人工神经网络和决策树模型在滑坡易发性分析中的性能对比

发布时间：2021-02-09 12:51

　　机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:①在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。②BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对... 

【文章来源】：地球信息科学学报. 2020,22(12)北大核心

【文章页数】：13 页

【部分图文】：

人工神经网络模型结构

CART决策树模型由根节点、内部结点和叶子节点构成，叶子节点对应分类结果，其它节点对应分类规则（图2）。CART决策树模型的分类规则是逐节点形成的，根节点根据分类标准，将训练数据集分割为2个子集，其他每个内部节点接收来自上一层的数据集并继续划分为2个子集，直到在叶子节点获得分类结果。从根节点到叶子节点的每条路径都可以构成一个分类规则序列。CART决策树模型使用基尼指数制定每个节点的分类规则[28]，基尼指数越小代表划分子集的纯度越高，对应的分类标准越好。3 研究区概况与数据来源

蔡源流域位于福建省南平市延平区，面积约25.47 km2。2010年6月中旬的连日强降雨，在该流域诱发了大量的山体滑坡、崩塌、泥石流等次生灾害，造成了巨大的人员伤亡和财产损失。本研究数据来源于伍宇明等[30]使用的数据。数据内容包含滑坡、崩塌、碎屑流等边坡地质灾害，即广义的滑坡灾害。全流域共有1400余处滑坡区域，具有规模小、数量多、频率大3种特征。大量的滑坡样本可以为本研究提供充足的数据，滑坡的具体分布情况如图3所示。3.2 滑坡影响因子

【参考文献】：
期刊论文
[1]桂林-阳朔地区DEM地形特征与岩性相关性分析及分类研究[J]. 陈霄燕,潘军,邢立新,蒋立军,孙也涵,仲伟敬,范博文.  地球信息科学学报. 2019(12)
[2]基于确定性系数和支持向量机的地质灾害易发性评价[J]. 李远远,梅红波,任晓杰,胡旭东,李梦迪.  地球信息科学学报. 2018(12)
[3]闽三角城市群地质灾害敏感性评价[J]. 林金煌,张岸,邓超,陈文惠,梁春阳.  地球信息科学学报. 2018(09)
[4]基于信息量模型和数据标准化的滑坡易发性评价[J]. 杨根云,周伟,方教勇.  地球信息科学学报. 2018(05)
[5]中国2005-2016年地质灾害的时空变化及影响因素分析[J]. 章诗芳,王玉芬,贾蓓,赵尚民.  地球信息科学学报. 2017(12)
[6]支持向量机与Newmark模型结合的地震滑坡易发性评估研究[J]. 林齐根,刘燕仪,刘连友,王瑛.  地球信息科学学报. 2017(12)
[7]湖南省山丘区小流域山洪灾害危险性评价[J]. 叶超凡,张一驰,熊俊楠,秦建新.  地球信息科学学报. 2017(12)
[8]基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价[J]. 李郎平,兰恒星,郭长宝,张永双,李全文,伍宇明.  现代地质. 2017(05)
[9]基于DEM的福建省土质滑坡敏感性评价[J]. 杨城,林广发,张明锋,张容焱,孙笑古.  地球信息科学学报. 2016(12)
[10]一种基于贝叶斯理论的区域斜坡稳定性评价模型[J]. 伍宇明,兰恒星,高星,李郎平,孟云闪.  工程地质学报. 2014(06)



本文编号：3025657