基于优化随机森林模型的滑坡易发性评价

刘坚, 李树林, 陈涛

刘坚, 李树林, 陈涛. 基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报 ( 信息科学版), 2018, 43(7): 1085-1091. DOI: 10.13203/j.whugis20160515
引用本文: 刘坚, 李树林, 陈涛. 基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报 ( 信息科学版), 2018, 43(7): 1085-1091. DOI: 10.13203/j.whugis20160515
LIU Jian, LI Shulin, CHEN Tao. Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1085-1091. DOI: 10.13203/j.whugis20160515
Citation: LIU Jian, LI Shulin, CHEN Tao. Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1085-1091. DOI: 10.13203/j.whugis20160515

基于优化随机森林模型的滑坡易发性评价

基金项目: 

国家高技术研究发展计划(863计划) 2012AA121303

详细信息
    作者简介:

    刘坚, 博士生, 工程师, 现从事云计算与地质灾害评估应用研究。linefanliu@163.com

    通讯作者:

    李树林, 硕士生。lishulincug@gmail.com

  • 中图分类号: P694;P208

Landslide Susceptibility Assesment Based on Optimized Random Forest Model

Funds: 

The National High Technology Research and Development Program of China(863 Program) 2012AA121303

More Information
    Author Bio:

    LIU Jian, PhD candidate, engineer, specializes in cloud computing and geological disaster assessment. E-mail:linefanliu@163.com

    Corresponding author:

    LI Shulin, postgraduate. E-mail: lishulincug@gmail.com

  • 摘要: 以三峡库区沙镇溪镇-泄滩乡为研究区,探索基于最短描述长度原则的信息增益法对滑坡连续型因子进行离散的效果,计算皮尔森系数去除高相关因子。利用信息量法预测的极低、低易发区随机抽取非滑坡样本点。通过迭代计算袋外误差估计确定较优的随机特征及其数目,将优化后的随机森林对研究区滑坡进行易发性评价,并与逻辑回归等方法进行比较。绘制各算法预测结果的接收灵敏度曲线,其中优化后的随机森林预测结果的曲线下面积较高,达91.8%,表明优化随机森林模型在滑坡易发性评价中具有较高的预测能力。
    Abstract: The research area is located in Shazhenxi town and Xietan town of Three Gorges reservoir area in this paper. In order to obtain better results that discrete the continuous factors of landslide, entropy based on minimal description length principle(Ent-MDLP) method is used. To avoid the influence of correlation between factors, we calculate the Pearson correlation coefficient to remove high correlation factor. In order to obtain more accurate non-landslide sample points, the non-landslide sample points are randomly selected from the very low and low susceptible regions predicted by the entropy method. For the optimized random forests model, the optimal random features and its number are determined by iterative calculation of out-of-bag error estimation. Then the optimized random forest is evaluated for the landslide of the study area, and the landslide susceptibility level is divided. The model is compared with the methods of logistic regression, support vector machine and non-optimized random forest. The accuracy of each model is evaluated by plotting the receiver sensitivity curve of each algorithm. The optimized random forest's area is the highest, which the area under the curve is 91.8%. These show that the random forest model is optimized with more high-predictive power in landslide-prone assessment.
  • 在滑坡风险评估与管理中,滑坡易发性评价方法的探索一直是研究的热点。目前, 滑坡易发性评价方法可分为以下几种:①基于经验的定性分析法,通过专家丰富的经验来判断滑坡的易发性,其缺点在于需要丰富的经验知识,主观性强。如刘阳运用经验定性分析模型对延长县滑坡地质灾害进行风险评估[1]。②半定量数学模型,一般有层次分析法、模糊综合评判法等。如许冲等利用层次分析法对汶川地震区滑坡进行易发性分析[2]。③确定性模型,通过斜坡的物理、水文参数计算斜坡稳定性,主要有极限平衡法等。如罗向奎等利用极限平衡法对杨家坝滑坡进行稳定性分析[3]。该方法可靠性高,但需水文、岩土体力学等诸多参数,数据可获取性低使其常局限于单个斜坡的稳定性计算。④定量数学模型,主要有逻辑回归、信息量、支持向量机等。此类方法具有数据可获取性高、预测精度较好等特点,常被用于滑坡易发性评价,但因算法复杂,往往不易解释。如王卫东等将确定性系数与逻辑回归模型运用于贵州省滑坡的危险性评价[4];王佳佳等利用信息量模型对滑坡进行预报预测[5];牛瑞卿等、武雪玲等将支持向量机运用于滑坡的易发性分析[6-7];Pradhan将模糊逻辑回归模型运用于滑坡易发性评价[8]

    逻辑回归、决策树等定量数学模型多用单个模型进行预测,预测精度往往受限制,且易产生过拟合。为避免此类问题,人们提出了组合多棵决策树的随机森林模型,用于提升预测精度。随机森林可处理高维度、大数据量的数据集,且具有较高的泛化能力,与逻辑回归等传统方法相比具有一定的优势[9]。因此,本文利用随机森林对滑坡易发性进行研究, 并从连续型因子离散化和选取样本等角度思考,探索较优的处理方法,通过迭代计算袋外误差估计寻找较优的随机特征以及数目,利用优化后的随机森林对滑坡易发性进行预测。

    评价因子中连续型数据的离散化效果对预测结果有一定的影响,但当连续型属性较多且缺少经验时,数据变得不易处理。目前用于滑坡预测的连续型属性离散化并没有统一的方法,多数是根据经验定义、等频率、等宽度、自然断点法等进行处理[9],其离散化效果也常常受研究区限制。随机森林的连续属性离散化算法为基于最小基尼指数的信息增益离散方法,但其随机性使连续型属性的离散结果处于未确定状态,不利于具体滑坡因子的分析。因此,本文采用效果较优的基于最小描述长度原则的信息增益法(entropy based on minimal description length principle, Ent-MDLP)加以解决。具体步骤为:

    1) 二分递归寻找断点。每次在区间内寻找断点时,有若干候选断点(寻找不同类的相邻点,取它们之间的某点(如中点))。每个候选断点T都能将样本集合S划分为两个子集,分别计算两个子集的信息熵,然后加权求和,得到关于T的分类信息熵E(A, T, S)。取使得分类信息熵最小的断点T作为最终选定断点。

