滑坡易发性预测建模的不确定性：不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律，拟用5种方式，即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量（IV）法、半监督法来选择出与滑坡等比例的非滑坡样本；进一步将各选择方式与随机森林（RF）耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例，获取高程、岩性、公路密度等19种环境因子和233个滑坡编录，将滑坡编录划分为2 598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题，在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明：1）低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型，可见准确选择非滑坡样本对易发性建模至关重要；2）半监督RF模型选择非滑坡样本的建模性能最优，且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。     

基于GIS和信息量法的伊犁黄土滑坡易发性评价

伊犁州位于新疆西北部,黄土分布范围较广,境内降雨丰沛.近年来,随着人类工程活动的增强,黄土滑坡灾害进一步加剧.以新疆伊犁州伊宁县某滑坡密集区域为研究区,在Google Earth平台上采用人工目视方法解译出3424处滑坡.选取高程、坡度、坡向、地形位置指数(TPI)、距道路距离、距河流距离、距断层距离、多年平均降雨量、归一化植被指数(NDVI)共九个滑坡影响因子,运用信息量法进行滑坡易发性评价.将研究区的滑坡易发性分为极低易发区、低易发区、中易发区、高易发区和极高易发区,采用感受性曲线(ROC)对评价结果进行检验.结果 表明:信息量模型训练集和验证集的成功率均在80％以上,信息量模型的评价结果较为理想;高易发区和极高易发区内滑坡数量有2660个,占滑坡总数的77.69％,滑坡面积为2.2 km2,占滑坡总面积的60.27％.基于GI S和信息量法的滑坡易发性评价结果可以为该区域地质灾害防灾减灾工作提供科学依据和可靠参考.     

基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价

滑坡与其评价因子之间的关联计算将直接影响滑坡易发性评价结果的精度,因此需要研究不同关联模型对滑坡易发性评价的影响。以白鹤滩库区象鼻岭-江边村段库岸段为研究区,选取以层次分析法(AHP)为代表的经验模型和以信息量法(IV)为代表的统计模型分别与BP神经网络(BPNN)模型耦合进行滑坡易发性评价,同时将仅采用BPNN模型的评价结果作对比。采用ROC曲线、频率比、易发性指数分布(均值、标准差)等方式对滑坡易发性结果进行对比评价。结果显示,IV-BPNN耦合模型滑坡易发性评价结果精度高于AHP-BPNN耦合模型,统计分析模型在滑坡评价因子关联分析上表现更为优秀;单一BPNN模型易发性评价结果整体精度低于耦合模型。在进行滑坡易发性评价时采用评价因子关联法的耦合模型优势较为明显,并且以信息量法为代表的统计分析模型作评价因子关联法进行耦合计算,获得的易发性评价结果精度最高、可靠性最强,评价结果与研究区实际的滑坡分布更为相符。     

不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤，选取合理的分级方法对有效绘制区域滑坡易发性图意义显著，但鲜有研究对比了各易发性分级方法的优缺点，尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题，以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数，即分类和回归树、随机森林和径向基函数；设计了5种易发性分级方法，划分不同的滑坡易发性等级，包括4种常规的基于地理信息系统的分级方法（自然断点、等间隔、分位数和几何间隔），同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明：3种模型的受试者工作特征（ROC）曲线下面积均大于0.75，但划分的易发性分级图分布模式却存在较大差异，使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡，但这两种方法划分的极高和高易发区的总面积过大；使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大，说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级，能为易发性的准确分区提供思路，为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考，提高地质安全评估及应急管理能力。     

基于IAHP-熵值法的滑坡易发性评价

区域滑坡易发性评价是滑坡灾害防治工作的一个重要环节,针对传统层次分析法在滑坡易发性评价中存在权重赋值依据不明确的缺陷,提出以熵值作为赋值依据的改进层次分析法。以贵州省赫章县80个滑坡点为例,选取高程、坡度、坡向、曲率、植被系数（NDVI）、岩性、距道路距离、距房屋距离、距断层距离作为滑坡影响因子;以熵值作为赋值依据,采用层次分析法求得滑坡影响因子的权重;对影响因子进行分级赋值,并确定滑坡易发性分级标准;在此基础上,构建起滑坡易发性评价体系,并利用GIS软件进行研究区滑坡易发性区划。结果表明：采用改进层次分析法计算时,46个滑坡位于高易发区（占样本总数的57.5%）,13个滑坡位于低易发区（占样本总数的16.25%）,相比传统层次分析法计算结果,分别高15%和低11.25%。因此,改进层次分析法具有更高的准确率。     

基于证据权和卡方自动交互检测决策树的滑坡易发性预测

滑坡与其环境因子间的非线性关联计算影响滑坡易发性预测建模的不确定性。为研究不确定性因素下易发性建模规律,以中国延长县为例,获取82处滑坡和14种环境因子,通过频率比(Frequency Ratio, FR)和证据权(Weight of Evidence, WOE)等关联法与卡方自动交互检测(Chi-squared Automatic Interaction Detector, CHAID)决策树相耦合进行建模,并用原始环境因子(称为“原始因子数据”)作为输入变量的单独CHAID决策树进行对比。使用精度、易发性指数均值、标准差和平均秩等评价易发性建模的不确定性。结果表明：WOE-CHAID模型预测的滑坡易发性不确定性低于FR-CHAID模型,可见WOE具有较优秀的非线性关联性能;单独CHAID决策树预测的易发性精度整体略低于WOE-CHAID和FR-CHAID模型,但其建模效率较高;在体现滑坡与其环境因子空间关联性方面,考虑FR和WOE关联法的CHAID决策树模型优势显著。WOE是更优秀的关联分析法,CHAID决策树预测性能好且预测效率高,WOE-CHAID决策树模型的易发性预测不确定性...     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.     

阴影集的模糊支持向量机样本选择方法

样本选择可以提高模糊支持向量机训练速度并在一定程度上提高其抗噪能力,但存在有效样本选择困难和选样率高的问题,利用阴影集对模糊集的分析能力,提出一种新的基于阴影集的模糊支持向量机样本选择方法,将模糊集合划分为可信任、不可信任及不确定3个子集,仅在可信任和不确定子集中选样,并分别采用子空间样本选择和边界向量提取的方法选样．实验结果表明,该方法在保持分类器泛化能力的前提下可以有效降低选样率和训练时间．因该方法去除了样本中的不可信任数据,所以当训练样本中含有噪声时,还可以有效提高分类器的分类性能．     

基于遗传模拟退火算法的滑坡位移预测方法

滑坡是一种常见的地质灾害,通常在复杂的地质条件下演化和发生,给社会和人类的生命财产安全造成了极大的危害.了解滑坡的发展规律,对灾害防治具有重要意义.在现有滑坡累积位移时间序列的基础上,提出了一种基于遗传模拟退火算法的滑坡位移预测方法.采用遗传模拟退火算法-BP神经网络对白水河滑坡预警区Z118观测点进行分析,利用前3个...     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

基于奇异值分解和支持向量机的负荷预测新方法

负荷预测作为一个传统而又复杂的问题,已取得了一定的发展。本文从信号特征提取的角度出发,研究负荷预测新方法。首先,应用相重构将负荷序列重构为负荷特征矩阵;接着,通过奇异值分解提取负荷序列的轮廓部分和细节部分;最后,使用支持向量回归机分别预测负荷的轮廓部分和细节部分,进而得到所要预测的负荷。实例研究证明,本文方法的预测精度较高,具有一定的实用性。     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.