基于CF融入SSA优化SVM和RF模型的滑坡易发性评价

针对传统的区域滑坡易发性评价建模过程可能存在的样本数据量纲不统一以及模型参数选取误差等问题,本文以陕西省留坝县为研究区,选取高程、坡度、水系、降雨量、地层岩性等10个评价因子,采用确定性系数模型(CF)计算各评价因子的敏感值作为支持向量机模型(SVM)和随机森林模型(RF)的输入样本属性值,引入麻雀搜索算法(SSA)分别对SVM模型和RF模型的参数进行优化,获取最优参数对两种模型进行训练,最终构建了CF-SSA-SVM和CF-SSA-RF模型,从而对整个研究区进行预测,完成滑坡易发性评价,并通过受试者工作特征曲线(ROC)对两种模型进行精度验证。结果表明,两种模型的评价结果均有较多滑坡点落在极高易发区,无滑坡点落在极低易发区,评价结果均有较高的准确率。其中,CF-SSA-RF模型的成功率和预测率曲线AUC值分别为0.994和0.940,高于CF-SSA-SVM模型;并以三处典型滑坡为例进行验证,结果显示易发性分区与历史滑坡点分布较为吻合。进一步表明CF-SSA-RF模型更适用于留坝县的滑坡易发性评价,为当地滑坡灾害风险评估提供了指导依据。

基于确定性系数与支持向量机的滑坡易发性评价

准确的滑坡易发性评价对防灾减灾具有重大意义。以略阳县为研究区,在确定性系数模型(certainty factor,CF)易发性分区的基础上,剔除极高和高易发区后选取非滑坡点,提取CF值为支持向量机模型(support vector machine,SVM)的输入值,采取灰狼优化算法得到最优参数建立CF-SVM模型对研究区进行预测,同时与随机选取的非滑坡点SVM模型进行对比。结果表明:CF-SVM模型在极高和高易发区涵盖了74.2%的历史滑坡点,且受试者特征工作曲线下的面积(area under receiver operating characteristic curve,AUC)达到0.95,均高于SVM模型,由此说明CF-SVM模型具有更高的准确率,并且证明了在CF模型基础上选取非滑坡点的可行性,可为该区域的风险管理提供科学依据。

多模型融合的矿区地表沉降预测方法及适用性

为消除BP神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题,以某矿区为例,选定弹性模量、泊松比、内聚力等9种影响矿区地表沉降的因素和最大下沉值作为初始样本数据,使用卡尔曼滤波(KF)优化BP神经网络,再将构建的KF-BP模型视作自适应增强(AdaBoost)算法中的弱预测器,通过最终权重分布将各弱预测器加权组合成强预测器。运用MATLAB建立BP神经网络模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型分别对矿区实际沉降监测数据进行训练和预测,结果表明,AdaBoost-KF-BP模型的稳定性最高,其精度相较于其他模型有明显提升。