文章摘要:为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点，以江西省南康区为例，拟用半监督卡方自交互侦测决策树（SSCHAID）和半监督反向传播神经网络（SSBPNN）进行滑坡易发性预测（LSP）,在已知滑坡样本和随机选取的非滑坡样本基础上，用全监督机器学习将初始LSP划分成不同级别；将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加，筛选一定数量的潜在滑坡栅格单元扩充滑坡样本；从极低易发区选取非滑坡栅格单元组合成新的输出变量；将新的输出变量导入全监督机器学习，获得最终LSP并评价其精度.结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.

文章关键词:

项目基金: