针对地质灾害易发性评价因子分级数不确定的问题,引入自适应膨胀因子模糊覆盖分级方法(fuzzy cover approach for clustering based on adaptive inflation factor,AIFFC)对易发性评价因子分级进行优化。以湖南省湘乡市为研究区,提取了...针对地质灾害易发性评价因子分级数不确定的问题,引入自适应膨胀因子模糊覆盖分级方法(fuzzy cover approach for clustering based on adaptive inflation factor,AIFFC)对易发性评价因子分级进行优化。以湖南省湘乡市为研究区,提取了坡度、坡向、高程、年平均降雨量、归一化植被指数、道路、断层、岩性和土地利用9类评价因子,运用AIFFC及自然断点法(natural breakpoint classification,NBC)对连续型因子进行分级,并分别代入加权信息量模型和随机森林模型,获取研究区易发性区划图。采用单因子分级结果精度、灾积比分析和易发性分区结果对AIFFC分级法的优越性进行检验,结果表明:各因子采用AIFFC算法分级的AUC值均高于自然断点法;基于AIFFC的随机森林模型及加权信息量模型的高易发区灾积比分别提升了56.3%、74.6%,低易发区灾积比分别降低了48%、58.1%,AUC值分别提升了7.6%、2.7%。采用AIFFC分级方法优化了地质灾害易发性评价因子分级,显著提高了地质灾害易发性评价的合理性。展开更多
不同环境因子组合和负样本选取策略对崩岗易发性评价结果存在较多不确定性。为探究其对评价结果的影响,该研究以江西省兴国县花岗岩区为例,利用地理探测器探测17个环境因子的统计量q值,根据累计q值百分比大小依次选择4、7、10和17个环...不同环境因子组合和负样本选取策略对崩岗易发性评价结果存在较多不确定性。为探究其对评价结果的影响,该研究以江西省兴国县花岗岩区为例,利用地理探测器探测17个环境因子的统计量q值,根据累计q值百分比大小依次选择4、7、10和17个环境因子进行组合;利用单随机欠采样、频率比法及改进频率比法等负样本选取策略构建与正样本等量的负样本数据集;采用随机森林模型进行易发性评价,并对评价结果进行对比分析。结果表明:1)3种负样本选取策略下的模型精度随着因子数量的增加先下降再上升,考虑4个环境因子的模型AUC(area under curve)值分别为0.729、0.909和0.909,较最优环境因子组合仅相差0.020~0.038,说明考虑主控环境因子,即可得到较为理想的精度;2)通过频率比法选取的负样本数据集更具合理性;3)研究区内高和极高易发区主要分布在兴国县西南部,而极低易发区主要分布在兴国县北部及东部,这与实际情况较吻合。该研究通过探究不同环境因子组合和负样本选取策略对崩岗易发性评价的影响,可为花岗岩区崩岗的防灾减灾提供科学依据。展开更多
探究不同栅格分辨率下崩岗易发性评价对崩岗防控具有重要意义.为开展相关研究,以赣州市石城县为例,利用地理探测器选取降雨侵蚀力、可蚀性、岩石种类、植被高度、叶面积指数、高程、坡度、归一化植被指数指标作为评价指标,划分出15、30...探究不同栅格分辨率下崩岗易发性评价对崩岗防控具有重要意义.为开展相关研究,以赣州市石城县为例,利用地理探测器选取降雨侵蚀力、可蚀性、岩石种类、植被高度、叶面积指数、高程、坡度、归一化植被指数指标作为评价指标,划分出15、30、60、90、120 m 5种分辨率的栅格单元,以频率比(FR)为联接方法,构建频率比-随机森林(FR-RF)模型开展崩岗易发性评价.结果显示:栅格单元空间分辨率对崩岗易发性评价有一定影响,5种不同栅格分辨率下易发性结果的AUC值依次为0.840、0.830、0.830、0.820、0.810,基于随机森林模型下15 m分辨率栅格单元更适用于研究区的崩岗易发性评价(AUC值为0.840);研究区较高易发区以及高易发区主要分布在北部区域.研究结果可以为赣南地区的崩岗易发性评价提供重要参考.展开更多
