基于均值粒子群优化的随机森林法的滑坡易发性评价

摘要

为解决随机森林(random forest, RF)模型在滑坡易发性评价研究中可能存在的过拟合，提出分别使用粒子群(particle swarm optimization, PSO)、均值粒子群(mean particle swarm optimization, MPSO)及遗传算法(genetic algorithm, GA)优化随机森林建立超参数自适应寻优模型，解决过拟合问题并探索提升随机森林模型属性的有效方法。以四川雅安地区为例，该文从模型建立、评价指标构建、精度验证和评价结果分析等4个方面进行评价研究。通过受试者工作特征(receiver operating characteristic, ROC)曲线与ROC曲线下面积(area under curve, AUC)值比较可知，MPSO-RF模型AUC值可达0.92,相较于GA-RF、PSO-RF及常见评价模型具有更高的预测准确性和稳定性。当单一模型陷入停滞，优化模型能以较高收敛效率寻到最优解，表明该文提出的优化方法可以明显提升随机森林模型的滑坡易发性评价效果和一定程度解决过拟合，对滑坡灾害风险管理具有一定的参考价值。

关键词

优化随机森林 / GA-RF / MPSO-RF / 滑坡