对湖北田歌的分布与田歌孕育的地理环境之间的关系进行了探究,以期为区域音乐的实证研究提供新的思路和方法.以湖北田歌为研究对象,选取1 248个田歌样本数据集,运用地理信息系统(geographic information system,GIS)对初步选定的田歌分...对湖北田歌的分布与田歌孕育的地理环境之间的关系进行了探究,以期为区域音乐的实证研究提供新的思路和方法.以湖北田歌为研究对象,选取1 248个田歌样本数据集,运用地理信息系统(geographic information system,GIS)对初步选定的田歌分布及音乐要素影响因子进行建库,基于随机森林及可解释性算法(shapley additive explanations,SHAP)构建田歌影响因子体系分析模型,通过受试者工作特性曲线(receiver operating characteristic curve,ROC)对模型的有效性进行评价,分析田歌的分布、音乐要素与地理环境之间的关系.研究结果表明:1)基于随机森林构建的田歌影响因子体系模型预测效果较好,其曲线下面积(area under the curve,AUC)的值为0.82;2)对田歌产生及音乐要素影响因子重要性排序得出,多年平均降雨量和多年平均气温是孕育湖北田歌的主要因子.其随机森林及SHAP算法,能在一定程度上预测湖北田歌分布格局,对区域音乐文化与地理关联性研究具有重要意义.展开更多
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
文摘对湖北田歌的分布与田歌孕育的地理环境之间的关系进行了探究,以期为区域音乐的实证研究提供新的思路和方法.以湖北田歌为研究对象,选取1 248个田歌样本数据集,运用地理信息系统(geographic information system,GIS)对初步选定的田歌分布及音乐要素影响因子进行建库,基于随机森林及可解释性算法(shapley additive explanations,SHAP)构建田歌影响因子体系分析模型,通过受试者工作特性曲线(receiver operating characteristic curve,ROC)对模型的有效性进行评价,分析田歌的分布、音乐要素与地理环境之间的关系.研究结果表明:1)基于随机森林构建的田歌影响因子体系模型预测效果较好,其曲线下面积(area under the curve,AUC)的值为0.82;2)对田歌产生及音乐要素影响因子重要性排序得出,多年平均降雨量和多年平均气温是孕育湖北田歌的主要因子.其随机森林及SHAP算法,能在一定程度上预测湖北田歌分布格局,对区域音乐文化与地理关联性研究具有重要意义.
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。
