基于支持向量机的滑坡易发性评估方法及工具技术

本发明专利技术提供了一种基于支持向量机的滑坡易发性评估方法及工具，通过数据采集、数据预处理、数据集生成、特征选择、模型训练和易发性图预测这几个过程，预测得到待预测区域的滑坡易发性指数，并生成研究区的滑坡易发性图进行后续分析。本发明专利技术包含整个易发性制图的流程，减少了跨平台操作的麻烦；同时相比于现有技术基于滑动窗口的易发性预测过程较耗时的方案，本工具提供一种多进程快速预测的基于支持向量机的滑坡易发性评估工具，充分提高滑坡易发性图的制作效率。性图的制作效率。性图的制作效率。

【技术实现步骤摘要】
基于支持向量机的滑坡易发性评估方法及工具


[0001]本专利技术属于滑坡灾害评估领域，具体涉及一种基于支持向量机的滑坡易发性评估方法及工具。

技术介绍

[0002]滑坡易发性评价是综合分析研究区内的各种地质环境因素、历史滑坡数据、滑坡的物理规律等要素，确定研究区内未来发生滑坡的概率。近年来，滑坡易发性制图工作已经引起了很多学者的关注，各类基于此的文章被发表。生成滑坡易发性图的方法主要有基于专家经验的经验模型、基于数据驱动的统计模型和机器学习模型。与传统方法相比，机器学习模型不依赖专家经验，降低了评价结果的主观性，准确性高。随着地理信息系统(GIS)软件以及开源机器学习库的发展，机器学习方法越来越受欢迎，与其他机器学习算法相比，支持向量机(SVM)方法因其在解决小样本、非线性和高维的分类问题上具有一定优势，在计算滑坡易发性方面得到了广泛应用。
[0003]使用SVM开展滑坡易发性评估虽然准确性高，但过程较复杂，涉及数据预处理、影响因子筛选、数据集制作、模型训练及预测等多个步骤，通常使用SVM开展滑坡易发性制图工作时，研究人员需要跨多个平台开展工作，如坡度、坡向等基于数字高程模型(DEM)制作的地形因子，依靠ArcGIS或QGIS等平台；模型训练及参数优化通常使用Python、R或Matlab等已经被广泛使用的编程语言；此外，大多数研究中使用Excel、SPSS软件或编程语言进行模型精度评定及统计分析。
[0004]目前，部分文献提出并应用了几种工具来评估滑坡易发性。Osna et al.(2014)等人开发了一个利用Mamdani模糊推理系统(FIS)绘制滑坡易发性图的独立应用程序(GeoFIS)。Sezer et al.(2017)等人为Netcad架构软件开发了一个基于专家经验的LSM模块。Jebur et al.(2015)等人基于ArcGIS创建了一个基于双变量统计分析(BSA)的滑坡易发性制图工具箱。Zhang et al.(2020)等人提供了一种基于优化的频率比(FR)法的滑坡易发性评估工具，该工具基于ArcGIS平台。Torizin et al.(2022)等人提供了一种Python编写的独立滑坡易发性评估应用程序——Project Manager Suite(LSAT PM)。Bragagnolo et al.(2020)等人了开发了一个基于开源地理信息系统(GIS)GRASS软件的一个免费开源插件r.landslide来基于人工神经网络生成滑坡易发性图。Sahin et al.(2020)等人基于R与ArcGIS软件的集成了一个基于逻辑回归和随机森林的滑坡易发性评价工具包(LSM tool Pack)。
[0005]现有工具箱大多是基于专家经验的模型或统计模型，如证据权法、频率比法等。这种方法原理简单，易于实施，但精度较差。此外，某些工具在使用过程中所需参数量较大，给使用者带来一些不必要的麻烦，且某些因子或机器学习参数的选取需要一定程度的专业知识，因此，这些工具对用户并不友好。
[0006]此外，大多数滑坡易发性评估工作过程较复杂，涉及数据预处理、影响因子筛选、数据集制作、模型训练及预测等多个步骤，研究人员通常需要跨多个平台开展工作，跨平台
操作较为麻烦。

