关键词： 概率积分参数   开采沉陷预计   多种群遗传算法   多核支持向量机   BP强预测器   混沌算法  

摘要： 开采沉陷预计模型及参数体系是“三下”采煤设计的核心基础理论。准确、可靠的反演概率积分参数是实施精准地表沉陷预计的前提,构建地表下沉预测模型是矿山开采的难点,但对于由开采沉陷引发的地质环境灾害的防治具有重要意义。当前文献表明,已有学者建立了概率积分参数和开采沉陷下沉预计模型,但是仍然存在一些问题:（1）在实测值反演概率积分参数的过程中,标准遗传算法（SGA）求取概率积分参数存在易早熟收敛,后期易陷入局部最优解的缺点。（2）在缺少观测站的矿区的概率积分参数预计过程中,BP神经网络没有考虑概率积分参数的相关性而导致概率积分参数预计的精度的降低,与最终的下沉和水平移动曲线不符合;（3）对于单个下沉点的预测,BP神经网络易陷入局部最优解,同时没有考虑残差而导致精度降低;（4）淮南矿区是高水位矿区,随着矿山开采的进行,水将淹没监测点导致监测点无法测量。支持向量机（SVM）在水下下沉点的预测过程中,单核函数在泛化能力方面较低,同时没有考虑残差而导致精度的降低。针对以上问题,本文进行了一定的研究,主要取得以下结论:（1）利用加权的思想提出了多种群遗传算法（MPGA）来反演概率积分参数。在实测值反演概率积分参数的过程中,为了弥补标准遗传算法（SGA）单个种群求取概率积分参数的早熟收敛,后期易陷入局部最优解的缺点。提出了多种群遗传算法（MPGA）来反演概率积分参数,研究了该算法的准确性与可靠性。模拟实验表明:基于MPGA的概率积分参数反演模型不仅能够准确求取预计参数,而且对于观测站数据中的随机误差和监测点缺失都具有较强的抗干扰能力。朱集东煤矿1222（1）工作面概率积分法求参实验表明:在MPGA只迭代了 57次就收敛,然而SGA迭代了 100次才收敛的情况下,MPGA得出的下沉值和水平移动值的拟合标准差是31 mm,SGA得出的下沉值和水平移动值的拟合标准差是32 mm,表明基于MPGA的求参模型较SGA求参模型在准确性、迭代次数这几个方面有一定的优势。（2）提出了一种新的改进的神经网络概率积分参数预计算法。为了提高对于缺少观测站的淮南矿区的概率积分参数预计的精度,提出了一种新的改进的神经网络概率积分参数预计算法（NIBPNN）,不仅考虑概率积分参数的相关性,同时还考虑概率积分参数的准确性。将全国105个矿作为训练集,4个淮南矿作为测试集,利用以上模型对概率积分法参数进行预计,并且分析模型预计参数的精度、下沉值和水平移动值的中误差,结果表明NIBPNN较BPNN,IBPNN有较大的改善。（3）利用加权的思想提出了多个BP神经网络加权的融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。为提高地下开采引起地表下沉预测结果的精度,由于BP神经网络在单点下沉预测中精度较高但容易陷入局部最优解,于是提出了融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。以顾北矿1312（1）实测值为例,分别用融合混沌残差的BP-Adaboost模型、BP神经网络模型和BP-Adaboost模型对最大下沉值点进行稳定期和活跃期的单步预测和多步预测,结果表明,融合混沌残差的BP-Adaboost模型无论是在单步预测还是在多步预测上的精度均最高,尤其在单步预测上有显著的提高。（4）利用加权的思想提出了多个核函数加权的带有混沌残差的遗传算法优化的多核支持向量机（CHAOS-GA-MK-ε-SVM）水下预测模型。由于淮南矿区是高水位矿区,随着矿山开采的进行,水将淹没监测点导致监测点无法测量,SVM在水下监测点下沉预计中精度较高。提出了一种带有混沌残差的遗传算法优化的多核支持向量机（CHAOS-GA-MK-ε-SVM）水下预测模型。基于无水沉降区域的实测数据,用CHAOS-GA-MK-ε-SVM模型对水下下沉值进行预测,并分析预测结果的准确性和可行性。淮南顾北煤矿1312（1）首采面表明:在监测点的数据较为完整的情况下,CHAOS-GA-MK-ε-SVM模型精度较高,活跃期6期预测值中有4期可用,前4期平均相对误差（MRE）为1.7%,精度较高可以使用,而最后2期MRE是9.6%,精度较低不可以使用。谢桥2111（3）表明:在监测点的数据较为完整的情况下,CHAOS-GA-MK-ε-SVM模型精度较高,稳定期6期预测值中所有期都可以使用,6期的MRE是0.9%。但在监测点的数据严重缺失的情况下,训练样本缺少将会导致CHAOS-GA-MK-ε-SVM模型过拟合,此时应当采用遗传算法优化的支持向量机（GA-ε-SVM）模型去预测水下下沉值。GA-ε-SVM模型6期预测值中所有期都可以使用,6期的MRE是3.3%。图23表27参81

关键词： 同态加密   机器学习   多密钥   NTRU   CSP  

摘要： 近年来,越来越多的机器学习算法依赖于云计算.当机器学习在云环境中进行训练或分类时,容易引发攻击者对数据的恶意获取和利用.因此,本研究在国家自然科学基金“大数据环境下车联网隐私保护及拜占庭容错协同融合机制”,重庆市教委科学技术研究重点项目“多源异构数据环境下车联网信息的安全传输及形式化验证方法”,重庆市基础科学与前沿基础研究项目“山地环境下车联网海量数据隐私保护协同融合方法研究”等基金的支持下,基于多密钥同态方法对隐私机器学习方法做了相关的研究.论文的主要工作如下:1.为了解决机器学习中加密数据冗余导致训练过拟合的问题,本文构建了一个能够防止在云服务器上出现冗余的隐私存储和通信方案.该方案在保证语义安全的前提下,利用数论工作组构造了一个两方重复数据清洗协议.具体来说,客户端提供了待上传数据的去重标签,云服务器同态地检查标签列表中是否存在冗余,存在重复的情况下,服务器中文件对应的标签和相应的解密密钥将被返回,从而赋予客户端下载和解密文件的能力.分析表明,该方案的安全性可以规约到格上的最近向量问题,并且完全实现了语义安全,同时,该方案不需要任何可信第三方假设.2.在明文数据训练模型的基础上,基于重线性化技术,本文采用多密钥同态加密算法将现有模型改造为密文驱动模型,这种模型解决了机器学习过程中的回归隐私问题.结合对输入数据进行实数编码、解码和对激活函数多项式近似的方法,实现了加密方式的神经网络回归.在该模型中,可以同态多密钥加密数据,在语义安全的前提下完成数据预测.实验结果表明,数据加密后回归精度与加密前的预测精度非常接近,而在整个过程中,服务器和数据提供者的真实信息都不会暴露给对方.3.为了进一步保护在多数据提供者场景下机器学习训练过程中的隐私,本文提出了一种同时针对多方数据和单个模型的神经网络隐私训练及回归方法,各个数据提供者分别与云进行一次加密交互,最终实现隐私机器学习的训练及回归.结合共轭搜索问题和离散对数问题的困难性,训练数据和系统模型的保密性可以规约到充分研究的安全假设上.在效率方面,由于所有的消息都被编码为低维矩阵,与明文实现相比,存储和计算开销的扩展率是线性的,没有精度损失.同时,由于该方案基于完全同态加密算法,所以容易被移植到其他涉及多方的机器学习模型中.

