CN109918610A - 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 - Google Patents
基于地理环境相似度的负样本可信度度量方法及负样本采用方法 Download PDFInfo
- Publication number
- CN109918610A CN109918610A CN201910136800.9A CN201910136800A CN109918610A CN 109918610 A CN109918610 A CN 109918610A CN 201910136800 A CN201910136800 A CN 201910136800A CN 109918610 A CN109918610 A CN 109918610A
- Authority
- CN
- China
- Prior art keywords
- impact factor
- similarity
- negative sample
- factor
- landslide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims description 19
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 85
- 230000006870 function Effects 0.000 description 13
- 235000019738 Limestone Nutrition 0.000 description 4
- 239000006028 limestone Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 239000010454 slate Substances 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于地理环境相似度的负样本可信度度量方法及负样本采样方法，该方法包括：(1)将遴选出的影响因子进行分类，所述分类包括离散型影响因子和连续型影响因子；(2)采用频率比法得到栅格点中离散型影响因子与该因子下发生滑坡的典型值之间的相似度；采用核密度估计法计算栅格点中连续型影响因子与该因子下发生滑坡的典型值之间的相似度；(3)综合所述栅格点中各影响因子的相似度，得到该栅格点被选为负样本的可信度值。本发明提出基于地理环境相似度的负样本可信度度量方法，以可信度较高的滑坡正样本和地理环境相似度为依据，度量滑坡负样本的可信度，实现对滑坡负样本可信度的直观定量认识。
Description
技术领域
本发明涉及自然灾害的空间推测领域，具体涉及一种基于地理环境相似度的负样本可信度度量方法及负样本采用方法。
背景技术
统计模型在空间推测中应用最为广泛，下面以滑坡危险度评价为例进行阐述。统计模型从训练样本集中获取滑坡危险度与影响因子之间的关系，将这种关系应用到整个推测区，实现滑坡危险度空间分布的推测与评价。训练样本集的质量会极大地影响统计型滑坡危险度评价的精度。
训练样本集由滑坡点(简称为“正样本”)和非滑坡点(简称为“负样本”)构成，正样本是指会发生滑坡的点，一般以历史滑坡编目数据为依据，在滑坡发生区域进行采样，其质量较高；负样本是指不会发生滑坡的点，负样本无法直接获取，一般在没有发生过滑坡的区域进行采样，采集的负样本中极有可能包含潜在滑坡点，即假的负样本，这些潜在滑坡点只是因为以往缺少诱发条件而未发生滑坡。假的负样本会降低负样本集的质量，进而降低训练样本集的质量，影响统计型滑坡危险度评价的精度。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于地理环境相似度的负样本采用方法，该方法可以解决无法度量负样本可信度导致滑坡危险度评价精度低的问题。
技术方案：本发明所述的基于地理环境相似度的负样本采用方法，该方法包括：
(1)将遴选出的影响因子进行分类，所述分类包括离散型影响因子和连续型影响因子；
(2)采用频率比法得到栅格点中离散型影响因子与该因子下发生滑坡的典型值之间的相似度；采用核密度估计法计算栅格点中连续型影响因子与该因子下发生滑坡的典型值之间的相似度；
(3)综合所述栅格点中各影响因子的相似度，得到该栅格点被选为负样本的可信度值。
优选的，所述步骤(2)具体包括：
(21)采用频率比法刻画所述离散型影响因子与滑坡发生频率之间的关系，表示为：
其中，pi,j表示离散型影响因子i的类型值j中滑坡发生的频数；Ai,j表示离散型影响因子i下类型值j的面积；m表示离散型影响因子i的类型值数目；Si,j'表示离散型影响因子i的类型值j中滑坡发生的频率；A表示研究区的总面积；
(22)对离散型影响因子i的类型值j中滑坡发生频率进行归一化，归一化表达式如下：
其中，Si,j表示影响因子i的类型值j与影响因子j下发生滑坡的典型类型值之间的相似度。
优选的，所述步骤(2)还包括：
(23)采用核密度估计法计算所述连续型影响因子与滑坡发生频率之间的关系，包括：设有n个滑坡点，其所在的连续型影响因子x的值为：x1,x2,...,xm,...,xn，则对影响因子x的核密度估计基本表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；k(·)为核函数；h为带宽；x-xm是影响因子x与滑坡点所在的影响因子x的值xm之间的差距；
(24)对计算得到的概率密度函数进行归一化，即可得到单个影响因子与该因子下发生滑坡的典型值之间的相似程度，归一化表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；fmax(x)表示f(x)的最大值；Sx表示影响因子x与该因子下滑坡发生典型值的相似度。
优选的，所述步骤(3)中，该栅格点被选为负样本的可信度值包括：
(31)通过综合单个影响因子对该因素下滑坡发生典型值的相似度，可以度量与滑坡发生典型地理环境的综合相似度，公式如下：
5＝f(S1，S2，…，Sk，…，Sn)
其中，Sk表示第k个影响因子与该因子下滑坡发生典型值的相似度；S表示综合地理环境相似度；f表示对所有影响因子综合方法，对于某个点(u，v)来说，这个点与滑坡点的地理环境相似度表达为Su，v；
(32)该栅格点被选为负样本的可信度表示为：
Reliabilityu，v＝1-Su，v，
其中，Su，v是(u,v)位置上的栅格点与滑坡点的地理环境相似度。
另一方面，本发明还提供一种基于地理环境相似度的负样本采样方法，对研究区中的所有栅格点进行上述的基于地理环境相似度的负样本可信度度量计算，并采用预先设置的可信度阈值确定被选负样本集，从而生成负样本集。
优选的，所述研究区为在环境特征空间中与滑坡正样本不相似的点所在的非危险区。
有益效果：与现有技术相比，本发明提出基于地理环境相似度的负样本可信度度量方法，以可信度较高的滑坡正样本和地理环境相似度为依据，度量滑坡负样本的可信度，实现对滑坡负样本可信度的直观定量认识。利用地理环境相似度建立了有效的负样本采样方法，案例分析表明，该方法可以改善负样本的质量，提高统计型滑坡危险度评价的精度。
附图说明
图1为本发明所述的研究区在地理空间下的示意图；
图2为本发明所述的研究区在环境特征空间下的示意图；
图3为本发明所述的基于地理环境相似度的负样本采样方法的流程图；
图4为本发明所述的地理环境相似度计算流程；
图5为本发明所述的基于地理环境相似度的负样本可信度空间分布图。
具体实施方式
根据“地理环境越相似，地理特征越相似”的地理学第三定律，认为同类样本在环境特征空间中靠近相邻，不同类样本在环境特征空间中是分离的，如图1和2所示。在这样的认知下，与正样本有着相似地理环境的点极有可能是未来发生滑坡的点，这些点是滑坡高危险区；与正样本在环境特征空间中越不相似的点就越有可能是非危险区，负样本可以在这样的地区采集。基于这一基本假设可以对负样本的可信度进行度量，认为某点与正样本在环境特征空间中越不相似，其作为负样本的可信度越高。
如图3所示，本发明的步骤如下：
(1)基于地理环境相似度的负样本可信度度量
基于已有滑坡点和滑坡发生影响因子数据，研究地理环境相似度计算方法；基于与正样本的地理环境相似度，研究某栅格点被选作为负样本的可信度度量方法。
地理环境相似度度量流程如下：
(a)对不同量纲的影响因子进行分类；
将遴选出的影响因子分为两种类型：离散型和连续型，形成影响因子数据库。
(b)计算栅格点中各影响因子与该因子下发生滑坡的典型值之间的相似度；
离散型因子是指变量值只是类型值，其值不是无限连续的，往往以字母或整数表达。对于离散型影响因子(如岩性，植被类型等)，使用滑坡发生频率比方法表达离散型影响因子与滑坡发生频率之间的关系，如下文公式①；
频率比法是一种单因子定量分析模型，通过对样本分类别计算频率，可以大致判断出某一离散型影响因子的哪些类型值对滑坡发生影响很大，是一种常见的双变量统计模型。
本发明使用频率比法定量刻画离散型影响因子与滑坡发生频率之间的关系，公式如下：
其中，pi,j表示离散型影响因子i的类型值j中滑坡发生的频数；Ai,j表示离散型影响因子i下类型值j的面积；m表示离散型影响因子i的类型值数目；Si,j'表示离散型影响因子i的类型值j中滑坡发生的频率；A表示研究区的总面积。
对离散型影响因子i的类型值j中滑坡发生频率进行归一化，即可得到离散型影响因子i中类型值j与该影响因子i下发生滑坡的典型类型值之间的相似度，归一化表达式如下：
其中，Si,j表示影响因子i的类型值j与影响因子j下发生滑坡的典型类型值之间的相似度。
连续型是指在一定区间内可以任意取值的变量，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。对于连续型影响因子(如高程，地面坡度等)，使用核密度估计表达连续型影响因子与滑坡发生频率的关系，如公式③。然后将影响因子与滑坡发生频率的关系归一化，以度量栅格点的各影响因子与该因子下发生滑坡的典型值之间的相似度。
核密度估计是一种由样本估计总体的概率密度函数的方法。一方面，核密度估计从样本本身出发来获取数据的分布特征，以估计总体的概率密度函数，不需要引入对数据分布的先验假设，因此用来估计的概率密度函数的形状是任意的；另一方面，相比于直方图等其它密度估计方法，通过核密度估计得到的概率密度函数更为平滑连续，并且不会依赖于选取的区间长度。
设有n个滑坡点，其所在的影响因子x的值为：x1,x2,...,xm,...,xn，则对影响因子x的核密度估计基本表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；k(·)为核函数；h为带宽，其值会影响核密度估计曲线的形状和平滑度；x-xm是影响因子x与滑坡点所在的影响因子x的值xm之间的差距；
