当前位置:主页 > 管理论文 > 工程管理论文 >

基于SVM-LR融合模型的滑坡灾害易发性评价——以山阳县为例

发布时间:2024-06-29 06:14
  科学地选取评价因子与构建评价模型是滑坡易发性评价结果是否准确与可靠的关键。以山阳县为例,基于区内滑坡孕灾环境、诱发因素、滑坡发育特征以及因子间相关性分析,选取高程、坡度、坡向、曲率、断层、水系、道路、降雨量、归一化植被指数(normalized difference vegetation index,NDVI)作为评价因子。分别采用逻辑回归(logistic regression,LR)模型、支持向量机(support vector machine,SVM)模型以及由以上两种模型通过简单线性回归(LN)组合形成的SVM-LR融合模型对研究区滑坡进行预测研究。预测结果表明,在SVM-LR融合模型下,滑坡点落入研究区极高-高易发区占滑坡总数的79.07%,极高-高易发区滑坡相对点密度为2.287,较其他两种模型有明显的提高。最后采用接收者操作特征(receiver operating characteristic,ROC)曲线对不同模型的预测性能进行检验,结果表明:LR模型、SVM模型、SVM-LR融合模型的成功率曲线下面积(area under the success curve,AUC...

【文章页数】:8 页

【部分图文】:

图1研究区地理位置以及滑坡分布

图1研究区地理位置以及滑坡分布

对于非线性支持向量机而言,需要引入核函数、松弛变量ξ与惩罚因子C。核函数就是通过引入一个映射函数,将样本特征属性从低维空间映射到高维空间,进而将非线性分类问题转化为高维空间中的线性分类问题。松弛变量ξ大小代表样本点离群的远近;ξ越大,代表样本点离群越远;惩罚因子C的大小代表离群样....


图2评价因子图层

图2评价因子图层

滑坡发生受多种因素的影响,各因素之间往往存在相互制约或者促进的关系。例如,高程高往往水系不发育,植被发育往往地形湿度较大等。各因素间存在较强的非线性或者线性相关,往往会增加样本数据的冗余度,导致模型运行速率大大降低,而且得到的模型容易出现过拟合现象,影响预测结果的可靠性。基于此,....


图3基于逻辑回归模型的研究区滑坡易发性评价区划图

图3基于逻辑回归模型的研究区滑坡易发性评价区划图

将训练样本集以及对应的标签按照规定的数据格式代入R语言逻辑回归数据包进行模型训练,再将测试样本集以及对应标签代入训练好的模型,得到模型的预测正确率为71.34%。随后将研究区属性数据代入模型中,得到研究区滑坡易发性指数(LSI),其取值范围为0.010~0.930,同样按自然间断....


图4基于支持向量机模型的研究区滑坡易发性区划图

图4基于支持向量机模型的研究区滑坡易发性区划图

采用10折交叉验证法对支持向量机模型的参数进行优化选取,得到最优参数组合ξ、C分别为0.25、1.37。将最优参数组合代入R语言e1071数据包SVM模型中对训练样本进行训练,并对测试样本数据进行预测,得到模型的预测正确率为70.87%。同样将研究区属性数据代入模型中,得到研究区....



本文编号:3997291

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3997291.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户2ce0f***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com