技术实现思路

[0007]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于支持向量机的滑坡易发性评估方法及工具。本专利技术要解决的技术问题通过以下技术方案实现：
[0008]第一方面，本专利技术提供的一种基于支持向量机的滑坡易发性评估方法包括：
[0009]获取覆盖待预测区域的历史地形地质数据；
[0010]其中，所述历史地形地质数据包括滑坡的各项影响因子以及滑坡点数据；
[0011]对历史地形地质数据以数据转换的形式进行预处理；
[0012]在预处理之后的历史地形地质数据中裁剪出待预测区域的目标地形地质数据；
[0013]将同一位置点的目标地形地质数据在通道方向叠加，形成多通道的三维待预测影像；其中，每个通道对应一个影响因子；
[0014]根据待预测区域的滑坡点数据，在所述待预测影像中确定各个滑坡点所在范围内的第一多通道子影像以及各个非滑坡点所在范围内的第二多通道子影像；
[0015]按照预设比例从第一多通道子影像和第二多通道子影像中选取样本，组成训练集和测试集；
[0016]针对每个样本，计算该样本各个通道之间的皮尔逊相关系数以及各个通道因子对滑坡发生的信息增益比；
[0017]根据皮尔逊相关系数以及信息增益比，去除训练集、测试集以及待预测影像中不符合条件的通道对应的影响因子，获得更新后的训练集、测试集以及待预测影像；
[0018]在不同参数下迭代使用训练集训练SVM模型，并使用测试集对SVM模型精度进行测试根据评价指标得到训练完成后的最优SVM模型；
[0019]使用训练完成后的最优SVM模型对更新后的待预测影像逐窗口进行预测，生成待预测区域的易发性图。
[0020]第二方面，本专利技术提供的一种基于支持向量机的滑坡易发性评估工具包括：
[0021]影响因子制作子工具箱，被配置为：
[0022]获取覆盖待预测区域的历史地形地质数据；
[0023]其中，所述历史地形地质数据包括滑坡的各项影响因子以及滑坡点数据；
[0024]对历史地形地质数据以数据转换的形式进行预处理；
[0025]在预处理之后的历史地形地质数据中裁剪出待预测区域的目标地形地质数据；
[0026]模型训练及预测子工具箱，被配置为：
[0027]将同一位置点的目标地形地质数据在通道方向叠加，形成多通道的三维待预测影像；其中，每个通道对应一个影响因子；
[0028]数据集制作与因子筛选子工具箱，被配置为：
[0029]根据待预测区域的滑坡点数据，在所述待预测影像中确定各个滑坡点所在范围内的第一多通道子影像以及各个非滑坡点所在范围内的第二多通道子影像；
[0030]按照预设比例从第一多通道子影像和第二多通道子影像中选取样本，组成训练集和测试集；
[0031]针对每个样本，计算该样本各个通道之间的皮尔逊相关系数以及各个通道因子对
滑坡发生的信息增益比；
[0032]根据皮尔逊相关系数以及信息增益比，去除训练集、测试集以及待预测影像中不符合条件的通道对应的影响因子，获得更新后的训练集、测试集以及待预测影像；
[0033]模型训练及预测子工具箱，被配置为：
[0034]在不同参数下迭代使用训练集训练SVM模型，并使用测试集对SVM模型精度进行测试根据评价指标得到训练完成后的最优SVM模型；
[0035]使用训练完成后的最优SVM模型对更新后的待预测影像逐窗口进行预测，生成待预测区域的易发性图。