本发明采用核函数之一—高斯核函数来估计核密度曲线，采用大拇指“rule ofthumb”法则来计算带宽h，公式如下：
其中，σ是n个滑坡点所在影响因子x的值的标准差。
对计算得到的概率密度函数进行归一化，即可得到单个影响因子与该因子下发生滑坡的典型值之间的相似程度，归一化表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；fmax(x)表示f(x)的最大值；Sx表示影响因子x与该因子下滑坡发生典型值的相似度。
(c)综合栅格点中各影响因子的相似度，推算该栅格点与滑坡发生典型地理环境的综合相似度。
通过综合单个影响因子对该因素下滑坡发生典型值的相似度，可以度量与滑坡发生典型地理环境的综合相似度，公式如下：
S＝f(s1,s2,...,sk,...,sn) ⑦
其中，sk表示第k个影响因子与该因子下滑坡发生典型值的相似度；S表示综合地理环境相似度；f表示对所有影响因子(离散型和连续型)综合方法，可以通过平均值法、最小限制因子法、线性加权法进行综合，对于某个点(u，v)来说，在这个点的相似度可以表达为Su，v。
基于地理环境越相似，地理特征越相似的地理学常识，认为与滑坡点地理环境相似的点极有可能是潜在滑坡点，这样的点若被选为负样本，其可信度较低。例如，某一栅格点与滑坡点的地理环境相似度为0.8，则该点极有可能是潜在滑坡点，不宜选作负样本，其负样本可信度应较低，由于与滑坡点的地理环境相似度的值域范围是[0,1]，本文使用公式⑧度量负样本可信度，负样本可信度值域为[0,1]，值越大，负样本可信度越高，该栅格点的负样本可信度为0.2。
Reliabilityu,v＝1-su,v ⑧
其中，su,v是(u,v)位置上的栅格点与滑坡点的地理环境相似度；Reliabilityu,v是该栅格点被选为负样本的可信度。
将负样本可信度度量方法应用于本研究区，推算研究区中每个栅格点被选为负样本的可信度，从而得到研究区的负样本可信度空间分布图。图中负样本可信度的值域为[0，1]，值越大说明该点被选为负样本时，其可信度越高。
(2)基于负样本可信度的负样本采样方法及其应用
首先，基于负样本可信度，设计负样本采样方案。具体方法如下：在负样本可信度的基础上，根据推测精度要求设置负样本可信度阈值，利用这个阈值确定研究区内大于这个阈值的所有点，这些点成为被选负样本集，采用随机采样的方法，从该集中生成负样本集。实验证明可信度阈值为0.5为最合适。
(3)对本发明采用的发明进行有效性分析，本发明的采样法简称为ESBS，选择在滑坡危险度评价领域应用广泛的统计模型，将上述所选的负样本集用于统计模型中，实现对滑坡危险度的推测与评价。
本发明的原理是：地理学第三定律：“地理环境越相似，地理特征越相似”，认为同类样本在地理环境特征空间中是靠近相邻，不同类样本在地理环境特征空间中是分离的。在这样的认知下，与正样本有着相似地理环境的点极有可能是未来发生滑坡的点，这些点是滑坡高危险区；与正样本在环境特征空间中越不相似的点就越有可能是非危险区，负样本可以在这样的地区采集。
下面结合如图3和图4所示的流程图，以油房沟流域的滑坡危险度评价中负样本采样提取为例，说明本发明的具体实施方法：
(1)油坊沟流域位于甘肃省武都县安化镇，流域面积49.74km2，周边分布着青藏高原、黄土高原和四川盆地，地质构造复杂，地震活动频发。该研究区亚热带季风气候显著，降水集中在5-9月，且多以暴雨的形式出现。受特殊地质环境和气候环境的影响，流域内滑坡灾害频繁发生。
(2)发明根据研究区的地质环境特征和前人已有研究成果，选取高程、坡度、坡向、平面曲率、剖面曲率、距河流的距离、距道路的距离、岩性、距断层线的距离、土地利用类型等10个影响因子。
(3)对研究区1:50000地形图数字化，生成30m分辨率的数字高程模型(Digitalelevation model，DEM)，在ArcGIS10.1软件下基于DEM派生出一系列影响因子，包括：高程、坡度、坡向、平面曲率、剖面曲率，以描述研究区的地形地貌条件，此外，数字化地形图可获得矢量格式的河流和道路数据，河流和道路对滑坡的影响是根据距它们的距离表达。对研究区1:25000地质图数字化，获得地层分布和断层构造数据。同时代的地层可由不同成因的岩石类型组成，根据相似的物质组成和物理力学特征，可以把研究区的地质层组合并划分为3类岩性单元，第一类为粉砂岩、泥岩、薄砂砾岩岩组，第二类为厚石灰岩、板岩岩组，第三类为千枚岩、板岩、薄石灰岩岩组。断层构造对滑坡的影响是根据距断层线的距离表达。针对岩性因子，其参与可信度计算的步骤为：首先，根据公式1和2计算岩性因子的类型值j与岩性因子下发生滑坡的典型类型值之间的相似度，其次，将该相似度值代入公式7和8，即可计算可信度值。本研究区的土地利用类型，并将其分为四类：农田、林地、居民地与工业用地、以及未利用土地。针对土地利用因子，其参与可信度计算的步骤与岩性因子的方法一样。
(4)为方便空间分析与计算，需要保证影响因子数据尺度的一致性，本发明根据研究区的尺度和数据源的尺度，选择30m作为所有影响因子数据的分辨率，该分辨率是指空间栅格单元的尺寸。在应用于可信度计算时，分辨率作为空间分析和可信度计算的尺度。