关键词： 沙化土地   有机碳含量   估算方法   空间分布  

摘要： 中国是遭受土地沙化严重困扰的国家之一，第五次全国荒漠化调查统计显示，截止2014年我国的沙化土地面积达到了172.12万平方公里，在国土面积中占比达到了17.93％，因此土地沙化已经成为影响我国粮食安全和可持续发展两个基本战略目标的重要问题。土壤有机碳含量降低是土地沙化最为重要的特征之一。联合国防治荒漠化公约(United Nations Convention to Combat Desertification，UNCCD)也将土壤有机碳含量作为评价土地退化的三个指标之一。因此，开展大范围土壤有机碳含量的估算对土地退化与恢复评估具有重要意义。　　本文以数字土壤制图理论框架为参考，借助Google Earth Engine云计算平台海量的在线数据与强大的运算能力，选取Sentinel-2反射率、植被指数和地形、气候等环境协变量为输入变量，利用多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)三种模型并结合不同协变量输入策略（环境协变量、遥感协变量、全部协变量），开展了中国北方沙化土地表层(0-20cm)土壤有机碳含量估算。研究比较了不同输入协变量、不同建模方法构建的模型的估算精度，并对不同协变量的重要性进行了分析。最终，选取最优模型对中国北方沙化土地有机碳含量开展了估算，对其空间分布特征进行了分析，并探讨了土地沙化程度与有机碳含量之间的关系。主要结论如下:　　(1)模型比较:不同建模方法的选择对土壤有机碳含量估算的精度有很大影响，在不同的模型方法对比上，机器学习方法优于传统多元回归模型，RF(随机森林)模型表现最好，其次是SVM（支持向量机）。在训练集上RF模型的精度达到了R2（决定系数）达到了0.963，RMSE值为0.152，在验证集上也表现出了R2达到了0.81，RMSE为0.22，RPD（误差百分比）为2.29，RPIQ（四分位数偏差）为2.83的精度。　　(2)协变量选择:单独使用环境协变量（气候、地形、土壤信息）或者遥感协变量（波段反射率、植被指数）能够达到一定的估算精度，但是将它们结合起来可以有效提升模型精度。以表现最优的RF模型为例，当输入协变量为包含环境协变量与遥感协变量的协变量集C时，模型的R2可以达到0.81，RMSE为0.22，RPD达到了2.29，RPIQ达到了2.83，相比单独使用环境协变量构建的RF模型的R2提高了0.04，RMSE降低了0.021，RPD提高了0.019，RPIQ提高了0.3，相比单独使用遥感变量的模型R2提高了0.13，RMSE降低了0.073，RPD提高了0.521，RPIQ提高了0.64。　　(3)协变量重要性:根据RF模型中的变量重要性评价，整体来看气候协变量与土壤协变量贡献了最大的重要性(35.6％，30.5％)。遥感变量的重要性得分一共达到了27.3％，主要是由植被指数贡献，其中红边归一化差值指数贡献了5.9％的重要性，在所有协变量重要性排序中排名第三。波段反射率信息只有波段12的重要性大于1％，达到了1.1％。　　(4)空间分布特征:中国北方沙化地区土壤表层有机碳含量整体偏低（有机碳含量均值为0.63％，标准差0.34.），空间上表现出东高西低的分布趋势，而且随着沙化程度的加深有机碳含量逐渐下降，有机碳含量从轻度沙漠化的0.56％变为0.43％（中度沙漠化），0.31％（重度沙漠化）、0.18％（严重沙漠化），有机碳含量从轻度沙化变为严重沙漠化降低了67％，可见土地沙化及恢复对土壤有机碳具有重要影响。