[0036]本专利技术提供的一种基于支持向量机的滑坡易发性评估方法及工具，通过数据采集、数据预处理、数据集生成、特征选择、模型训练和易发性图预测这几个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的滑坡易发性评估方法，其特征在于，包括：获取覆盖待预测区域的历史地形地质数据；其中，所述历史地形地质数据包括滑坡的各项影响因子以及滑坡点数据；对历史地形地质数据以数据转换的形式进行预处理；在预处理之后的历史地形地质数据中裁剪出待预测区域的目标地形地质数据；将同一位置点的目标地形地质数据在通道方向叠加，形成多通道的三维待预测影像；其中，每个通道对应一个影响因子；根据待预测区域的滑坡点数据，在所述待预测影像中确定各个滑坡点所在范围内的第一多通道子影像以及各个非滑坡点所在范围内的第二多通道子影像；按照预设比例从第一多通道子影像和第二多通道子影像中选取样本，组成训练集和测试集；针对每个样本，计算该样本各个通道之间的皮尔逊相关系数以及各个通道因子对滑坡发生的信息增益比；根据皮尔逊相关系数以及信息增益比，去除训练集、测试集以及待预测影像中不符合条件的通道对应的影响因子，获得更新后的训练集、测试集以及待预测影像；在不同参数下迭代使用训练集训练SVM模型，并使用测试集对SVM模型精度进行测试根据评价指标得到训练完成后的最优SVM模型；使用训练完成后的最优SVM模型对更新后的待预测影像逐窗口进行预测，生成待预测区域的易发性图。2.根据权利要求1所述的基于支持向量机的滑坡易发性评估方法，其特征在于，所述历史地形地质数据包括：历史滑坡点数据、高程DEM、道路、断层、水系、降雨量、岩性和归一化植被指数NDVI数据；所述道路、断层以及水系数据为线性矢量数据。3.根据权利要求2所述的基于支持向量机的滑坡易发性评估方法，其特征在于，所述对历史地形地质数据以数据转换的形式进行预处理包括：利用DEM数据，计算待预测区域的地形因子；计算待预测区与各个线性矢量数据之间的欧式距离，以将矢量数据转化为连续型栅格数据；将降雨量数据通过存储格式转化，转化为连续型栅格数据，以完成历史地形地质数据的预处理。4.根据权利要求1所述的基于支持向量机的滑坡易发性评估方法，其特征在于，所述根据待预测区域的滑坡点数据，在所述待预测影像中确定各个滑坡点所在范围内的第一多通道子影像以及各个非滑坡点所在范围内的第二多通道子影像包括：根据待预测区域的滑坡点数据，确定各个滑坡点位置；以每个滑坡点为中心点，以预设的半径确定每个滑坡点的圆形缓冲区；在每个滑坡点的圆形缓冲区之外且位于待预测区域内，随机选取与滑坡点数量相同的非滑坡点；以与滑坡点的圆形缓冲区相同的半径为每个非滑坡点制作圆形缓冲区；求取每个圆形缓冲区的最小外接矩形，得到滑坡点的第一外接矩形和非滑坡点的第二外接矩形；
每个滑坡点的第一外接矩形以及每一个非滑坡点的第二外接矩形在待预测影像对应位置处进行裁剪，得到滑坡点对应的第一多通道子影像以及非滑坡点对应的第二多通道子影像。5.根据权利要求4所述的基于支持向量机的滑坡易发性评估方法，其特征在于，所述按照预设比例从第一多通道子影像和第二多通道子影像选取样本组成训练集和测试集包括：将第一多通道子影像作为正样本，并将第二多通道子影像作为负样本；按照预设的正样本与负样本的比例，选择正样本以及负样本组成测试集和训练集；将训练集以及测试集进行存储；以文本记录训练集以及测试集的存储信息，并进行保存；其中，文本中记载训练集以及测试集中每个样本的存储路径以及区分样本为滑坡点对应的样本还是非滑坡点对应的样本的标签。6.根据权利要求1所述的基于支持向量机的滑坡易发性评估方法，其特征在于，所述根据皮尔逊相关系数以及信息增益比，去除训练集、...

【专利技术属性】
技术研发人员：丁明涛，李振洪，黄武彪，
申请(专利权)人：长安大学，
类型：发明
国别省市：