针对传统滑坡易发性预测方法主要依赖统一的降雨量阈值,忽视不同区域因地形、土壤和植被等环境因素差异导致的降雨响应问题,该文提出了一种提高预测准确性和实时性的解决方案。采用K-Means聚类方法,根据地形、土壤和植被等环境因素,将...针对传统滑坡易发性预测方法主要依赖统一的降雨量阈值,忽视不同区域因地形、土壤和植被等环境因素差异导致的降雨响应问题,该文提出了一种提高预测准确性和实时性的解决方案。采用K-Means聚类方法,根据地形、土壤和植被等环境因素,将研究区域划分为若干具有相似特征的子区域,为每个子区域拟合基于实时数据的降雨量阈值,提升阈值的局部适应性和针对性。将分区的实时降雨量阈值与自适应神经树模型(adaptive neural tree,ANT)集成,使ANT模型适应各分区的特定环境条件,并根据累计降雨量与滑坡发生率的关系自动调整预测阈值。以中缅油气管道贵州段为例,将整体阈值和基于K-Means聚类得到的分区实时降雨量阈值分别应用于ANT模型。结果显示,采用聚类分区实时降雨量阈值的ANT模型在精确度、召回率、F1分数和受试者工作特征曲线下面积(receiver operating characteristic area under curve,ROC AUC)值等关键性能指标上均优于仅使用整体阈值的模型。研究表明,基于K-Means聚类的实时降雨量阈值分区方法与ANT模型的集成,能够显著提高滑坡易发性预测的准确率,实现滑坡风险的实时评估。展开更多
文摘针对传统滑坡易发性预测方法主要依赖统一的降雨量阈值,忽视不同区域因地形、土壤和植被等环境因素差异导致的降雨响应问题,该文提出了一种提高预测准确性和实时性的解决方案。采用K-Means聚类方法,根据地形、土壤和植被等环境因素,将研究区域划分为若干具有相似特征的子区域,为每个子区域拟合基于实时数据的降雨量阈值,提升阈值的局部适应性和针对性。将分区的实时降雨量阈值与自适应神经树模型(adaptive neural tree,ANT)集成,使ANT模型适应各分区的特定环境条件,并根据累计降雨量与滑坡发生率的关系自动调整预测阈值。以中缅油气管道贵州段为例,将整体阈值和基于K-Means聚类得到的分区实时降雨量阈值分别应用于ANT模型。结果显示,采用聚类分区实时降雨量阈值的ANT模型在精确度、召回率、F1分数和受试者工作特征曲线下面积(receiver operating characteristic area under curve,ROC AUC)值等关键性能指标上均优于仅使用整体阈值的模型。研究表明,基于K-Means聚类的实时降雨量阈值分区方法与ANT模型的集成,能够显著提高滑坡易发性预测的准确率,实现滑坡风险的实时评估。
