基于GIS与随机森林的巫山县滑坡易发性区划

【目的】对三峡库区典型县域巫山县进行滑坡易发性区划,为该县滑坡灾害风险管理和城市建设规划提供科学参考。【方法】选取地形地貌、地质条件、环境条件、人类工程活动及诱发因素共5个方面下的22个因子作为滑坡易发性影响因子,结合研究区963个历史滑坡数据,以30m精度栅格建立滑坡影响因子地理空间数据库;进一步在地理空间数据库中,基于全体样本(包括滑坡点与非滑坡点),采用十折交叉验证选择训练和测试数据集;随后,利用随机森林进行模型训练,用训练好的模型对整个研究区进行全域滑坡易发性仿真分析,将结果划分为低、较低、中、较高、高5种易发性等级。【结果】混淆矩阵的准确率高达100%;受试者工作特征曲线训练数据、测试数据和全体数据的曲线下面积值均为1.000;高易发区面积占整个县面积的5.83%,而区内历史滑坡数占该县历史滑坡总数的35.72%;高程、多年平均降雨量、兴趣点核密度这3个因子对滑坡的发生有更大贡献。【结论】基于巫山历史滑坡数据和随机森林构建的滑坡易发性模型具有较高的准确性、稳定性以及良好的预测功能。     

基于GIS与改进层次分析法的奉节县滑坡易发性区划

【目的】对三峡库区典型县域重庆市奉节县进行滑坡易发性区划，为该县防灾减灾与城市规划工作提供理论依据。【方法】选取地形地貌、地质条件、环境条件、人类工程活动及诱发因素共5个方面影响下的16个因子作为滑坡易发性影响因子，结合研究区1 520个历史滑坡数据，构建地理空间数据库；在地理空间数据库中进一步利用改进后的层次分析法确定各影响因子权重，构建滑坡易发性模型，进行全域滑坡易发性仿真分析，并将结果划分为低、较低、中、较高、高共5种易发性等级。【结果】较高 高易发区历史滑坡数占滑坡总数的80.29%；区域仿真的受试者工作特征曲线的曲线下面积为0.764；90%新近滑坡点分布于滑坡易发性高 较高区域。【结论】基于改进后的层次分析法构建的滑坡易发性区划模型具有一定的准确性与预测能力。     

基于逻辑回归的重庆市城镇开发边界划定及影响因素分析

【目的】为控制城镇蔓延和保护生态空间格局，研究划定重庆市城镇开发边界，这对城镇规划与空间扩展具有重要现实意义。【方法】结合工程地质、水域环境、生态与农业、交通建设、社会经济共5类因子以及下属的12个二级因子构建城镇开发边界的划定体系；以2015年重庆市土地利用类型为基准，运用逻辑回归模型模拟未来城镇用地，基于评价结果划定2030年重庆市城镇开发边界并进行精度评价；运用地理探测器对城镇开发边界划定的影响因素进行因子分析和交互探究。【结果】逻辑回归模型划定2030年重庆市城镇开发边界为3 334.82 km2，初步构建了都市区城乡一体、协调发展的格局。模拟预测精确度和召回率分别位于0.8，0.7以上；准确率和Kappa系数分别为0.994，0.806；测试、训练和全体数据的AUC值均在0.95以上。其次，因子探测中的首位因子为夜间灯光数据和GDP数据。【结论】基于逻辑回归模型划定的城镇开发边界符合规划要求。重庆市内各区域发展差距较大，未来的城镇扩展预测规模：都市区最大，其次为一小时经济圈（除都市区），再次渝东北，最小的为渝东南地区，形成“多中心组团式”发展格局，体现了区域协同、高效发展。     

