张雪蕾,汪 明,曹寅雪,刘 凯,洪超裕

(1.环境演变与自然灾害教育部重点实验室，北京 100875；2.北京师范大学 地理科学学部减灾与应急管理研究院，北京 100875)

0 引言

灾害敏感性是指受灾地区的致灾因子或灾情，对外部环境的敏感程度。灾害敏感性分析和评估是指通过分析孕灾环境敏感性的影响因素建立评价指标体系，利用历史数据评估某一地区的灾害敏感性。因此，灾害敏感性方面的研究往往涉及大样本或高维度数据的处理，因此越来越多的机器学习方法逐渐应用到灾害敏感性分析和评估中。例如，通过贝叶斯网络方法研究北川地区地震滑坡敏感性[1]；结合蒙特卡洛仿真和贝叶斯logistic回归，建立道路建设对滑坡敏感性影响的模型[2]；此外，也有部分学者，采用人工神经网络、支持向量机等对灾害敏感性进行分析研究[3-7]。

在典型机器学习方法中，K近邻认为相似(距离相近)的样本类别相同，其相关概念简洁清晰、易于实现，对于特征性质相似的数据有较好结果，但由于要计算测试样本和所有训练样本的距离，分类速度相对较慢，且特征空间条件不均匀时，误差较大；朴素贝叶斯是通过比较测试样本各类别的条件概率进行预测，由于条件独立性假设，故无需考虑各属性间的关联，且需要估计的参数较少，但在方法的实际应用过程中，相关问题往往很难满足条件独立性假设；决策树是利用特征与类别之间的映射关系进行预测，结构简单，适用于训练集数据量较大的情况，分类速度快，对缺失值不敏感，可以不进行预处理，但决策树不能保证最终的结果最优，且当训练样本含有噪声或类别太多时，性能会受到很大影响；……