资源与环境工程学院	1	0	0.0	0.0
6	李小双	江西理工大学资源与环境工程学院	10	7	2.0	2.0
7	钱乾	江西理工大学资源与环境工程学院	1	0	0.0	0.0