关键词： 人口空间化   堆叠集成模型   POI数据   夜间灯光数据   青藏高原  

摘要： 人口空间化是将基于行政单元的人口更准确的展布于地域空间中,能更充分的展示人口空间分布信息,对施行人口精细化管理,协调人口与资源、环境、发展之间的矛盾具有重要意义。青藏高原是世界屋脊,掌握青藏高原人口分布信息有助于完善全球人口分布特征,如人类居住生活的最高海拔。其次,青藏高原与缅甸、印度、不丹、尼泊尔等多个国家接壤,其地理位置具有重要的战略意义,习近平总书记也曾多次强调“治国必治边,治边先稳藏”,稳藏的第一要务便是掌握人口分布信息。因此,掌握青藏高原人口分布对于稳藏、援藏等国家措施具有重要战略意义。本文以青藏高原为研究区,从自然条件和社会经济两个方面选择海拔、坡度、地形起伏度、归一化植被指数、河流、道路等廊道、夜间灯光数据、POI数据和建成区数据等作为表征人口分布的影响因素。基于2010年第六次全国人口普查乡镇尺度数据,结合青藏高原行政区划,分别用单模型（随机森林模型、XGBooost模型和Cubist模型）和集成模型（加权平均集成模型和堆叠集成模型）将青藏高原人口统计数据空间化为30×30m的栅格数据,并对各模型拟合精度进行验证,讨论了各模型出现差异的原因。同时将拟合结果与World Pop人口数据集和Google Earth影像进行横向比对,进一步验证结果精度。此外,本文基于最优拟合结果,利用空间分析方法,研究了青藏高原人口分布特征、人口空间分异特征和空间自相关性,以及与各指标因子之间的耦合关系。最后,讨论了各指标因子对青藏高原人口分布的影响程度,同时讨论了单模型与集成模型的优势与适应性范围。主要研究结论如下:（1）所有模型拟合精度均优于World Pop数据集（RMSE=1143.81,R2=0.814）,且Cubist模型采用分段线性回归方法,在单模型中获得了最优的拟合精度（RMSE=865.77,R2=0.893）;堆叠集成模型通过二次机器学习的方法,获得了本文最好的空间化结果（RMSE=799.79,R2=0.908）,其拟合精度较World Pop数据集提升了30.08%。整体看来,基于集成模型的人口空间化方法更适宜用在地形复杂,人口分布差异大的地区。（2）青藏高原2010年人口总数在1173.6～1204.8万人,平均人口密度为4.56～4.68人/km2。人口分布呈现出东南密集,西北稀疏的水平地带性和三级阶梯式的垂直分布特点。河湟谷地、雅鲁藏布江流域中游谷地、一江两河等河谷农业发达地区是青藏高原人口集中分布的核心区。通过在栅格尺度的异质性计算,发现青藏高原人口分布异质性总体较高,而异质性较低的地区主要分布在城市内部。通过空间自相关分析,得到全局莫兰指数为0.8241,人口分布存在显著的正向空间自相关关系,且以低-低聚类分布为主,高-高聚集分布现象主要发生在青藏高原东部,以西宁、拉萨、格尔木市、日喀则市为代表。结合空间自相关分析和异质性结果,发现人口分布异质性较低的地区分布在人口高-高聚集区,而人口异质性较高的地区分布在人口低-低聚集区。（3）青藏高原人口分布的海拔上限为5800m。此外,青藏高原约2/3的人口主要分布在坡度为小于25°、地形起伏度小于300m,距河流距离小于8km的范围内。说明青藏高原人口主要分布在海拔较低、坡度较小、地形较平坦、水源充足的区域。在社会经济方面,人口主要分布在基础设施较完善、经济较发达、交通便捷的地区。在影响人口分布的因素中,海拔、距建成区距离、人居指数是影响人口分布的三大主要因素,总体而言,地理要素决定了某一地区是否存在人口分布,而社会经济要素决定了这一地区人口分布的数量。

