XGBoost机器学习模型与GIS技术结合的公路崩塌灾害易发性研究
地质灾害预测预警在自然灾害防治中的地位日益凸显,而地质灾害易发性评估是地质灾害预测预警的基础.文章以北京西南地区的公路崩塌灾害为研究对象,利用GIS技术从多来源、多时相的数据源中提取了包括高程、地层岩性和降水在内的多种崩塌致灾因素;尝试将新型的XGBoost机器学习模型应用于地质灾害易发性研究,将452个公路崩塌灾害样本分为70％的训练集与30％的验证集进行训练,利用召回率、ROC曲线以及模型的不确定性等指标对模型结果进行评价,并与常用的SVM模型进行对比.结果 表明,XGBoost模型的训练集和验证集的召回率分别为1.00和0.87,ROC曲线下面积分别为1.00和0.91,均优于SVM模型,并且其预测价值大的样本(崩塌发生概率为0.75～1和0～0.25)占比达到93％,远高于SVM模型.将训练得到的评估模型应用于北京西南地区,叠加区域路网数据,绘制北京西南地区的公路崩塌易发性图.用“8·11”房山崩塌灾害样本验证了易发性图的可靠性,并通过易发性图识别出需要重点防范的崩塌高易发性公路路段.
地质灾害易发性评估、崩塌、GIS、XGBoost、SVM、机器学习
65
P642.21(水文地质学与工程地质学)
2020-08-11（万方平台首次上网日期，不代表论文的发表时间）
共7页
20-26