(5)根据油房沟流域的滑坡编目中采集的79个滑坡灾害点和遴选出的滑坡影响因子，定量化表达各影响因子与该因子下发生滑坡的典型值之间的相似度。对于离散型影响因子，油房沟流域各影响因子与该因素下发生滑坡的典型类型值之间的相似度关系。对于连续型影响因子，油房沟流域较容易发生滑坡的区域具有如下环境特征：海拔约在1800～2000m之间，坡度约在10°～25°之间，坡向为西坡或西北坡，平面曲率和剖面曲率约在-0.2～0.2之间，距河流的距离约在300～500m之间，距道路的距离约为3500～5500m之间，距断层线的距离约为2000～4000m之间，岩性为千枚岩、板岩、薄石灰岩，土地利用类型为未利用土地、居民地和工业用地。
(6)在本研究区中，滑坡易发生区域多为山体斜坡，坡度较陡，相对高差较大，可形成临空面；岩性多为较软的千枚岩、板岩、薄石灰岩等，可为滑坡的形成提供大量的物质基础；土地利用类型多为居民地和未利用荒地，地表涵养水源能力弱，容易被侵蚀，较容易发生滑坡。
(7)通过综合各个影响因子对该因子下发生滑坡的典型值的相似度，获得整个研究区中每个栅格点与易于发生滑坡的地理环境的综合相似度。
(8)探究负样本可信度与统计模型精度之间的关系，将基于环境相似度采样法与缓冲区控制采样法、目标空间外向化采样法分别应用于基于支持向量机的滑坡危险度评价，可信度阈值设置为0.5时，如图5，图中负样本可信度的值域为[0,1]，值越大说明该点被选为负样本时，其可信度越高。结果发现，三种采样方法的模型精度分别为0.96、0.89和0.43，研究结果表明，本发明比缓冲区控制采样法(Buffer controlled sampling，BCS)、目标空间外向化采样法(Target Space Exteriorization Sampling，TSES)在统计型滑坡危险度评价中更为有效。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
所有上述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视作本发明的保护范围。
Claims (6)
1.一种基于地理环境相似度的负样本可信度度量方法，其特征在于，该方法包括：
(1)将遴选出的影响因子进行分类，所述分类包括离散型影响因子和连续型影响因子；
(2)采用频率比法得到栅格点中离散型影响因子与该因子下发生滑坡的典型值之间的相似度；采用核密度估计法计算栅格点中连续型影响因子与该因子下发生滑坡的典型值之间的相似度；
(3)综合所述栅格点中各影响因子的相似度，得到该栅格点被选为负样本的可信度值。
2.根据权利要求1所述的基于地理环境相似度的负样本可信度度量方法，其特征在于，所述步骤(2)具体包括：
(21)采用频率比法刻画所述离散型影响因子与滑坡发生频率之间的关系，表示为：
其中，pi,j表示离散型影响因子i的类型值j中滑坡发生的频数；Ai,j表示离散型影响因子i下类型值j的面积；m表示离散型影响因子i的类型值数目；S'i,j表示离散型影响因子i的类型值j中滑坡发生的频率；A表示研究区的总面积；
(22)对离散型影响因子i的类型值j中滑坡发生频率进行归一化，归一化表达式如下：
其中，Si,j表示影响因子i的类型值j与影响因子j下发生滑坡的典型类型值之间的相似度。
3.根据权利要求1所述的基于地理环境相似度的负样本可信度度量方法，其特征在于，所述步骤(2)还包括：
(23)采用核密度估计法计算所述连续型影响因子与滑坡发生频率之间的关系，包括：设有n个滑坡点，其所在的连续型影响因子x的值为：x1,x2,...,xm,...,xn，则对影响因子x的核密度估计基本表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；k(·)为核函数；h为带宽；x-xm是影响因子x与滑坡点所在的影响因子x的值xm之间的差距；
(24)对计算得到的概率密度函数进行归一化，即可得到单个影响因子与该因子下发生滑坡的典型值之间的相似程度，归一化表达式如下：
其中，f(x)为表达影响因子x与滑坡发生频率之间关系的概率密度函数；fmax(x)表示f(x)的最大值；Sx表示影响因子x与该因子下滑坡发生典型值的相似度。
4.根据权利要求1所述的基于地理环境相似度的负样本可信度度量方法，其特征在于，所述步骤(3)中，该栅格点被选为负样本的可信度值包括：
(31)通过综合单个影响因子对该因素下滑坡发生典型值的相似度，可以度量与滑坡发生典型地理环境的综合相似度，公式如下：
S＝f(s1，s2，...，sk，...，sn)
其中，Sk表示第k个影响因子与该因子下滑坡发生典型值的相似度；S表示综合地理环境相似度；f表示对所有影响因子综合方法，对于某个点(u，v)来说，这个点与滑坡点的地理环境相似度表达为Su，v；
(32)该栅格点被选为负样本的可信度表示为：
Reliabilityu，v＝1-Su，v
其中，Su，v是(u,v)位置上的栅格点与滑坡点的地理环境相似度。
5.一种基于地理环境相似度的负样本采样方法，其特征在于，对研究区中的所有栅格点进行基于权利要求1-4任一项的基于地理环境相似度的负样本可信度度量计算，并采用预先设置的可信度阈值确定被选负样本集，从而生成负样本集。
