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！

摘要：一种基于机器学习的滑坡灾害风险评估方法，根据收集的资料确定控制因素和诱发因素，确定评价单元进行地质灾害分布规律与发育特征分析；基于混合高斯聚类模型、人工神经网络模型和支持向量机模型进行滑坡灾害危险性评价精度检验，最终进行危险性评价，并结合易损性结果进行第一次风险评估；基于PU‑Bagging模型和CA‑Markov模型进行滑坡危险性空间预测和动态预测；根据滑坡危险性预测结果和易损性结果进行滑坡灾害第二次风险评估；最后，对比分析两次风险评估结果，指导实践。本发明利用机器学习模型对滑坡进行危险性空间预测和动态预测，并进行风险评估。相较传统方法，本发明更符合地球科学的研究特点，逻辑清晰、确实可行，评估结果更加可靠。

主权项：1.基于机器学习的滑坡灾害风险评估方法，其特征包括以下步骤：步骤1、收集并整理分析相关地质历史资料，结合野外调查的区域滑坡灾害点分布情况分析区域内的滑坡灾害发育分布规律，初步筛选出对区域滑坡影响较大的环境因子，包括以下两个方面：步骤1.1、评价因子选择：首先根据所收集到的资料初步选择评价因子，然后再对所选择出的因子进行分析，确保所选择的因子在该区域的不同地区，具有显著空间差异性，并且分析该因子和区域地质灾害的发生是否具有强相关性，再结合相关文献和前人的研究成果，来调整在评价过程中参与模型构建的滑坡危险性评价因子；步骤1.2、评价单元划分：在对地理空间进行评价时，首要任务就是确定评价区域，划分评价单元，模型单元代表了地表的一部分，每一个单元内的各个属性具有同质性，在GIS中，选择格网单元和斜坡单元分别进行相关实验，并对结果进行对比分析，选择这两种评价单元划分方式；步骤2、地质环境条件分析、整理相关地质环境背景资料，整合历史滑坡灾害数据和最新调查的灾害数据，分析区域内滑坡灾害发育特征，建立该区域滑坡评价指标体系，结合滑坡地质灾害基本发育情况和野外调查的滑坡灾害点数据的基础上，采用统计分析的方法，分析各因子在不同分级状况下滑坡灾害点的发生次数、分级比例及信息量值，进一步计算各评价因子间的相关性，并适当删除相关性较高的评价因子；步骤3、建立混合高斯聚类模型（GMM）优化后的数据集与未优化的随机抽取的数据集，分别对人工神经网络（ANN）模型和采用径向基核函数下的支持向量机（SVM）模型进行训练，训练结果达到精度后对该区域滑坡灾害危险性做出评价，并对不同模型评价结果的预测准确率和评价结果的合理性检验并对比；最后结合滑坡易损性结果进行第一次风险评估；步骤4、滑坡危险性评价模型分析在进行危险性空间预测分析时，主要从两个方面进行分析；首先是进行危险性评价，以步骤1、2所选择的评价因子为基础，根据己经发生的灾害数据，对当前的滑坡发生概率进行空间预测；其次是在步骤3的基础上，结合多个时期的危险性预测结果，通过分析相邻两个时期的危险性等级，分析其发展规律，从而对将来某一个时期进行滑坡危险性空间预测；滑坡危险性评价的流程主要包括：步骤4.1、在步骤1.1和步骤2的基础上对评价因子数据进行预处理，以及数据尺度处理，将数据处理成模型可输入的样本数据；步骤4.2、在步骤1.2的基础上再结合PU-Bagging算法，将评价单元分为正样本为发生过滑坡的区域和未标记样为本未发生滑坡的区域，通过随机采样组合的方式，有放回的随机从未标记样本中抽取与正样本等量的数据作为负样本，组成训练集；步骤4.3、利用步骤3及所得训练集来构建模型，得到评价单元样本中所有未标记样本区域的滑坡发生概率，从而实现对研究区的滑坡发生概率进行空间预测；步骤5、滑坡危险性动态模型分析滑坡危险性动态模型分析是滑坡空间预测的重要内容，主要体现在以下几个方面：步骤5.1、CA-Markov模型在滑坡危险性模拟演化上的可行性分析；步骤5.2、基于CA-Markov模型的滑坡危险性动态预测模型的构建和精度对比实验，选择预测效果最佳的实验方案的参数组合作为模型参数设置，完成模型构建；其中，实验结果与实际数据的一致性最高的方案即为最佳方案；步骤5.3、利用精度最高的实验组参数，来对将来某一时期的滑坡危险性进行预测，即实现了滑坡的动态预测；步骤6、滑坡风险评估：结合区域的土地利用现状，得到承灾体类型和分布情况，然后随机选取80%的数据输入加权密度模型，以承载体的加权密度图，作为评价单元的价值估算值，将然后结合该评价单元的危险性指标，对二者进行计算，得到每一个评价单元的风险等级；最后用其余20%的数据来验证风险评估的准确性；步骤7、对比分析两种滑坡风险评估方法。

全文数据：

权利要求：

百度查询： 西北大学 基于机器学习的滑坡灾害风险评估方法