نقشه‌برداری حساسیت زمین لغزش بر اساس بهینه‌سازی ازدحام ذرات ماشین‌های بردار مرتبط هسته‌ای چندگانه: موردی از منطقه کم تپه در استان سیچوان، چین

خلاصه

در این مقاله، ما یک روش ماشین بردار ربط هسته چندگانه (RVM) را بر اساس الگوریتم بهینه‌سازی ازدحام ذرات ابر تطبیقی (PSO) برای نقشه‌برداری حساسیت زمین لغزش در منطقه تپه‌های کم‌تر استان سیچوان، چین پیشنهاد می‌کنیم. در ساختار چند هسته ای، مشکل انتخاب هسته را می توان با تنظیم وزن هسته، که سهم تک هسته نگاشت نهایی هسته را تعیین می کند، حل کرد. وزن ها و پارامترهای تابع چند هسته ای با استفاده از الگوریتم PSO بهینه شدند. علاوه بر این، سرعت همگرایی الگوریتم PSO با استفاده از نظریه ابر افزایش یافت. برای اطمینان از پایداری مدل پیش‌بینی، از نتیجه یک روش اعتبارسنجی متقابل پنج برابری به عنوان برازش الگوریتم PSO استفاده شد. برای تایید نتایج، منحنی های مشخصه عملکرد گیرنده (ROC) و چگالی نقطه لغزش (LDD) استفاده شد. نتایج نشان می‌دهد که مدلی که از یک هسته ناهمگن (ترکیبی از دو تابع هسته مختلف) استفاده می‌کند، دارای مساحت بزرگ‌تری در زیر منحنی ROC (0.7616) و نسبت خطای پیش‌بینی پایین‌تر (0.28٪) نسبت به انواع دیگر مدل‌های هسته استفاده شده است. در این مطالعه. علاوه بر این، هر دو مجموع دو LDD ناحیه حساس بالا (6.71/100 کیلومتر² ) و مجموع دو LDD ناحیه کم حساسیت (0.82/100 کیلومتر مربع ⁾ نشان داد که نقشه حساسیت زمین لغزش بر اساس مدل هسته ناهمگن نزدیکترین به توزیع تاریخی زمین لغزش است. در نتیجه، نتایج به‌دست‌آمده در این مطالعه می‌تواند اطلاعات بسیار مفیدی برای پیشگیری از بلایا و برنامه‌ریزی کاربری اراضی در منطقه مورد مطالعه ارائه دهد.

کلید واژه ها:

بهینه سازی ازدحام ذرات ; یادگیری چندین هسته ماشین بردار ارتباط ; حساسیت زمین لغزش ; سیستم اطلاعات جغرافیایی (GIS)

1. معرفی

ارزیابی حساسیت زمین لغزش همیشه مستلزم در نظر گرفتن بسیاری از عوامل محیطی رابطه غیرخطی مانند داده های ژئومورفولوژیکی، زمین شناسی، هیدرولوژیکی و پوشش زمین است [ 1 ، 2 ]. تعیین چگونگی تهیه نقشه حساسیت منطقه ای زمین لغزش از این عوامل به کانون تحقیقات زمین شناسی تبدیل شده است. در سال های اخیر، چندین رویکرد برای ترسیم حساسیت زمین لغزش پیشنهاد شده است که می توان آنها را به دو گروه کلی کیفی و کمی دسته بندی کرد [ 3 ]. روش های کیفی تا حدودی ذهنی هستند و به قضاوت متخصصان بستگی دارند، در حالی که روش های کمی نسبتاً عینی و مبتنی بر بیان عددی روابط بین عوامل محیطی و زمین لغزش هستند [4 ]]. روش‌های کمی معمولاً علمی‌تر و دقیق‌تر از روش‌های کیفی در نظر گرفته می‌شوند. با توسعه محاسبات و فن آوری های سیستم اطلاعات جغرافیایی (GIS)، روش های کمی در دهه های اخیر به سرعت توسعه یافته اند. این روش‌ها شامل منطق فازی، درخت‌های تصمیم، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان (SVM) است [ 5 ، 6 ، 7 ، 8 ، 9]. مطالعات نشان داده‌اند که منطق فازی می‌تواند مقادیر از دست رفته را بررسی کند، اما به تجربه بیشتر بستگی دارد. علاوه بر این، ایجاد ماتریس ارزیابی تک عاملی منطق فازی دشوار است، بنابراین پیش‌بینی مدل را ناپایدار می‌کند. درخت‌های تصمیم همچنین می‌توانند مقادیر از دست رفته را مدیریت کنند و قابلیت‌های تحلیل محلی بهتری نسبت به رگرسیون لجستیک دارند، که به ناچار منجر به مشکلات بیش از حد برازش می‌شود. مدل های رگرسیون لجستیک قادر به تحلیل های جهانی خوبی هستند، اما به افراط حساس هستند. ثابت شده است که ANN و SVM نسبت به روش های فوق برای ارزیابی حساسیت زمین لغزش موثرتر هستند. با این حال، ANN به راحتی می تواند به حداقل های محلی بیفتد و سرعت همگرایی کندی دارد. SVM در تعمیم بهتر از ANN عمل می کند، اما هسته آن باید شرایط Mercer را برآورده کند. علاوه بر این، نمی تواند به طور مستقیم عدم قطعیت پیش بینی را تخمین بزند. بنابراین، تکنیک های بهتری فوری مورد نیاز است.

ماشین بردار ربط (RVM) پیشنهاد شده توسط Tipping [ 10 ] یک مدل احتمال جدید بیز مبتنی بر SVM است و هسته آن نیازی به ارضای شرایط Mercer [ 11 ] ندارد . علاوه بر این، نتایج RVM شامل نتایج طبقه بندی و توزیع احتمال است که برای ارزیابی حساسیت زمین لغزش بسیار مناسب است [ 12 ]. با این حال، RVM به ندرت برای مطالعه میدان های زمین لغزش، به ویژه در تجزیه و تحلیل حساسیت زمین لغزش منطقه ای استفاده شده است [ 13 ، 14]]. مشابه مدل SVM، تاثیر مدل RVM به تابع هسته و پارامترهای هسته بستگی دارد. در حال حاضر، روش‌های انتخاب یک تابع هسته مؤثر و پارامترهای هسته معقول هنوز ناقص هستند [ 15 ، 16 ].

