基于微震及SHAP机器学习的高位崩塌落石分类识别
文献类型：期刊论文
| 作者 | 杨宗佶2; 黄志勇1,2; 庞博1,2; 武钊颖1,2 |
| 刊名 | 人民长江
 |
| 出版日期 | 2025-09-28 |
| 卷号 | 56期号:09页码:10-19+82 |
| 关键词 | 崩塌落石 微震监测 SHAP 机器学习 监测预警 |
| ISSN号 | 1001-4179 |
| 英文摘要 | 高位崩塌落石灾害具有速度快、能量大和监测难度高的特点，对传统的接触式监测预警带来极大挑战。为此，引入机器学习及SHAP方法，结合微震现场监测，建立了分类判识模型，量化了各特征指标对模型决策的贡献度，从而提升了模型的分类准确性和特征可解释性。通过STA/LTA算法和人工选择，构建了震裂山体的崩塌落石事件目录。基于16 968个微震事件，结合时域、频域和时频域等60个地震特征指标和Autoencoder提取的16个潜在特征指标，作为机器学习分类判识模型的输入指标，通过随机搜索算法优化模型，最终实现了99%的分类识别准确率；根据SHAP值排序选取前9个最具贡献的指标，发现地震特征指标中波形增大衰减比、DFT平均比率等9个指标在两个模型中均是主要贡献特征，并基于此构建了简化后的分类指标体系。结果表明：简化模型不仅显著节省了计算资源，提高了计算速度，还保持了分类准确率。研究证明了微震监测技术结合可解释机器学习算法不仅能快速、准确地识别落石事件，还能增强模型的可解释性，为高位崩塌落石的早期识别和监测预警提供了新的解决方案。 |
| URL标识 | 查看原文 |
| 语种 | 中文 |
| 源URL | [http://ir.imde.ac.cn/handle/131551/59365]  |
| 专题 | 成都山地灾害与环境研究所_山地灾害与地表过程重点实验室 |
| 作者单位 | 1.中国科学院大学 2.中国科学院、水利部成都山地灾害与环境研究所; |
| 推荐引用方式 GB/T 7714 | 杨宗佶,黄志勇,庞博,等. 基于微震及SHAP机器学习的高位崩塌落石分类识别[J]. 人民长江,2025,56(09):10-19+82. |
| APA | 杨宗佶,黄志勇,庞博,&武钊颖.(2025).基于微震及SHAP机器学习的高位崩塌落石分类识别.人民长江,56(09),10-19+82. |
| MLA | 杨宗佶,et al."基于微震及SHAP机器学习的高位崩塌落石分类识别".人民长江 56.09(2025):10-19+82. |
入库方式： OAI收割
来源：成都山地灾害与环境研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。