    2) 确定递归停机条件。此处引入最小描述长度原则(minimal description length principle, MDLP),即总体信息量=描述理论所需信息量+描述不满足理论的异常所需信息量。停机条件是信息增益G应满足:

    $$ \begin{array}{l} G\left( {A, T, S} \right) = E\left( S \right)- E\left( {A, T, S} \right)\\ = E\left( S \right)- \left| {{S_1}} \right|/N \times E\left( {{S_1}} \right)- \left| {{S_2}} \right|/N \times E\left( {{S_2}} \right) > \\ {\rm{lo}}{{\rm{g}}_2}\left( {N - 1} \right)/N + {\rm{lo}}{{\rm{g}}_2}\left( {{3^k} - 2} \right)\\ - \left[{k \times E\left( S \right)-{k_1} \times E\left( {{S_1}} \right)-{k_2} \times E\left( {{S_2}} \right)} \right] \end{array} $$ (1)

    式中,A为输入变量;T为断点;S为样本集合;N为总样本量;k为类别数量;E(S)为样本集S的熵;E(S1)、E(S2)为每个子区间内实例集S1S2的熵;k1k2为每个子区间的类别数量。式(1)表示增加的信息应大于最小描述长度,其优点是选出的断点为区分类的点,并使分类信息熵最小。

    随机森林是一种结合装袋法生成多份相互独立的训练集和多棵分类回归树(classification and regression tree, CART)来进行预测的集成学习方法,结果由投票得分最多或取平均决定[10-13],其主要思想在于多个分类器组合判断的结果优于单个分类器的判断结果。

    利用装袋法随机有放回地抽取n个(占总样本的2/3)样本作为独立空间训练集, 对每个训练集分别建立CART树。其中随机选取m个因子(m≤总因子数量)进行内部节点分支,且不做减枝处理,得到n棵独立的随机决策树[10]。综合n棵决策树的结果,取投票数最多的类或取其平均值作为结果。每次随机采样中未被抽取的1/3数据称为袋外数据(out of bag,OOB),利用这部分数据来进行内部误差估计,得到每棵树的OOB误差,对所有树的OOB误差取平均值得到随机森林的OOB误差。具体实现过程如图 1所示。

    图  1  随机森林算法示意图
    Figure  1.  Diagram of Random Forest Algorithm

    OOB误差是无偏估计,近似于交叉验证得到的误差,且由随机森林的泛化误差界有[12, 14]

    $$ {P^*} \le \bar \rho (1-{s^2})/{s^2} $$ (2)

    式中,P*为随机森林的泛化误差;ρ为CART树间的相关度平均值;s为决策树的平均强度。从式(2)可知,要增强随机森林的泛化能力,可减弱决策树间的相关度或增大决策树的强度。对此,通过对CART树的特征选择引入随机性, 以减弱决策树间的相关度。具体做法为:随机选取m个(m≤总特征数)特征,按照节点不纯度最小原则从这m个特征中选择最优的特征对节点进行分裂,此时CART树的强度和相关度受到了m的影响[14]m过小时,CART树的强度偏弱;m过大时,CART树的强度增加,但CART树间的相关度也增加。本文采用迭代法计算不同随机特征数下随机森林的袋外误差,通过寻找最小的袋外误差来确定较优的随机特征数。

    研究区位于长江三峡库区内地质环境相近的沙镇溪镇-泄滩乡,具体地理位置见图 2。其长约21.6 km,面积约162.2 km2。研究区地处川东褶皱与鄂西山地结合部,地形主要以高山峡谷为主,山高坡陡,平缓地带稀少,高程范围大致在60~1 150 m内[15]。据滑坡灾害编录资料可知,研究区内已发生过68个滑坡,受175 m库水位影响的滑坡有60个,不受此库水位影响的滑坡为8个。滑坡灾害主要沿长江及其支流青干河两岸展布。该区滑坡灾害的主要诱发因素以降雨和三峡水库水位变动为主,其次为人类工程活动等[16]

    图  2  研究区地理位置及灾害分布图
    Figure  2.  Location of the Study Area and Distribution Map of Landslide Disaster

    搜集研究区的遥感影像数据、数字高程模型(digital elevation model, DEM)、地质图和道路等基础地理数据,其分类及特性表见表 1

    表  1  实验数据分类及特性表
    Table  1.  Classification of Experimental Data and Characteristics Table
    数据类型 空间分辨率 数据用途描述 时间
    Sentinel-2A 可见光与全色10 m, 多光谱20 m 对已有道路等数据校正补充 2016-02-16
    Landsat 8 全色15 m,多光谱30 m 提取土地利用、NDVI、NDWI等 2013-09-15
    DEM 30 m 提取高程、坡度等地形因子
    地质图 1:50 000 提取地层岩性、断层等
    下载: 导出CSV 
    | 显示表格

    利用ENVI软件对Landsat 8影像提取土地利用、植被指数、地表湿度指数等指标;利用ENVI软件对Sentinel-2A影像10 m可见光波段进行投影配准、裁剪等处理,用于对已有道路等数据的校正与补充;30 m空间分辨率的DEM用于分析该区域的坡度坡向等地形情况;通过1:50 000的地质图获取该区域的地层、构造等地质情况;研究区的滑坡灾害数据来源于三峡库区地质灾害防治工作指挥部提供的三峡库区地质灾害分布数据,用于滑坡特征分析等。

    1) 地质条件。地质条件属于滑坡灾害的控制因素,往往起着决定性作用。该区出露主要为三叠系和侏罗系等地层,工程岩组以软岩和软硬相间岩为主,西面有少部分硬岩。本文利用因子信息量分析其对滑坡的影响。信息量值越大,对滑坡影响越大;反之,对滑坡影响越小。由图 3(a)可知,硬岩的信息量为负, 其值最小,对滑坡发生最不利; 软岩和软硬相间两类信息量较大,对滑坡发生有利。通过地层产状、坡度与坡向划分该区的斜坡结构。由图 3(b)可知,伏倾坡、顺倾坡、飘倾坡对滑坡发生有利,逆斜坡、逆向坡对滑坡发生不利。地质构造上,该区位于秭归向斜南翼,断裂主要有仙人桥断裂、马鹿池断裂以及香炉断裂等。利用距断层的欧氏距离来表示断层对滑坡的影响。由图 4(d)可知,断层对滑坡的影响随断层影响距离的增加而呈现出先减后增再减的规律,在2 318 m处达到极弱值。

    图  3  各因子信息量分布图
    Figure  3.  Information Distribution of Factors
    图  4  主要因子信息量分布图
    Figure  4.  Information Distribution of Main Factors

