郑迎凯;陈建国;王成彬;程潭武;

• 1:中国地质大学(武汉)资源学院
• 2:中国地质大学(武汉)地质过程与矿产资源国家重点实验室
• 3:中国地质大学(武汉)自然资源部资源定量评价与信息工程重点实验室

摘要(Abstract)：

编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型(certainty factor,简称CF)方法计算各个因子的敏感值,作为随机森林(random forests,简称RF)的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。

关键词(KeyWords)： 滑坡易发性评价;随机森林;确定性系数;云南芒市

Abstract:

Keywords:

基金项目(Foundation): 国家重点研发计划项目(2017YFC0601500;2017YFC0601504);; 中国地质调查局地质调查项目(2016008121);; 国土资源部公益性行业科研专项项目(201511079-02)

作者(Author): 郑迎凯;陈建国;王成彬;程潭武;

Email:

DOI: 10.19509/j.cnki.dzkq.2020.0616

参考文献(References)：

• [1] 刘勇,秦志萌,刘曼,等.基于状态划分的滑坡位移预测方法研究[J].地质科技情报,2018,37(1):184-189.
• [2] 王念秦,王永锋,罗东海,等.中国滑坡预测预报研究综述[J].地质论评,2008,44(3):355-361.
• [3] 王芳,殷坤龙,桂蕾,等.不同日降雨工况下万州区滑坡灾害危险性分析[J].地质科技情报,2018,37(1):190-195.
• [4] 杜谦,范文,李凯,等.二元Logistic回归和信息量模型在地质灾害分区中的应用[J].灾害学,2017,32(2):220-226.
• [5] Pawluszek K,Borkowski A.Impact of DEM-derived factors and analytical hierarchy process on landslide susceptibility mapping in the region of Roznow Lake,Poland[J].Natural Hazards,2017,86(2):919-952.
• [6] Hong H,Pradhan B,Sameen M I,et al.Improving the accuracy of landslide susceptibility model using a novel region-partitioning approach[J].Landslides,2018,15(4):753-772.
• [7] 王卫东,钟晟.基于GIS的Logistic回归模型在地质灾害危险性区划中的应用[J].工程勘察,2009,37(11):5-10.
• [8] Patriche C V,Pirnau R,Grozavu A,et al.A comparative analysis of binary logistic regression and analytical hierarchy process for landslide susceptibility assessment in the Dobrovat River Basin,Romania[J].Pedosphere,2016,26(3):335-350.
• [9] Chen W,Xie X,Peng J,et al.GIS-based landslide susceptibility modelling:A comparative assessment of kernel logistic regression,Naive-Bayes tree,and alternating decision tree models[J].Geomatics Natural Hazards & Risk,2017,8(2):950-973.
• [10] 安凯强,牛瑞卿.信息量支持下SVM模型滑坡灾害易发性评价[J].长江科学院院报,2016,33(8):47-51.
• [11] 郭天颂,张菊清,韩煜,等.基于粒子群优化支持向量机的延长县滑坡易发性评价[J].地质科技情报,2019,38(3):236-243.
• [12] 李远远,梅红波,任晓杰,等.基于确定性系数和支持向量机的地质灾害易发性评价[J].地球信息科学学报,2018,20(12):1699-1709.
• [13] 田春山,刘希林,汪佳.基于CF和Logistic回归模型的广东省地质灾害易发性评价[J].水文地质工程地质,2016,43(6):154-161.
• [14] Breiman L.Random forests[J].Machine Learning,2001,45(1):5-32.
• [15] Verikas A,Gelzinis A,Bacauskiene M.Mining data with random forests:A survey and results of new tests[J].Pattern Recognition,2011,44(2):330-349.
• [16] 方匡南,吴见彬,朱建平,等.随机森林方法研究综述[J].统计与信息论坛,2011,26(3):32-38.
• [17] 马海荣,程新文.一种处理非平衡数据集的优化随机森林分类方法[J].微电子学与计算机,2018,35(11):28-32.