روش یادگیری چند هسته ای راه حل مناسبی برای مسئله انتخاب هسته ارائه می دهد. همیشه برخی از هسته‌های منفرد را تحت قوانین خاصی ترکیب می‌کند تا نقشه‌برداری هسته مناسب را با توجه به نمونه‌های خاص ارائه دهد [ 16 ، 17 ، 18 ، 19 ]. به این ترتیب، مسئله انتخاب کرنل به یک مسئله بهینه سازی پارامترهای هسته و وزن هسته در یک ساختار هسته چندگانه تبدیل می شود. در سال های اخیر، الگوریتم بهینه سازی ازدحام ذرات (PSO) [ 20 ، 21 ، 22 ، 23 ] به طور گسترده ای برای بهینه سازی پارامترهای الگوریتم های هوشمند در بسیاری از زمینه ها استفاده شده است [ 24 ، 25 ،26 ، 27 ، 28 ، 29 ]. این یک تکنیک کلاسیک بهینه سازی گروهی است که کندی و ابرهارت [ 20 ، 21 ] بر اساس اقدامات تغذیه پرندگان طراحی کردند. هدف بهینه سازی را می توان با ردیابی ذرات فردی و گروهی جمعیت جستجو کرد. در حال حاضر مطالعات الگوریتم PSO را می توان به دو گروه تحقیقات بهبود و تحقیقات کاربردی تقسیم کرد. بیشتر تحقیقات بهبود بر روی تنظیم وزن اینرسی و عوامل یادگیری الگوریتم PSO متمرکز شده است [ 22 , 23 , 24 , 25]. الگوریتم ابر تطبیقی PSO (CPSO) یکی از کارآمدترین روش‌ها در تحقیقات بهبود است. هم می تواند سرعت همگرایی را افزایش دهد و هم تنوع جمعیت را تضمین کند [ 24 ، 25 ، 28 ].

در مطالعه حاضر، مدل‌های RVM با استفاده از پنج نوع هسته مبتنی بر الگوریتم CPSO برای نقشه‌برداری حساسیت زمین لغزش منطقه کم ارتفاع استان سیچوان چین استفاده شد. روش اعتبارسنجی متقابل پنج برابری در فرآیندهای آموزشی پنج مدل برای جلوگیری از مشکل بیش از حد برازش [ 30 ، 31 ] و نظریه ابر برای بهبود سرعت همگرایی PSO استفاده شد [ 24 ، 25 ]. علاوه بر این، عملکرد پیش‌بینی پنج مدل با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) [ 32 ، 33 ، 34 ] و چگالی نقطه لغزش (LDD) [ 35 ، 36 ] تأیید شد.

2. منطقه مطالعه

منطقه مورد مطالعه (27°9’N-32°4’N و 102°9’E-108°1’E) در شرق استان سیچوان، چین واقع شده است ( شکل 1 )، و تقریباً 112000 کیلومتر مربع را پوشش می دهد ^. (23 درصد از استان سیچوان). شامل Chengdu، Zigong، Luzhou، Deyang، Mianyang، Guangyuan، Suining، Neijiang، Leshan، Nanchong، Meishan، Yibin، Guang’an، Dachuan، Ya’an، Bazhong، Ziyang و Liangshan، در مجموع 18 شهر یا منطقه است. ( شکل 1 ). دارای تراکم جمعیت بالا و توسعه اقتصادی سریع است. بر اساس آمار سال 2009 [ 37 , 38 , 39 , 40]، تراکم جمعیت 437 نفر در کیلومتر مربع بود که بسیار بیشتر از میانگین استانی (168 نفر در کیلومتر مربع) بود. تولید ناخالص داخلی (GDP) تقریباً 13738.54 میلیارد یوان (96٪ از استان) بود. با این حال، تراکم بلایای زمین لغزش آن، که به اندازه یک در 100 کیلومتر ^مربع است ، بالاترین میزان در چین است [ 41 ]. بنابراین، تحقیق در مورد مکانیسم‌های تشکیل زمین لغزش‌ها و تهیه نقشه حساسیت منطقه‌ای زمین لغزش در این منطقه برای پیشگیری از بلایا و برنامه‌ریزی زمین بسیار مفید است [ 38 ، 39 ، 40 ].

زمین لغزش ها توسط عوامل زیادی ایجاد می شود که می توان آنها را به دو گروه کلی تقسیم کرد: محیط جغرافیایی و فعالیت های انسانی. اول، محیط جغرافیایی خاص منطقه مورد مطالعه شرایط مساعدی را برای لغزش فراهم می‌کند: (1) تپه‌های کم ارتفاع عمدتاً منطقه مورد مطالعه (98%) را پوشش می‌دهند که ارتفاعات آن عمدتاً بین 0 متر تا 800 متر (94%) است. (2) نقش برجسته توپوگرافی بزرگ است، و ارتفاع بیش از 2000 متر از غرب به شرق متفاوت است. (3) منطقه مورد مطالعه در منطقه آب و هوای نیمه گرمسیری مرطوب موسمی واقع شده است و بارندگی سالانه معمولاً بیش از 1000 میلی متر از ژوئن تا سپتامبر است (براساس سوابق، 2664 زمین لغزش ناشی از بارندگی در منطقه کم تپه ای استان سیچوان رخ داده است [42 ] ])؛ (4) بسیاری از شکستگی ها، رودخانه ها (1.6 km/ ^km2) و سنگ های رسوبی (89 درصد) در این ناحیه متمرکز شده اند. دوم، فعالیت های انسانی معمولاً عامل اصلی ایجاد زمین لغزش است. یک سیستم حمل و نقل به خوبی توسعه یافته در منطقه مورد مطالعه وجود دارد و طول کل شبکه راه (شامل جاده های ملی و استانی) تا سال 2009 از 211888 کیلومتر فراتر رفت [ 42 ].

3. روش ها

3.1. ماشین بردار مربوط

با توجه به مجموعه ای از نمونه های آموزشی غیرخطی

{x_{i}, t_{i}} (i = 1, 2, \dots, M)

، جایی که

M

تعداد نمونه است،

x_{i} \in R^{n}

عوامل مؤثر بر آموزش زمین لغزش و

t_{i} \in {0, 1}

وضعیت زمین لغزش ها را نشان می دهد (وضعیت زمین لغزش 1 و حالت غیر لغزش 0 است)، فرض کنید تابع هدف مستقل است و نویز اضافی دارد. خروجی مدل RVM را می توان به صورت معادلات (1) و (2) بیان کرد:

تی من = y (ایکس من; ω) + ε من

(1)

y (x; ω) = \sum i = 1 م ω من ک (x_ایکس من) + ω 0

(2)

جایی که $ε_{i} = N (0, σ^{2})$ نویز گاوسی افزودنی است، $x$ بردار ورودی است که باید پیش بینی شود، $ω = {[ω_{0}, ω_{1}, ω_{2}, \dots, ω_{M}]}^{T}$ ، $ω_{i}$ مدل “وزن” است، $ω_{0}$ انحراف است و $K (x, x_{i})$ تابع هسته انتخاب شده است.