    2) 地形地貌。地形地貌控制自然斜坡的临空条件,较大程度决定了滑坡的发育与分布状况。通过SAGA GIS软件对30 m DEM提取高程、坡度、坡向、凸性等地形地貌因子。由图 4(a)可知,高程的信息量值随着高程的增大而减小,表明高程越大,对滑坡的影响越低。由图 4(e)可知,坡度对滑坡的影响随着坡度的增大而减小。由图 4(f)可知,坡向对滑坡的影响随着坡向的增加而呈现先减后增的趋势,在283°左右达到最小。由图 4(h)可知,凸性对滑坡的影响随着凸性的增大而减小。

    3) 水文条件。研究区多为涉水滑坡,强降雨、库水位周期性波动引起的地下水位变化是该区域滑坡的主要诱因。因难以直接获取地下水情况,本文利用SAGA GIS从DEM中提取了库水位影响、地形湿度指数、径流强度、Melton崎岖数(一种累计流量的相关指数)等水文因子。通过Landsat 8影像提取地表湿度指数来表示地表湿度的情况。由图 4(b)可知,随着地形湿度指数的增大,对滑坡的影响逐渐增大。

    4) 人类工程活动。研究区内受人类工程活动较强的斜坡区域常常是滑坡灾害多发区。利用收集的研究区道路并结合高分影像进行校正,计算距道路的欧氏距离;对经过大气校正后的Landsat 8影像提取归一化植被指数,作为地表植被的覆盖情况;并对Landsat 8影像进行全色融合,利用支持向量机对融合结果进行监督分类,得到该区的土地利用分类情况。由图 4(c)可知,随着道路影响距离的增大,对滑坡的影响逐渐减小,这与实际相一致。

    5) 其他因素。地震通常也是滑坡等地质灾害的诱因。根据中国地震烈度区划图可知, 研究区的地震烈度为Ⅵ度,属于地震弱发区,对滑坡的影响较弱,所以暂不考虑地震对该区滑坡的影响。

    1) 连续型因子离散。利用SPSS软件中的最优离散化法(Ent-MDLP)对连续型因子进行离散化,并计算各级的信息量。研究区主要因子的离散效果见图 4,具体对滑坡作用见§2.3。

    2) 因子相关性分析。通常情况下,各因子间存在着一定的相关性,这给模型预测带来信息的冗余。通过在R语言中计算各因子间的皮尔森相关系数, 当其绝对值大于0.5,认为具有一定的相关性[15]。据此筛选出道路距离、高程、坡度、坡向等16个因子。

    3) 评价因子选择。在R语言中利用随机森林模型计算出各因子的不纯度平均减少值, 将16个因子进行重要性排序,具体结果见图 5。筛选出高程、地形湿度指数、道路影响、断层影响、坡度、坡向、河谷深度、凸性、流域强度、斜坡结构、工程岩组等11个较重要的因子,剔除地表湿度指数、曲率、土地利用类型、Melton崎岖数、归一化植被指数等5个影响较弱的因子。

    图  5  各因子重要性分布图
    Figure  5.  Importance Distribution of All Factors

    4) 评价单元与样本选取。以分辨率30 m×30 m作为评价栅格单元大小,共划分180 219个评价栅格单元。在ArcGIS中随机选取80%的滑坡栅格单元作为滑坡训练样本,为避免滑坡的空间自相关性,将滑坡面降采样为90 m×90 m的栅格后再转为点,得到自相关性较弱的滑坡采样点。由于新生滑坡往往发生于暂未发生滑坡的区域,若直接对此类区域进行采样,可能会将潜在滑坡的栅格单元误视为非滑坡样本。为减少此类错误,通过ArcGIS随机生成点工具, 对信息量法预测的滑坡极低易发区和低易发区内, 随机选取约2倍于滑坡点数目的非滑坡样本点,以减少滑坡与非滑坡数据之间的不平衡性和空间的自相关性。将滑坡点与非滑坡点合并后, 提取各因子相应的数据作为训练数据(滑坡样本点数为1 000个,非滑坡样本点数为2 199个),剩余的数据则作为测试数据。

    5) 模型的建立。为寻找出较优的随机特征数,利用R语言循环迭代计算不同随机特征数的随机森林(random forest, RF)袋外误差,如图 6所示。袋外误差越小,对应模型预测的精度越高。由图 6可知,较优随机特征数为4个,且袋外误差并未一直随着随机特征数的增大而减小,当达到一定值时,袋外误差反而增大。此外, 确定随机森林的决策树数目为500个。

    图  6  不同随机特征数下RF的OOB误差分布图
    Figure  6.  OOB Error Distribution of Random Forest with Different Numbers of Random Features

    将随机森林、逻辑回归法(Logit)和支持向量机法(support vector machine, SVM)等对滑坡的预测概率作为易发性指数,利用剩余的20%滑坡测试数据对模型进行检验,计算每种模型预测结果的接收灵敏度曲线(receiver operating characteristic curve, ROC)以及曲线下面积(area under the curve, AUC)(见图 7),进而比较各个模型的预测精度。由图 7可知,优化后随机森林(optimized random forest, OPRF)预测结果的AUC值较高,达0.918,预测精度比未优化的RF有较大提高,同时也高于其他模型的预测精度。

    图  7  各种模型预测结果的ROC曲线
    Figure  7.  ROC Curves of Various Models' Prediction Results

    对OPRF模型计算的滑坡易发性指数结合Ent-MDLP法进行分级处理,划分0~0.060、0.060~0.269、0.269~0.711、0.711~0.960、0.960~1.000共5个级别,分别对应极低易发区、低易发区、中易发区、高易发区、极高易发区5个等级。制作优化后随机森林的滑坡易发性分布图。由图 8可知,滑坡高易发区主要分布于沿长江两岸受水库影响较强且公路或建筑密集的斜坡区域。南面的青干河流域,较典型的滑坡有千将坪滑坡、西陵路滑坡,远离库岸和公路的高山区域滑坡易发性较低。北面泄滩乡已发育的滑坡有庙岭包滑坡、杨坡岭砖厂滑坡等,远离库岸和公路的区域多为滑坡低易发区。长江南岸沿公路区的滑坡易发性明显高于北岸的非公路区。南岸发育的滑坡有树坪滑坡、白水河滑坡、范家坪滑坡等大型深层滑坡,北岸主要以中小型滑坡为主。图 8表明研究区内滑坡的发育与水库、公路的影响有着较强的相关性。

    图  8  滑坡易发性分布图
    Figure  8.  Distribution of Landslide Susceptibility

    表 2为研究区滑坡易发性等级的灾害密度统计情况。由表 2可知,预测结果中的高易发区和极高易发区占总滑坡面积比例达95%;滑坡危险性(即滑坡灾害面积密度)从极高易发区到极低易发区呈明显的减小趋势,滑坡极高易发区的灾害面积密度最大,达0.392 4;极低易发区的灾害面积密度最小,几乎为零,这与滑坡实际分布规律相符合。

