基于K-means SMOTE和随机森林算法的陷落柱识别模型

为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题，构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型，通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域，将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征，并将实际揭露的陷落柱信息作为样本标签，构建地震多属性数据集；通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选，最终优选相对独立的6种地震属性作为样本特征；利用K-means SMOTE算法对数据集进行平衡处理，补充得到8 992个数据，选取其中6 294个数据作为训练集，2 698个数据作为测试集；基于python语言平台搭建随机森林二分类模型，最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法，该模型识别陷落柱的准确率更高。