滑坡易发性评价的实质就是以历史滑坡数据为基础,进行特定区域滑坡灾害发生的概率评估。易发性评价结果多数取决于样本的精细程度。传统的样本制作方法会丢失滑坡的部分位置信息,为最终评价结果带来不确定性。本研究提出了一种全新的网...滑坡易发性评价的实质就是以历史滑坡数据为基础,进行特定区域滑坡灾害发生的概率评估。易发性评价结果多数取决于样本的精细程度。传统的样本制作方法会丢失滑坡的部分位置信息,为最终评价结果带来不确定性。本研究提出了一种全新的网格样本制作方法,尽可能完整地保留滑坡的边界位置信息。将不同的机器学习模型(逻辑回归模型、深度神经网络)与本文提出的样本制作方法结合,并通过受试者工作特征(receiver operating characteristic,ROC)曲线实现精度验证。ROC曲线中2个模型的AUC(area under curve)值分别为0.878,0.963。最终的易发性分区结果显示:深度神经网络在对于极高滑坡易发区的划分更为精细,便于节约人力、物力资源,集中关注于滑坡真正高发的那些区域。展开更多
文摘滑坡易发性评价的实质就是以历史滑坡数据为基础,进行特定区域滑坡灾害发生的概率评估。易发性评价结果多数取决于样本的精细程度。传统的样本制作方法会丢失滑坡的部分位置信息,为最终评价结果带来不确定性。本研究提出了一种全新的网格样本制作方法,尽可能完整地保留滑坡的边界位置信息。将不同的机器学习模型(逻辑回归模型、深度神经网络)与本文提出的样本制作方法结合,并通过受试者工作特征(receiver operating characteristic,ROC)曲线实现精度验证。ROC曲线中2个模型的AUC(area under curve)值分别为0.878,0.963。最终的易发性分区结果显示:深度神经网络在对于极高滑坡易发区的划分更为精细,便于节约人力、物力资源,集中关注于滑坡真正高发的那些区域。