使用三种不同的机器学习算法和它们的比较,基于GIS的龙门山地区 (中国) 的山体滑坡易感性测绘

科学领域:

• 地质科学 地质科学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 滑坡对安全和社会经济稳定构成重大全球风险.
• 准确的山体滑坡建模和预测对于有效的灾害管理和预防至关重要.

研究的目的:

• 用先进的机器学习技术评估龙门山地区的山体滑坡易感性和地图滑坡风险.
• 为了比较随机森林 (RF),支持向量机 (SVM) 和决策树 (DT) 算法在滑坡预测中的性能.

主要方法:

• 应用了频率比 (FR) 方法与RF,SVM和DT回归算法一起.
• 利用7774个历史的山体滑坡和非山体滑坡点,平衡训练和测试.
• 通过多对线性分析和FR方法分析影响因素,规范环境因素以提高模型性能.

主要成果:

• 随机森林 (RF) 模型实现了最高的预测性能,曲线下的面积 (AUC) 为0.82,其次是SVM (AUC = 0.8) 和DT (AUC = 0.69).
• 创建了龙门山地区的山体滑坡易感性地图,确定了高风险地区.
• 验证了机器学习模型与FR方法相结合的有效性,以准确评估山体滑坡易感性.

结论:

• 机器学习模型,特别是射频模型,显著提高了滑坡易感性评估的准确性和性能.
• 开发的预测地图为预防灾害,保护生命和财产提供了关键的支持.
• 基于FR的机器学习方法是一个强大的方法,适用于山体滑坡研究和其他科学领域.