基于SOM-I-SVM耦合模型的滑坡易发性评价

基于SOM-I-SVM耦合模型的滑坡易发性评价

P642.22; 在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差.为了提高滑坡易发性评价的精度,将自组织映射(self-organizing map,SOM)神经网络、信息量模型(information,I)以及支持向量机模型(support vector machine,SVM)进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性.以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:水文地质工程地质 2023-05, Vol.50 (3), p.125-137
Hauptverfasser: 贾雨霏, 魏文豪, 陈稳, 杨清卓, 盛逸凡, 徐光黎
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 137
container_issue 3
container_start_page 125
container_title 水文地质工程地质
container_volume 50
creator 贾雨霏
魏文豪
陈稳
杨清卓
盛逸凡
徐光黎
description P642.22; 在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差.为了提高滑坡易发性评价的精度,将自组织映射(self-organizing map,SOM)神经网络、信息量模型(information,I)以及支持向量机模型(support vector machine,SVM)进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性.以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等 7 个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价.分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性.将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等 4 种模型预测精度进行对比,其ROC曲线下面积(AUC)分别为 0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率.
doi_str_mv 10.16030/j.cnki.issn.1000-3665.202206041
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_swdzgcdz202303013</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>swdzgcdz202303013</wanfj_id><sourcerecordid>swdzgcdz202303013</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1043-21134debd1dc31101f96942d6df66c6ba5eb8a30f4565db2dd8431ac93558653</originalsourceid><addsrcrecordid>eNo9kD9LA0EUxLdQMMR8Dy32fG_f7npXSvBPICFFgm3Yu70LF-UEFwmkSpFCENRgI4IJadTOUki-Tu7Mx_BAsRpmivkxw9gegocaCA4GXpRdpF7qXOYhAHDSWnkChAANErdY5T_dYTXn0rC0QgfyUFQY5fPlennfabd4g3fOW5vxW_54W3ws8tnd98ukWE3z10Xx_JQ_TIvx--Zzsl597bLtxFy6uPanVdY9Oe7Wz3izfdqoHzW5Q5DEBSJJG4cWbUSIgElQQoXVNtE60qFRcegbgkQqrWworPUloYkCUsrXiqps_7d2aLLEZP3e4OrmOiuBPTe0o35kR-VGKh9Aoh86d1jy</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于SOM-I-SVM耦合模型的滑坡易发性评价</title><source>DOAJ Directory of Open Access Journals</source><creator>贾雨霏 ; 魏文豪 ; 陈稳 ; 杨清卓 ; 盛逸凡 ; 徐光黎</creator><creatorcontrib>贾雨霏 ; 魏文豪 ; 陈稳 ; 杨清卓 ; 盛逸凡 ; 徐光黎</creatorcontrib><description>P642.22; 在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差.为了提高滑坡易发性评价的精度,将自组织映射(self-organizing map,SOM)神经网络、信息量模型(information,I)以及支持向量机模型(support vector machine,SVM)进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性.以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等 7 个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价.分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性.将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等 4 种模型预测精度进行对比,其ROC曲线下面积(AUC)分别为 0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率.</description><identifier>ISSN: 1000-3665</identifier><identifier>DOI: 10.16030/j.cnki.issn.1000-3665.202206041</identifier><language>chi</language><publisher>中国地质大学(武汉)工程学院,湖北 武汉 430074</publisher><ispartof>水文地质工程地质, 2023-05, Vol.50 (3), p.125-137</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/swdzgcdz/swdzgcdz.jpg</thumbnail><link.rule.ids>314,777,781,861,27905,27906</link.rule.ids></links><search><creatorcontrib>贾雨霏</creatorcontrib><creatorcontrib>魏文豪</creatorcontrib><creatorcontrib>陈稳</creatorcontrib><creatorcontrib>杨清卓</creatorcontrib><creatorcontrib>盛逸凡</creatorcontrib><creatorcontrib>徐光黎</creatorcontrib><title>基于SOM-I-SVM耦合模型的滑坡易发性评价</title><title>水文地质工程地质</title><description>P642.22; 在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差.为了提高滑坡易发性评价的精度,将自组织映射(self-organizing map,SOM)神经网络、信息量模型(information,I)以及支持向量机模型(support vector machine,SVM)进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性.