本技术涉及坡危险性评价技术领域,尤其涉及基于集成深度学习重现期降雨下的滑坡危险性评价方法,包括采集滑坡易发性评价因子数据,并进行预处理和频率比分级系数划分;构建Stacking集成算法,利用滑坡易发性评价因子对Stacking集成算法进行训练,利用易发性指数对Stacking集成算法进行验证;利用皮尔逊Ⅲ概率分布计算给定重现期的年最大日降雨量,并构建不同重现期下日降雨量分布图;将滑坡易发性评价因子中的年平均降雨量替换为给定重现期的年最大日降雨量,并对训练好的Stacking集成算法进行预测,输出滑坡危险性评价指数。本发明解决现有技术中缺少滑坡危险性评价体系的问题。
背景技术
滑坡危险性是指在特定条件下,某一地区发生滑坡的可能性及其可能带来的风险;滑坡危险性受多种因素的综合影响,包括地质、地形、气候、人类活动、植被等;通过科学的评估方法,可以有效地识别和预测滑坡风险,从而采取相应的预防和管理措施,减少滑坡带来的灾害损失。
机器学习算法应用在滑坡灾害易发性评估时易受数据异常值、特征变量之间相关性的影响,从而造成欠拟合结果;因此,如何有效地将机器学习模型与集成学习算法结合在一起,并应用于滑坡易发性评估仍是一个值得关注的问题。
公开号为CN116756700A专利和公开号为CN116522286A专利,主要应用于滑坡位移预测,无法应用于滑坡危险性评价;目前,对不同机器学习模型间的对比研究比较丰富,但对集成模型与作为基学习器的深度学习模型之间的对比分析较少;同时,目前大多数危险性评价采用危险性指标直接训练模型,可能无法真实反映可靠的危险性评价结果。
实现思路