基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

发布时间：2023-04-11 21:28

　　准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.

【文章页数】：12 页

【文章目录】：
0 引言
1 模型原理
    1.1 径向基神经网络
    1.2 Adaboost集成学习算法
    1.3 RBNN-Adaboost耦合模型及精度评价
2 研究区概况
    2.1 区域地理环境
    2.2 工程地质条件
3 数据准备与分析
    3.1 滑坡数据编录
    3.2 滑坡指标因素
        3.2.1 高程
        3.2.2 坡度
        3.2.3 坡向
        3.2.4 径流强度指数
        3.2.5 地形湿度指数
        3.2.6 地层岩性
        3.2.7斜坡结构
        3.2.8 断层距离
        3.2.9 水系距离
        3.2.1 0 道路距离
4 滑坡易发性制图
    4.1 滑坡指标共线性分析
    4.2 滑坡易发性建模
    4.3模型性能比较与分析
        4.3.1 滑坡发育规律分析
        4.3.2 精度统计分析
        4.3.3 ROC曲线精度分析
5 讨论与结论



本文编号：3789780