相关实验视频
Updated: Sep 11, 2025

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
通过结合Newmark模型和XGBoost算法来评估共同地震山体滑坡的易感性
Cong Zhang1, Zifa Wang2,3,4, Jintao Xiao1
1School of Civil and Architecture Engineering, Henan University, Kaifeng, China.
这项研究将Newmark物理模型与机器学习相结合,以准确评估地震滑坡的易感性. 混合N_XGB模型显示出卓越的预测准确性,改善了山体滑坡风险评估和管理.
科学领域:
- 地质科学 地质科学
- 地震工程的工程是地震工程.
- 机器学习应用 机器学习应用
背景情况:
- 在地震后的山区,共同地震性山体滑坡对山区构成重大威胁.
- 准确的滑坡易感性评估对于减轻灾害和预测至关重要.
- 现有的模型往往缺乏对物理原理和数据驱动方法的全面整合.
研究的目的:
- 通过将Newmark物理模型与机器学习技术相结合,开发和验证一种新的山体滑坡危险评估模型.
- 评估混合模型的性能与传统的物理和独立机器学习模型相比.
- 提高地震滑坡易感性评估的可靠性和通用性.
主要方法:
- 整合Newmark物理模型与机器学习算法 (XGBoost和随机森林).
- 使用一个综合指标 ([公式:见文本]) 结合岩层,水分含量和斜坡梯度作为一个关键特征.
- 应用蒙特卡洛模拟来解决地质技术参数的不确定性.
- 开发和比较六种山体滑坡易感模型,包括混合和独立方法.
主要成果:
- 混合模型 (N_XGB,N_RF) 将Newmark模型输出与机器学习集成,显示出更好的性能.
- 在Jiuzhaigou地区,N_XGB模型获得了最高的精度 (AUC为0.96).
- [公式:参见文本]指标表现出优越的预测准确性,与仅仅是纽马克位移相比.
- 模型表现出强大的概括性,验证准确度为0.88 (Ludian) 和0.86 (Luding).
结论:
- 将物理原理与数据驱动的机器学习相结合,显著改善了地震滑坡易感性评估.
- 开发的混合方法为区域滑坡风险评估和管理提供了可靠的框架.
- 这项研究强调了将物理模型输出与先进的机器学习相结合,用于地质危险预测的有效性.
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
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Survival Tree
Building a Survival Tree
Constructing a...
Quantifying and Rejecting Outliers: The Grubbs Test
Response Surface Methodology
The process of RSM involves several key steps:
Design Example: Maintaining Level of an Embankment
Elastic Collisions: Case Study