6.根据权利要求5所述的基于地理环境相似度的负样本采样方法，其特征在于，所述研究区为在环境特征空间中与滑坡正样本不相似的点所在的非危险区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136800.9A CN109918610A (zh) | 2019-02-25 | 2019-02-25 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136800.9A CN109918610A (zh) | 2019-02-25 | 2019-02-25 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109918610A true CN109918610A (zh) | 2019-06-21 |
Family
ID=66962142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136800.9A Pending CN109918610A (zh) | 2019-02-25 | 2019-02-25 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109918610A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705630A (zh) * | 2019-09-27 | 2020-01-17 | 聚时科技(上海)有限公司 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
| CN111898249A (zh) * | 2020-07-02 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 滑坡位移非参数概率密度预测方法、设备及存储介质 |
| CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
| CN115083118A (zh) * | 2022-08-23 | 2022-09-20 | 云南省交通规划设计研究院有限公司 | 一种局部地区滑坡多级预警方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184050A (zh) * | 2015-08-10 | 2015-12-23 | 南京师范大学 | 一种gis与人工智能技术支持下的滑坡危险度评价方法 |
-
2019
- 2019-02-25 CN CN201910136800.9A patent/CN109918610A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184050A (zh) * | 2015-08-10 | 2015-12-23 | 南京师范大学 | 一种gis与人工智能技术支持下的滑坡危险度评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 缪亚敏等: "一种基于地理环境相似度的滑坡负样本可信度度量方法", 《地理科学进展》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705630A (zh) * | 2019-09-27 | 2020-01-17 | 聚时科技(上海)有限公司 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
| CN111898249A (zh) * | 2020-07-02 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 滑坡位移非参数概率密度预测方法、设备及存储介质 |
| CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
| CN115083118A (zh) * | 2022-08-23 | 2022-09-20 | 云南省交通规划设计研究院有限公司 | 一种局部地区滑坡多级预警方法 |
| CN115083118B (zh) * | 2022-08-23 | 2022-12-16 | 云南省交通规划设计研究院有限公司 | 一种局部地区滑坡多级预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918610A (zh) | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 | |
| Cavalli et al. | Characterisation of the surface morphology of an alpine alluvial fan using airborne LiDAR | |
| Hutchinson et al. | A continental hydrological assessment of a new grid‐based digital elevation model of Australia | |
| Pettijohn | Paleocurrents and paleogeography | |
| de Souza Pereira et al. | Heterogeneity and homogeneity of Southern Brazilian beaches: A morphodynamic and statistical approach | |
