基于模糊聚类SVM的崩塌易发性评价研究——以安泽县为例

作者：蔡新伟

来源：测绘技术装备, 2022, 24(03): 36-42.

DOI：10.20006/j.cnki.61-1363/P.2022.03.008

• 崩塌易发性
• 模糊聚类
• 支持向量机
• 受试者特征曲线

在崩塌易发性模型中，随机选择非灾害点会降低样本质量，影响模型训练精度。本文提出一种基于模糊聚类的支持向量机(Support Vector Machine, SVM)易发性评价方法。首先，将模糊聚类用在训练样本非灾害点选取中，最大化灾害点与非灾害点的类间差异；其次，利用划分系数判别分类簇间的分离程度，选取最优划分系数下的非灾害点样本；最后，利用SVM进行灾害易发性评价。结果表明，在模糊聚类SVM集成模型中，极高易发区灾害点的点密度相较于单一的SVM模型增加了0.381 7个/km2,增幅明显。集成模型中灾害点在易发性较高的区域分布更加密集，与实际情况更为吻合。利用受试者特征(Receiver Operator Characteristic, ROC)曲线对结果进行验证，经检验，线下面积值(Area Under Curve, AUC)由0.785提高到0.957,由此说明，模糊聚类SVM模型对崩塌灾害易发性评价预测精度更高，可以为崩塌灾害风险评估和管理提供依据。

• 单位
  甘肃煤田地质局