科學地選取評價因子與構(gòu)建評價模型是滑坡易發(fā)性評價結(jié)果是否準確與可靠的關(guān)鍵。以山陽縣為例,基于區(qū)內(nèi)滑坡孕災環(huán)境、誘發(fā)因素、滑坡發(fā)育特征以及因子間相關(guān)性分析,選取高程、坡度、坡向、曲率、斷層、水系、道路、降雨量、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)作為評價因子。分別采用邏輯回歸(logistic regression,LR)模型、支持向量機(support vector machine,SVM)模型以及由以上兩種模型通過簡單線性回歸(LN)組合形成的SVM-LR融合模型對研究區(qū)滑坡進行預測研究。預測結(jié)果表明,在SVM-LR融合模型下,滑坡點落入研究區(qū)極高-高易發(fā)區(qū)占滑坡總數(shù)的79.07%,極高-高易發(fā)區(qū)滑坡相對點密度為2.287,較其他兩種模型有明顯的提高。最后采用接收者操作特征(receiver operating characteristic,ROC)曲線對不同模型的預測性能進行檢驗,結(jié)果表明:LR模型、SVM模型、SVM-LR融合模型的成功率曲線下面積(area under the success curve,AUC...

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1研究區(qū)地理位置以及滑坡分布

對于非線性支持向量機而言,需要引入核函數(shù)、松弛變量ξ與懲罰因子C。核函數(shù)就是通過引入一個映射函數(shù),將樣本特征屬性從低維空間映射到高維空間,進而將非線性分類問題轉(zhuǎn)化為高維空間中的線性分類問題。松弛變量ξ大小代表樣本點離群的遠近;ξ越大,代表樣本點離群越遠;懲罰因子C的大小代表離群樣....

圖2評價因子圖層

滑坡發(fā)生受多種因素的影響,各因素之間往往存在相互制約或者促進的關(guān)系。例如,高程高往往水系不發(fā)育,植被發(fā)育往往地形濕度較大等。各因素間存在較強的非線性或者線性相關(guān),往往會增加樣本數(shù)據(jù)的冗余度,導致模型運行速率大大降低,而且得到的模型容易出現(xiàn)過擬合現(xiàn)象,影響預測結(jié)果的可靠性�；诖�,....

圖3基于邏輯回歸模型的研究區(qū)滑坡易發(fā)性評價區(qū)劃圖

將訓練樣本集以及對應的標簽按照規(guī)定的數(shù)據(jù)格式代入R語言邏輯回歸數(shù)據(jù)包進行模型訓練,再將測試樣本集以及對應標簽代入訓練好的模型,得到模型的預測正確率為71.34%。隨后將研究區(qū)屬性數(shù)據(jù)代入模型中,得到研究區(qū)滑坡易發(fā)性指數(shù)(LSI),其取值范圍為0.010～0.930,同樣按自然間斷....

圖4基于支持向量機模型的研究區(qū)滑坡易發(fā)性區(qū)劃圖

采用10折交叉驗證法對支持向量機模型的參數(shù)進行優(yōu)化選取,得到最優(yōu)參數(shù)組合ξ、C分別為0.25、1.37。將最優(yōu)參數(shù)組合代入R語言e1071數(shù)據(jù)包SVM模型中對訓練樣本進行訓練,并對測試樣本數(shù)據(jù)進行預測,得到模型的預測正確率為70.87%。同樣將研究區(qū)屬性數(shù)據(jù)代入模型中,得到研究區(qū)....

本文編號：3997291