滑坡易发性评估算法
精度提升
采用元启发式与贝叶斯超参数优化，显著提升滑坡易发性制图的机器学习模型精度。
张锋 · Ismail, Muhammad · Khan, Garee · Iqbal, Javed · Alrefaei, Abdulwahed Fahad · Albeshr, Mohammed Fahad
Sensors 2023
参数信息
- 随机森林整体精度提升（对比GS）
- 5 %
- 随机森林整体精度提升（对比RS）
- 3 %
- KNN精度提升（对比RS）
- 1 %
- KNN精度提升（对比GS）
- 11 %
- KNN精度提升（对比RS）
- 2 %
- KNN精度提升（对比GS）
- 12 %
- SVM性能提升（对比GS和RS）
- 6 %
- SVM性能提升
- 5 %
技术优势
精度显著提升
元启发式优化使随机森林模型整体精度较基线方法提升最高5%，贝叶斯优化在KNN上提升最高11%。
自动寻优
贝叶斯优化和元启发式算法能够自动搜索超参数空间，减少人工调参负担。
适用多模型
这些优化方法在随机森林、KNN、SVM等多种模型上均表现出提升。
应用场景
- 地质灾害监测：提供更高精度的滑坡易发性制图模型，辅助灾害预警与风险管理。
- 空间数据分析：自动优化超参数，提升空间数据建模的精度与效率。
- 环境智能感知：通过优化模型提升环境空间数据的智能化分析能力。
- 遥感图像处理：优化遥感影像分类模型，提高滑坡识别精度。