基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。