基于机器学习和编码器耦合的滑坡易发性评价

• Published in: 河南理工大学学报（自然科学版） Vol. 44; no. 2; pp. 69 - 80
• Main Authors: 张萌萌, 李少达, 王潇, 李欣玥, 戴可人
• Format: Journal Article
• Language: Chinese
• Published: 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 01.03.2025; 成都理工大学 地球与行星科学学院,四川 成都 610059%成都大学 建筑与土木工程学院,四川 成都 610106%印度马轩德拉世界联合学院,印度 浦那 412108%成都理工大学 地球与行星科学学院,四川 成都 610059
• Subjects: Landslides; susceptibility modelling; LR; 编码器; 易发性建模; encoders; SVM; 滑坡
• ISSN: 1673-9787
• DOI: 10.16186/j.cnki.1673-9787.2023120035

P642.22; 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.