[发明专利]基于半监督随机森林模型的区域滑坡易发性预测方法

说明书

本发明涉及一种基于半监督随机森林模型的区域滑坡易发性预测方法，包括如下步骤：S1：空间分析研究区内的滑坡编录及相关控制因素筛选出已知滑坡样本；S2：基于频率比和相关性分析，确定最能表征滑坡发育特征的控制因素，建立随机森林模型；S3：基于控制因素的FR值、已知滑坡栅格单元和随机选择的非滑坡栅格单元，对全监督机器学习即随机森林模型，根据步骤S2中的五类滑坡易发性等级进行输出预测出初始滑坡易发性值；S4：扩充已知滑坡样本；S5：从极低易发区中随机选取栅格单元作为非滑坡样本；S6：建立半监督随机森林模型。本发明在全监督机器学习的基础上进一步提高了滑坡易发性预测建模性能。

技术领域

本发明涉及地质灾害预测技术领域，具体涉及一种基于半监督随机森林模型 的区域滑坡易发性预测方法。

背景技术

在季节性强降雨和大规模工程建设的影响下我国每年都会发生许多山体滑 坡，往往对当地的居民安全、建筑设施和环境等造成严重损失。滑坡易发性研究 可较准确地预测出特定区域内潜在滑坡发生的空间概率。因此有必要加强区域滑 坡易发性预测研究以指导滑坡高发地区的防灾减灾工作。

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论 知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方 式，并将现有内容进行知识结构划分来有效提高学习效率。^[1]

机器学习有下面几种定义：

(1)机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能， 特别是如何在经验学习中改善具体算法的性能。

(2)机器学习是对能通过经验自动改进的计算机算法的研究。

(3)机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

目前机器学习被广泛用于滑坡易发性预测，其主要是利用滑坡-非滑坡样本 及其控制因素等数据开展模型训练和测试以此实现易发性的计算。机器学习被认 为具有比数理统计模型更好的非线性预测能力，其能预测出更加准确的滑坡易发 性。按照是否利用了已知样本数据作为模型输出变量，可将机器学习模型分为无 监督和全监督机器学习两大类。

虽然监督和无监督机器学习预测滑坡易发性取得了一系列的成果，但仍存在 一些不足。一方面无监督机器学习在训练和测试过程中不需要已知滑坡和非滑坡 样本作为模型输出变量，但缺乏滑坡和非滑坡等先验知识的引导导致无监督机器 学习的建模准确性难以得到保证。另一方面基于全监督机器学习的滑坡易发性预 测建模也存在一些不足，其主要表现为：1)野外调查并获取滑坡样本数据的难度 较大、费用较高。在大范围研究区内一般难以获得全部的滑坡样本，可见已知滑 坡样本是有待扩充的；2)建模过程中在整个研究区内随机选取非滑坡样本的方式 给全监督机器学习的训练和测试过程带来大量误差，降低了滑坡易发性预测的精 度。

随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。随机森林 是一种灵活且易于使用的机器学习算法，随机森林建立多个决策树并将它们合并 在一起以获得更准确和稳定的预测。因此本发明提供一种基于半监督随机森林模 型的区域滑坡易发性预测方法。

发明内容

为了解决现有技术的这些不足之处，本文提供一种基于半监督随机森林模型 的区域滑坡易发性预测方法。

为实现上述发明目的，本发明的技术方案如下：

一种基于半监督随机森林模型的区域滑坡易发性预测方法，包括以下步骤：

S1：通过RS和ArcGIS平台管理并空间分析研究区内的滑坡编录及相关控制 因素筛选出已知滑坡样本，所述控制因素为地形地貌、基础地质、水文环境、地 表覆被四大类；

S2：基于频率比和相关性分析，确定最能表征滑坡发育特征的控制因素，频 率比标记为FR，建立随机森林模型：