[发明专利]基于频率比-随机森林模型的区域崩岗易发性预测方法

说明书

本发明涉及一种基于改进频率比‑随机森林模型与地理探测器的区域崩岗易发性预测方法，包括如下步骤：S1：空间分析研究区的崩岗编录及相关影响因子；S2：基于地理探测器计算影响因子对崩岗空间分布的贡献度，选取对崩岗空间分布具有显著贡献度的影响因子为后续的评价指标。S3：基于改进频率比模型，建立初始崩岗易发性级别，并进一步确定非崩岗栅格单元样本；S4：基于各评价指标的改进频率比值、崩岗栅格单元、随机选择的非崩岗栅格单元，建立改进频率比‑随机森林模型。本发明充分利用连续数据，保留了更多评价指标的信息，从而大幅度提高机器学习模型的易发性预测性能。

技术领域

本发明涉及自然灾害的风险管理领域，具体而言涉及一种基于频率比-随机森林模型与地理探测器的区域崩岗易发性预测方法。

背景技术

崩岗灾害严重恶化当地生态环境，还会助长滑坡等地质灾害，严重威胁人类生命财产安全。崩岗易发性研究可以较为准确地预测特定区域崩岗发生的空间概率。因此，开展崩岗易发性空间预测研究具有重要意义。

由于评价指标的选取目前还没有严格的标准，评价指标选取受评价者专业知识影响，让崩岗易发性评价结果存在一定的主观性，一定程度上限制了评价结果的可靠性。而地理探测器是揭示某种现象背后影响因子的一种新的统计方法。由于其无需对数据做任何假设，该方法在遥感和地球科学领域应用十分广泛。此外，由于要统计评价指标属性值不同区间中崩岗栅格单元的数量，传统频率比、信息量、熵指数、证据权等模型需要将连续型属性值的评价指标通过重分类模糊为离散数据，从而降低了数据的精度。而频率比通过引入了邻域的思想很好地解决了上述问题。评价指标的原始属性值大小一般和崩岗是否发生没有直接联系，故需要使用频率比等模型来对原始属性进行重新赋值，用于随机森林等机器学习模型的输入。

随机森林模型(RF)是一种分类方法，它是由多个弱决策树模型组合而成。随机森林模型是一种容易使用且较为优秀的机器学习算法，具有很强的预测精度和稳定性。因此本发明提供一种基于频率比-随机森林模型与地理探测器的区域崩岗易发性预测方法。

发明内容

为了解决现有技术的这些不足，本文提供一种基于频率比-随机森林模型与地理探测器的区域崩岗易发性预测方法。

为实现上述发明目的，本发明的技术方案如下：

一种基于频率比-随机森林模型与地理探测器的区域崩岗易发性预测方法，包括如下步骤：

S1：以栅格单元作为基础评价单元，通过ENVI和ArcGIS平台管理并分析研究区内的崩岗编录及相关影响因子，所述影响因子为地形地貌、基础地质、水文环境、地表覆被四大类；

S2：基于地理探测器计算所述基础评价单元中影响因子对崩岗空间分布的贡献度，选取对崩岗空间分布具有显著贡献度的影响因子作为后续崩岗易发性评价的评价指标；

S3：基于频率比模型，建立初始崩岗易发性级别，并进一步确定非崩岗栅格单元样本；

S4：基于各评价指标的频率比值、崩岗栅格单元、随机选择的非崩岗栅格单元，建立频率比-随机森林模型。

所述步骤S1是根据研究区的基础地质资料，基于ArcGIS、ENVI和奥维地图平台与遥感影像目视解译来获取研究区的地形地貌、水文环境、地层岩性、地表覆被四大类影响因子的。

所述步骤S2中，对所述的基础评价单元的评价指标的属性值按数值大小进行数值范围分区，并计算不同分区内的q值；其中，所述q值的计算公式为：

其中，i为评价指标的分区数量，N为待评估区内基础评价单元的个数，为第i个分区内崩岗率R的方差，σ²为整个区域内崩岗率R的方差，q值用于表征评价指标对于崩岗空间分布的贡献度，且q值越大表示评价指标对崩岗空间分布的贡献度越大。