    表  2  危险性分区结果分析表
    Table  2.  Analysis Table of Risk Zoning Result
    易发区 面积A/km2 滑坡面积B/km2 占总滑坡面积比例/% 危险性B/A
    极低易发区 80.818 2 0.014 4 0.13 0.000 2
    低易发区 20.517 3 0.050 4 0.47 0.002 5
    中易发区 20.303 1 0.456 3 4.28 0.022 5
    高易发区 19.963 8 2.065 5 19.36 0.103 5
    极高易发区 20.594 7 8.081 1 75.75 0.392 4
    下载: 导出CSV 
    | 显示表格

    本文探讨了Ent-MDPL离散法以及随机森林的基本原理,并利用优化后的随机森林对研究区的滑坡易发性进行了评价,得出以下结论:

    1) Ent-MDPL方法可较好解决当评价中的连续型因子增多且缺乏足够经验时的离散化问题,离散结果表现出明显的趋势特征,避免了随机森林的随机性给连续型因子分析带来的不便。

    2) 对于非滑坡区样本选取问题,采用分层抽样的思路,选取信息量模型评价结果中的极低易发区和低易发区进行随机采样,可减少将潜在滑坡点误分为非滑坡点的情况。

    3) 利用随机森林模型进行因子重要性排序,筛选出高程、地形湿度指数、道路影响等重要因子。本文采用迭代计算不同随机特征数的袋外误差估计来确定其较优参数; 通过比较优化后的随机森林与传统模型预测结果的ROC曲线以及AUC值,可知优化后随机森林的预测精度较高。

  • 图  1   随机森林算法示意图

    Figure  1.   Diagram of Random Forest Algorithm

    图  2   研究区地理位置及灾害分布图

    Figure  2.   Location of the Study Area and Distribution Map of Landslide Disaster

    图  3   各因子信息量分布图

    Figure  3.   Information Distribution of Factors

    图  4   主要因子信息量分布图

    Figure  4.   Information Distribution of Main Factors

    图  5   各因子重要性分布图

    Figure  5.   Importance Distribution of All Factors

    图  6   不同随机特征数下RF的OOB误差分布图

    Figure  6.   OOB Error Distribution of Random Forest with Different Numbers of Random Features

    图  7   各种模型预测结果的ROC曲线

    Figure  7.   ROC Curves of Various Models' Prediction Results

    图  8   滑坡易发性分布图

    Figure  8.   Distribution of Landslide Susceptibility

    表  1   实验数据分类及特性表

    Table  1   Classification of Experimental Data and Characteristics Table

    数据类型 空间分辨率 数据用途描述 时间
    Sentinel-2A 可见光与全色10 m, 多光谱20 m 对已有道路等数据校正补充 2016-02-16
    Landsat 8 全色15 m,多光谱30 m 提取土地利用、NDVI、NDWI等 2013-09-15
    DEM 30 m 提取高程、坡度等地形因子
    地质图 1:50 000 提取地层岩性、断层等
    下载: 导出CSV

    表  2   危险性分区结果分析表

    Table  2   Analysis Table of Risk Zoning Result

    易发区 面积A/km2 滑坡面积B/km2 占总滑坡面积比例/% 危险性B/A
    极低易发区 80.818 2 0.014 4 0.13 0.000 2
    低易发区 20.517 3 0.050 4 0.47 0.002 5
    中易发区 20.303 1 0.456 3 4.28 0.022 5
    高易发区 19.963 8 2.065 5 19.36 0.103 5
    极高易发区 20.594 7 8.081 1 75.75 0.392 4
    下载: 导出CSV
  • [1] 刘阳. 延长县滑坡地质灾害风险评估和管理研究[D]. 西安: 长安大学, 2009

    Liu Yang. Extension of the County Landslide Disaster Risk Assessment and Management Research[D]. Xi'an: Chang'an University, 2009

    [2] 许冲, 戴福初, 姚鑫, 等. GIS支持下基于层次分析法的汶川地震区滑坡易发性评价[J].岩石力学与工程学报, 2009, 28(a02):3978-3985 http://d.old.wanfangdata.com.cn/Periodical/yslxygcxb2009z2100

    Xu Chong, Dai Fuchu, Yao Xin, et al. GIS-Based Landslide Susceptibility Assessment Using Analytical Hierarchy Process in Wenchuan Earthquake Region[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(a02):3978-3985 http://d.old.wanfangdata.com.cn/Periodical/yslxygcxb2009z2100

    [3] 罗向奎, 付旭辉.基于极限平衡法的杨家坝滑坡稳定性分析[J].山西建筑, 2009, 35(6):108-109 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=shanxjz200906066

    Luo Xiangkui, Fu Xuhui. Landslide Stability Ana-lysis of Yangjiaba Based Upon Limit Equilibrium Method[J].Shanxi Architecture, 2009, 35(6):108-109 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=shanxjz200906066

    [4] 王卫东, 陈燕平, 钟晟.应用CF和Logistic回归模型编制滑坡危险性区划图[J].中南大学学报(自然科学版), 2009, 40(4):1127-1132 https://www.wenkuxiazai.com/doc/74f9d3462b160b4e767fcfb7-3.html

    Wang Weidong, Chen Yanping, Zhong Sheng. Landslides Susceptibility Mapped with CF and Logistic Regression Model[J].Journal of Central South University(Science and Technology), 2009, 40(4):1127-1132 https://www.wenkuxiazai.com/doc/74f9d3462b160b4e767fcfb7-3.html

    [5] 王佳佳, 殷坤龙, 肖莉丽.基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例[J].岩石力学与工程学报, 2014, 33(4):797-808 http://dqxxkx.cn/CN/abstract/abstract40303.shtml

    Wang Jiajia, Yin Kunlong, Xiao Lili. Landslide Susceptibility Assessment Based on GIS and Weighted Information Value:A Case Study of Wanzhou District, Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering, 2014, 33(4):797-808 http://dqxxkx.cn/CN/abstract/abstract40303.shtml

    [6] 牛瑞卿, 彭令, 叶润青, 等.基于粗糙集的支持向量机滑坡易发性评价[J].吉林大学学报(地球科学版), 2012, 42(2):430-439 http://www.cqvip.com/QK/91256B/201202/41619273.html