以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等 7 个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价.分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性.将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等 4 种模型预测精度进行对比,其ROC曲线下面积(AUC)分别为 0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率.</description><issn>1000-3665</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNo9kD9LA0EUxLdQMMR8Dy32fG_f7npXSvBPICFFgm3Yu70LF-UEFwmkSpFCENRgI4IJadTOUki-Tu7Mx_BAsRpmivkxw9gegocaCA4GXpRdpF7qXOYhAHDSWnkChAANErdY5T_dYTXn0rC0QgfyUFQY5fPlennfabd4g3fOW5vxW_54W3ws8tnd98ukWE3z10Xx_JQ_TIvx--Zzsl597bLtxFy6uPanVdY9Oe7Wz3izfdqoHzW5Q5DEBSJJG4cWbUSIgElQQoXVNtE60qFRcegbgkQqrWworPUloYkCUsrXiqps_7d2aLLEZP3e4OrmOiuBPTe0o35kR-VGKh9Aoh86d1jy</recordid><startdate>20230501</startdate><enddate>20230501</enddate><creator>贾雨霏</creator><creator>魏文豪</creator><creator>陈稳</creator><creator>杨清卓</creator><creator>盛逸凡</creator><creator>徐光黎</creator><general>中国地质大学(武汉)工程学院,湖北 武汉 430074</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20230501</creationdate><title>基于SOM-I-SVM耦合模型的滑坡易发性评价</title><author>贾雨霏 ; 魏文豪 ; 陈稳 ; 杨清卓 ; 盛逸凡 ; 徐光黎</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1043-21134debd1dc31101f96942d6df66c6ba5eb8a30f4565db2dd8431ac93558653</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>贾雨霏</creatorcontrib><creatorcontrib>魏文豪</creatorcontrib><creatorcontrib>陈稳</creatorcontrib><creatorcontrib>杨清卓</creatorcontrib><creatorcontrib>盛逸凡</creatorcontrib><creatorcontrib>徐光黎</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>水文地质工程地质</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>贾雨霏</au><au>魏文豪</au><au>陈稳</au><au>杨清卓</au><au>盛逸凡</au><au>徐光黎</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于SOM-I-SVM耦合模型的滑坡易发性评价</atitle><jtitle>水文地质工程地质</jtitle><date>2023-05-01</date><risdate>2023</risdate><volume>50</volume><issue>3</issue><spage>125</spage><epage>137</epage><pages>125-137</pages><issn>1000-3665</issn><abstract>P642.22; 在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差.为了提高滑坡易发性评价的精度,将自组织映射(self-organizing map,SOM)神经网络、信息量模型(information,I)以及支持向量机模型(support vector machine,SVM)进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性.以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等 7 个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价.分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性.将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等 4 种模型预测精度进行对比,其ROC曲线下面积(AUC)分别为 0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率.</abstract><pub>中国地质大学(武汉)工程学院,湖北 武汉 430074</pub><doi>10.16030/j.cnki.issn.1000-3665.202206041</doi><tpages>13</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1000-3665
ispartof 水文地质工程地质, 2023-05, Vol.50 (3), p.125-137
issn 1000-3665
language chi
recordid cdi_wanfang_journals_swdzgcdz202303013
source DOAJ Directory of Open Access Journals
title 基于SOM-I-SVM耦合模型的滑坡易发性评价
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-20T03%3A28%3A48IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8ESOM-I-SVM%E8%80%A6%E5%90%88%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%BB%91%E5%9D%A1%E6%98%93%E5%8F%91%E6%80%A7%E8%AF%84%E4%BB%B7&rft.jtitle=%E6%B0%B4%E6%96%87%E5%9C%B0%E8%B4%A8%E5%B7%A5%E7%A8%8B%E5%9C%B0%E8%B4%A8&rft.au=%E8%B4%BE%E9%9B%A8%E9%9C%8F&rft.date=2023-05-01&rft.volume=50&rft.issue=3&rft.spage=125&rft.epage=137&rft.pages=125-137&rft.issn=1000-3665&rft_id=info:doi/10.16030/j.cnki.issn.1000-3665.202206041&rft_dat=%3Cwanfang_jour%3Eswdzgcdz202303013%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=swdzgcdz202303013&rfr_iscdi=true