关键词： 融入知识的学习方法   掘进载荷力学建模   检测数据力学分析   力学底层逻辑   量纲分析   因果溯源   可迁移性  

摘要： 发展内含力学逻辑的机器学习方法,实现力学领域知识与数据驱动技术的交叉融合,对研发装备智能控制技术与发展检测数据力学分析新方法均具有重要意义。本文建立了一种融入力学知识的装备控制参数学习方法,该方法通过量纲分析等力学分析方法将力、物性、结构等基本力学关系作为底层逻辑编码至数据驱动的算法体系中,叠加了两种研究路径在求解复杂工程力学问题的优势,并将其应用于掘进装备控制参数的建模,为攻克智能预测领域的因果溯源、高维空间、数据量依赖度等难题提供一种新思路。本文工作内容如下:首先,对掘进装备与地层环境间相互作用规律进行力学分析。基于力学原理建立方程并推导力学理论模型,获取了掘进装备在时间、空间发生状态变化的根本原因:基于岩土破坏准则建立了刀具受载理论模型,推导了反映地质环境特征、装备几何结构以及操作状态影响的解析模型;基于极限分析理论求解了掘进装备扰动地层时的极限载荷,分析了土层几何分布及其岩土力学参数对载荷的影响。这部分工作为本文融合型学习方法研究提供了掘进装备的基础力学知识。本文主要工作是提出了一种融入力学知识的机器学习方法,其基本思想是将力学分析方法与数据驱动技术结合,发挥力学知识提取共性规律优势的同时结合数据驱动的优化功能提升预测性能。其主要技术路线包括:基于量纲分析等力学方法构造趋近问题本质的无量纲因子,形成工程数据变量间内在力学底层逻辑,进一步将其融入数据驱动结构体系中,并通过范数惩罚项缓解工程检测数据的过拟合问题。进一步将融合型学习方法应用于掘进装备工程实践问题,对装备智能控制中最受关注的核心控制参数-掘进载荷及能耗进行建模与预测。通过三类典型地质环境下的工程案例:代表软土地层的天津地铁三号线、代表复合地层的深圳地铁二号线以及代表岩石地层的大伙房水库工程案例,对融合型学习方法进行了预测建模的推演以及建模准确性的工程验证分析,重点给出了基于力学原理推导工程数据变量间底层逻辑的依据。在上述工作基础上,结合实际隧道工程数据,综合分析了力学知识在融合型学习方法工程应用中的特点与功能,展示了力学分析与数据驱动结合后应对工程装备预测建模领域“瓶颈”问题的科学性与适用性。具体包括:融合型学习方法实现的可示踪因果溯源分析,建模路径对相似工况环境的可迁移性,基于力学底层逻辑的工程数据降维特点,应对在线预测时小样本学习难题的能力。

摘要： Unsupervised learning aims to identify underlying patterns in unlabeled data. In this thesis, we develop methodologies involving two popular unsupervised learning problems: clustering with application to data integration and graphical models. As the volume and variety of data grows, data integration, which analyzes multiple sources of data simultaneously, has gained increasing popularity. We study mixed multi-view data, where multiple sets of diverse features are measured on the same set of samples. In the first project, by integrating all available data sources, we seek to uncover common group structure among the samples from unlabeled mixed multi-view data that may be hidden in individualistic cluster analyses of a single data view. To achieve this, we propose and develop a convex formalization that inherits the strong mathematical and empirical properties of increasingly popular convex clustering methods. Specifically, our Integrative Generalized Convex Clustering Optimization (iGecco) method employs different convex distances, losses, or divergences for each of the different data views with a joint convex fusion penalty that leads to common groups. Additionally, integrating mixed multi-view data is often challenging when each data source is high-dimensional. To perform feature selection in such scenarios, we develop an adaptive shifted group-lasso penalty that selects features by shrinking them towards their loss-specific centers. Our iGecco+ approach selects features from each data view that are best for determining the groups, often leading to improved integrative clustering. Through a series of numerical experiments and real data examples on text mining and genomics, we show that iGecco+ achieves superior empirical performance for high-dimensional mixed multi-view data. In the second project, we seek to come up with more meaningful interpretations of clustering, which has often been challenging due to its unsupervised nature. Meanwhile, in many real-world sce

