【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（四）-CSDN博客

本文链接：https://blog.csdn.net/2401_89898861/article/details/147196122

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（四）

文章目录

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（四）
- 3. 人工智能技术在滑坡风险评估中的方法学实践
- - 3.2 滑坡易发性评估

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146638463

2024·Rock Mechanics Bulletin·https://doi.org/10.1016/j.rockmb.2024.100144

3. 人工智能技术在滑坡风险评估中的方法学实践

3.2 滑坡易发性评估

3.2.1 机器学习在滑坡易发性评估中的应用

2012年，Akgun等基于专家知识体系构建Mamdani模糊算法（Mamdani Fuzzy Algorithm），成功实现锡诺普市滑坡易发性区划，其AUC值达0.855，表明模型具有优良的拟合优度（Akgun et al., 2012）。
同年，Althuwaynee等（2012）验证证据置信函数（Evidential Belief Functions）在LSM中的有效性；
Tien Bui等（2012a）通过自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）开展LSM研究，证实其精度可满足工程需求。
2013年，Kayastha等（2013）将层次分析法（Analytical Hierarchy Process, AHP）引入LSM，其分析结果与历史滑坡分布具有良好一致性，该结论后续获多项研究验证（Chang et al., 2023; Dou et al., 2019; Nath et al., 2024; Zhou et al., 2023）。

上述研究表明，证据置信函数、模糊模型及层次分析法在LSM应用中均表现出显著优势。

为确定LSM最优模型，多数研究聚焦于不同模型的性能对比。

2012年，Tien Bui等（2012b）对比证据置信函数与模糊逻辑模型（Fuzzy Logic
Models），发现二者虽均能有效完成LSM，但证据置信函数具有更高精度。
Pourghasemi等（2012a,b）研究表明，模糊逻辑模型在LSM中性能优于层次分析法。综合而言，上述三类模型中证据置信函数的预测能力最优。
此外，学者还探索了熵指数（Index of Entropy）、条件概率模型（Conditional Probability Models）、频率比（Frequency Ratio）、证据权重（Weights of Evidence）、确定性因子（Certainty Factor）等统计模型的应用（Devkota et al., 2013; Ozdemir, 2013; Pourghasemi et al., 2012a,b; Regmi et al., 2014），结果显示各模型在LSM中均表现良好且精度相近。

部分研究通过机器学习模型与统计模型的对比实验，证实机器学习方法具有更优性能（Akgun, 2012; Ali et al., 2021; Felicísimo et al., 2013; Goetz et al., 2015; Huang et al., 2020; Pradhan, 2013）。因此，机器学习模型已成为LSM研究的主流方向，诸多学者通过不同ML模型间的对比遴选最优框架。如图14所示，阿尔及利亚地区采用不同ML模型生成的滑坡易发性区划图显示：支持向量机（Support Vector Machine, SVM）、逻辑回归（Logistic Regression, LR）、朴素贝叶斯（Naive Bayes, NB）、随机森林（Random Forest, RF）等模型性能存在差异。研究表明，尽管上述ML模型均能有效实现LSM，但SVM、LR及RF在输出精度与稳定性方面更具优势（Chen et al., 2017; Guo et al., 2021; Pradhan, 2013; Tsangaratos and Ilia, 2016; Youssef et al., 2016; Youssef and Pourghasemi, 2021）。

在这里插入图片描述

3.2.2 深度学习在滑坡易发性评估中的应用

深度学习（Deep Learning, DL）在滑坡易发性区划制图（LSM）中的应用日益广泛。

2014年，Conforti等（2014）采用人工神经网络（Artificial Neural Network, ANN）对意大利南部Turbolo河流域进行LSM研究，结果表明模型输出结果具有较高可靠性，初步验证了神经网络模型在LSM中的有效性。
Dou等（2020）在越南Muong Lay地区的案例研究中应用DL模型，其LSM结果在测试集上表现出良好拟合性能。

部分研究聚焦于DL与ML模型的性能对比。

2020年，Bui等（2020）对比DL模型与支持向量机（SVM）、决策树（DT）、随机森林（RF）等传统ML模型的LSM精度，结果表明DL模型的精度较ML模型提升3%~7%。
2021年，Mandal等（2021）通过卷积神经网络（CNN）与随机森林、装袋法（Bagging）等ML模型的对比实验，证实CNN具有更高的预测精度。

综上，DL模型相较于传统ML模型表现出更优性能（即具有更高LSM精度）（Jiang et al., 2023）。

此外，不同DL模型间的对比研究亦逐渐展开（Ge et al., 2023; Kim and Lee, 2024）。
当前LSM领域主要采用的两类DL框架为卷积神经网络（CNN）与循环神经网络（RNN）（Fan and Hua, 2009; Wang et al., 2020a,b; Yi et al., 2020; Mandal et al., 2021; Jiang et al., 2023）。

3.2.3 混合模型在滑坡易发性评估中的应用

除单一模型外，诸多研究通过混合模型（Hybrid Model, HM）优化滑坡易发性区划制图（LSM）。

多项研究验证了HM的优越性（Pourghasemi et al., 2012; Chen et al., 2017; Goetz et al., 2015; Trinh et al., 2023; Youssef et al., 2016; Liu et al., 2024a; Yang et al., 2024a）。
2014年，Althuwaynee等（2014）将证据置信函数与层次分析法融合构建新型模型，其LSM性能显著优于单一逻辑回归（Logistic Regression, LR）模型。
2020年，Wang等（2020a）对比HM（集成支持向量机、人工神经网络及梯度提升决策树的混合框架）与单一ML模型，结果显示HM的AUC值较ML模型提升0.11–0.35。
Wang等（2020b）基于日本某山区流域数据，采用装袋法（Bagging）、提升法（Boosting）及堆叠法（Stacking）集成SVM模型，显著提升了滑坡评估精度，证实HM的优越性。
Di Napoli等（2020）指出，多模型融合可生成鲁棒性更强、稳定性更高的LSM结果。
此外，不同HM间的对比研究表明，其精度仍存在显著差异（Balogun et al., 2021; Chen et al., 2019, 2016; Nguyen et al., 2019; Tien Bui et al., 2019）。

下节请参考：【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（五）