    Niu Ruiqing, Peng Ling, Ye Runqing, et al. Landslide Susceptibility Assessment Based on Rough Sets and Support Vector Machine[J]. Journal of Jilin University(Earth Science Edition), 2012, 42(2):430-439 http://www.cqvip.com/QK/91256B/201202/41619273.html

    [7] 武雪玲, 任福, 牛瑞卿, 等.斜坡单元支持下的滑坡易发性评价支持向量机模型[J].武汉大学学报·信息科学版, 2013, 38(12):1499-1503 http://www.cnki.com.cn/Article/CJFDTotal-YNSK201603015.htm

    Wu Xueling, Ren Fu, Niu Ruiqing, et al. Landslide Spatial Prediction Based on Slope Units and Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12):1499-1503 http://www.cnki.com.cn/Article/CJFDTotal-YNSK201603015.htm

    [8]

    Pradhan B. Manifestation of an Advanced Fuzzy Logic Model Coupled with Geo-information Techniques to Landslide Susceptibility Mapping and Their Comparison with Logistic Regression Modelling[J]. Environmental and Ecological Statistics, 2011, 18(3):471-493 doi: 10.1007/s10651-010-0147-7

    [9] 曹正凤. 随机森林算法优化研究[D]. 北京: 首都经济贸易大学, 2014

    Cao Zhengfeng. Study on Optimization of Random Forests Algorithm[D]. Beijing: Capital University of Economics and Business, 2014

    [10]

    Breiman L. Random Forests[J]. Machine Lear-ning, 2001, 45(1):5-32 doi: 10.1023/A:1010933404324

    [11] 方匡南, 吴见彬, 朱建平, 等.随机森林方法研究综述[J].统计与信息论坛, 2011, 26(3):32-38 http://www.cnki.com.cn/Article/CJFDTOTAL-TJLT201103007.htm

    Fang Kuangnan, Wu Jianbin, Zhu Jianping, et al. A Review of Technologies on Random Forests[J]. Statistics & Information Forum, 2011, 26(3):32-38 http://www.cnki.com.cn/Article/CJFDTOTAL-TJLT201103007.htm

    [12] 李贞贵. 随机森林改进的若干研究[D]. 厦门: 厦门大学, 2013

    Li Zhengui. Several Research on Random Forest Improvement[D]. Xiamen: Xiamen University, 2013

    [13] 董师师, 黄哲学.随机森林理论浅析[J].集成技术, 2013, 2(1):1-7 http://cdmd.cnki.com.cn/Article/CDMD-10559-1016734003.htm

    Dong Shishi, Huang Zhexue. A Brief Theoretical Overview of Random Forests[J].Journal of Integration Technology, 2013, 2(1):1-7 http://cdmd.cnki.com.cn/Article/CDMD-10559-1016734003.htm

    [14] 安洲. 基于随机森林的硬盘故障预测算法的研究[D]. 天津: 南开大学, 2014

    An Zhou. Hard Drive Failure Prediction Based on Random Forest[D]. Tianjin: Nankai University, 2014

    [15] 彭令. 三峡库区滑坡灾害风险评估研究[D]. 武汉: 中国地质大学, 2013

    Peng Ling. Landslide Risk Assessment in the Three Gorges Reservoir[D]. Wuhan: China University of Geosciences, 2013

    [16] 田正国, 程温鸣, 卢书强, 等.三峡库区滑坡崩塌发育的控制与诱发因素分析[J].资源环境与工程, 2013, 27(1):50-55 http://www.cqvip.com/QK/82916A/201301/47948282.html

    Tian Zhengguo, Cheng Wenming, Lu Shuqiang, et al. Control and Triggering Factors Analysis of Landslides and Rockfalls in the Three Gorges Re-servoir Area[J]. Resources Environment & Engineering, 2013, 27(1):50-55 http://www.cqvip.com/QK/82916A/201301/47948282.html

  • 期刊类型引用(105)