| Sharma et al. | Use of geographical information system in hypsometric analysis of Kanhiya Nala watershed | |
| Nikolova et al. | Morphometric analysis of debris flows basins in the Eastern Rhodopes (Bulgaria) using geospatial technologies | |
| CN106777585A (zh) | 一种区域浅表滑坡时空分异规律的esda分析法 | |
| Ai et al. | High-precision ice-flow velocities from ground observations on Dalk Glacier, Antarctica | |
| Sarkar et al. | Fluvial response to active tectonics: analysis of DEM-derived longitudinal profiles in the Rangit River Basin, Eastern Himalayas, India | |
| Liao et al. | What kind of gully can develop into benggang? | |
| Singh et al. | Hypsometric analysis of the lesser Himalayan watersheds using geographical information system | |
| Vágó | Stream gradient investigation in the Bükkalja using interpolated surfaces | |
| Dorninger et al. | Automated detection and interpretation of geomorphic features in LiDAR point clouds | |
| Reginatto et al. | SHALSTAB application to identify the susceptible areas of shallow landslides in Cunha river watershed, rio dos Cedros city, SC, Brazil | |
| Launspach | Automated sinkhole extraction and morphological analysis in northeast Iowa using high-resolution LiDAR data | |
| Li et al. | River centerline extraction using the multiple direction integration algorithm for mixed and pure water pixels | |
| Belt et al. | GIS as an aid to visualizing and mapping geology and rock properties in regions of subtle topography | |
| Kadhim et al. | Digital geotechnical maps of Basrah city using geographical information systems technique | |
| Liu et al. | Influences of different surveying and mapping methods on fractal characteristics of gully-head shoulder lines | |
| Liu et al. | A pixel analysis technique and unmanned aircraft system for horizontal displacement in the landslide potential area | |
| Saha et al. | Lithological and tectonic response on catchment characteristics of Rishi Khola, Sikkim, India | |
| Milevski et al. | Application of remote sensing and GIS in detection of potential landslide areas | |
| Choudhary et al. | Groundwater potential zones in relation to catchment condition in Orenburg, Russia | |
| Doumit | Digital Terrain Analysis of Lebanon: A Study of Geomorphometry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |