来源：期刊VIP网 时间：
作者：张萌萌;李少达;王潇;李欣玥;戴可人;
单位：成都理工大学地球与行星科学学院;成都大学建筑与土木工程学院;印度马轩德拉世界联合学院;成都理工大学地质灾害防治与地质环境保护国家重点实验室;
摘要：目的 为了在有限样本下提升机器学习模型挖掘数据特征的能力，提高模型预测精度，方法 选取四川省雅砻江和大渡河中下游省级水土流失重点预防区九龙县、康定市、泸定县和木里县为研究区，选择12个影响因子构建滑坡易发性评价指标体系，使用确定性系数（certainty factor,CF）量化评价指标，对比逻辑回归（logistic regression,LR）和支持向量机（support vector machine,SVM）模型，在表现最优的模型上添加降噪自编码器（denoising autoencoder,DAE）和卷积自编码器（convolutional auto-encoders,CAE），并对比各模型所提取数据的特征。结果 结果表明：CF-SVM模型的精确率（P）,F-measure、Kappa系数，总准确度（overall accuracy,OA）和ROC曲线下与坐标轴围成的面积（area under curve,AUC）相较于CF-LR模型的分别提高了31.9%,1.1%,17.1%,8.5%,8.6%；添加DAE编码器后，CF-SVM-DAE模型的召回率（R）,Fmeasure,Kappa系数和总准确度（OA）相比于CF-SVM模型的分别提高了8.1%,5.8%,8.1%,4%；添加CAE编码器后，CF-SVM-CAE模型的召回率（R）,F-measure,Kappa系数和总准确度（OA）相比于CF-SVM模型的分别提高了0.4%,0.2%,0.2%,0.1%。结论 选用的机器学习方法中，CF-SVM模型预测精度更高。在CF-SVM模型基础上添加DAE编码器比添加CAE编码器鲁棒性更好，因此，CF-SVM-DAE模型在所有模型中表现最好，更适合滑坡易发性评价。
关键词：滑坡;;易发性建模;;LR;;SVM;;编码器
基金资助：国家自然科学基金资助项目（41801391）