    1. 郑志成,郭红梅,赵真,张莹. 基于耦合模型的九寨沟地震滑坡危险性对比研究. 黑龙江科学. 2025(02): 7-15 . 百度学术
    2. 崔婷婷,安雪莲,孙德亮,陈东升,朱有晨. 基于SHAP的可解释机器学习的滑坡易发性评价模型. 成都理工大学学报(自然科学版). 2025(01): 153-172 . 百度学术
    3. 刘雅婷,陈传法,何青鑫,李坤禹. 顾及正负样本优化的滑坡易发性评价. 测绘学报. 2025(02): 308-320 . 百度学术
    4. 李泽芝,王新刚. 镇域尺度下秦巴山区堆积层滑坡易发性不同单元评价性能对比研究. 西北地质. 2024(01): 1-11 . 百度学术
    5. 王本栋,李四全,许万忠,杨勇,李永云. 基于3种不同机器学习算法的滑坡易发性评价对比研究. 西北地质. 2024(01): 34-43 . 百度学术
    6. 黄发明,刘科技,曾子强,田钦,蒋水华,杨阳,周创兵. 环境因子筛选及组合方法对滑坡易发性预测的影响规律. 应用基础与工程科学学报. 2024(01): 49-71 . 百度学术
    7. 李凯新,苏巧梅,张潇远,范锦龙,白东升. 信息量法耦合机器学习模型的西山煤田滑坡易发性评价. 无线电工程. 2024(02): 390-401 . 百度学术
    8. 兰盈盈,郭昶成,朱云福. 地质灾害易发性评价方法综述. 地质与资源. 2024(01): 65-73 . 百度学术
    9. 刘长江,罗晓东. 南疆盐渍土峡谷景区滑坡易发性评价. 科技与创新. 2024(05): 71-74+77 . 百度学术
    10. 宫闻浩,李朝玮,李栋,邓嵩,徐明华,赵飞. 基于异质集成的井漏预警模型(英文). 常州大学学报(自然科学版). 2024(02): 39-47 . 百度学术
    11. 魏江涛,卜元坤,周建云,李卫忠,王明杰. 地理加权机器学习模型在单木地上碳储量估测中的应用. 东北林业大学学报. 2024(06): 98-105 . 百度学术
    12. 方宝,张贤,张丽平,刘岳霖,左昌群. 基于信息量-支持向量机组合模型的东莞市地面沉降灾害易发性评价. 水利与建筑工程学报. 2024(02): 149-157 . 百度学术
    13. 周丽芸,黄乐清. 白垩系古沙漠露头遥感特征及其识别方法——以湘东南地区红层盆地为例. 华南地质. 2024(02): 393-403 . 百度学术
    14. 赵占骜,王继周,毛曦,马维军,路文娟,何毅,高轩宇. 多维CNN耦合的滑坡易发性评价方法. 武汉大学学报(信息科学版). 2024(08): 1466-1481 . 百度学术
    15. 唐学武,刘耕,邵磊,姚灯,陈东旭,田优平. 基于CF-BPNN耦合模型的益湛铁路沿线滑坡危险性评价. 地质科学. 2024(05): 1470-1486 . 百度学术
    16. 李辉,翟星,李琛曦,潘怡,李建朋,袁维. 河北省泥石流灾害易发性云模型评价方法:以邢台赵沟村泥石流为例. 科学技术与工程. 2024(25): 10884-10891 . 百度学术
    17. 汪宙峰,李全喜,谢凯宇,蒲朝东,何宸锐. 堆叠集成算法在城市地下排水管网风险评估中的应用. 安全与环境学报. 2024(10): 3719-3728 . 百度学术
    18. 邬礼扬,曾韬睿,刘谢攀,郭子正,刘真意,殷坤龙. 基于集成学习建模的滑坡易发性评价. 地球科学. 2024(10): 3841-3854 . 百度学术
    19. 段中满,罗伟奇,陈雅娜,李姣,黄炜敏,雷耀波. 基于信息量和机器学习的滑坡灾害易发性分析——以湖南省中西部地区为例. 湖南师范大学自然科学学报. 2024(05): 111-120 . 百度学术
    20. 陈航,刘惠军,王韬,孙悦. 基于频率比-深度神经网络耦合模型的滑坡易发性评价——以盐源县为例. 水文地质工程地质. 2024(05): 161-171 . 百度学术
    21. 田尤,高波,殷红,李元灵,张佳佳,陈龙,李洪梁. 滑坡易发性评价中样本不均衡问题处理研究. 水文地质工程地质. 2024(06): 171-181 . 百度学术
    22. 丁思蒙,韩尚鹏,田仕雄,刘鑫. 基于GIS技术的乃东区斜坡类地质灾害易发性评价. 防灾减灾学报. 2024(04): 13-20 . 百度学术
    23. 徐刚,刘青豪. 区域统计约束的滑坡易发性评估与制图. 测绘通报. 2024(12): 170-177 . 百度学术
    24. 谢涛,余亮,周浩,秦文思. 基于极端梯度提升算法的重庆市暴雨灾害风险评估. 气象科学. 2024(06): 1140-1153 . 百度学术
    25. 支泽民,刘峰贵,周强,夏兴生,陈琼. 基于流域单元的地质灾害易发性评价——以西藏昌都市为例. 中国地质灾害与防治学报. 2023(01): 139-150 . 百度学术
    26. 常健. 基于B-ELM的通航事故预测. 电子质量. 2023(02): 9-13 . 百度学术
    27. 郭亚雷,邓念东,李宇新,周阳,石辉. 基于堆叠模型的滑坡易发性评价——以商洛市丹凤县为例. 自然灾害学报. 2023(02): 243-252 . 百度学术
    28. 贾雨霏,魏文豪,陈稳,杨清卓,盛逸凡,徐光黎. 基于SOM-I-SVM耦合模型的滑坡易发性评价. 水文地质工程地质. 2023(03): 125-137 . 百度学术
    29. 付智勇,李典庆,王顺,杜文琪. 基于多时空滑坡编录和TrAdaBoost迁移学习的滑坡易发性评价. 地球科学. 2023(05): 1935-1947 . 百度学术
    30. 贾俊,毛伊敏,孟晓捷,高波,高满新,武文英. 深度随机森林和随机森林算法的滑坡易发性评价对比——以汉中市略阳县为例. 西北地质. 2023(03): 239-249 . 百度学术
    31. 杜奥林,简季. 基于随机森林的生态地质环境承载力评价. 城市地质. 2023(02): 160-168 . 百度学术
    32. 段中满,贾亮亮,蒋明光,雷耀波,陈雅娜. 基于不同特征选择方法和随机森林法的滑坡易发性评价——以湖南中西部地区为例. 华南地震. 2023(02): 115-124 . 百度学术
    33. 罗相涛. 九寨沟漳扎地震区滑坡易发性对比分析. 地理空间信息. 2023(06): 103-107 . 百度学术
    34. 周超,甘露露,王悦,吴宏阳,喻进,曹颖,殷坤龙. 综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模. 地球信息科学学报. 2023(08): 1570-1585 . 百度学术
    35. 支泽民,刘峰贵,陈琼,夏兴生,周强. 基于随机森林的地质灾害潜在财产损失空间预测——以西藏昌都为例. 高原科学研究. 2023(02): 21-30 . 百度学术
    36. 李玉婷,周义兵,李小芳,李静睿,张文朝. 基于信息量和逻辑回归模型的安康市地质灾害易发性研究. 陕西气象. 2023(04): 38-45 . 百度学术
    37. 黄伟钧,李佳豪,刘子越,胡晓梅,黄华兵,李文楷. 基于PBLC算法的滑坡空间易发性分析. 中山大学学报(自然科学版)(中英文). 2023(04): 54-64 . 百度学术
