以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子...以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子的信息量值,从信息量模型得出的极低和低易发性分区中选取非滑坡样本,在此基础上将样本数据代入随机森林和径向基函数神经网络2种机器学习模型开展滑坡易发性评价,并通过接收灵敏度(Receiver Operating Characteristic,ROC)曲线进行精度验证。结果显示:随机森林模型预测出的高易发区单位面积内分布的滑坡点数量更为集中,在仅占6.666%的区域分布了74.026%的灾害点,评价结果优于径向基函数神经网络模型。ROC曲线中两模型AUC(Area Under Curve)值分别为0.893、0.874,说明随机森林模型具有更高的可靠性,比径向基函数神经网络在该区域地质灾害易发性评价中更具优势。展开更多
基金supported by the National Key Basic Research Program of China(2009CB118500)Scientific Research Foundation for theReturned Overseas Chinese Scholars,Ministry of Education,China(20071108-18-15)~~
文摘以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子的信息量值,从信息量模型得出的极低和低易发性分区中选取非滑坡样本,在此基础上将样本数据代入随机森林和径向基函数神经网络2种机器学习模型开展滑坡易发性评价,并通过接收灵敏度(Receiver Operating Characteristic,ROC)曲线进行精度验证。结果显示:随机森林模型预测出的高易发区单位面积内分布的滑坡点数量更为集中,在仅占6.666%的区域分布了74.026%的灾害点,评价结果优于径向基函数神经网络模型。ROC曲线中两模型AUC(Area Under Curve)值分别为0.893、0.874,说明随机森林模型具有更高的可靠性,比径向基函数神经网络在该区域地质灾害易发性评价中更具优势。
