黄土丘陵区是地质灾害高发频发的地区之一,亟需采用合适的评价因子和训练模型开展地质灾害易发性评价研究。以郑州“7·20”特大暴雨期间受灾最严重的乡镇巩义市康店镇为研究区,基于卫星遥感解译、实地调查、无人机航拍及相关资料收...黄土丘陵区是地质灾害高发频发的地区之一,亟需采用合适的评价因子和训练模型开展地质灾害易发性评价研究。以郑州“7·20”特大暴雨期间受灾最严重的乡镇巩义市康店镇为研究区,基于卫星遥感解译、实地调查、无人机航拍及相关资料收集,构建覆盖黄土界面、人类工程活动、水动力作用3个主控因素13个影响因子的评价体系,采用CatBoost模型、XGBoost模型和LightGBM模型共3种机器学习算法,开展地质灾害易发性评价研究,基于性能最优的机器学习模型,运用SHAP(shapley additive explanations)算法完成特征全局解释与依赖性分析。结果表明:CatBoost模型的精度高于其他模型(XGBoost和LightGBM),在AUC(area under curve)值、SHAP准确度、精确率、召回率、F_(1)分数和野外验证中均表现最优,其极高、高、中、低、极低易发区域面积占比分别为3.19%、1.40%、2.04%、5.93%、87.44%,极高、高易发区域主要分布在人类活动强烈的冲沟两侧,切坡建房是地质灾害发生的重要诱因。本次研究旨在优化建模思路,对建模过程的不确定性和可解释性进行研究,对机器学习的易发性决策机理进行解释分析,为豫西黄土丘陵区地质灾害防治提供科学依据。展开更多
净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿...净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。展开更多
目的基于改进的机器学习模型建立重症急性胰腺炎诊断的早期预测模型,并分析其临床价值。方法纳入2014年1月至2023年8月陆军特色医学中心消化内科、肝胆外科以及联勤保障部队第九四五医院急诊与重症医学科收治的352例急性胰腺炎患者,根...目的基于改进的机器学习模型建立重症急性胰腺炎诊断的早期预测模型,并分析其临床价值。方法纳入2014年1月至2023年8月陆军特色医学中心消化内科、肝胆外科以及联勤保障部队第九四五医院急诊与重症医学科收治的352例急性胰腺炎患者,根据病情严重程度将其分为重症组(n=88)和非重症组(n=264),开展病例对照研究。利用RUSBoost模型以及改进的阿基米德优化算法,分析入院48 h内的39项常规实验室生化指标,帮助构建重症急性胰腺炎早期诊断预测模型,同步完成特征筛选和超参数优化,并利用ReliefF算法特征重要性排序和Logistic多因素分析,对筛选出的特征进行价值分析。结果在训练集上,改进机器学习模型的曲线下面积(area under curve,AUC)为0.922;在测试集上,改进机器学习模型的AUC达到了0.888。基于改进机器学习模型筛选出的预测重症急性胰腺炎发生的4个关键特征分别为C反应蛋白、血氯、血镁、纤维蛋白原水平,与ReliefF算法特征重要性排序和Logistic多因素分析结果相吻合。结论应用改进机器学习模型分析实验室检查结果,可帮助临床早期预测重症急性胰腺炎的发生。展开更多
文摘滑坡地质灾害易发性评价是防灾减灾的一种重要手段,易发性评价模型的选取和优化至关重要。以思南县为研究区,选取高程、坡度、曲率、地层、土地利用、年平均降雨量等16个评价因子,采用频率比(frequency ratio,FR)模型与支持向量机(support vector machine,SVM)模型和随机森林(random forest,RF)模型相耦合,引入网格搜索方法来获取SVM模型、RF模型及其耦合模型最优参数组合并用于模型训练,最终构建SVM、RF、FR-SVM及FR-RF模型对整个研究区进行滑坡易发性预测,并进行了受试者操作特征(receiver operating characteristics,ROC)曲线验证。结果表明:与单一机器学习模型相比,耦合机器学习有更多的滑坡灾害样本落于高易发区和极高易发区,有更高的准确率。单一模型中,RF模型有较多的滑坡灾害样本落于高易发区和极高易发区,耦合模型中,FR-RF模型有较多的滑坡灾害样本落于高易发区和极高易发区,且FR模型和FR-RF模型中没有滑坡灾害样本落在极低易发区,表明无论是单一模型还是耦合模型,RF模型的性能优于SVM模型。4种模型的ROC预测曲线的曲线下面积(area under the curve,AUC)分别为0.8316、0.8439、0.8644、0.9104,说明FR模型与RF模型结合的耦合模型有更高的准确率,该模型更适用于思南县的滑坡易发性评价研究,评价结果可为当地滑坡地质灾害的防灾减灾提供一定的参考。
