基于深度信念网络的滑坡敏感性评价

发布时间：2021-07-01 18:40

　　滑坡敏感性评价中各致灾因子之间存在复杂非线性关系,传统的评价模型难以揭示该类复杂关系,以致评价结果精度受限.基于文献调查与实地调研,选取高程、地貌类型、岩性、坡度、与构造线距离、与水系距离和年均降雨量为主要致灾因素,在地理信息系统（GIS）中建立了基于深度信念网络（DBN）模型的区域滑坡敏感性区划模型,并以四川区域为例进行了实例分析.最后通过ROC曲线特征将评价结果与逻辑回归（LR）和人工神经网络（BPNN）模型评价结果进行了对比分析,并探讨了各评价模型对不同致灾因子的响应.研究表明DBN模型具有更高精度以及较低的假阳性率和假阴性率,更适合于大区域、复杂致灾因素的区划滑坡敏感性评价工作. 

【文章来源】：东北大学学报(自然科学版). 2020,41(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

历史滑坡数据

DBN在编制滑坡敏感性区划图中的一个显著优势是，它从可能对滑坡的发生至关重要的因素中学习特征．本文的7个致灾因子是研究者经常使用的，但这些因素之间的复杂相互作用和内在联系难以解释和量化．传统的网络训练方法如反向传播BPNN和径向基函数(RBF)对因素的原始特征依赖性很强，缺乏揭示因素组合效应的能力．在这种情况下，DBN被认为是解决这个问题的较好的方法．鉴于此，本研究尝试将DBN应用于四川省的滑坡敏感性区划图．图2 致灾因子图层

图2 致灾因子图层DBN是一个双向深度网络，是由受限玻尔兹曼机器(RBM)组成的概率生成模型．RBM由输入数据层(可视层v)和隐藏层h组成，各层神经元之间不存在连接(图3).


本文编号：3259661