典型文献
考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律
文献摘要：
对于滑坡易发性预测中的水系、公路和断层等线状环境因子,现有研究大多采用缓冲分析提取距离线状因子的距离.但缓冲分析得到的线距离属于离散型变量,带有大小不等的随机波动性且对点或线要素的误差较为敏感,导致滑坡易发性建模精度下降.提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性.以江西省安远县为例,选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子),再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子);之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型,分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性;最后利用ROC曲线和易发性指数分布特征等来研究建模规律.结果表明:①改进因子机器学习预测精度均高于原始因子机器学习模型,表明空间密度对于易发性预测的适宜性更好;②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好,其次是SVM、MLP和LR;③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前.
文献关键词：
滑坡易发性预测;线状环境因子;空间密度;机器学习;地理信息系统
中图分类号：
作者姓名：
黄发明;李金凤;王俊宇;毛达雄;盛明强
作者机构：
南昌大学建筑工程学院,南昌330031
文献出处：
引用格式：
[1]黄发明;李金凤;王俊宇;毛达雄;盛明强-.考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律)[J].地质科技通报,2022(02):44-59
A类：
线状环境因子
B类：
适宜性,机器学习模型,滑坡易发性预测,预测建模,离线,离散型,大小不等,随机波,波动性,线要素,建模精度,空间密度,连续型变量,进线,安远县,地形起伏度,因子改进,逻辑回归,多层感知器,C5,决策树,和易,指数分布,机器学习预测,预测性能,MLP,LR,因子重要性,地理信息系统
AB值：
0.214507
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