基于机器学习算法的森林火灾风险评估研究

【目的】利用森林火灾风险图可提高有效巡护,优化有限防火资源,基于地形、人类活动、植被和气象因素数据,采用基于机器学习算法构建了林火发生预测模型,对林火防护提供一定的参考。【方法】以安徽省滁州韭山为研究对象,提取林区的坡度、海拔、坡向、到居住点的距离、到道路的距离、地形湿度指数、归一化植被指数和温度驱动因素,评估火灾发生驱动因子,将潜在驱动因子分成地形、人类活动、植被与气象因素等4类;使用哨兵火灾产品,提取林区内的历史火点,然后采用机器学习算法建立林火发生的预测模型;最后利用混淆矩阵评估指标和接受者操作特征曲线(ROC)进行精度评价。【结果】植被、温度和到道路的距离是研究区域火灾发生的主要驱动因素。两种模型的ROC曲线表明,逻辑回归预测模型准确度为71.07%,曲线下面积(AUC)值为0.717 2;随机森林模型具有较好的准确性,准确度达到84.91%,曲线下面积值为0.850 1。【结论】随机森林模型表现出比逻辑回归模型更好的预测能力。森林火灾风险图表明,随机森林模型预测下,研究区11.91%(29.36 km²)位于高、极高风险级别。森林火灾风险图可有效协助林火...     

基于k-means++的多分类器选择分类研究

【目的】机器学习中不同算法适用于具有不同分布特征的数据集。在用整个训练集上训练得到的单个分类器预测新样本类别时,由于缺少对局部区域样本的针对性,可能导致分类器对某一区域数据的预测能力较差而产生错误分类。为了解决这个问题,提出基于k-means+ +的多分类器选择算法。【方法】首先用3种分类综合性能较好的算法———Ada-Boost、SVM、随机森林(RF)在训练集上分别训练得到3个分类器作为候选基分类器,然后利用k-means++算法将训练数据集分为k个簇,用3个候选分类器分别对每个簇进行分类测试,选择对这一簇中数据分类精度最高的分类器作为与它的数据相似数据的分类器。在对新样本进行类别预测时,首先判定样本属于哪个簇,然后用它的分类器进行分类预测。【结果】实验结果表明,新算法在9个UCI数据集上优于单个分类算法。【结论】基于局部区域动态选择最优分类器可以提高模型分类准确性。
     

基于LR-IV模型的滑坡敏感性评价

滑坡敏感性评价是滑坡防治中的重要一环.针对信息量模型(Ⅳ)中各影响因子等权以及逻辑回归模型(LR)中因子难以量化的问题,将逻辑回归模型(LR)与信息量模型(Ⅳ)进行耦合,构建LR-Ⅳ模型,并将逻辑回归模型及信息量模型作为对照,以湖北省为例,进行了滑坡敏感性评价.选取工程岩组、地震烈度、水系距离、构造线距离、地貌、降雨面、坡度等七个因子,结合GIS的栅格分析方法,计算各区域滑坡敏感性指数,得到湖北省滑坡敏感性区划图.将历史滑坡数据随机分为70%的训练数据与30%的验证数据,通过受试者工作特征曲线来比较各个模型之间的性能.在成功率上,LR-Ⅳ模型(91.3%)与逻辑回归模型(91.5%)、信息量模型(90.3%)相差不大,都具有极高的成功率,但在预测率上,LR-Ⅳ模型(75.7%)远胜于逻辑回归模型(65.8%),略强于信息量模型(74.9%).研究结果表明,LR-Ⅳ模型表现优异,可用于滑坡敏感性评价.     

基于核均值漂移聚类的改进局部协同训练算法

【目的】针对协同训练算法不能直接应用于单视图数据，且在迭代过程中加入的无标记样本隐含有用信息不够的问题，提出基于核均值漂移聚类的改进局部协同训练算法。【方法】该算法先在有标记样本集中利用改进局部协同训练算法训练一个完整视图分类器h1，同时挑选出价值高的特征子集来训练局部视图分类器h2，然后在无标记样本集中采用核均值漂移算法选择聚类过程中指定带宽范围内的样本，交由分类器h2标记类别后再加入分类器h1的训练中，以此来优化分类模型。【结果】在UCI数据集上的3组对比实验证明了该算法的有效性，实验结果表明该算法具有更高的模型评价能力。【结论】改进局部协同训练算法将数据集划分为局部视图和完整视图，解决了单视图数据的视图划分问题。利用核均值漂移算法选出较好表现数据空间结构的无标记样本，降低了无标记样本带来的误差。     

