来源：期刊VIP网 时间：
作者：田密;熊自民;李丽华;
单位：湖北工业大学土木建筑与环境学院;生态环境岩土与河湖生态修复学科引智创新示范基地;
摘要：以汶川震区泥石流危险范围预测为例，首先采用4种机器学习算法（反向传播神经网络（back propagation neural network, BPNN）、支持向量机(support vector machine, SVM)、随机森林(random forest, RF)以及多元自适应回归样条（multivariate adaptive regression splines, MARS））获取泥石流最大冲出距离的确定性预测结果；然后基于贝叶斯模型平均（Bayesian model averaging, BMA）方法提出一种融合多机器学习算法的集合概率预测方法，给出泥石流最大冲出距离的预测区间以表征其预测不确定性；最后对比单个机器学习算法与集合概率预测方法的预测精度。结果表明：相比于单个机器学习算法，多机器学习融合后研究区泥石流最大冲出距离预测的均方根误差和平均绝对误差有所降低，不确定性区间的优良性指标PB取值范围由1.96～3.22提升至2.06～3.43。基于SVM与MARS的集合模型为研究区最优集合概率模型，其预测的泥石流最大冲出距离更接近于真实值，且相对误差绝对值小于最优单个机器学习算法(MARS)预测结果的相对误差绝对值。总体而言，所提集合概率方法不仅能提供精度更高的确定性预测结果，而且能给出优良性较好的不确定性预测区间。
关键词：泥石流;;危险范围;;机器学习;;贝叶斯模型平均;;预测不确定性
基金资助：国家自然科学基金项目（编号：52009037）;; 湖北省自然科学基金项目（编号：2024AFB796;2020CFB291）;; 武汉市知识创新专项项目（编号：2022020801020268）