    38. 邱振波,李子正,尹宝良,邝霜,陈彤,白振华. 基于随机森林算法的热轧精轧带钢宽展量预测. 塑性工程学报. 2023(08): 107-114 . 百度学术
    39. 卢业勤,赵鹏军,马国强,肖人荣,司子黄,赵东一. 面向国土空间规划的地质灾害易发性评价模型——以自然遗产地梵净山为例. 兰州大学学报(自然科学版). 2023(04): 427-436 . 百度学术
    40. 王娅美,张紫昭,张艳阳,张全,黄媚,努尔加玛力·伊斯马依力,吾木提汗·哈力汗. 基于多种组合模型的新疆巩留县滑坡危险性评价研究. 工程地质学报. 2023(04): 1375-1393 . 百度学术
    41. 杜树坤,张晶,韩志军,公茂玉. 基于随机森林模型的“网格-月”尺度武装冲突风险预测及影响因素分析——以中南半岛为例. 地球信息科学学报. 2023(10): 2026-2038 . 百度学术
    42. 蒋文学,李益敏,杨雪,邓选伦,杨一铭. 基于斜坡单元的怒江州滑坡易发性研究. 水土保持学报. 2023(05): 160-167 . 百度学术
    43. 黄敏. 基于FR的多种机器学习模型在地质灾害易发性评价中的对比分析. 福建地质. 2023(03): 236-243 . 百度学术
    44. 江宝得,李秀春,罗海燕,宋雨薇. 异质集成学习在滑坡易发性评价中的对比研究. 土木工程学报. 2023(10): 170-179 . 百度学术
    45. 吴巍炜,吴雄辉. 基于OCSVM-RF耦合模型的雅江县地质灾害易发性评价. 四川建材. 2023(10): 75-77 . 百度学术
    46. 王璨,肖浩,肖婷,方亚其,刘磊磊. 基于机器学习的长沙市滑坡灾害快速风险评价. 矿冶工程. 2023(05): 26-31+36 . 百度学术
    47. 王小东,马静茹,袁广祥. 顾及空间非平稳性的地质灾害易发性评价. 安全与环境学报. 2023(12): 4392-4401 . 百度学术
    48. 陈思尧,游水生,杨剑红,刘虹强. 基于信息量模型与层次分析法的地质灾害易发性评价——以宣汉县为例. 科技和产业. 2023(22): 221-229 . 百度学术
    49. 何世阳,李立青,何亚辉. 滑坡地质灾害风险区划评价方法研究综述. 湖南交通科技. 2023(04): 1-7+17 . 百度学术
    50. 李勇,宋英旭. 基于GBDT模型的广东阳春市地质灾害易发性评价研究. 矿产勘查. 2023(12): 2434-2446 . 百度学术
    51. 周宇,常鸣,孙文静,武彬彬. 基于改进证据权重法的北海道地震同震滑坡易发性评价. 地理与地理信息科学. 2022(01): 138-144 . 百度学术
    52. 李坤,赵俊三,林伊琳,陈轲,毕瑞. 基于RF和SVM模型的东川泥石流易发性评价研究. 云南大学学报(自然科学版). 2022(01): 107-115 . 百度学术
    53. 毛华锐,孙小飞,周颖智. 基于频率比-投影寻踪模型的渝东北三峡库区滑坡敏感性制图. 科学技术与工程. 2022(05): 1803-1813 . 百度学术
    54. 何书,鲜木斯艳·阿布迪克依木,胡萌,陈康. 基于自组织特征映射网络-随机森林模型的滑坡易发性评价——以江西大余县为例. 中国地质灾害与防治学报. 2022(01): 132-140 . 百度学术
    55. 段宇英,汤军,刘远刚,高贤君,段宇雄. 基于随机森林的山西省柳林县黄土滑坡空间敏感性评价. 地理科学. 2022(02): 343-351 . 百度学术
    56. 黄发明,胡松雁,闫学涯,李明,王俊宇,李文彬,郭子正,范文彦. 基于机器学习的滑坡易发性预测建模及其主控因子识别. 地质科技通报. 2022(02): 79-90 . 百度学术
    57. 杨灿,刘磊磊,张遗立,朱文卿,张绍和. 基于贝叶斯优化机器学习超参数的滑坡易发性评价. 地质科技通报. 2022(02): 228-238 . 百度学术
    58. 刘学虎,欧鸥,张伟劲,杜雪垒. 融合注意力机制和空洞卷积的滑坡图像检测. 计算机与现代化. 2022(04): 45-51 . 百度学术
    59. 周晓亭,黄发明,吴伟成,周创兵,曾诗怡,潘李含. 基于耦合信息量法选择负样本的区域滑坡易发性预测. 工程科学与技术. 2022(03): 25-35 . 百度学术
    60. 张虹,辜庆渝,孙诚彬,孙德亮,密长林,张凤太. 基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究. 重庆师范大学学报(自然科学版). 2022(03): 78-92 . 百度学术
    61. 林奕晨,周鹏,潘悦,刘兰君,王润泽. 荆州市洪涝灾害影响因子探究及风险评估——基于随机森林和XGBoost算法. 中国农村水利水电. 2022(06): 125-132 . 百度学术
    62. 王世宝,庄建琦,樊宏宇,牛鹏尧,贾珂程,王杰. 基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例. 工程地质学报. 2022(03): 817-828 . 百度学术
    63. 穆柯,谢婉丽,刘琦琦,严明,杨惠,李嘉昊,黄煜,朱荣森. 基于LR-RF模型的滑坡易发性评价——以铜川市耀州区为例. 灾害学. 2022(03): 212-218 . 百度学术
    64. 支泽民,陈琼,周强,夏兴生,刘峰贵. 基于随机森林的川藏铁路沿线县域地质环境承载力评价. 科学技术与工程. 2022(24): 10451-10460 . 百度学术
    65. 周萍,邓辉,张文江,薛东剑,吴先谭,卓文浩. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例. 地理科学. 2022(09): 1665-1675 . 百度学术
    66. 黄龙,孙倩,胡俊. 基于InSAR与随机森林的滑坡敏感性评价与误差改正. 测绘通报. 2022(10): 13-20 . 百度学术
    67. 刘纪平,梁恩婕,徐胜华,刘猛猛,王勇,张福浩,罗安. 顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价. 测绘学报. 2022(10): 2034-2045 . 百度学术
    68. 谢奇材,邓旭,谢富贵,张佳富. 融入地形信息的滑坡场景识别. 测绘与空间地理信息. 2022(10): 172-175 . 百度学术
    69. 张群,易靖松,张勇,马志刚,程英建. 西南山区县域单元的地质灾害风险评价——以怒江流域泸水市为例. 自然灾害学报. 2022(05): 212-221 . 百度学术
    70. 刘宇涛,张过,陈振炜,陈伟涛,张艳军,王舜瑶,徐子兴. 长江流域斜坡地质灾害易发性评价. 中国防汛抗旱. 2022(11): 7-14 . 百度学术
    71. 黄发明,陈佳武,范宣梅,黄劲松,周创兵. 降雨型滑坡时间概率的逻辑回归拟合及连续概率滑坡危险性建模. 地球科学. 2022(12): 4609-4628 . 百度学术
    72. 王倩,薛云,张维,龙岳红,周松林. 基于支持向量机的滑坡易发性评价. 湖南城市学院学报(自然科学版). 2021(01): 22-28 . 百度学术
