利用机器学习和深度学习模型选择滑坡易发性预测的贡献因子
机器学习
2023-09-15 v2 计算机视觉与模式识别
地球物理
摘要
滑坡是一种常见自然灾害，可造成人员伤亡、财产安全威胁和经济损失。因此，了解或预测潜在危险点发生滑坡的概率十分重要。常用手段是基于滑坡编录和一组滑坡贡献因子开展滑坡易发性评估。这可轻易通过机器学习（ML）模型如逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、极端梯度提升（Xgboost），或深度学习（DL）模型如卷积神经网络（CNN）和长短期记忆网络（LSTM）实现。作为这些模型的输入数据，滑坡贡献因子对滑坡发生的影响各异。因此，从逻辑上可行的是选择更重要的贡献因子并剔除较不相关的因子，以提高这些模型的预测精度。然而，选择更重要的因子仍是一项具有挑战性的任务，且尚无普遍接受的方法。此外，使用不同方法进行因子选择对各种 ML 和 DL 模型预测精度的影响尚不清楚。在本研究中，考察了贡献因子选择对使用 ML 和 DL 模型的滑坡易发性预测精度的影响。对上述所有 ML 和 DL 模型考虑了四种贡献因子选择方法，包括信息增益比（IGR）、递归特征消除（RFE）、粒子群优化（PSO）、最小绝对收缩与选择算子（LASSO）和哈里斯鹰优化（HHO）。此外，还研究了基于自编码器的 DL 模型因子选择方法。为评估其性能，采用了穷举方法，……
引用
@article{arxiv.2309.06062,
title = {Selection of contributing factors for predicting landslide susceptibility using machine learning and deep learning models},
author = {Cheng Chen and Lei Fan},
journal= {arXiv preprint arXiv:2309.06062},
year = {2023}
}
备注
Stochastic Environmental Research and Risk Assessment