• [18] Ling P,Niu R,Bo H,et al.Landslide susceptibility mapping based on rough set theory and support vector machines:A case of the Three Gorges area,China[J].Geomorphology,2014,204(1):287-301.
• [19] 于宪煜,胡友健,牛瑞卿.基于RS-SVM模型的滑坡易发性评价因子选择方法研究[J].地理与地理信息科学,2016,32(3):23-28.
• [20] Behnia P,Blais-Stevens A.Landslide susceptibility modelling using the quantitative random forest method along the northern portion of the Yukon Alaska Highway Corridor,Canada[J].Natural Hazards,2018,90(1):1-20.
• [21] 戴福初,姚鑫,谭国焕.滑坡灾害空间预测支持向量机模型及其应用[J].地学前缘,2007,14(6):153-159.
• [22] Shortliffe E H,Davis R,Axline S G,et al.Computer-based consultations in clinical therapeutics:explanation and rule acquisition capabilities of the MYCIN system.[J].Computers and Biomedical Research,1975,8(4):303-320.
• [23] Heckerman D.Probabilistic interpretations for MYCIN's Certainty Factors[M].[S.l]:[s.n.],1990.
• [24] 武晓岩,李康.基因表达数据判别分析的随机森林方法[J].中国卫生统计,2006,23(6):491-494.
• [25] 李亭,田原,邬伦,等.基于随机森林方法的滑坡灾害危险性区划[J].地理与地理信息科学,2014,30(6):25-30.
• [26] 王奕森,夏树涛.集成学习之随机森林算法综述[J].信息通信技术,2018,12(1):49-55.
• [27] 王佳佳,殷坤龙,肖莉丽.基于GIS和信息量的滑坡灾害易发性评价:以三峡库区万州区为例[J].岩石力学与工程学报,2014,33(4):797-808.
• [28] 张俊,殷坤龙,王佳佳,等.三峡库区万州区滑坡灾害易发性评价研究[J].岩石力学与工程学报,2016,35(2):284-296.
• [29] 罗盛锋,刘永丽,巩时源.基于TM影像的焦作市植被覆盖度时空动态监测[J].河南农业科学,2015,44(4):177-180.
• [30] 武雪玲,任福,牛瑞卿.多源数据支持下的三峡库区滑坡灾害空间智能预测[J].武汉大学学报:信息科学版,2013,38(8):963-968.
• [31] Liu X,Wu J,Zhou Z.Exploratory undersampling for class-imbalance learning[J].IEEE Transactions on Systems Man and Cybernetics Part B-cybernetics,2009,39(2):539-550.
• [32] 高惠璇.处理多元线性回归中自变量共线性的几种方法:SAS/STAT软件(6.12)中REG等过程增强功能的使用[J].数理统计与管理,2000,19(5):49-55.
• [33] Tzeng C H.A mathematical formulation of uncertain information[J].Annals of Mathematics & Artificial Intelligence,1991,4(1/2):69-87.
• [34] Chen W,Chai H,Zhao Z,et al.Landslide susceptibility mapping based on GIS and support vector machine models for the Qianyang County,China[J].Environmental Earth Sciences,2016,75(6):1-13.
• [35] Myronidis D,Papageorgiou C,Theophanous S.Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP)[J].Natural Hazards,2016,81(1):1-19.
• [36] 黄发明.基于3S和人工智能的滑坡位移预测与易发性评价[D].武汉:中国地质大学(武汉),2017.
• [37] 武雪玲,任福,牛瑞卿,等.斜坡单元支持下的滑坡易发性评价支持向量机模型[J].武汉大学学报:信息科学版,2013,38(12):1499-1503.
• [38] Pourghasemi H R,Kerle N.Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province,Iran[J].Environmental Earth Sciences,2016,75:1851-18517.