یک مدل احتمال بیزی برای توضیح اثرات نویز استفاده می شود (

ε_{i}

) بر روی نتایج پیش بینی شده این مدل نه تنها می‌تواند مشکل تنظیم پارامتر خطا در SVM را بهبود بخشد، بلکه می‌تواند احتمال نتایج را نیز خروجی دهد که برای توصیف حساسیت زمین لغزش استفاده می‌شود. احتمال بیزی:

p (تی * | t) = \int p (تی * ∣ ∣ ω, σ 2) p (ω, σ 2 ∣ ∣ ت) د ω د σ 2

(3)

جایی که $t_{*}$ هدف پیش‌بینی بردار ورودی جدید است $x$ .

برای جلوگیری از مشکل بیش از حد برازش هنگام ارزیابی تخمین حداکثر احتمال

ω

σ^{2}

، تعیین ارتباط خودکار (ARD) توزیع احتمال قبلی را می توان به صورت تعریف کرد

p (ω | α) = \prod i = 0 م ن (ω من ∣ ∣ 0, α - 1 من)

(4)

توزیع قبلی از

ω_{i}

یک توزیع گاوسی با میانگین 0 و واریانس است

α_{i}^{- 1}

. طبق قانون بیزی، احتمال شرطی را می توان به صورت زیر نوشت:

p (تی * | t) = \int p (تی * ∣ ∣ ω, σ 2) p (ω ∣ ∣ t ، α ، σ 2) p (α, σ 2 ∣ ∣ ت) د ω د α د σ 2 \approx \int p (تی * ∣ ∣ ω, \partial م پ ، σ 2 م پ) p (ω ∣ ∣ تی ، \partial م پ ، σ 2 م پ) د ω

(5)

استفاده از روش لاپلاس برای ساخت

p (ω, α, σ^{2} | t_{i})

یک توزیع گاوسی تقریبی:

\partial n e w من = γ من μ 2 من ، (σ 2) n e w = ∥ ∥ t - Φ μ ∥ 2 م - \sum م i = 0 γ من

(6)

جایی که $μ_{i}$ عنصر i بردار میانگین پسینی ( μ ) اوزان است ، $\sum_{i, i}$ عنصر قطری i- امین ماتریس کوواریانس است $(\sum) and γ_{i} = 1 - \partial_{i} \sum_{i, i}$ . در فرآیند آموزش، معادله (6) به تکرار تا زمانی ادامه می‌دهد $\partial_{i}^{n e w}$ و ${(σ^{2})}^{n e w}$ تقریبا هستند $\partial_{M P}$ و $σ_{M P}^{2}$ . در آن صورت، بیشتر $\partial_{i}$ تمایل به بی نهایت، و مربوطه $ω_{i}$ تمایل به 0. در نهایت، چند $ω$ تمایل به مقادیر متناهی و متناظر با آنها دارند $x_{i}$ بردارهای مربوط به مدل RVM هستند.

مدل لجستیک از روش رگرسیون برای حل مشکل طبقه بندی استفاده شد که به صورت زیر نوشته شده است:

p (تی من = 1 ∣ ∣ ω تی ایکس من) = 1 / (1 + e x p (- ω تی ایکس من))

(7)

سپس احتمال نتایج پیش‌بینی را می‌توان به صورت زیر توصیف کرد:

p ( t | ω ) =∏i = 1نσ{ y(ایکسمن; ω ) }تیمن[ 1 – σ{ y(ایکسمن; ω ) }]1- _تیمن�(�|�)=∏�=1��{�(��;�)}��[1−�{�(��;�)}]1−��

(8)

جایی که $t = {t_{n}}_{n = 1}^{M}$ و معیار تشخیص زمین لغزش عبارت است از:

تی من = {0 (n o n - l a n d s l i d e) ، i f پ من = 1 / (1 + ه - y) < 0.5 1 (l a n d s l i d e) ، i f پ من = 1 / (1 + ه - y) \geq 0.5

(9)

3.2. RVM کرنل چندگانه

تابع چند هسته ای تطبیقی ترکیب خطی کلاسیک ترین روش [ 23 ] است و از ترکیب یک تابع هسته کلی (چند جمله ای) و یک تابع هسته محلی (گاوسی) تشکیل می شود. می توان آن را به صورت زیر نوشت:

ک m i x (x_ایکس من) = β ک g یک شما__(x_ایکس من) + (1 - β) ک پی و یا_(x_ایکس من) = \sum i = 1 2 β من ک (x_ایکس من)

(10)

ک g یک شما__(x_ایکس من) = e x p (- ∥ x - ایکس من ∥ 2 σ 2) ، σ > 0 و

(11)

ک پی و یا_(x_ایکس من) = ((x, ایکس من) + ج) 2 ، c \geq 0

(12)

جایی که $K_{g a u s s} (x, x_{i})$ تابع هسته گاوسی است و $K_{p o l y} (x, x_{i})$ تابع هسته چند جمله ای است. وزن هسته $β (β \in (0, 1))$ یک عامل تنظیمی است که برای تنظیم سهم هر کرنل استفاده می شود. چه زمانی $β$ 1 است، تابع چند هسته ای همان تابع هسته گاوسی است و چه زمانی $β$ 0 است، تابع چند هسته ای برابر با یک تابع هسته چند جمله ای است. هر چه وزن هسته بیشتر باشد، سهم هسته مربوطه بیشتر خواهد بود $K_{m i x} (x, x_{i})$ .

پس از جایگزینی معادله (10) به مدل اصلی RVM (معادله (2))، خروجی مدل MKRVM را می توان به صورت زیر نوشت:

y (x; ω) = \sum i = 1 م ω من ک m i x (x_ایکس من) + ω 0

(13)

به این ترتیب، مدل RVM کرنل چندگانه (MKRVM) مسئله بیان نمونه ها در فضای ویژگی را به مسئله تنظیم پارامترهای هسته و وزن هسته تبدیل می کند [ 21 ]. در این مقاله با سه نوع ترکیب چند هسته ای مواجه می شویم: ترکیب یک هسته گاوسی و یک هسته چند جمله ای (گاوس و پلی)، ترکیب دو هسته چند جمله ای (پلی و پلی)، و ترکیب دو هسته گاوسی (گاوس). و گاوس). ترکیبی از دو هسته یکسان را هسته همگن و ترکیبی از هسته های مختلف را هسته ناهمگن می نامند.

3.3. بهینه سازی ازدحام ذرات

استراتژی به روز رسانی تکراری الگوریتم اصلی PSO به شرح زیر است:

{v من + 1 = ω \times v من + ج 1 \times r 1 \times (پ b e s t (من) - ایکس من) + ج 2 \times r 2 \times (جی b e s t (من) - ایکس من) ایکس من + 1 = ایکس من + v من + 1

(14)

جایی که $v_{i}$ سرعت ذره است، $x_{i}$ یک ذره منفرد است، $ω$ وزن اینرسی است، $P_{b e s t} (i)$ و $G_{b e s t} (i)$ به‌ترتیب بهینه‌سازی‌های فردی و سراسری در تکرار i- ام هستند ، $r_{1}$ و $r_{2}$ اعداد تصادفی (0-1) و $c_{1}$ و $c_{2}$ عوامل یادگیری هستند

در این مقاله، PSO اصلی با استفاده از نظریه ابر (CPSO) بهبود یافت. در الگوریتم CPSO، ازدحام ذرات برای محاسبه وزن اینرسی به سه گروه تقسیم می شود.

(ω)

با استفاده از استراتژی های تولید مختلف فرض کنید برازش (خطای پیش‌بینی مدل‌های RVM) ذره i در تکرار k

f_{i}^{k}

; میانگین همه تناسب اندام است

f_{a v g}^{k} = \frac{1}{N} \sum_{i = 1}^{N} f_{i}^{k}

( N اندازه جمعیت است)؛ میانگین تناسب اندام که کمتر از

f_{a v g}^{k}

تنظیم شده است

f_{a v g}^{'}

; میانگین تناسب اندام که بالاتر از

f_{a v g}^{k}

تنظیم شده است

f_{a v g}^{''}

; و بهترین تناسب اندام تنظیم شده است

f_{b e s t}^{k}

. استراتژی تولید خاص به شرح زیر است.

(1): چه زمانی $f_{i}^{k} \leq f_{a v g}^{'}$ برازش این ذرات به جواب بهینه (کمترین میزان خطا) نزدیکتر است. بنابراین، مقدار وزن اینرسی کم را تنظیم کنید $(ω = 0.2)$ برای سرعت بخشیدن به همگرایی محلی
(2): چه زمانی $f_{i}^{k} < f_{a v g}^{''}$ و $f_{i}^{k} > f_{a v g}^{'}$ ، این ذرات نسبتاً با بهترین تناسب فاصله دارند که می تواند با مدل ابری بهبود یابد.

انتظار از مدل ابری است $Ex = f_{b e s t}^{k}$ .

آنتروپی را می توان با استفاده از فاصله انتظار و $f_{a v g}^{'}$ : $En = (f_{a v g}^{'} - f_{b e s t}^{k}) / c_{1}$ .

علاوه بر این، هیپر آنتروپی با استفاده از آن تنظیم شد $He = En / c_{2}$ .

مقدار وزن اینرسی را می توان به صورت زیر توصیف کرد:

$ω = 0.9 - 0.5 ه - ( f ک من - سابق ) 2 2 ( En “ ) 2 ، En ‘ = normrnd (En, He)$

(15)

طبق قوانین “3En”، پارامترهای کنترل $c_{1}$ و $c_{2}$ روی 3 و 10 تنظیم شدند [ 24 ]. “normrnd” داده های توزیع شده معمولی را تولید می کند.
(3): چه زمانی $f_{i}^{k} \geq f_{a v g}^{''}$ ، این ذرات به وزن اینرسی بالاتری نیاز دارند $(ω = 0.9)$ برای بهبود قابلیت جستجوی جهانی

3.4. PSO-MKRVM

بسیاری از پارامترهای مدل PSO-MKRVM نیاز به مقداردهی اولیه دارند. برای منطقه مورد مطالعه، نمونه‌های آموزشی RVM از هشت ویژگی شرایط (عوامل مستعد زمین لغزش) و یک ویژگی تصمیم (وضعیت‌های زمین لغزش) تشکیل شد. در ساختار چند هسته ای، وزن یک هسته

β

و دو پارامتر هسته باید محاسبه شود. هدف بهینه سازی الگوریتم PSO به حداقل رساندن نتیجه اعتبارسنجی متقابل پنج برابری است [ 33 ]. اندازه جمعیت PSO روی 20 و تعداد تکرارها 50 تنظیم شد. منحنی های تکرار شونده تابع هسته خطی کلاسیک ( شکل 2 ) نشان می دهد که راه حل بهینه را می توان در 20 تکرار پیدا کرد. علاوه بر این،

c_{1} = c_{2} = 2

انتخاب شد تا منطقه جستجو در مرکز قرار گیرد

P_{b e s t} (i)

G_{b e s t} (i)

. ذره الگوریتم PSO به صورت تنظیم شد

x = (β, w i d t h 1, w i d t h 2)

فرآیند آموزش مدل‌های PSO-MKRVM شامل مراحل زیر است.

مرحله 1: مقداردهی اولیه برخی از پارامترهای مدل‌های PSO-MKRVM، از جمله اندازه جمعیت، تکرارها و عوامل یادگیری را تنظیم کنید.

مرحله 2: بهینه سازی بر اساس نمونه‌های آموزشی، از روش اعتبارسنجی متقاطع 5 برابری و الگوریتم PSO برای بهینه‌سازی پارامترها و وزن‌های تابع چند هسته‌ای استفاده شده است.

مرحله 3: ساخت و ساز بسته به نتایج مرحله 2، می توان مدل های پیش بینی MKRVM را ساخت.

مرحله 4: پیش بینی مدل های ساخته شده در مرحله 3 می توانند برای تهیه نقشه های توزیع شاخص حساسیت زمین لغزش (DMLSI) استفاده شوند.

4. داده ها

4.1. عوامل موثر بر زمین لغزش

به طور کلی، 382 نمونه زمین لغزش از موسسه چین مانیتورینگ ژئو محیطی برای این مطالعه استفاده شد. زمین لغزش ها در منطقه کم تپه سیچوان در سال 2007 رخ داده است. محققان برخی از مطالعات را در زمینه حساسیت عوامل مستعد کننده زمین لغزش بر اساس نظریه فراکتال ابعاد متغیر و مدل احتمال عامل قطعیت در این منطقه انجام داده اند [39، 40 ] .]. هشت عامل زمين لغزش‌كننده به عنوان عوامل اصلي ايجاد زمين لغزش در اين منطقه نشان داده شده است. بر اساس فهرست‌های زمین لغزش و داده‌های موضوعی موجود در منطقه مورد مطالعه، ما از این عوامل برای ساخت مدل‌های پیش‌بینی زمین لغزش استفاده کردیم. عوامل شامل شکل زمین (ارتفاع، شیب و دامنه تسکین)، سنگ شناسی زمین شناسی (سنگ شناسی)، ساختار زمین شناسی (گسل ها)، شیب برش (رودخانه و جاده) و پوشش گیاهی (شاخص گیاهی تفاوت نرمال شده (NDVI)). مقادیر فاکتورها در جدول 1 آورده شده است .

