滑坡易发性预测建模的不确定性：不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律，拟用5种方式，即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量（IV）法、半监督法来选择出与滑坡等比例的非滑坡样本；进一步将各选择方式与随机森林（RF）耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例，获取高程、岩性、公路密度等19种环境因子和233个滑坡编录，将滑坡编录划分为2 598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题，在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明：1）低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型，可见准确选择非滑坡样本对易发性建模至关重要；2）半监督RF模型选择非滑坡样本的建模性能最优，且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.     

基于证据权和卡方自动交互检测决策树的滑坡易发性预测

滑坡与其环境因子间的非线性关联计算影响滑坡易发性预测建模的不确定性。为研究不确定性因素下易发性建模规律,以中国延长县为例,获取82处滑坡和14种环境因子,通过频率比(Frequency Ratio,FR)和证据权(Weight of Evidence,WOE)等关联法与卡方自动交互检测(Chi-squared Automatic Interaction Detector,CHAID)决策树相耦合进行建模,并用原始环境因子(称为“原始因子数据"”)作为输入变量的单独CHAID决策树进行对比。使用精度、易发性指数均值、标准差和平均秩等评价易发性建模的不确定性。结果表明:WOE-CHAID模型预测的滑坡易发性不确定性低于FR-CHAID模型,可见WOE具有较优秀的非线性关联性能;单独CHAID决策树预测的易发性精度整体略低于WOE-CHAID和FR-CHAID模型,但其建模效率较高;在体现滑坡与其环境因子空间关联性方面,考虑FR和WOE关联法的CHAID决策树模型优势显著。WOE是更优秀的关联分析法,CHAID决策树预测性能好且预测效率高,WOE-CHAID决策树模型的易发性预测不确定性较低且更符合实际滑坡概率分布特征。     

基于GIS和信息量法的伊犁黄土滑坡易发性评价

伊犁州位于新疆西北部,黄土分布范围较广,境内降雨丰沛.近年来,随着人类工程活动的增强,黄土滑坡灾害进一步加剧.以新疆伊犁州伊宁县某滑坡密集区域为研究区,在Google Earth平台上采用人工目视方法解译出3424处滑坡.选取高程、坡度、坡向、地形位置指数(TPI)、距道路距离、距河流距离、距断层距离、多年平均降雨量、归一化植被指数(NDVI)共九个滑坡影响因子,运用信息量法进行滑坡易发性评价.将研究区的滑坡易发性分为极低易发区、低易发区、中易发区、高易发区和极高易发区,采用感受性曲线(ROC)对评价结果进行检验.结果 表明:信息量模型训练集和验证集的成功率均在80％以上,信息量模型的评价结果较为理想;高易发区和极高易发区内滑坡数量有2660个,占滑坡总数的77.69％,滑坡面积为2.2 km2,占滑坡总面积的60.27％.基于GI S和信息量法的滑坡易发性评价结果可以为该区域地质灾害防灾减灾工作提供科学依据和可靠参考.     

基于决策树和有效降雨强度的滑坡危险性预警

以江西省寻乌县为例,采用信息量（IV）、反向传播神经网络（BPNN）和C5.0决策树模型进行滑坡易发性预测（LSP）,比较不同模型的预测性能;基于有效降雨量的概念提出有效降雨强度-历时（EI-D）模型,计算滑坡临界降雨阈值并将其与传统的降雨强度-历时（I-D）阈值做对比;将LSP结果与EI-D模型耦合,实现滑坡灾害预警并进一步验证了预警精度. 结果表明：C5.0决策树的LSP精度高于BPNN和IV,EI-D阈值的预测效果优于I-D模型,且基于滑坡易发性和EI-D阈值的模型能有效实现降雨型滑坡的实时预报.     

