(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211161265.0 (22)申请日 2022.09.22 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 肖桂荣　周侯伯　尹玉环　林炫歆　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈明鑫　蔡学俊 (51)Int.Cl. G06Q 50/26(2012.01) G06N 20/00(2019.01) G06N 3/12(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) (54)发明名称 基于特征筛选与差分进化算法优化的滑坡 危险性评估方法 (57)摘要 本发明涉及一种基于特征筛选与差分进化 算法优化的滑坡危险性评估 方法。 在构建因子敏 感性指数开展定量敏感性分析的基础上， 结合重 要性分析、 相关性分析、 共线性分析构建四维特 征筛选法用于评估因子综合优选； 为克服模型难 以调优的问题， 引入差分进化算法优化支持向量 机与多层感知机两种推广能力较强的机器学习 模型。 案例评估结果表明： 四维特征筛选法能更 加客观全面地选取适宜性更高的危险性评估因 子， 从而降低数据维度、 减少信息冗余以提升评 估模型性能； 差分进化算法对支持向量机与多层 感知机具有显著的优化效果， 有益于增强模型滑 坡危险性的评估准确度。 本发明对滑坡风险评估 中的影响因子客观选取与机器学习模型调优具 有重要意 义。 权利要求书2页 说明书14页 附图1页 CN 115482138 A 2022.12.16 CN 115482138 A 1.一种基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 包括 如下步骤： 步骤S1、 滑坡背景分析与评估因子初选： (1)区域灾情背景分析； (2)初步选取待筛选的区域灾情影响因子； (3)影响因子数据获 取与空间一 致性处理； (4)区域 灾情危险性评估因子空间数据库构建； 步骤S2、 用于 评估因子优选的四维特 征筛选法构建： (1)各初选影响因子的状态分级与确定系数计算； (2)初选影响因子的敏感性指数构建 敏感性分析； (3)基于bagging策略与b oosting策略集成算法的初选影响因子重要性分析； (4)各初选影响因子的相关性分析； (5)各初选影响因子的共线性分析； (6)危险性评估因子 综合优选； 步骤S3、 基于 差分进化 算法优化的滑坡危险性评估： (1)滑坡危险性评估因子归一化； (2)基于无监督聚类的非滑坡样本提取； (3)基于DE算 法的主要超参数全局搜索优化； (4)滑坡危险性评估模型构建； (5)区域滑坡归一化危险性 指数计算； (6)区域滑坡危险性制图。 2.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S1的第(2)步中区域灾情影响因子包括地理影响因子、 地质影响因子、 社 会影响因子三大类影响因素； 其中， 地理影响因子包括微观地形因子、 宏观地形因子、 水文 环境因子、 自然地理因子， 地质影响因子包括岩性、 断裂； 社会影响因子包括土地利用类型、 道路。 3.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S2的第(2)步中初选影响因子的敏感性指数构建敏感性分析， 即用因子的 敏感性指数从整体上反应某一种评估因子对灾害发生的影响程度， 计算方法如下： FSIi＝DC(i， max)‑DC(i， min) 式中： i表示第i个评估因子； FSIi表示第i个评估因子的敏感性指数； DC(i， max)表示第i个 评估因子各状态 分级中确定系数的最大值； DC(i， min)表示第i个评估因子各状态分级中确定 系数的最小值； 此外， 计算中还引入判断阈值 μ， 当FSIi＞ μ时， 认为评估因子i对滑坡发生具有较强的影 响作用； 因子的敏感性指数是基于状态分级结果分别计算各因子各个状态分级的频率比系数、 信息量指数、 确定性系数， 取三类确定系数的平均值作为各个因子最终的敏感性指数。 4.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S2的第(3)步中， 基于bagging策略与b oosting策略集成算法的初选影响 因子重要性分析， 即： 采用具备bagging集成策略的随机森 林与具备boosting集 成策略的梯 度提升树共同开展因子重要性分析； 根据分类正确 率对特征重要性表征值进行加权计算， 获得各个因子的复合重要性特征值； 设定一特征重要性的判断阈值d用于剔除对模型贡献 过小的因子； 令d＝1/2n， n为评估因子个数， 当表征值>d时， 认为对应因子对模型结果贡献 较大， 予以保留； 当表征值<d时， 认为对应因子对 模型结果贡献较为小， 予以剔除。 5.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S2的第(4)步中， 采用皮尔逊相关系数对因子之间的相关性程度进行分权　利　要　求　书 1/2 页 2 CN 115482138 A 2析， 当两个因子的相关系数绝对值大于 0.40时认为存在明显相关性， 予以剔除。 6.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S2的第(5)步中， 当容忍度TOL小于0.10、 方差膨胀因子VIF大于10 时认为 该因子共线性 严重， 予以剔除。 7.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S3的第(1)步中， 滑坡危险性评估因子归一化， 即： 对最终筛选获得的危险 性评估因子进行归一化处理： 离散型数据采用独热编码处理， 连续型数据采用线性归一化 处理。 8.根据权利要求1所述的基于特征筛选与差分进化算法优化的滑坡危险性评估方法， 其特征在于， 步骤S3的第(2)步中， 基于无监督聚类的非滑坡样 本提取， 即： 先采用自组织特 征映射神经网络与高斯混合模型对研究区所有栅格单元进 行无监督滑坡危险性聚类， 再从 滑坡危险性 最低的聚类公共区中进行负 样本提取， 同已知滑坡样本构建机器学习数据集。权　利　要　求　书 2/2 页 3 CN 115482138 A 3