刘超 ，乔圣扬

河北地质大学a.城市地质与工程学院b.河北省高校生态环境地质应用技术研发中心，河北石家庄050031

0 引言

泥石流是山区常见的一种地质灾害，严重威胁到了人类的生命与财产安全[1-3]，因此对泥石流开展危险性预测尤为重要。泥石流危险性的预测方法很多，如专家经验法[4]、经验公式计算法[5]、软件模拟法[6]、GIS法[7]等。

近年来，随着机器学习算法热度的逐渐升高，许多学者将机器学习的方法引入到泥石流危险性等级预测中，常见的机器学习方法有随机森林[8]、神经网络[9-11]、支持向量机[12-13]等。刘永垚[14]等（2018）建立基于交叉验证的随机森林模型对泥石流易发性进行评价。张永宏[15]等（2018）使用平均影响值算法筛选主要影响指标，结合神经网络算法预测泥石流易发程度。Qian X[16]等（2016）使用粒子群算法的支持向量机模型对泥石流危险性有较高的辨识精度。Shiuan W[17]等（2009）建立决策树与支持向量机的混合模型对样区发生泥石流的危险性类别进行预测，模型预测准确率为73%。宁志杰与周爱红[18]（2020）提出空间变异性会影响支持向量机模型的适用性，需要合理地选择评价指标。

本文基于白龙江流域泥石流，通过主成分分析（Principle Component Analysis，PCA）提取3个互为独立的主成分，进一步使用5折交叉验证的方式抽取训练样本与预测样本。联合使用多分类支持向量机（Multi-classification Support Vector Machine，MSVM）对泥石流危险性类别进行分类，建立主成分分析与多分类支持向量机预测模型（PCAMSVM），可为预测白龙江流域泥石流危险性提供科学依据。

1 基本理论……

登录APP查看全文