| 基于机器学习均值化的地质灾害易发性评价 |
| |
| 引用本文： | 邵大江,叶辉,王金亮,周京春,角媛梅,沙晋明.基于机器学习均值化的地质灾害易发性评价[J].云南大学学报(自然科学版),2023(3):653-665. |
| |
| 作者姓名： | 邵大江 叶辉 王金亮 周京春 角媛梅 沙晋明 |
| |
| 作者单位： | 1. 云南师范大学地理学部;2. 云南省高校资源与环境遥感重点实验室;3. 云南省地理空间信息工程技术研究中心;4. 云南大学国际河流与生态安全研究院;5. 福建师范大学地理科学学院 |
| |
| 基金项目： | 国家重点研发计划（2018YFE0184300）；;云南省教育厅科学研究基金（2021Y501）；;国家自然科学基金（41561048）； |
| |
| 摘 要： | 建立地质灾害易发性评价模型并开展易发性评价，对提高区域地质灾害预报预警效率和精度有重要意义.然而，如何建立既切合区域实际、又具有推广适用价值的地质灾害易发性评价模型是制约地质灾害预报预警的关键科学问题.以云南省南华县2015年地质灾害详查数据为基础，选择地形、地貌等11个因子，基于均值法，采取梯度提升树算法（XGBoost、LightGBM、CatBoost）、信息量模型与地理加权回归模型开展了地质灾害易发性评价研究.结果表明：(1)地理加权回归模型预测结果存在过拟合现象，信息量模型则存在欠拟合现象；(2)均值法效果最好，AUC(Area Under Curve)值为0.933 7，精度较地理加权回归模型、XGBoost、LightGBM、CatBoost、信息量模型分别提高了1.7%、1.8%、2.0%、3.8%、4.0%；(3)Catboost对正样本的预测效果最差，但是对负样本的预测效果最好，而XGBoost对正样本的预测效果最好，对负样本的预测效果很差，基于3种梯度算法的均值法则对正负样本的预测精度有了明显提高；(4)南华县地质灾害主要诱因有道路修建、断层活动、降雨冲刷、河流侵...
|
| 关 键 词： | 地质灾害 机器学习 信息量模型 地理加权回归 均值法 |
|
|
