基于自筛选深度学习模型的滑坡易发性预测建模
机器学习
2023-10-10 v2 地球物理
摘要
滑坡易发性预测一直是一项重要且具有挑战性的内容。然而，在易发性建模中存在一些待解决的不确定性问题，如滑坡样本误差以及环境因素间复杂的非线性关系。本文提出一种自筛选图卷积网络与长短期记忆网络（SGCN-LSTM）以克服滑坡易发性预测中的上述问题。SGCN-LSTM 模型具有宽度广和学习能力好的优势。通过自筛选网络剔除设定阈值区间外误差较大的滑坡样本，并从空间节点和时间序列两方面提取环境因素间的非线性关系，从而更好地模拟环境因素间的非线性关系。将 SGCN-LSTM 模型应用于中国江西省安远县的滑坡易发性预测，并与级联并行长短期记忆与条件随机场（CPLSTM-CRF）、随机森林（RF）、支持向量机（SVM）、随机梯度下降（SGD）和逻辑回归（LR）模型进行对比。安远县滑坡预测实验表明，SGCN-LSTM 模型的总精度和 AUC 在六种模型中均最高，总精度达 92.38%，分别比 CPLSTM-CRF、RF、SVM、SGD 和 LR 模型高 5.88%、12.44%、19.65%、19.92% 和 20.34%；AUC 值达 0.9782，分别比其他五种模型高 0.0305、0.0532、0.1875、0.1909 和 0.1829。综上，与现有部分传统机器学习相比，本文提出的 SGCN-LSTM 模型具有更高的滑坡预测精度和更好的鲁棒性，在 LSP 领域具有良好的应用前景。
引用
@article{arxiv.2304.06054,
title = {Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model},
author = {Li Zhu and Lekai Liu and Changshi Yu},
journal= {arXiv preprint arXiv:2304.06054},
year = {2023}
}
备注
Some contributing authors are not signed