基于LR-ANN-SVM的滑坡易发性评价
来源期刊：有色金属科学与工程2020年第4期
论文作者：陈飞 蔡超 李小双 钱乾
文章页码：82 - 90
关键词：神经网络;支持向量机;逻辑回归模型;滑坡风险预警;
摘 要：针对传统大数据机器学习等方法进行滑坡易发性评价时,存在过于追求模型评价精度,导致在中易发区与低易发区存在滑坡产生的风险,提出了风险预警来降低中与低易发区产生的滑坡灾害。选取神经网络模型（ANN）、逻辑回归模型（LR）、支持向量机模型（SVM） 3种学习方法,对上犹县进行滑坡易发性评价,将上犹县分为高易发区、较高易发区、中易发区、较低易发区,低易发区。由受试者工作曲线（ROC）下的面积（AUC）显示:神经网络（ANN）的AUC=0.939,逻辑回归模型（LR）的AUC=0.897,支持向量机（SVM）的AUC=0.884,均具有较高的评价精度。根据以上的易发性评价结果,得到上犹县栅格的易发性指数（LSI）,然后基于MAX（LSI （LR）、 LSI（ANN）、 LSI（SVM））函数对上述模型的易发性指数取最大值,并对上犹县进行滑坡易发性评价。结果显示:LR-ANN-SVM的AUC=0.815,有较高的易发性评价精度。从高易发区与较高易发区所含滑坡占比来看,LR、ANN、SVM、LR-ANN-SVM的滑坡占比分别为80.6%、74.6%、91%、93.2%,表明根据ANN-LR-SVM易发性分区治理更安全。
陈飞1,2，蔡超1，李小双1，钱乾1
1. 江西理工大学资源与环境工程学院2. 江西理工大学江西省矿业工程重点实验室
摘 要：针对传统大数据机器学习等方法进行滑坡易发性评价时,存在过于追求模型评价精度,导致在中易发区与低易发区存在滑坡产生的风险,提出了风险预警来降低中与低易发区产生的滑坡灾害。选取神经网络模型（ANN）、逻辑回归模型（LR）、支持向量机模型（SVM） 3种学习方法,对上犹县进行滑坡易发性评价,将上犹县分为高易发区、较高易发区、中易发区、较低易发区,低易发区。由受试者工作曲线（ROC）下的面积（AUC）显示:神经网络（ANN）的AUC=0.939,逻辑回归模型（LR）的AUC=0.897,支持向量机（SVM）的AUC=0.884,均具有较高的评价精度。根据以上的易发性评价结果,得到上犹县栅格的易发性指数（LSI）,然后基于MAX（LSI （LR）、 LSI（ANN）、 LSI（SVM））函数对上述模型的易发性指数取最大值,并对上犹县进行滑坡易发性评价。结果显示:LR-ANN-SVM的AUC=0.815,有较高的易发性评价精度。从高易发区与较高易发区所含滑坡占比来看,LR、ANN、SVM、LR-ANN-SVM的滑坡占比分别为80.6%、74.6%、91%、93.2%,表明根据ANN-LR-SVM易发性分区治理更安全。
关键词：神经网络;支持向量机;逻辑回归模型;滑坡风险预警;