基于多尺度分割方法的斜坡单元划分及滑坡易发性预测

滑坡易发性预测可以有效预测潜在滑坡的空间位置,是滑坡危险性和风险性评价的基础。由于斜坡单元依据真实地形地貌划分和具有明确的地质特征意义,更多的学者尝试利用斜坡单元进行区域滑坡易发性预测。但是,如何高效准确地划分斜坡单元并考虑其内部环境因子的非均质性是制约斜坡单元应用的关键因素,也是目前研究中的难点。本文以江西省崇义县为例,首先,提取研究区域坡向和山体阴影图作为基础数据,采用多尺度分割（MSS）方法划分斜坡单元,并结合试错法和研究区域历史滑坡形态特征确定MSS方法的最优参数组合。然后,基于斜坡单元提取高程、坡度、剖面曲率等环境因子,分别导入支持向量机（SVM）和逻辑回归（LR）模型,构建Slope-SVM/LR易发性预测模型。通过变化值和标准差表征斜坡单元内部环境因子的非均质性,进而构建Variant Slope-SVM/LR易发性预测模型。最后,采用ROC曲线和频率比精度分析上述模型的预测精度。结果表明：1）当尺度、形状特征权重和紧致度权重参数分别取20、0.8和0.8时,研究区域斜坡单元的划分效果最好;2）Slope-SVM、Variant slope-SVM、Slope-LR和Variant slope-LR模型的ROC精度分别为0.812、0.876、0.818和0.839,相应的频率比精度分别为0.780、0.866、0.792和0.865, 说明Variant slope-SVM/LR模型的预测精度高于Slope-SVM/LR模型。因此,MSS方法可以实现高效准确地自动划分斜坡单元,考虑斜坡单元内部环境因子的非均质性可以提高易发性预测结果的准确性。     

不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤，选取合理的分级方法对有效绘制区域滑坡易发性图意义显著，但鲜有研究对比了各易发性分级方法的优缺点，尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题，以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数，即分类和回归树、随机森林和径向基函数；设计了5种易发性分级方法，划分不同的滑坡易发性等级，包括4种常规的基于地理信息系统的分级方法（自然断点、等间隔、分位数和几何间隔），同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明：3种模型的受试者工作特征（ROC）曲线下面积均大于0.75，但划分的易发性分级图分布模式却存在较大差异，使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡，但这两种方法划分的极高和高易发区的总面积过大；使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大，说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级，能为易发性的准确分区提供思路，为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考，提高地质安全评估及应急管理能力。     

基于SVM的高校考研预测模型研究

选择适合的特征子集和预测算法用于考研结果或考研成绩预测,在机器学习领域中受到研究者的青睐.影响报考决策和考研结果的因素很多,虽然采用小样本或者范围较大的特征子集,可以获得精度较高的预测结果,但较难保证预测模型的实用性和泛化能力.论文提出一种基于SVM的高校考研预测模型,该模型面向高校所有理工科本科生,以高考成绩和在校原始成绩作为特征子集,并构造三种样本集,分别采用内积核函数、径向基核函数和多项式核函数训练SVM模型.通过与Logistics算法、kNN算法进行训练建模对比测试后,发现本文的预测模型在考研报考决策场景下,具有较高的适应能力和稳定性,对学校鼓励考研和学生制定考研决策具有较高的实用性.     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

隐伏断层地震诱发滑坡易发性评价

针对隐伏断层地震诱发滑坡无明显空间分布规律导致滑坡易发性分区难度较大的问题,提出考虑同震地表变形因子的人工神经网络地震滑坡易发性评价方法.以2004年日本新泻中越地震为例,除选取地层岩性、高程、坡度、坡向、地表曲率、地震加速度峰值、距道路的距离等常规地震滑坡影响因子外,新增同震地表变形作为影响因子,利用地理信息系统(GIS)平台通过神经网络法进行地震滑坡易发性评价.结果表明,基于GIS的人工神经网络法对地震诱发滑坡易发性评价有较高的精度.同震地表变形对预测准确度有一定贡献,优于坡向、高程以及距道路的距离等常规影响因子.     

基于集成学习的功耗分析研究

针对单模型分类算法在训练样本数量较少时成功率偏低的问题,提出一种集成学习算法,并在DPA_Contest_V4数据集上进行实验。首先使用传统方法破解循环掩码,再使用SVM（support vector machine）、随机森林和k近邻（k-nearest neighbor,kNN）等分类算法进行训练和预测,最后将这些模型的结果集成。实验结果表明,集成模型优于单一模型,尤其当训练集中的能量迹数目较少时集成模型的成功率比单一模型高10%左右。     

Intelligent prediction of slope stability based on visual exploratory data analysis of 77 in situ cases