文摘黄土丘陵区是地质灾害高发频发的地区之一,亟需采用合适的评价因子和训练模型开展地质灾害易发性评价研究。以郑州“7·20”特大暴雨期间受灾最严重的乡镇巩义市康店镇为研究区,基于卫星遥感解译、实地调查、无人机航拍及相关资料收集,构建覆盖黄土界面、人类工程活动、水动力作用3个主控因素13个影响因子的评价体系,采用CatBoost模型、XGBoost模型和LightGBM模型共3种机器学习算法,开展地质灾害易发性评价研究,基于性能最优的机器学习模型,运用SHAP(shapley additive explanations)算法完成特征全局解释与依赖性分析。结果表明:CatBoost模型的精度高于其他模型(XGBoost和LightGBM),在AUC(area under curve)值、SHAP准确度、精确率、召回率、F_(1)分数和野外验证中均表现最优,其极高、高、中、低、极低易发区域面积占比分别为3.19%、1.40%、2.04%、5.93%、87.44%,极高、高易发区域主要分布在人类活动强烈的冲沟两侧,切坡建房是地质灾害发生的重要诱因。本次研究旨在优化建模思路,对建模过程的不确定性和可解释性进行研究,对机器学习的易发性决策机理进行解释分析,为豫西黄土丘陵区地质灾害防治提供科学依据。
文摘净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。
文摘目的:探讨多种机器学习模型预测机器人辅助肾部分切除术(robot-assisted partial nephrectomy,RAPN)后肾功能减退的效能,为临床风险分层提供依据。方法:回顾性纳入2019年1月至2023年12月重庆医科大学附属第一医院泌尿外科733例肾细胞癌(renal cell carcinoma,RCC)行RAPN患者的临床数据,整合人口学特征、实验室指标及围手术期参数,构建7种机器学习模型,采用Shapley加性解释(Shapley additive explanations,SHAP)方法解析关键预测因子,并通过受试者工作特征曲线下面积(receiver operating characteristic curve area under the curve,ROC-AUC)评估模型性能。结果:随机森林模型预测效能最优(AUC=0.84)。SHAP分析显示,中性粒细胞/淋巴细胞比值、肿瘤直径、凝血酶原时间国际标准化比值、白细胞计数及术中出血量等因素对术后肾功能减退有明显影响。结论:本研究为临床提供了一种潜在的预测工具,可帮助识别高风险患者并优化术后管理策略。
文摘目的基于改进的机器学习模型建立重症急性胰腺炎诊断的早期预测模型,并分析其临床价值。方法纳入2014年1月至2023年8月陆军特色医学中心消化内科、肝胆外科以及联勤保障部队第九四五医院急诊与重症医学科收治的352例急性胰腺炎患者,根据病情严重程度将其分为重症组(n=88)和非重症组(n=264),开展病例对照研究。利用RUSBoost模型以及改进的阿基米德优化算法,分析入院48 h内的39项常规实验室生化指标,帮助构建重症急性胰腺炎早期诊断预测模型,同步完成特征筛选和超参数优化,并利用ReliefF算法特征重要性排序和Logistic多因素分析,对筛选出的特征进行价值分析。结果在训练集上,改进机器学习模型的曲线下面积(area under curve,AUC)为0.922;在测试集上,改进机器学习模型的AUC达到了0.888。基于改进机器学习模型筛选出的预测重症急性胰腺炎发生的4个关键特征分别为C反应蛋白、血氯、血镁、纤维蛋白原水平,与ReliefF算法特征重要性排序和Logistic多因素分析结果相吻合。结论应用改进机器学习模型分析实验室检查结果,可帮助临床早期预测重症急性胰腺炎的发生。
