买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了了一种基于GBDT‑LR和信息量模型的滑坡易发性评价方法，本发明结合研究区域滑坡发育的特点，基于GIS和Python等软件，综合考虑前人研究成果，最终确定13个评价因子，基于信息量模型（I）、梯度提升决策树‑逻辑回归（GBDT‑LR）算法构建滑坡易发性评价模型，采用Borderline‑Smote算法解决滑坡样本的不对称问题，通过频率比、十折线交叉验证和ROC曲线对评价模型进行评估，最终制成贵池区易发性区划图，并结合实际情况分析所制成的滑坡易发性区划图的合理性；为滑坡发生的可能性提供参考，为政府治理滑坡灾害提供科学的参考依据。

主权项：1.一种基于GBDT-LR和信息量模型的滑坡易发性评价方法，其特征在于：具体包括如下步骤：1选择研究区域；2评价单元和评价因子的选取；3选择非滑坡样本，采用Borderline-Smote算法进行数据采样，生成和非滑坡样本相同数量的滑坡样本；4采用信息量模型和GBDT-LR算法进行耦合的方法构建滑坡易发性模型；5将样本数据分别从频率比、十折线交叉验证、ROC曲线3个方面对构建的滑坡易发性模型进行评价；所述的信息量模型，具体内容如下：在实验过程中，用滑坡样本频率计算信息量，如式1所示： 式1中，I表示评价单元中总信息量；n表示评级因子数量；xi表示当前评价单元内所取的评价因子等级；Y表示滑坡事件；S表示研究区域总面积；Si表示研究区域内含有xi评价因子的总面积；N表示研究区域内滑坡总面积；Ni表示研究区域内含有xi评价因子的滑坡总面积；信息量I作为滑坡评价的综合性指标，其值越大，滑坡发生的可能性越大，反之，发生滑坡的可能性越小；所述的GBDT-LR算法，具体步骤如下：1将训练样本数据输入GBDT模型进行训练；2用训练好的GBDT模型预测每个样本落在哪个棵树的哪个叶结点上；3将预测结果进行one-hot编码，得到新的离散特征；4将新特征与原特征进行组合，得到新的数据集；5将新数据集输入LR模型进行训练；6用训练好的LR模型进行滑坡预测，得到预测值；所述的LR模型，具体内容如下：函数表达式如下： 式2中，α代表逻辑回归的常数项；β代表逻辑回归的回归系数；P代表滑坡发生概率，P的值越接近1，表明该斜坡单元发生滑坡的可能性越大，否则，表明发生滑坡的可能性越小；所述的GBDT模型，具体内容如下：GBDT模型首先，通过输入的训练样本得到第一棵决策树，训练结果落到某个叶子节点上，同时训练好的第一棵决策树将产生预测值，将实际值与预测值之间的差值称之为残差；然后将残差作为第二棵决策树的实际值，重复上述步骤，反复迭代，直到训练结果达到预先设定的训练次数阈值或精度阈值即停止训练；最后，将所有决策树的预测值加在一起即可得预测值；GBDT模型算法过程如下：假设输入训练数据集损失函数Ly,fx；输出回归树1初始化 2对m＝1,2,…,Ma对每个样本i＝1,2,…,N，计算负梯度rmi作为近似残差； b对rmi拟合一个回归树，得到第m棵树的叶结点区域Rmj，j＝1,2,…,J，J为回归树叶节点的个数；c对j＝1,2,…,J，计算叶节点区域最佳拟合值cmj d更新θ表示落入当前节点的样本集合；3得到回归树 。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于GBDT-LR和信息量模型的滑坡易发性评价方法