Slope stability prediction research is a complex non-linear system problem. In carrying out slope stability prediction work, it often encounters low accuracy of prediction models and blind data preprocessing. Based on 77 field cases, 5 quantitative indicators are selected to improve the accuracy of prediction models for slope stability. These indicators include slope angle, slope height, internal friction angle, cohesion and unit weight of rock and soil. Potential data aggregation in the prediction of slope stability is analyzed and visualized based on Six-dimension reduction methods, namely principal components analysis (PCA), Kernel PCA, factor analysis (FA), independent component analysis (ICA), non-negative matrix factorization (NMF) and t-SNE (stochastic neighbor embedding). Combined with classic machine learning methods, 7 prediction models for slope stability are established and their reliabilities are examined by random cross validation. Besides, the significance of each indicator in the prediction of slope stability is discussed using the coefficient of variation method. The research results show that dimension reduction is unnecessary for the data processing of prediction models established in this paper of slope stability. Random forest (RF), support vector machine (SVM) and k-nearest neighbour (KNN) achieve the best prediction accuracy, which is higher than 90%. The decision tree (DT) has better accuracy which is 86%. The most important factor influencing slope stability is slope height, while unit weight of rock and soil is the least significant. RF and SVM models have the best accuracy and superiority in slope stability prediction. The results provide a new approach toward slope stability prediction in geotechnical engineering.     

基于BCABC-SVM的边坡稳定性预测

为了准确地对边坡稳定性进行预测,采用支持向量机(SVM)建立边坡稳定性和影响因素之间的非线性关系.针对支持向量机参数对预测效果的影响,采用基于细菌趋化的蜂群算法(BCABC)对其进行优化选择,提出了边坡稳定性预测的细菌趋化的蜂群优化支持向量机模型.运用该方法对边坡实例进行预测,预测结果与边坡稳定性实际状态相吻合,结果表明,基于细菌趋化的蜂群优化支持向量机模型在边坡稳定性评价中具有一定的可靠性和有效性.     

基于GIS与PCA-Logistic的斜坡灾害易发性评价

地质灾害的易发性评价是早期区域灾害预警的重要基础。本文以礼州1:50 000的地质灾害调查数据为基础,分析了区域斜坡灾害的发育规律、分布特征及影响因素。文章选取区域断层、水系、地层岩性等8个因素,基于GIS平台结合逻辑回归(Logistic)和主成分分析(PCA)方法(即PCA-Logistic)对区域的斜坡灾害进行易发性评价。结果显示:断层密度和历史灾害密度是影响该区域斜坡灾害发育的主控因素,随着断层密度和灾害点密度的增加,断层距离和水系距离减小,区域斜坡灾害的分布呈现增大趋势;其中斜坡灾害高易发区主要分布于热水河两岸,中易发区主要分布在安宁河东侧,低易发区和基本安全区主要分布在安宁河河谷地势平缓区;使用AUC方法检验PCA-Logistic模型和PCA模型的评价结果,检验结果显示2种模型的评价结果都能够准确反应研究区斜坡灾害的发育情况,PCA-Logistic模型的斜坡灾害易发性评价结果要优于单一PCA模型。本研究可为地质灾害的早期预警防治工作提供依据。     

Cubic meter compressive strength prediction of concrete

In order to improve the prediction accuracy of compressive strength of concrete,103 groups of concrete data were collected as the samples.We selected seven kinds of ingredients from the concrete samples, using Grid-SVM, PSO-SVM, and GA-SVM models to establish the prediction model of cubic meter compressive strength of concrete.The experimental results show that SVM model based on Grid optimization algorithm,SVM model based on Particle swarm optimization algorithm,SVM model based on Genetic optimization algorithm mean square error respectively are 0.001, 0.489 8, and 0.304 2, correlation coefficients are 0.994 8, 0.994 6, and 0.993 0. It is shown that cubic meter compressive strength prediction method based on Grid-SVM model is the best optimization algorithm.     

不同插值方法在断层检测模型中的应用效果对比分析

为了了解同一断层检测模型在不同插值方法下的检测效果和同一插值方法在不同断层检测模型的检测效果.对比视觉几何组VGG(Visual Geometry Group)、多层感知机MLP(Multi--layper Perceptron)、支持向量机SVM(Support Vector Machine)三种断层检测模型在lin...