滑坡危险性区划中基于一类分类模型的样本筛选

历史滑坡样本的准确性对基于统计机器学习的滑坡危险性区划建模工作有着决定性的影响。针对滑坡样本中普遍存在的可靠性问题,该文探索利用一类分类模型的异常探测能力,将其应用于历史滑坡样本筛选和甄别,以期筛除滑坡样本中可靠性较低的点,提升滑坡危险性区划的建模效果。以深圳市为实例研究区,对该方法的可行性和应用效果进行了验证。实例研究中采用支持向量数据描述方法（SVDD）进行样本筛选,利用GAM进行滑坡危险性区划建模,并对样本筛选前后的建模效果和模型应用效果进行了对比分析。使用SVDD模型进行样本筛选时,筛除比例设置为0-30%,以5%为步长递增,共得到7个筛选样本集,之后基于7个样本集分别进行了GAM建模。建模效果对比分析表明,当筛除比例为20%时,模型建模效果最佳,显著优于原始样本集所对应模型。实例研究说明,一类分类模型的异常探测能力适用于历史滑坡数据的筛选甄别工作,并能够显著提升建模效果,模型输出的滑坡危险性区划与历史滑坡分布也更为一致,可为滑坡灾害管理工作提供更为可靠的参考。