典型文献
基于机器学习的滑坡易发性预测建模及其主控因子识别
文献摘要：
不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异,另外如何有效识别滑坡易发性的主控因子意义重大.针对上述问题,以支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性,创新地提出了"权重均值法"来综合计算出更准确的滑坡主控因子.首先获取陕西省延长县滑坡编录和10类基础环境因子,将因子频率比值作为SVM和RF的输入变量;再将滑坡与随机选择的非滑坡样本划分为训练集和测试集,用训练好的机器学习预测出滑坡易发性并制图;最后用受试者工作曲线、均值和标准差等来评估建模不确定性,并计算滑坡主控因子.结果表明:①机器学习能有效预测出区域滑坡易发性,RF预测的滑坡易发性精度高于SVM,而其不确定性低于SVM,但两者的易发性分布规律整体相似;②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性.实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型.
文献关键词：
滑坡易发性预测;不确定性分析;主控因子识别;支持向量机;随机森林
中图分类号：
作者姓名：
黄发明;胡松雁;闫学涯;李明;王俊宇;李文彬;郭子正;范文彦
作者机构：
南昌大学建筑工程学院,南昌330031;中国地质大学(武汉)工程学院,武汉430074
文献出处：
引用格式：
[1]黄发明;胡松雁;闫学涯;李明;王俊宇;李文彬;郭子正;范文彦-.基于机器学习的滑坡易发性预测建模及其主控因子识别)[J].地质科技通报,2022(02):79-90
A类：
主控因子识别
B类：
基于机器学习,滑坡易发性预测,预测建模,机器学习预测,support,vector,machine,random,forest,RF,新地,均值法,综合计算,延长县,滑坡编录,基础环,环境因子,频率比,随机选择,非滑坡样本,训练集,测试集,练好,预测出,制图,受试者工作曲线,评估建模,建模不确定性,岩性,文献综述,机器学习模型,不确定性分析
AB值：
0.231324
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。
