来源：期刊VIP网 时间：
作者：周武召;徐峰;孔润;张高鹏;苗超杰;
单位：重庆渝湘复线高速公路有限公司;招商局重庆交通科研设计院有限公司;重庆交通大学土木学院;
摘要：滑坡易发性建模中的非滑坡样本是未经过实地核查和验证的未标记数据，这为滑坡易发性的空间预测带来挑战，并且常规的机器学习模型难以处理和充分提取滑坡数据中的隐藏信息。为了解决这些问题，文章首先根据云安区概况选择10个滑坡影响因子，根据实地采集的滑坡数据，利用Bagging PU-learning进行非滑坡样本的选择；然后，将滑坡和非滑坡样本按7∶3的比例划分为训练集和测试集；最后，使用Stacking集成策略融合RF、GBDT和PLS模型开展云安区滑坡易发性的评价。结果表明，在滑坡样本有限和非滑坡样本未经实地核查的条件下，BPL方法有效提升了非滑坡样本的建模质量。Stacking集成策略的预测精度最好，其总体精度在样本随机选择方法中比RF、GBDT和PLS高出1.264～10.643个百分点，在Bagging PU-learning方法中比RF、GBDT和PLS高出2.221～7.826个百分点。
关键词：滑坡;;易发性评价;;样本选择;;集成学习;;云安区
基金资助：国家自然科学基金(52078089)
