期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
信息量支持下SVM-GBDT模型的滑坡危险性评价
1
作者 邢昭 孟小军 +3 位作者 袁晶晶 张迪 刘力 陈彦美 《科学技术与工程》 北大核心 2025年第7期2712-2720,共9页
采用机器学习方法在长阳土家族自治县研究区进行滑坡危险性评价,能够为地质灾害防治工作提供科学合理的依据。通过历史滑坡点选取研究区12个评价指标(平面曲率、地形起伏度、地表粗糙度、坡度、植被覆盖度、工程岩组、距断裂带距离、距... 采用机器学习方法在长阳土家族自治县研究区进行滑坡危险性评价,能够为地质灾害防治工作提供科学合理的依据。通过历史滑坡点选取研究区12个评价指标(平面曲率、地形起伏度、地表粗糙度、坡度、植被覆盖度、工程岩组、距断裂带距离、距水系距离、降雨量、土地利用类型、距房屋距离和距道路距离)相关性分析后均被选用。计算因子信息量,联合支持向量机(support vector machine,SVM)和梯度提升决策树(gradient boosting decision tree,GBDT)模型构建研究区的评价模型,将研究区危险性分为极高、高、中和低四个等级,生成危险性分区,并对评价模型进行评估。结果表明:极高危险区主要分布于研究区的西南部、中部和东部;I-SVM和I-GBDT模型预测的极高危险区、高危险区、中危险区和低危险区的分区占比分别为15.86%、21.29%、33.51%、28.68%和30.08%、7.41%、13.28%、49.22%,I-SVM和I-GBDT模型AUC(area under curve)值分别0.859、0.829。结果表明I-SVM模型的预测危险性分区结果更合理可靠。 展开更多
关键词 滑坡 信息量 危险性评价 支持向量机 梯度提升决策树
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部