基于模糊聚类SVM的崩塌易发性评价研究——以安泽县为例

摘要

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/km~2,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。