(19)中华 人民共和国 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 202111678864.5 (22)申请日 2021.12.31 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 申请人 浙江华东建设工程有限公司 (72)发明人 刘乃豪　楼以怀　王家乐　魏圣焘　 张浩然　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 姚咏华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 16/29(2019.01) G06N 20/00(2019.01)G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于Bagging策略的滑坡易发性评价方 法 (57)摘要 本发明公开了一种基于Bagging策略PU ‑ learning的滑坡易发性评价方法： 基于Bagging 策略的PU ‑learning(PU ‑bagging)是一种学习策 略， 实际实现过程中依赖基学习器， 本发明选取 支持向量机SVM作为基学习器； 从大量未标记样 本点集合U中每次随机选取负例集合ut， 将少量 标记滑坡样本点视为正例集合P， 二者可组成训 练集， 采用支持向量机SVM作为基学习器可训练 得训练模型； 将取样本和训练基学习器的过程重 复T次， 就得到了一个由T个基学习器组成的 Bagging模型； 由于随机性， T个采样集合各不相 同， 因此T个基学习器也各不相同； 再引入投票策 略对所有支持向量机模型的预测结果进行处理， 得到最终的滑坡易发性评价结果。 权利要求书1页 说明书5页 附图5页 CN 114298436 A 2022.04.08 CN 114298436 A 1.一种基于Ba gging策略的滑坡易发性评价方法， 其特 征在于， 包括以下步骤： S1， 根据滑坡成因， 从数据源中提取若干环境因子， 将所有环境因子的栅格图规范成栅 格单元集， 从栅格单元集中提取所感样本数据， 作为未标记的数据集U， 将滑坡成因中历史 滑坡数据作为 正样本数据集P； S2， 从未标记的数据集U中取出n个 未标记样本， 重复T次， 即得到T个负例集合ut， 将负例 集合ut中样本视为未标记的负 样本， 与正样本数据集P 构成训练数据集； S3， 利用正样本数据集P和T个负例集 合ut训练， 得到T个 基学习器； S4， 用第t次训练好的基学习器模型去预测未标记的数据集U中不包含负例集合ut中样 本的剩余未 标记点属于正例或负例的概 率， 作为预测概 率； S5， 为每个未标记点分配它收到的预测概率的平均值， 并根据阈值决定未标记点所属 的类别， 最终得到滑坡易发性评价结果。 2.根据权利要求1所述的一种基于Bagging策略的滑坡易发性评价方法， 其特征在于， S1中， 环境因子包括高程、 坡度、 坡向、 曲率、 归一化植被指数NDV I、 地质构造、 黄土侵蚀强度 和地形湿度指数TW I。 3.根据权利要求1所述的一种基于Bagging策略的滑坡易发性评价方法， 其特征在于， S1中， 栅格单 元集大小为3 0m×30m。 4.根据权利要求1所述的一种基于Bagging策略的滑坡易发性评价方法， 其特征在于， S2采用随机采样法。 5.根据权利要求1所述的一种基于Bagging策略的滑坡易发性评价方法， 其特征在于， 采用支持向量机SVM作为基学习器。 6.根据权利要求1所述的一种基于Bagging策略的滑坡易发性评价方法， 其特征在于， S3的具体方法如下： 从未标记的样本点集合U中每次随机选 取负例集合ut， 将标记滑坡样本点视为正例集合 P， 组成训练集， 采用支持向量机SVM作为基学习器训练得训练模型， 将取样本和训练基学习 器的过程重复T次， 得到由T个 基学习器组成的Ba gging模型。权　利　要　求　书 1/1 页 2 CN 114298436 A 2一种基于Bag ging策略的滑坡易发性评价 方法 技术领域 [0001]本发明属于工程地质研究领域， 具体涉及一种基于B agging策略的滑坡易发性评 价方法。 背景技术 [0002]近些年随着计算机技术在各领域中的应用， 以及基于机器学习理论的数据处理方 法的完善与成熟， 许多机器学习方法被应用到了滑坡易 发性评价中。 2012年Che等在确定几 种环境控制因素的数据的基础上利用信息量法对喀麦隆林贝(Limbe)周围的火山地形区域 进行了滑坡易发性程度分析。 冯 策等以"4.20"芦山地震区为研究区域， 基于遥感(RS)和GIS 技术， 以坡度、 起伏度、 土地类型、 断层的距离、 地震动的峰值加速度为评价指标， 采用逻辑 回归方法构建评价模型评估了研究区的滑坡易发性指标， 并通过受试者工作特征曲线 (ROC)检验模型的效果。 刘艳芳等以三峡库区秭归县为研究区域， 选取坡度、 高程、 岩性、 土 地利用、 距水系距离等作为滑坡评价因子， 采用确定性系 数方法分析了各影响因子对于滑 坡发生的敏感性指标， 并在此基础上绘制 了区域滑坡易发性区划图。 张若琳等利用概率比 法计算得到了全国滑坡易 发性指数并绘制了全国易发性区划图。 武雪玲等为了解决传统滑 坡预测数据源有限、 数据更新周期长、 隐藏在 复杂滑坡系统中的规律难以被轻易发现等问 题， 以三峡库区为研究对象， 从多源空间数据中提取各滑坡影响因素的数据， 采用数字地形 水文分析方法在区域内划分斜坡单元， 对选取 的环境影响因子进行重采样， 进而构建出了 两类支持向量机模型， 分析了多种环境影响因素与滑坡的发生之间的定量关系， 并生成区 域滑坡易发性分区图。 闫举生等采用人工神经网络模型(ANN)和 逻辑回归模型(LR)对湖北 省远安县进行了滑坡易发性评价， 得到了区域滑坡易发性区划图， 并对预测结果进行对比 分析， 研究表明该区共发育历史滑坡177处， 根据经验知识提取出了与滑坡发生相关的9类 指标因子， 利用相关性分析， 剔除高程因子， 最 终选择其余8 类因子用于滑坡易 发性评价， 利 用ArcGIS和SPSS  Modeler软件分析计算得到研究区滑坡易发性区划图。 夏辉等以三峡库区 巫山县为研究区， 经过分析， 提取出9类环境影响因子(高程、 坡度、 坡向、 地形湿度指数TWI、 地表粗糙度指数TRI、 地层岩性、 水系距离、 构 造距离、 植被覆盖指数NDVI)， 利用因子间相关 性分析剔除高程因子， 利用支持向量机(SVM)和人工神经网络(A NN)模型分析灾害点和环 境 因子， 得到研究区滑坡易发性区划图。 Pal等采用了 极限学习机， 使用两个遥感数据集(一个 多光谱和 一个高光谱)对英格兰利特波特镇附近区域的滑坡易发性指数进行了预测， 并绘 制了滑坡易发性 风险区划图。 [0003]第四纪独有的气候与环境的长期共同作用下， 黄土沉积也在不断地加厚。 在这样 特殊的环境影响下， 黄土高原上 的地形地貌逐渐演变成了千沟 万壑、 地形支离破碎的自然 地貌特征。 而由于黄土土质松软， 导致其极易 发生水土流 失， 因此各种地质灾害长期在黄土 高原上频繁发生。 如今伴 随着人类经济与工程活动的日益增强， 在人类活动与自然变迁的 双重影响下， 地质灾害种类及数量越发增多， 其中滑坡灾害发生频率与发生规模呈现增加 的趋势。 而黄 土高原特殊的地貌环境， 为黄 土滑坡的生成与孕 育提供了条件与基础。说　明　书 1/5 页 3 CN 114298436 A 3