基于集成学习建模的滑坡易发性评价

摘要

单一的机器学习模型往往难以满足滑坡易发性制图的需要，为提升滑坡易发性评价精度.提出了一种基于集成策略的机器学习模型组合优化的方法，以重庆市云阳县西部的12个乡镇为例进行滑坡易发性评价.首先，基于366处滑坡数据以及高程、坡度等9个指标因子构建易发性评价指标体系.然后以决策树模型（decision tree mode, DT）、逻辑回归模型（logistic regression, LR）和贝叶斯网络模型（bayesian network, BN）为基础模型，利用集成学习的三大类型，袋装法（bagging）、提升法（boosting）以及堆叠法（stacking）进行模型组合.并对各组合模型分别用粒子群算法（particle swarm optimization, PSO），贝叶斯算法（bayesian optimization, BO）进行超参数优化以及K最邻近算法（K-nearest neighbor, KNN）进行模型链接.最后采用ROC曲线与统计分析的方式来评估各集成学习模型精度.研究结果表明：与基础模型相比，三类集成学习模型精度均有提升，DT-LR-BN模型提升了3.5%～12.8%,RF模型提升了8%;BO-XGBoost模型提升了13.1%;KNN-stacking模型提升了7.4%～17%,BO-XGBoost模型的AUC值最高为0.811.集成学习能有效提升机器学习模型性能，提高滑坡易发性制图的精度，研究为机器学习模型之间的组合优化提供了新的思路与方法 .

关键词

集成学习 / 袋装法 / 提升法 / 堆叠法 / 滑坡灾害 / 易发性评价 / 工程地质学