北美银钟花在中国的适宜栽培区研究

【目的】北美银钟花(Halesia carolina L.)是优良的园林景观树种,利用最大熵(Maxent)模型预测其在中国适宜引种栽培区,为北美银钟花合理引种栽培提供科学依据。【方法】通过ENMeval数据包优化Maxent模型参数设置,基于57条现代地理分布记录和7个生物气候变量模拟和预测北美银钟花在中国的适宜栽培区,综合使用百分比贡献率、置换重要值和多元方差分析等方法评价中国、美国适宜分布区的环境差异和主要气候限制因子。【结果】当特征组合为线性、二次型、乘积型和片段化,调控倍频为1.5时,模型复杂度和过拟合程度较低,此时测试集受试者工作特征曲线下的面积值达到0.956 7±0.032 9,模拟准确度极高。北美银钟花在中国的适宜栽培区主要包括台湾岛东部和北部、海南岛东部、云南西部和西南部、中国大陆中东部4个区域。多元方差分析和稳健多元方差分析显示,中国和美国的适宜区之间具有显著的气候差异,其中,指示降水和气温变异程度的指标差异最大,指示气温极端特征的指标差异最小。【结论】降水因子与北美银钟花潜在地理分布的关联性更强,中国适宜区内不均匀的降雨季节性分配可能是限制其引种栽培的主要气候因素。     

基于MaxEnt模型的青钱柳潜在适宜栽培区预测

【目的】 青钱柳是集药用、材用和观赏价值于一身的多用途树种。通过应用贡献率、置换重要值比较以及Jackknife检验等综合分析方法,评价制约青钱柳现代地理分布的主要因子,可为青钱柳资源的科学保护和合理利用提供理论依据。【方法】基于183个青钱柳地理分布记录和8个气候环境因子数据,采用MaxEnt模型软件对青钱柳潜在适宜分布区进行预测,并在此基础上划分适宜栽培区。【结果】采用MaxEnt模型预测青钱柳潜在适宜分布区准确度极高,受试者工作特征曲线下的面积(AUC值)达0.964±0.006。目前,青钱柳高度适宜分布区为浙江南部、福建西北部、安徽南部、湖北东部、江西东部和西部、湖南东部和西部、贵州东部、重庆东部、陕西南部和四川东北部; 随着未来气温的升高,青钱柳有向高纬度和高海拔地区迁移的趋势。【结论】 影响青钱柳分布的主要气候因子是温度,包括年均温、季节温度变异系数和平均日温差,其中年均温为最主要因子。     

云南省林草火险空间模拟和等级评价

【目的】森林火险空间模拟和等级评价对森林防火具有重要意义。为确定不同区域林草资源防火的重点因素,对云南省的林草火险进行空间模拟和等级评价。【方法】采用2001—2014年的MODIS数据,选取反映植被状态、温度、地形和人类活动可达性等4个方面的火环境因素,通过设计抽样方案、训练集和检验集生成程序,得到35个数据集,开发70个地理加权Logistic回归模型,以交叉验证法评估模型性能,最终选择残差空间随机、可靠性和区分能力最优的模型做统计推断。将模拟的每期过火概率图重分为5类,相应火险类别分别记为“低”、“中”、“高”、“很高”、“极高”等级。【结果】火险类别中,“极高”等级占12.7%,“很高”等级占18.1%,二者可解释2001—2014年云南省80%的林草火灾,文山、红河、玉溪、楚雄、丽江、大理等6市的“极高”和“很高”等级面积占全省面积的71.5%,是全省的“重灾区”。【结论】“重灾区”应列为云南林草防火的重点区域,在防火的人、财、物上给予优先考虑。高温是云南省首要火险因素,其次为海拔、坡度、枯死植被、植被量,人类活动可达性影响相对较弱。影响火险的火环境因素在云南省内仅部分区域显著,按显著区及相对权重,云南省可分为西北、西南、西中Ⅰ、西中Ⅱ、东南和中部共6个区域,不同区域应因地制宜确定防火重点并布置防火资源。