文摘针对地质灾害易发性评价因子分级数不确定的问题,引入自适应膨胀因子模糊覆盖分级方法(fuzzy cover approach for clustering based on adaptive inflation factor,AIFFC)对易发性评价因子分级进行优化。以湖南省湘乡市为研究区,提取了坡度、坡向、高程、年平均降雨量、归一化植被指数、道路、断层、岩性和土地利用9类评价因子,运用AIFFC及自然断点法(natural breakpoint classification,NBC)对连续型因子进行分级,并分别代入加权信息量模型和随机森林模型,获取研究区易发性区划图。采用单因子分级结果精度、灾积比分析和易发性分区结果对AIFFC分级法的优越性进行检验,结果表明:各因子采用AIFFC算法分级的AUC值均高于自然断点法;基于AIFFC的随机森林模型及加权信息量模型的高易发区灾积比分别提升了56.3%、74.6%,低易发区灾积比分别降低了48%、58.1%,AUC值分别提升了7.6%、2.7%。采用AIFFC分级方法优化了地质灾害易发性评价因子分级,显著提高了地质灾害易发性评价的合理性。
文摘不同环境因子组合和负样本选取策略对崩岗易发性评价结果存在较多不确定性。为探究其对评价结果的影响,该研究以江西省兴国县花岗岩区为例,利用地理探测器探测17个环境因子的统计量q值,根据累计q值百分比大小依次选择4、7、10和17个环境因子进行组合;利用单随机欠采样、频率比法及改进频率比法等负样本选取策略构建与正样本等量的负样本数据集;采用随机森林模型进行易发性评价,并对评价结果进行对比分析。结果表明:1)3种负样本选取策略下的模型精度随着因子数量的增加先下降再上升,考虑4个环境因子的模型AUC(area under curve)值分别为0.729、0.909和0.909,较最优环境因子组合仅相差0.020~0.038,说明考虑主控环境因子,即可得到较为理想的精度;2)通过频率比法选取的负样本数据集更具合理性;3)研究区内高和极高易发区主要分布在兴国县西南部,而极低易发区主要分布在兴国县北部及东部,这与实际情况较吻合。该研究通过探究不同环境因子组合和负样本选取策略对崩岗易发性评价的影响,可为花岗岩区崩岗的防灾减灾提供科学依据。
文摘探究不同栅格分辨率下崩岗易发性评价对崩岗防控具有重要意义.为开展相关研究,以赣州市石城县为例,利用地理探测器选取降雨侵蚀力、可蚀性、岩石种类、植被高度、叶面积指数、高程、坡度、归一化植被指数指标作为评价指标,划分出15、30、60、90、120 m 5种分辨率的栅格单元,以频率比(FR)为联接方法,构建频率比-随机森林(FR-RF)模型开展崩岗易发性评价.结果显示:栅格单元空间分辨率对崩岗易发性评价有一定影响,5种不同栅格分辨率下易发性结果的AUC值依次为0.840、0.830、0.830、0.820、0.810,基于随机森林模型下15 m分辨率栅格单元更适用于研究区的崩岗易发性评价(AUC值为0.840);研究区较高易发区以及高易发区主要分布在北部区域.研究结果可以为赣南地区的崩岗易发性评价提供重要参考.
文摘[目的]在滑坡易发性评价中,滑坡预测模型的选取和优化对运算过程的高效性和预测结果的准确性至关重要。针对现有单目标遗传优化算法(genetic algorithm,GA)易陷入早熟、局部搜索能力差、全局优化速度慢等问题,拟提出一种新的优化算法框架,将多目标遗传算法中的经典算法—带精英选择策略的非支配排序算法(the nondominated sorting genetic algorithm with an elite strategy,NSGA-Ⅱ)与常用机器学习模型[随机森林(random forest,RF)、支持向量机(support vector machine,SVM)]相结合,进行滑坡易发性预测。与单目标优化不同的是,NSGA-Ⅱ算法可同时进行特征选择和超参数优化,并使预测模型同时实现最优准确度、召回率、精密度和AUC(area under curve,AUC)。[方法]以三峡库区重庆段为研究区,从模型精度评价、滑坡灾害易发性分区图、分区统计3个方面对4种优化模型(RF-GA、SVM-GA、RF-NSGA-II、SVM-NSGA-II)进行对比分析。[结果]NSGA-II较GA优化效果更明显,在模型评价和滑坡易发性分区方面,RF-NSGA-II模型具有更高的预测性能,4项评价值分别为80.91%,81.89%,80.07%,88.60%,证明NSGA-II优化算法的有效性;极低至极高危险区面积占比依次为23.06%,22.46%,22.96%,19.99%,11.53%,验证了RF-NSGA-II模型的可靠性。由RF-NSGA-II模型预测得到的易发性图表明,高和极高易发性区集中在研究区北部,且由东向西呈带状分布。[结论]研究采取的基于多目标选择的RF-NSGA-II模型,为滑坡易发性评价中机器学习模型调优提供新思路。