XGBoost机器学习模型与GIS技术结合的公路崩塌灾害易发性研究
发布时间：2020-12-17 18:54
地质灾害预测预警在自然灾害防治中的地位日益凸显,而地质灾害易发性评估是地质灾害预测预警的基础。文章以北京西南地区的公路崩塌灾害为研究对象,利用GIS技术从多来源、多时相的数据源中提取了包括高程、地层岩性和降水在内的多种崩塌致灾因素;尝试将新型的XGBoost机器学习模型应用于地质灾害易发性研究,将452个公路崩塌灾害样本分为70%的训练集与30%的验证集进行训练,利用召回率、ROC曲线以及模型的不确定性等指标对模型结果进行评价,并与常用的SVM模型进行对比。结果表明,XGBoost模型的训练集和验证集的召回率分别为1.00和0.87,ROC曲线下面积分别为1.00和0.91,均优于SVM模型,并且其预测价值大的样本(崩塌发生概率为0.75～1和0～0.25)占比达到93%,远高于SVM模型。将训练得到的评估模型应用于北京西南地区,叠加区域路网数据,绘制北京西南地区的公路崩塌易发性图。用"8·11"房山崩塌灾害样本验证了易发性图的可靠性,并通过易发性图识别出需要重点防范的崩塌高易发性公路路段。
【文章来源】：公路. 2020年07期 北大核心
【文章页数】：7 页
【部分图文】：
研究区地理位置示意
受地形地貌与地质构造等自然条件的控制，叠加日益频繁的人类工程活动所造成的破坏，本区地质灾害隐患比较突出。依据最新的地质灾害调查数据，本区主要有5种地质灾害隐患类型，包括崩塌、不稳定斜坡、泥石流、地面塌陷和滑坡。地质灾害隐患点共计971个，其中崩塌452个，占总数的47%，为本区主要的地质灾害隐患。本文中的北京西南地区崩塌灾害样本来源于高德手机版地图中的地质灾害地图，结合实地考察共获得452个崩塌灾害具体点位（图2(a））。2 研究方法
从雷达图中可以更明显地比较XGBoost模型和SVM模型的预测结果分选性。如图4所示，XGBoost模型在预测价值大的区间（崩塌发生概率0.75～1和0～0.25）非常集中，而SVM模型在各区间分布较为均一，预测结果分选性不如XGBoost模型。因此，综合模型预测结果的精度和分选性，XGBoost模型整体优于SVM模型，可以显著提升公路崩塌灾害易发性评估的效果。3.2 北京西南地区的公路崩塌灾害易发性评估
【参考文献】：
期刊论文
[1]基于地质大数据的泥石流灾害易发性评价[J]. 张永宏,葛涛涛,田伟,夏广浩,何静. 计算机应用. 2018(11)
[2]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[3]基于XGBoost模型的股骨颈骨折手术预后质量评分预测[J]. 贾文慧,孙林子,景英川. 太原理工大学学报. 2018(01)
[4]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)
[5]基于XGBoost的遥感图像中道路网络的提取[J]. 杨灿. 微型机与应用. 2017(24)
[6]Xgboost在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞. 噪声与振动控制. 2017(04)
[7]基于Xgboost的商业销售预测[J]. 叶倩怡,饶泓,姬名书. 南昌大学学报(理科版). 2017(03)
[8]公路泥石流灾害危险性分区研究[J]. 赵欢,田伟平,李家春,齐洪亮,尹超. 灾害学. 2016(02)
[9]基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例[J]. 王佳佳,殷坤龙,肖莉丽. 岩石力学与工程学报. 2014(04)
[10]基于GIS与ANN模型的地震滑坡易发性区划[J]. 许冲,徐锡伟. 地质科技情报. 2012(03)
博士论文
[1]基于多源遥感影像的动态滑坡灾害空间预测模型研究[D]. 许石罗.中国地质大学 2018
[2]基于3S和人工智能的滑坡位移预测与易发性评价[D]. 黄发明.中国地质大学 2017
[3]区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究[D]. 邱海军.西北大学 2012
本文编号：2922521
【文章来源】：公路. 2020年07期 北大核心
【文章页数】：7 页
【部分图文】：
研究区地理位置示意
受地形地貌与地质构造等自然条件的控制，叠加日益频繁的人类工程活动所造成的破坏，本区地质灾害隐患比较突出。依据最新的地质灾害调查数据，本区主要有5种地质灾害隐患类型，包括崩塌、不稳定斜坡、泥石流、地面塌陷和滑坡。地质灾害隐患点共计971个，其中崩塌452个，占总数的47%，为本区主要的地质灾害隐患。本文中的北京西南地区崩塌灾害样本来源于高德手机版地图中的地质灾害地图，结合实地考察共获得452个崩塌灾害具体点位（图2(a））。2 研究方法
从雷达图中可以更明显地比较XGBoost模型和SVM模型的预测结果分选性。如图4所示，XGBoost模型在预测价值大的区间（崩塌发生概率0.75～1和0～0.25）非常集中，而SVM模型在各区间分布较为均一，预测结果分选性不如XGBoost模型。因此，综合模型预测结果的精度和分选性，XGBoost模型整体优于SVM模型，可以显著提升公路崩塌灾害易发性评估的效果。3.2 北京西南地区的公路崩塌灾害易发性评估
【参考文献】：
期刊论文
[1]基于地质大数据的泥石流灾害易发性评价[J]. 张永宏,葛涛涛,田伟,夏广浩,何静. 计算机应用. 2018(11)
[2]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[3]基于XGBoost模型的股骨颈骨折手术预后质量评分预测[J]. 贾文慧,孙林子,景英川. 太原理工大学学报. 2018(01)
[4]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)
[5]基于XGBoost的遥感图像中道路网络的提取[J]. 杨灿. 微型机与应用. 2017(24)
[6]Xgboost在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞. 噪声与振动控制. 2017(04)
[7]基于Xgboost的商业销售预测[J]. 叶倩怡,饶泓,姬名书. 南昌大学学报(理科版). 2017(03)
[8]公路泥石流灾害危险性分区研究[J]. 赵欢,田伟平,李家春,齐洪亮,尹超. 灾害学. 2016(02)
[9]基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例[J]. 王佳佳,殷坤龙,肖莉丽. 岩石力学与工程学报. 2014(04)
[10]基于GIS与ANN模型的地震滑坡易发性区划[J]. 许冲,徐锡伟. 地质科技情报. 2012(03)
博士论文
[1]基于多源遥感影像的动态滑坡灾害空间预测模型研究[D]. 许石罗.中国地质大学 2018
[2]基于3S和人工智能的滑坡位移预测与易发性评价[D]. 黄发明.中国地质大学 2017
[3]区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究[D]. 邱海军.西北大学 2012
本文编号：2922521
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2922521.html