    73. 赵忠国,张峰,郑江华. 多元自适应回归样条法的滑坡敏感性评价. 武汉大学学报(信息科学版). 2021(03): 442-450 . 百度学术
    74. 邓念东,石辉,文强,李宇新,曹晓凡. 信息量支持下的随机森林模型的崩塌易发性评价. 科学技术与工程. 2021(06): 2210-2217 . 百度学术
    75. 边江豪,李秀珍,徐瑞池,王栋. 基于贡献率权重模型的川藏铁路沿线大型滑坡危险性区划. 中国地质灾害与防治学报. 2021(02): 84-93 . 百度学术
    76. 杨强,王高峰,丁伟翠,李荣建,高幼龙,邓兵. 多种组合模型的区域滑坡易发性及精度评价. 自然灾害学报. 2021(02): 36-51 . 百度学术
    77. 王高峰,郭宁,邓兵,田运涛,叶振南,陈宗良,吕凤兰,高幼龙. 不同组合模型区域滑坡易发性及精度分析. 西北地质. 2021(02): 259-272 . 百度学术
    78. 黄发明,陈佳武,唐志鹏,范宣梅,黄劲松,周创兵,常志璐. 不同空间分辨率和训练测试集比例下的滑坡易发性预测不确定性. 岩石力学与工程学报. 2021(06): 1155-1169 . 百度学术
    79. 解明礼,巨能攀,赵建军,范强,何朝阳. 区域地质灾害易发性分级方法对比分析研究. 武汉大学学报(信息科学版). 2021(07): 1003-1014 . 百度学术
    80. 杨硕,李德营,严亮轩,黄元,王明哲. 基于随机森林模型的乌江高陡岸坡滑坡地质灾害易发性评价. 安全与环境工程. 2021(04): 131-138 . 百度学术
    81. 方然可,刘艳辉,黄志全. 基于机器学习的区域滑坡危险性评价方法综述. 中国地质灾害与防治学报. 2021(04): 1-8 . 百度学术
    82. 石辉,邓念东,周阳. 随机森林赋权层次分析法的崩塌易发性评价. 科学技术与工程. 2021(25): 10613-10619 . 百度学术
    83. 管家琳,黄炎和,林金石,蒋芳市,姚莹莹,季翔. 基于信息量模型与随机森林模型的崩岗风险对比评估. 山地学报. 2021(04): 539-551 . 百度学术
    84. 朱庆,张曼迪,丁雨淋,曾浩炜,王玮,刘飞. 环境因子空间特征约束的区域滑坡敏感性模糊逻辑分析方法. 武汉大学学报(信息科学版). 2021(10): 1431-1440 . 百度学术
    85. 仪政,宋琨,黄海峰,李辉. 信息量与多模型耦合的滑坡易发性评价研究. 人民长江. 2021(10): 146-151 . 百度学术
    86. 张庭瑜,毛忠安,孙增慧. 基于径向基神经网络耦合确定性指数的滑坡易发性分区研究. 长江科学院院报. 2021(11): 64-72 . 百度学术
    87. 周定义,左小清,喜文飞,肖波,游洪. 联合SBAS-InSAR和PSO-BP算法的高山峡谷区地质灾害危险性评价. 农业工程学报. 2021(23): 108-116 . 百度学术
    88. 乔德京,王念秦,郭有金,杨盼盼. 加权确定性系数模型的滑坡易发性评价. 西安科技大学学报. 2020(02): 259-267 . 百度学术
    89. 邱维蓉,吴帮玉,潘学树,唐亚明. 几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用. 西北地质. 2020(01): 222-233 . 百度学术
    90. 赵银兵,陈利顶,孙然好,倪忠云,别小娟. 地质灾害易发性评价方法对比研究:以京津冀地区为例. 环境生态学. 2020(04): 27-38+50 . 百度学术
    91. 张志沛,魏在豪. 基于加权信息量模型的滑坡灾害易发性评价——以灞桥区为例. 科学技术与工程. 2020(09): 3492-3500 . 百度学术
    92. 李利峰,张晓虎,邓慧琳,韩六平. 基于熵指数与逻辑回归耦合模型的滑坡灾害易发性评价——以蓝田县为例. 科学技术与工程. 2020(14): 5536-5543 . 百度学术
    93. 赵冬梅,角媛梅,邱应美,刘澄静,徐秋娥,张娟. 基于maxEnt模型的哈尼梯田核心区滑坡易发性评价. 水土保持研究. 2020(04): 392-399+407 . 百度学术
    94. 徐胜华,刘纪平,王想红,张玉,林荣福,张蒙,刘猛猛,姜涛. 熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例. 武汉大学学报(信息科学版). 2020(08): 1214-1222 . 百度学术
    95. 崔阳阳,邓念东,曹晓凡,丁一,邢聪聪. 基于集成学习的地质灾害危险性评价. 水力发电. 2020(10): 36-41 . 百度学术
    96. 薛蒙蒙,文海家,林渝,孙德亮. 山区公路沿线斜坡物理韧性随机森林评价模型——以四川省茂县为例. 水土保持通报. 2020(04): 168-175 . 百度学术
    97. 唐世超,陈超,谭毅. 基于SAR图像的震后滑坡信息提取方法研究. 激光杂志. 2020(10): 58-62 . 百度学术
    98. 陈涛,钟子颖,牛瑞卿,刘桐,陈胜云. 利用深度信念网络进行滑坡易发性评价. 武汉大学学报(信息科学版). 2020(11): 1809-1817 . 百度学术
    99. 龙玉洁,李为乐,黄润秋,许强,余斌,刘刚. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析. 武汉大学学报(信息科学版). 2020(11): 1792-1800 . 百度学术
    100. 林荣福,刘纪平,徐胜华,刘猛猛,张蒙,梁恩婕. 随机森林赋权信息量的滑坡易发性评价方法. 测绘科学. 2020(12): 131-138 . 百度学术
    101. 丁梓越,刘海砚,陈晓慧,麻洪川. 顾及时空因素的国家恐怖袭击事件Cox回归分析. 武汉大学学报(信息科学版). 2020(12): 1949-1959 . 百度学术
    102. 王念秦,郭有金,刘铁铭,朱清华. 基于SVM-LR模型的滑坡易发性评价——以临潼区为例. 科学技术与工程. 2019(30): 62-69 . 百度学术
    103. 梁丽萍,刘延国,唐自豪,邹强,李景吉. 基于加权信息量的地质灾害易发性评价——以四川省泸定县为例. 水土保持通报. 2019(06): 176-182+321 . 百度学术
    104. 刘永垚,第宝锋,詹宇,Constantine A.Stamatopoulos. 基于随机森林模型的泥石流易发性评价——以汶川地震重灾区为例. 山地学报. 2018(05): 765-773 . 百度学术
    105. 李静. 基于随机森林模型的助学金等级预测研究. 忻州师范学院学报. 2018(05): 37-41 . 百度学术

    其他类型引用(104)

图(8)  /  表(2)
计量
  • 文章访问数:  2930
  • HTML全文浏览量:  350
  • PDF下载量:  648
  • 被引次数: 209
出版历程
  • 收稿日期:  2017-10-18
  • 发布日期:  2018-07-04

目录

/

返回文章
返回