摘要： The history of science is the history of finding true belief from observations. Humans build knowledge from observations, experiences, and/or other knowledge. Sometimes, it is difficult to understand a phenomenon with superficial observation. Observed data is the key to solve problems around us. As the size and complexity of data grows, so does the need to accurately process the data. There is now an opportunity to apply artificial intelligence and machine learning approaches to large-scale multi-omic data sets in new areas such as agriculture and crop improvement. In this study, we focus on maize (Zea mays L.) genomic data, and applied machine learning approaches to discover meaningful features from the genomic data. First we explored the relationship between phenotype and genotype in the maize genome by building a database of images and genomes called MaizeDIG. Second, we applied the k-mer concept to construct machine learning frameworks for predicting gene expression using gene sequences. We describe two k-mer Naive Bayes classifiers for genomic sequence classification: k-mer Naive Bayes (NB(k)) and two-phase k-mer Naive Bayes (tNB(k)). Finally, we extend NB(k) and tNB(t) methods and propose new methods to represent sequence: k-mer distance model and reduced k-mer alphabet model. NB(k) only considers relative frequencies of each respective alphabet under Naive Bayes classifier. To better represent the complexity of protein structure, we propose a new k-mer distance model. We constructed a distance matrix with the distance between all pairwise k-mers in a sequence, and it can be used to measure or compare two gene sequences in terms of similarity. Since the size of the amino acid alphabet affects the complexity and therefore limits k-mer size we propose the reduced k-mer alphabet model. Instead of the NB(k) approach based on the traditional 20 amino acids, we applied the k-mer method with smaller-sized groupings based on physico-chemical properties of amino acids

关键词： Support vector machines  

摘要： Knowledge of cumulative infiltration of soil is necessary for irrigation, surface flow, groundwater recharge and many other hydrological processes. In the present study, the Support Vector Machine (SVM), artificial neural network (ANN) and adaptive Neuro-fuzzy inference system (ANFIS) were employed to estimate the cumulative infiltration of soil. For this study, a data set containing 106 experimental observations were analyzed. Out of 106, 70 % of data was selected for preparing different algorithms whereas rest 30% data was selected to test the models. The models accuracy was depended upon the two performance evaluation parameter which is correlation coefficient (CC) and root mean square error (RMSE). Results of performance evaluation parameters suggest that triangular membership function-based ANFIS model works well than SVM and ANN models. While SVM and ANN models also give a good estimation performance. Sensitivity analysis concludes that the parameter, time (t) is the most influencing parameter for the modeling of cumulative infiltration of soil for this data set. © 2018 Indian Society for Hydraulics.

关键词： 机器学习   四顶夸克   决策树   神经网络  

摘要： 机器学习是人工智能学科当中非常重要的一环，随着粒子物理的数据量级的增长，机器学习也越来越广泛的得到应用。决策树和神经网络等算法逐渐成为和高能物理结合较为紧密的算法。　　顶夸克是迄今已知最重的基本粒子，目前唯一可以制造并观察到顶夸克的地方就是位于欧洲核子中心CERN的大型强子对撞机LHC。四顶夸克的产生过程在实验中还没有被发现，并且四顶夸克的产生截面非常的小，和四项夸克最重要的本底顶夸克对过程相比来看，截面相差大约五个量级。　　因为传统的截断记数方法不能满足对于四顶夸克数据研究的要求，为了在庞杂的本底中找到稀少的信号，就要求我们使用更为有效的机器学习方法来提高在训练当中的灵敏度和精度。　　本文通过对物理分析中常用的多种机器学习算法进行性能评估，算法初选和初选算法对四项夸克全强末态的对比研究，得出了梯度提升决策树算法是目前针对四顶夸克全强末态的研究中最佳的机器学习方法。

关键词： 易发性评价   支持向量机模型   逻辑回归模型   多层感知机模型   XGboost模型   频率比法   程序化  

摘要： 滑坡易发性评价通过分析影响滑坡的不同地质条件组合,评价潜在滑坡的地理空间分布,通常被认为是评估滑坡的首要步骤。以往基于Arc GIS平台实现的滑坡易发性评价经验模型或半定量模型带有一定的主观性,而机器学习算法通过样本来训练模型,能够客观的得出结果,所以被广泛的应用。但Arc GIS平台与机器学习算法兼容性不强,研究者大都是在Arc GIS中进行评价因子相关操作,然后再借助其他软件进行模型训练。这样多平台切换使操作繁琐复杂,同时也无法将这一套操作集成化形成一个简单快速并且不需大量人工操作的自动化易发性评价系统。本文基于机器学习与GIS空间分析等理论,对滑坡自动化易发性评价系统进行研究。主要是通过总结和对比现有的滑坡易发性评价体系方法和结果,对评价因子数据提取、因子分级、特征数据预处理及机器学习模型预测易发区等技术进行探讨,然后利用Python语言将这些技术编程实现并集成为一套完整的滑坡易发性自动化分区程序系统,解决前述的多平台操作问题。取得的主要成果如下:(1)归纳总结了一套程序化可行性大的滑坡自动化易发性评价体系,为后续实现滑坡自动化易发性评价程序提供技术指导。对比分析了滑坡易发性评价过程中运用的各种方法,提出了以栅格单元为基础评价单元、以快速聚类法筛选非滑坡单元、以7种评价因子建立评价指标体系、以频率比法进行因子分级、以四种典型机器学习算法作为评价模型、以ROC曲线及准确率为评判标准和以自然断点法为区划方法的滑坡自动化易发性评价体系。(2)利用Python语言编程实现了评价因子数据提取、分级、预处理等技术。以蓝田县为实例,研究了评价指标体系中高程、坡度、坡向、剖面曲率、地层岩性、降雨量和植被覆盖率等7种因子的数据提取算法,以频率比法对提取出的因子数据进行分级和分析,并对数据集进行预处理,转化为能够直接用于模型训练及预测的数据集。(3)通过频率比法分析了各因子敏感区间与滑坡发生的相关性。统计结果表明:研究区高程在500m～1000m范围内,坡度在10°～35°范围内,降雨量在650mm～800mm范围内,NDVI在0.4～0.6范围内,坡向为西、西北向,坡型为凹型,地层岩性为松散岩组及软硬相间岩组上滑坡频率比大于1,与滑坡发生密切相关。(4)利用Python语言编程实现了逻辑回归模型、多层感知机模型、支持向量机模型、XGboost模型的程序调用与参数优化,并以此对蓝田县进行滑坡易发性评价。以分类准确率,ROC曲线与AUC值三项指标评价模型性能,计算结果表明:四种模型的分类准确分别为:84.43%、82.81%、91.31%、88.15%;四种模型的AUC值分别为0.9024、0.9031、0.9287、0.9108。综合两者结果表明支持向量机模型在本研究区的滑坡易发性评价中泛化性能最佳。(5)以四种模型预测易发区的历史灾点数量占比和频率比来检验本次实现的程序系统的可行性。统计结果表明:四种模型在高易发区的滑坡占比分别为64.57%、54.33%、80.32%、69.05%,表明滑坡主要集中在高易发区,比较符合实际情况;在高易发区的滑坡频率比分别为3.92、1.78、3.01、3.76,都是远大于1,均表现出较强的相关性。综合两者说明本次开发的程序具体较高的可行性。(6)设计了滑坡自动化易发性评价系统两大模块的工作流程,开发了滑坡自动化易发性评价系统。系统集成了评价因子提取与预处理模块、评价模型计算与预测结果检验模块,实现了因子选择、因子提取、因子分级、数据预处理、输出专题图件、模型选择、模型参数配置、计算结果及易发性区划成果展示等功能,能够简便、快速的进行滑坡易发性评价。