بر اساس سیستم عامل ارزیابی فوق ( جدول 1 )، هشت نقشه عوامل مستعد کننده زمین لغزش ( شکل 3 ) با استفاده از فناوری های GIS قابل نمایش است. شیب، ارتفاع و دامنه تسکین از DEM به دست آمد. شیب ( شکل 3 الف) نمی تواند به طور دقیق فرم های زمین را در فواصل مساوی در منطقه مورد مطالعه منعکس کند. بر اساس ویژگی های سطح، شیب به 7 بازه تقسیم شد. اکثر مناطق در محدوده چهار سطح بالا قرار دارند (0°-25°, 95.09%). با این حال، بسیاری از زمین لغزش ها در چند منطقه (25-45 درجه، 4.68٪) متمرکز شده اند. علاوه بر این، زمین لغزش هایی که در بالای 45 درجه رخ داده اند معمولاً فرو می ریزند [ 5 ]. ارتفاع ( شکل 3ب) به شش قسمت تقسیم شد. مساحت (بیش از 800 متر) تنها 5.65 درصد از مساحت مورد مطالعه را تشکیل می دهد، اما تعداد زیادی زمین لغزش را جمع آوری می کند. دامنه تسکین ( شکل 3 C) از ماژول آمار محله GIS زمانی که بهترین شعاع پنجره آماری 1.1 کیلومتر بود به دست آمد. منطقه مورد مطالعه عمدتاً از تپه ها (0-200 متر، 71.81٪) و مناطق کم کوه (200-600 متر، 25.96٪) تشکیل شده است، که در آن اغلب رانش زمین رخ داده است. پوشش گیاهی از محصولات MODIS استخراج شد و توسط NDVI توصیف شد ( شکل 3 D). مقادیر NDVI از -1-1 متغیر بود. این مقدار با افزایش نرخ پوشش گیاهی افزایش یافت و بالعکس. رودخانه ها و جاده ها به طور مستقیم بر محیط های زمین شناسی منطقه ای زمین لغزش تأثیر می گذارند [ 2 ]. نقشه فاصله بافر رودخانه ها ( شکل 3E) و جاده ها ( شکل 3 F) نشان می دهد که لغزش ها عمدتاً در ناحیه بافر پایین تر رخ می دهند. علاوه بر این، سنگ شناسی زمین شناسی و ساختار زمین شناسی از عوامل مهم زمین لغزش هستند و از نقشه های زمین شناسی استخراج شده اند. نقشه سنگ شناسی ( شکل 3 G) با استفاده از روش همجوشی برداری (Dissolve) ArcGIS تهیه شد. سنگ‌های آهکی، بازالت و کربناته بخش کوچکی از سنگ‌شناسی (45/4 درصد) را نشان می‌دهند، اما تعدادی زمین لغزش (81/2، 2/3 و 9/3) در آنها رخ داده است. گل سنگ، ماسه سنگ و کنگلومرا 89 درصد سنگ شناسی را تشکیل می دهند، اما تنها 1.7، 1.2 و 0.8 زمین لغزش در هر 100 کیلومتر مربع در آنها رخ داده است. در این مقاله، تأثیر گسل‌ها بر زمین لغزش‌ها با فاصله بافر از گسل‌ها تعیین شد ( شکل 3).ح). ساختار شکسته منطقه مورد مطالعه یک “فرم صفحه شطرنج” فضایی را ارائه می دهد، که در آن طول مناطق شکستگی از یک کیلومتر تا ده ها کیلومتر متغیر است.

4.2. پردازش عادی سازی

بر اساس زمین لغزش های تاریخی و نقشه های توزیع هشت عامل زمینه ساز زمین لغزش، 750 نمونه آموزشی (382 نمونه زمین لغزش و 368 نمونه غیر لغزش) از مدل پیش بینی با استفاده از ابزار Arc Toolbox Extraction استخراج شد (شکل 4 ) . به همین ترتیب، ورودی‌های مدل پیش‌بینی منطقه مورد مطالعه بر اساس 27998 واحد شطرنجی در منطقه مورد مطالعه استخراج شد (عرض و ارتفاع واحدهای شطرنجی 2000 متر بود).

این نمونه های آموزشی و ورودی های منطقه ای باید با استفاده از معادله (16) به داده های غیر بعدی یکپارچه نرمال سازی شوند:

ایکس “ = (x-_ایکس m i n) / (ایکس m a x - ایکس m i n)

(16)

جایی که $x (x \in [x_{m i n}, x_{m a x}])$ مقدار واقعی یک عامل را نشان می دهد، $x_{m i n}$ و $x_{m a x}$ به ترتیب حداقل و حداکثر آن عامل و $x^{'} \in (0 - 1)$ نتیجه عادی سازی است. زمین لغزش ها به دو حالت 1 (لغزش) و 0 (غیر لغزش) تقسیم شدند. برای اطمینان از پایایی و پایداری مدل‌های پیش‌بینی، از روش اعتبارسنجی متقابل 5 برابری برای تقسیم 750 نمونه آموزشی به پنج قسمت مساوی استفاده شد. در فرآیند آموزش از چهار قسمت به عنوان نمونه آموزشی و قسمت دیگر به عنوان نمونه آزمایشی استفاده شد. هر قسمت از نمونه ها در نقش آموزشی و نقش آزمون پنج بار استفاده شد. نتیجه روش اعتبارسنجی متقابل 5 برابری به عنوان برازش الگوریتم PSO استفاده شد.

5. نتایج و بحث

5.1. آموزش مدل

بر اساس 750 نمونه آموزشی و روش اعتبارسنجی متقاطع 5 برابری، پارامترهای مدل RVM با استفاده از الگوریتم PSO بهینه شده و در جدول 2 نشان داده شده است .

“وزن” در ساختار چند هسته ای وزن اولین تابع هسته را نشان می دهد. “Width 1” و “Width 2” به ترتیب مقادیر پارامترهای هسته اول و دوم هستند. محدوده جستجوی دو پارامتر هسته [0.3، 1.5] و [0.6، 2.5] بود. “نرخ خطا” (ER) نتیجه اعتبارسنجی متقاطع 5 برابری است. جدول 2 نشان می دهد که هسته “Gauss and Poly” بهترین عملکرد پیش بینی را نشان می دهد (ER = 0.28) زمانی که سه پارامتر 0.6821، 0.6138 و 2 بودند.

از این مدل‌ها برای تهیه نقشه‌هایی از توزیع شاخص حساسیت زمین لغزش (DMLSI) در منطقه مورد مطالعه استفاده شد. بر اساس DMLSI، یک تجزیه و تحلیل خوشه ای از روش نقاط ناپیوسته طبیعی برای تقسیم منطقه مورد مطالعه به پنج ناحیه حساس به زمین لغزش استفاده شد: یک منطقه حساسیت بسیار کم (VLS-zone)، منطقه حساس کم (LS-zone)، منطقه حساسیت متوسط. (MS-zone)، منطقه حساسيت بالا (HS-zone) و منطقه حساسيت بسيار بالا (VHS-zone). نقشه های حساسیت زمین لغزش (LSM) منطقه مورد مطالعه که با استفاده از این روش تهیه شده است در شکل 5 ارائه شده است .

بدیهی است که LSM پنج مدل به خوبی با توزیع زمین لغزش های تاریخی مطابقت دارد. علاوه بر این، مدل هایی که تابع هسته آنها دارای تابع گاوسی است بهتر از مدل هایی که از یک تابع چند جمله ای استفاده می کنند، عمل کردند. این نتیجه به این معنی است که تابع گاوسی برای ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه مناسب تر است. با این حال، ارزیابی دقیق عملکرد پیش‌بینی مدل با استفاده از LSM دشوار است.

5.2. منحنی مشخصه عملکرد گیرنده

منحنی های ROC یک روش نماینده برای آزمایش دقت روش های تجزیه و تحلیل هستند و می توانند رابطه بین ویژگی و حساسیت را منعکس کنند [ 32 ، 33 ، 34 ]. آنها در ابتدا در ارزیابی پذیرش سیگنال های راداری به کار گرفته شدند و اخیراً برای ارزیابی عملکرد پیش بینی تست های تشخیصی پزشکی استفاده شده اند [ 32 ]. شاخص RIC که برای تشخیص دقت “تشخیص” استفاده می شود، ناحیه زیر منحنی ROC (AUC) است [ 33 ]. هنگامی که مقدار AUC از 0.5-1 متغیر است، روش فعلی توانایی “تشخیص” خوبی دارد [ 9 ]. دقت تشخیصی را می توان به سه سطح تقسیم کرد: کم (0.5-0.7)، متوسط (0.7-0.9) و بالا (> 0.9).33 ، 34 ].

در این مقاله از حالت های زمین لغزش به عنوان متغیر حالت منحنی ROC و از نتایج پیش بینی مدل های آموزشی RVM به عنوان متغیر آزمون منحنی ROC استفاده شده است. منحنی های ROC برای آنالیزهای مختلف نوع هسته در شکل 6 نشان داده شده است . منحنی‌ها نشان می‌دهند که هسته‌های ناهمگن عملکردهای پیش‌بینی بالاتری (AUC = 0.7616) نسبت به سایر انواع هسته‌ها به دست آوردند. علاوه بر این، سه نوع چند هسته‌ای که دارای تابع گاوسی بودند، توانایی‌های تشخیصی قوی‌تری داشتند (AUC > 0.7) نسبت به انواع دیگر (AUC <0.7). توانایی قوی توابع هسته گاوسی برای ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه دوباره نشان داده شده است.

5.3. تراکم نقطه لغزش

نسبت های فراوانی زمین لغزش ها در هر منطقه از پنج LSM ( شکل 5 ) برای ترسیم نمودار نسبت فرکانس زمین لغزش ( شکل 7 ) استفاده شد. نتایج نمودار نشان می‌دهد که پنج خط نسبت فرکانس تا حد زیادی با توزیع واقعی زمین لغزش مطابقت دارند، به این ترتیب که نسبت‌های فرکانس از ناحیه VLS به ناحیه VHS به رشد خود ادامه دادند. شکل همچنین نشان می دهد که هسته “گاوس و گاوس” بین ناحیه HS و ناحیه VHS نسبت به سایر انواع هسته عملکرد بهتری داشته است، اما در دو منطقه حساس پایین بهترین عملکرد را نداشته است. علاوه بر این، هسته‌های «Poly and Poly» و «Poly» در پنج ناحیه حساسیت تقریباً یکسان بودند.

نمودارهای فرکانس می توانند به طور مستقیم توزیع زمین لغزش ها را منعکس کنند، اما نمی توانند برتری یک مدل را توصیف کنند. چگالی نقطه لغزش (LDD) یک روش مفید برای انجام تجزیه و تحلیل دقیق و منطقی از نتایج پیش بینی زمین لغزش است [ 35 ، 36 ]. نتایج LDD ( جدول 3) نشان می دهد که LDD هسته چند جمله ای در ناحیه VHS (47/4) بالاترین میزان بوده، اما در ناحیه VLS کمترین میزان (33/0) نیست. هسته های “Gauss and Poly” و “Gauss and Gauss” دارای مقادیر LDD یکسان (0.24) بودند که در ناحیه VLS کمترین مقدار بود، اما بالاترین مقادیر LDD را در منطقه VHS نداشتند. به طور خاص، هسته “Gauss and Gauss” کمترین مقدار (3.94) را در منطقه VHS داشت. ارزیابی اثر هر مدل در یک منطقه حساس به زمین لغزش دشوار است. بنابراین، ما از مقدار مجموع LDD در دو ناحیه حساسیت بالا یا دو ناحیه حساسیت پایین برای تأیید عملکرد پیش‌بینی استفاده کردیم. نتایج نشان می‌دهد که هسته «گاوس و پلی» بهترین عملکرد را داشته است، به این ترتیب که مقدار LDD در دو منطقه حساسیت بالا (71/6) بالاترین و در دو ناحیه حساسیت پایین (82/0) کمترین بود.

6. نتیجه گیری

RVM یک مدل احتمال بیزی جدید است که هنگام تخمین عدم قطعیت های پیش بینی بهتر از SVM عمل می کند. با این حال، به ندرت در ارزیابی حساسیت زمین لغزش استفاده می شود. اثربخشی RVM در درجه اول به انتخاب پارامترهای هسته و کرنل بستگی دارد. این مقاله یک روش یادگیری چند هسته ای را بر اساس ترکیب خطی یک تابع گاوسی و یک تابع چند جمله ای برای حل مسئله انتخاب هسته پیشنهاد می کند. در ساختار چند هسته ای، سه پارامتر با استفاده از الگوریتم ابر تطبیقی PSO محاسبه شد. برای تأیید عملکرد پیش‌بینی روش چند هسته‌ای، ما مدل‌های RVM را در ناحیه تپه‌های پایین استان سیچوان چین اعمال کردیم.

پنج مدل RVM مورد استفاده برای تست های مقایسه در این مقاله ارائه شده است. نتایج نشان می‌دهد که هسته ناهمگن عملکرد بهتری (ER = 0.28؛ AUC = 0.7616؛ مجموع دو LDD ناحیه HS 6.71 و مجموع دو LDD ناحیه LS 0.82) نسبت به سایر انواع هسته داشت. این نتیجه عمدتاً به این دلیل رخ می دهد که ساختار چند هسته ای می تواند پارامترهای هسته خود را به طور تطبیقی تنظیم کند تا متناسب با منطقه مورد مطالعه خاص باشد. ترکیب هسته خطی کلاسیک نه تنها می تواند توانایی درونیابی یک تابع هسته محلی (تابع گاوسی) را حفظ کند، بلکه توانایی تعمیم یک تابع هسته جهانی (تابع چند جمله ای) را نیز یکپارچه می کند. به عنوان نتیجه نهایی، روش پیشنهادی دارای مهارت پیش‌بینی برتر و قابلیت اطمینان بالاتر برای نقشه‌برداری حساسیت زمین لغزش منطقه‌ای است.

منابع

پاول، جی. مفاهیم و دستورالعمل های مدیریت ریسک زمین لغزش. اوست ژئومک. 2000 ، 35 ، 49-92. [ Google Scholar ]
چن، XL; ران، اچ ال. Qi، SW عوامل محرک حساسیت زمین لغزش های ناشی از زلزله در زلزله 1976 Longling. Acta Sci. نات. دانشگاه Pekinensis 2009 ، 45 ، 104-110. (به زبان چینی) [ Google Scholar ]
پرادان، ب. تجلی یک مدل منطق فازی پیشرفته همراه با تکنیک‌های اطلاعات جغرافیایی برای نگاشت حساسیت زمین لغزش و مقایسه آنها با مدل‌سازی رگرسیون لجستیک. محیط زیست Ecol. آمار 2011 ، 18 ، 471-493. [ Google Scholar ] [ CrossRef ]
Wu، XL; نیو، RQ; رن، اف. پنگ، ال. نقشه‌برداری حساسیت زمین لغزش با استفاده از مجموعه‌های خشن و شبکه‌های عصبی پس انتشار در سه دره، چین. محیط زیست علوم زمین 2013 ، 70 ، 1307-1318. [ Google Scholar ] [ CrossRef ]
لینگ، پی. نیو، RQ; هوانگ، بی. Wu، XL; ژائو، YN; بله، نقشه‌برداری حساسیت زمین لغزش RQ بر اساس نظریه مجموعه‌های خشن و ماشین‌های بردار پشتیبان: موردی از منطقه سه دره، چین. ژئومورفولوژی 2014 ، 204 ، 287-301. [ Google Scholar ]
ملکیور، سی. ماتئوچی، ام. آزونی، آ. زنچی، ع. شبکه‌های عصبی مصنوعی و تحلیل خوشه‌ای در پهنه‌بندی حساسیت زمین لغزش. ژئومورفولوژی 2008 ، 94 ، 379-400. [ Google Scholar ] [ CrossRef ]
Wu، XL; رن، اف. ارزیابی حساسیت زمین لغزش نیو، RQ با استفاده از واحدهای نگاشت شی، درخت تصمیم، و مدل‌های ماشین بردار پشتیبان در سه دره چین. محیط زیست علوم زمین 2014 ، 71 ، 4725-4738. [ Google Scholar ] [ CrossRef ]
Isik، Y. مقایسه روش‌های نگاشت حساسیت زمین لغزش برای Koyulhisar، ترکیه: احتمال شرطی، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، و ماشین بردار پشتیبانی. محیط زیست علوم زمین 2010 ، 61 ، 832-836. [ Google Scholar ]
پورقاسمی، HR; جیرنده، AG; پرادان، بی. چونگ، XU؛ نقشه‌برداری حساسیت زمین لغزش با استفاده از ماشین بردار پشتیبان و GIS در استان گلستان، ایران. J. Earth Syst. علمی 2013 ، 122 ، 349-369. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
انعام، یادگیری بیزی پراکنده ME و ماشین بردار ارتباط. جی. ماخ. فرا گرفتن. Res. 2001 ، 1 ، 211-244. [ Google Scholar ]
Vapnik، VN ماهیت نظریه یادگیری آماری ، ویرایش دوم. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
خطا، AC; انعام، تحلیل ME از یادگیری پراکنده بیزی. در مجموعه مقالات پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی 14، ونکوور، BC، کانادا، 3 تا 8 دسامبر 2001.
لیو، ZB; شائو، جی اف. Xu، WY مقایسه تحلیل و پیش‌بینی جابجایی غیرخطی زمین لغزش با رویکردهای هوش محاسباتی. زمین لغزش 2014 ، 11 ، 889-896. [ Google Scholar ] [ CrossRef ]
Lin، YL; وانگ، ژ. Xia، KW; ارزیابی حساسیت زمین لغزش منطقه‌ای Li، ZG بر اساس ماشین بردار مربوط. J. Inf. محاسبه کنید. علمی 2015 ، 12 ، 6893-6903. [ Google Scholar ] [ CrossRef ]
نزدیک تر.؛ ویلسون، جی. گادر، P. یک رویکرد بیزی برای یادگیری چند هسته ای محلی با استفاده از ماشین بردار ارتباط. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور (IGARSS)، ونکوور، بریتیش کلمبیا، کانادا، 24 تا 29 ژوئیه 2011.
گونن، ام. Ethem، A. الگوریتم های یادگیری چندگانه هسته. جی. ماخ. فرا گرفتن. Res. 2011 ، 12 ، 2211-2268. [ Google Scholar ]
مهمت، جی. Ethem، A. الگوریتم های محلی سازی شده برای یادگیری چندین هسته. تشخیص الگو 2013 ، 46 ، 798-807. [ Google Scholar ]
وانگ، مقر; Sun، FC; Cai, YN در مورد روش های یادگیری هسته های متعدد. Acta Autom. گناه 2010 ، 36 ، 1037-1050. [ Google Scholar ] [ CrossRef ]
لی، دی ایکس؛ وانگ، جی. ژائو، XQ؛ لیو، ی. Wang، DW الگوریتم های یادگیری چند نمونه ای مبتنی بر هسته چندگانه برای طبقه بندی تصاویر. J. Vis. اشتراک. تصویر نشان می دهد. 2014 ، 25 ، 1112-1117. [ Google Scholar ] [ CrossRef ]
کندی، جی. ابرهارت، آر. بهینه سازی ازدحام ذرات. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد شبکه های عصبی، واشنگتن، دی سی، ایالات متحده، 27 نوامبر تا 1 دسامبر 1995.
شی، ی. ابرهارت، RC بهینه ساز ازدحام ذرات اصلاح شده. در مجموعه مقالات کنفرانس بین المللی IEEE در محاسبات تکاملی، انکوریج، AK، ایالات متحده آمریکا، 4 تا 9 مه 1998.
لیانگ، ایکس. لی، دبلیو. ژانگ، ی. ژو، ام. روش بهینه‌سازی ازدحام ذرات تطبیقی مبتنی بر خوشه‌بندی. محاسبات نرم. 2015 ، 19 ، 431-448. [ Google Scholar ] [ CrossRef ]
لی، جی. ژانگ، جی. جیانگ، سی. ژو، بهینه ساز ازدحام ذرات کامپوزیت MC با حافظه تاریخی برای بهینه سازی عملکرد. IEEE Trans. سایبرن. 2015 ، 45 ، 2350-2363. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، جی دی. هو، جی پی. تشخیص نفوذ Xia، KW با استفاده از دستگاه بردار ربط بر اساس بهینه‌سازی ازدحام ذرات ابری. تصمیمات کنترلی 2015 ، 30 ، 698-702. [ Google Scholar ]
لیو، QF; بو، HL; Qin، BK بهینه سازی شیر برقی عمل مستقیم بر اساس Cloud PSO. ان هسته انرژی 2013 ، 53 ، 299-308. [ Google Scholar ] [ CrossRef ]
دوان، کیو. ژائو، جی جی؛ Ma, Y. ماشین بردار مرتبط بر اساس بهینه‌سازی ازدحام ذرات هسته‌های ترکیبی در پیش‌بینی بار الکتریکی. برق ماخ کنترل 2010 ، 14 ، 33-38. (به زبان چینی) [ Google Scholar ]
فی، SW; سلام.؛ ما، XJ; Miao، YB یک مدل ترکیبی از RVM و PSO برای پیش‌بینی محتوای گازهای محلول در روغن ترانسفورماتور. پت اخیر برق برق مهندس 2013 ، 6 ، 183-189. [ Google Scholar ] [ CrossRef ]
فی، SW; او، Y. یک ماشین بردار ربط چند هسته ای با وزن اینرسی کاهنده غیرخطی PSO برای پیش بینی حالت تحمل. شوک ویب. 2015 ، 2015 ، 1-6. [ Google Scholar ] [ CrossRef ]
ژانگ، CL; او، YG; یوان، LF; دنگ، FM یک رویکرد جدید برای پیش آگهی خطا مدار آنالوگ بر اساس RVM بهبود یافته است. جی الکتر. تست. تئوری کاربردی 2014 ، 30 ، 343-356. [ Google Scholar ] [ CrossRef ]
آنتوان، اس. ایزابل، م. Van Wesmael، B. پیش‌بینی کربن آلی خاک با طیف‌سنجی تصویربرداری هوابرد: مقایسه اعتبار متقاطع و اعتبار. علم خاک Soc. صبح. J. 2012 ، 76 ، 2174-2183. [ Google Scholar ]
Fushik, T. برآورد خطای پیش‌بینی با استفاده از اعتبارسنجی متقاطع K-fold. آمار محاسبه کنید. 2011 ، 21 ، 137-146. [ Google Scholar ] [ CrossRef ]
Milos, M. مقایسه عملکرد مدل‌های مختلف حساسیت زمین لغزش در فضای ROC. در مجموعه مقالات علم و عمل زمین لغزش: فهرست زمین لغزش و حساسیت و منطقه بندی خطر، رم، ایتالیا، 3-9 اکتبر 2011.
بردلی، AP استفاده از ناحیه زیر منحنی ROC در ارزیابی الگوریتم‌های یادگیری ماشین. تشخیص الگو 1997 ، 30 ، 1145-1159. [ Google Scholar ] [ CrossRef ]
جان، م. Jha، VK; نقشه‌برداری پهنه‌بندی حساسیت زمین لغزش راوات، GS و اعتبار سنجی آن در بخشی از گرهوال هیمالایای کوچک هند، با استفاده از تحلیل رگرسیون لجستیک باینری و روش منحنی مشخصه عملکرد گیرنده. زمین لغزش 2009 ، 6 ، 17-26. [ Google Scholar ]
گوتز، JN; برنینگ، آ. پتچکو، اچ. لئوپولد، پی. ارزیابی تکنیک‌های یادگیری ماشین و پیش‌بینی آماری برای مدل‌سازی حساسیت زمین لغزش. محاسبه کنید. Geosci. 2015 ، 81 ، 1-11. [ Google Scholar ] [ CrossRef ]
فراتینی، پ. کروستا، جی. Carrara, A. تکنیک های ارزیابی عملکرد مدل های حساسیت زمین لغزش. مهندس جئول 2010 ، 111 ، 62-72. [ Google Scholar ] [ CrossRef ]
یو، SH بر روی ویژگی‌های مکانی-زمانی جریان گل و سنگ و لغزش زمین در حوضه سیچوان و علت هواشناسی آن تجزیه و تحلیل می‌کند. فلات Meteorol. 2003 ، 22 ، 83-89. (به زبان چینی) [ Google Scholar ]
تانگ، ایکس سی; Xie, SY کاوش در علل ژئوتکتونیکی برای تشکیل نظم توزیع لندفرم‌های بلای کوهی اطراف حوضه سیچوان. J. حفظ آب خاک. 1994 ، 8 ، 76-84. (به زبان چینی) [ Google Scholar ]
وانگ، ژ. Hu، ZW; لیو، CQ تجزیه و تحلیل حساسیت عوامل محیطی فاجعه باردار لغزش زمین در منطقه تپه ای در سیچوان بر اساس نظریه فراکتال ابعاد متغیر. محیط زمین. 2013 ، 41 ، 680-687. (به زبان چینی) [ Google Scholar ]
وانگ، ژ. Hu، ZW; ژائو، WJ; گونگ، HL؛ دنگ، JX تجزیه و تحلیل حساسیت عوامل محیطی باردار فاجعه زمین لغزش ناشی از بارش بر اساس مدل احتمال عامل قطعیت – در نظر گرفتن منطقه تپه ای در سیچوان به عنوان مثال. جی فاجعه. 2014 ، 29 ، 109-115. (به زبان چینی) [ Google Scholar ]
Zhang, SY اساس پیش بینی آب و هوا بلایای زمین شناسی ; مطبوعات هواشناسی چین: پکن، چین، 2009. (به زبان چینی) [ Google Scholar ]
Huang, Q. در مورد جلوگیری از لغزش در کوه های کم ارتفاع و تپه های کشور در استان جیانگشی. جی. جیانگشی هنجار. دانشگاه 1992 ، 2 ، 161-166. (به زبان چینی) [ Google Scholar ]

شکل 1. نقشه پراکندگی تپه ها در سیچوان.

شکل 2. منحنی های تکرار شونده تابع هسته خطی کلاسیک. CPSO، Cloud PSO.

شکل 3. نقشه هشت عامل مستعد زمین لغزش. ( الف ) شیب; ( ب ) ارتفاع؛ ( ج ) تسکین؛ ( D ) NDVI; ( E ) رودخانه ها; ( F ) جاده ها؛ ( G ) سنگ شناسی; ( H ) خطاها.

شکل 4. نقشه پراکندگی زمین لغزش و غیر لغزش.

شکل 5. نقشه های حساسیت به زمین لغزش منطقه تپه ای در سیچوان. ( الف ) نقشه حساسیت به زمین لغزش (LSM) توسط گاوسیان. ( B ) LSM توسط چند جمله ای. ( C ) LSM توسط گاوسی و چند جمله ای. ( D ) LSM توسط Gaussian and Gaussian; ( E ) LSM توسط چند جمله ای و چند جمله ای. RVM، ماشین بردار مربوط.

شکل 6. منحنی های ROC برای آنالیزهای مختلف نوع هسته.

شکل 7. نمودارهای نسبت فراوانی برای پنج ناحیه حساس به زمین لغزش.

جدول 1. سیستم عامل ارزیابی برای زمین لغزش در تپه های استان سیچوان.

جدول 2. پارامترهای هسته و ضریب وزن بهینه شده با استفاده از الگوریتم PSO. چند جمله ای.

جدول 3. تراکم نقطه لغزش پنج منطقه حساس به زمین لغزش. LDD، چگالی نقطه لغزش.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب