Using Statistical Learning Algorithms in Regional Landslide Susceptibility Zonation with Limited Landslide Field Data

地区性的山崩危险性带状配列(LSZ ) 被地数据的可得到的数量总是质问，特别在大多山的区域和有限的地信息与一致的西南的中国。统计学习算法被相信比为他们的数据适应性的传统的统计算法优异。纸的目的是评估统计学习算法怎么与有限的地数据表现在地区性的 LSZ 上。焦点在三个统计学习算法，逻辑回归(LR ) ，人工的神经网络(ANN ) 和支持向量机器(SVM ) 上。Hanzhong 城市，在西南的中国的容易的区域作为一个学习盒子被拿的山崩。九个环境因素作为输入被选择。产生 LSZ 地图的精确性通过山崩密度分析(LDA ) 被评估，接收装置操作特征(巨鸟) 曲线和 Kappa 索引统计。领域样品的尺寸上的算法的依赖被改变训练集合的尺寸检验。SVM 证明了是最精确并且在小训练集合尺寸并且在所有已知的山崩上的最稳定的算法缩放。SVM 的精确性显示出一个稳定地增加的趋势并且在训练集合的一种小尺寸到达高水平，当 LR 和 ANN 算法的精确性显示出不同变化时。geomorphological 解释在所有山崩尺寸上证实 SVM 的力量。我们的结果证明在归纳能力和模型坚韧性的 SVM 的力量与有限山崩地样品为地区性的 LSZ 使它成为一个适当、有效的工具。