超参数优化用于增强的基于机器学习的山体滑坡易感性映射
Moziihrii Ado1, Khwairakpam Amitab2
1Department of Information Technology, North-Eastern Hill University, Mawkynroh, Shillong, 793022, Meghalaya, India. moziihrii@nehu.ac.in.
使用超参数优化 (HPO) 技术优化机器学习 (ML) 模型,如网格搜索,随机搜索和贝叶斯优化,可以提高山体滑坡易感性绘图的准确性. 代种族 (iRace) 突出提高了印度东北部的山体滑坡风险评估.
科学领域:
- 地质科学 地质科学
- 人工智能的人工智能
- 灾害管理 灾害管理
背景情况:
- 滑坡对生命和财产构成重大风险,需要准确的滑坡易感性测绘 (LSM) 进行有效的灾害管理.
- 机器学习 (ML) 模型为生成LSM提供了高效的方法,但它们的性能高度依赖于超参数优化 (HPO).
研究的目的:
- 评估和比较各种HPO技术,包括网格搜索 (GS),随机搜索 (RS),贝叶斯优化 (BO),超带和代比赛 (iRace),以增强基于ML的LSM.
- 引入和评估iRace优化技术的有效性,特别是在滑坡易感性测绘研究的背景下.
主要方法:
- 使用各种ML模型:分类和回归树 (CART),支持矢量机 (SVM),随机森林 (RF),XGBoost和LightGBM.
- 评估ML-HPO技术使用性能指标,如曲线下的面积 (AUC),准确性,卡帕系数 (k),精度,回忆和F1分数.
- 利用印度东北部各州的地理空间数据来验证模型和HPO技术.
主要成果:
- 确定了每个印度东北部州的最佳ML-HPO组合,在各种ML模型中为GS,iRace和BO技术取得了显著的成功.
- 具体的最佳组合包括阿鲁纳恰尔邦的GS-LightGBM,阿萨姆的iRace-RF和RS-RF,马尼普尔的GS-XGBoost,梅加拉雅和锡金的BO-RF,米佐拉姆的iRace-RF,纳加兰的超频段RF和Tripura的BO-XGBoost.
- 证明GS,iRace和BO是有效的HPO策略,用于改善山体滑坡易感性测绘.
结论:
- 通过HPO技术集成优化的ML模型显著提高了山体滑坡易感性地图的准确性和可靠性.
- 根据每个州的最佳ML-HPO组合,为东北印度开发的LSM为减少灾害和土地利用规划提供了关键的工具.
- 有效地应用这些先进的绘图技术可以减少山体滑坡的影响,提高区域安全.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
相关概念视频
Survival Tree
Building a Survival Tree
Constructing a...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Manipulation and Analysis
Applications of GIS: Disaster Management and Emergency Response
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Response Surface Methodology
The process of RSM involves several key steps:
