地质灾害易发性评价对防灾减灾至关重要,但镇域常因样本稀缺导致评价因子权重难以确定。以陕西省安康市镇坪县城关镇(目标域)为例,提出基于迁移学习的地质灾害易发性预测模型。采用TrAdaBoost算法,将镇坪县全域数据(源域)与城关镇数据结...地质灾害易发性评价对防灾减灾至关重要,但镇域常因样本稀缺导致评价因子权重难以确定。以陕西省安康市镇坪县城关镇(目标域)为例,提出基于迁移学习的地质灾害易发性预测模型。采用TrAdaBoost算法,将镇坪县全域数据(源域)与城关镇数据结合,以CatBoost为基准学习器构建TrAdaBoost-CatBoost模型,实现知识迁移。结果表明:迁移策略显著提升了目标域性能,TrAdaBoost-CatBoost模型受试者工作特征曲线(receiver operating characteristic curve,ROC)下面积(area under the curve,AUC)达0.96,较仅用城关镇数据的CatBoost模型ROC曲线AUC(0.94)提升了0.02;与传统模型对比,TrAdaBoost-CatBoost模型ROC曲线AUC显著优于支持向量机(support vector machine,SVM)模型ROC曲线AUC(0.92)和随机森林(random forest,RF)模型ROC曲线AUC(0.93),分别高出0.04和0.03;迁移框架具普适性,TrAdaBoost-SVM模型ROC曲线AUC为0.94(较SVM模型ROC曲线AUC提升了0.02),TrAdaBoost-RF模型ROC曲线AUC为0.95(较RF模型的AUC提升了0.02),两者性能均得到提升,但TrAdaBoost-CatBoost模型(AUC=0.96)仍保持最优。该模型为小样本区域地质灾害评价提供了高精度解决方案,验证了迁移学习在数据稀缺场景的有效性,对类似区域灾害风险防控具有实际参考意义。展开更多
文摘地质灾害易发性评价对防灾减灾至关重要,但镇域常因样本稀缺导致评价因子权重难以确定。以陕西省安康市镇坪县城关镇(目标域)为例,提出基于迁移学习的地质灾害易发性预测模型。采用TrAdaBoost算法,将镇坪县全域数据(源域)与城关镇数据结合,以CatBoost为基准学习器构建TrAdaBoost-CatBoost模型,实现知识迁移。结果表明:迁移策略显著提升了目标域性能,TrAdaBoost-CatBoost模型受试者工作特征曲线(receiver operating characteristic curve,ROC)下面积(area under the curve,AUC)达0.96,较仅用城关镇数据的CatBoost模型ROC曲线AUC(0.94)提升了0.02;与传统模型对比,TrAdaBoost-CatBoost模型ROC曲线AUC显著优于支持向量机(support vector machine,SVM)模型ROC曲线AUC(0.92)和随机森林(random forest,RF)模型ROC曲线AUC(0.93),分别高出0.04和0.03;迁移框架具普适性,TrAdaBoost-SVM模型ROC曲线AUC为0.94(较SVM模型ROC曲线AUC提升了0.02),TrAdaBoost-RF模型ROC曲线AUC为0.95(较RF模型的AUC提升了0.02),两者性能均得到提升,但TrAdaBoost-CatBoost模型(AUC=0.96)仍保持最优。该模型为小样本区域地质灾害评价提供了高精度解决方案,验证了迁移学习在数据稀缺场景的有效性,对类似区域灾害风险防控具有实际参考意义。
