准确的易发性评价结果能够对滑坡带来的危险进行精准防控，但目前尚未有普遍共识认为单一或某一组模型最适合所有情况，且单一模型的性能难以进一步提升。因此，基于泸定县400个滑坡样本，研究从地质、地形、气候、人类活动等多方面选取滑坡影响因子，通过相关性分析筛选出11个因子构建评价体系；以随机森林、逻辑回归、支持向量机、极限梯度提升作为基模型，采用Stacking和Blending两类集成学习技术，建立滑坡易发性评价模型；同时根据数据特点进行网络设计，构建深度神经网络和卷积神经网络，比较其与集成学习的预测性能。受试者工作特征曲线对模型性能进行评估的结果表明：Stacking(AUC(area under curve)=0.898)和Blending(AUC=0.895)相较于深度神经网络（AUC=0.860）和卷积神经网络（AUC=0.813）的预测精度更高。通过使用最佳超参数和异构集成技术能够有效提高模型性能，为区域灾害预警和资源保护提供科学依据。
暂无评论