CN111079999A - 一种基于cnn和svm的洪水灾害易发性预测方法 - Google Patents
一种基于cnn和svm的洪水灾害易发性预测方法 Download PDFInfo
- Publication number
- CN111079999A CN111079999A CN201911229039.XA CN201911229039A CN111079999A CN 111079999 A CN111079999 A CN 111079999A CN 201911229039 A CN201911229039 A CN 201911229039A CN 111079999 A CN111079999 A CN 111079999A
- Authority
- CN
- China
- Prior art keywords
- flood
- disaster
- proneness
- factors
- model
- 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 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000011160 research Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
Abstract
本发明公开了一种基于CNN和SVM的洪水灾害易发性预测方法。包括采集多源数据,通过多源数据提取洪水的致灾因子,将提取出来的洪水致灾因子样本数据进行量化处理,对洪水致灾因子进行评价筛选,构建洪水易发性模型,先利用卷积神经网络CNN对洪水数据进行特征提取,再利用支持向量机SVM对提取出的特征进行易发性预测,对洪水易发性模型进行精度评价,输出最终的洪水易发性预测图。本发明基于卷积神经网络CNN能够自动提取特征的特点对洪水灾害数据进行特征提取,并利用支持向量机SVM通过提取出的特征进行区域灾害易发性预测,可有效提高灾害易发性预测的精度。
Description
技术领域
本发明涉及地质灾害防治领域,具体涉及一种基于CNN和SVM的洪水灾害易发性预测方法。
背景技术
在社会经济的发展中,人类不可避免的与大自然进行物质交换和相互作用。随着人类活动范围逐渐增大,其与洪水地质活动范围的重叠也越来越多,因此洪水灾害对人类生命、财产安全威胁也越来越大。由于洪水灾害发生频率高、影响范围大,并且其分布具有广泛性、其诱发因素具有多样性、其灾害发展具有快速性,俨然已严重威胁到人类的生命财产安全,同时也制约着人类社会、经济、文化等诸多方面的发展。因此,开展洪水灾害易发性预测是洪水灾害预防与管理的重要步骤。
目前,对洪水灾害易发性评估主要是基于地理信息系统、遥感技术,提取出对洪灾发生具有影响的致灾因子,再使用特征选择方法对这些致灾因子进行评估与筛选,最后采用统计学方法对筛选后的致灾因子进行分析并得出结果。常用的统计学方法包括决策树、逻辑回归、随机森林,支持向量机(Support Vector Machine,SVM)和多层感知机等。这些评估方法操作简单、性能完善,已得到了广泛的应用。然而,如何确定致灾因子筛选策略一直是一个有待商榷的问题。此外,决策分析者能够直观理解洪水致灾因子造成的影响,但机器学习方法不能完全学习致灾因子的内在信息。
发明内容
有鉴于此,本发明提供了一种基于CNN和SVM的洪水灾害易发性预测方法。
本发明提供一种基于CNN和SVM的洪水灾害易发性预测方法,包括以下步骤:
S1:收集整理研究区域的多源数据,包括遥感影像、地质地貌数据、数字高程模型以及历史洪灾编录数据,对多源数据的投影坐标系与地理坐标系进行统一,将多源数据转换为具有相同空间分辨率的栅格数据;
S2:从地质构造、气象水文以及人类活动三个方面分析洪水灾害影响因素,确定与洪水有关的致灾因子,通过GIS平台从S1多源数据中提取致灾因子,再将致灾因子进行等级划分,并赋予相应的属性值;
S3:对S2提取的致灾因子进行叠加,并以格网单元逐行逐列提取致灾因子属性值,完成模型样本数据集采集与量化;
S4:利用多重共线性分析致灾因子之间是否存在共线性,剔除存在共线性的致灾因子,再使用信息增益方法评价致灾因子的重要性,致灾因子信息增益为0,则表示该致灾因子对预测洪水易发性没有作用,在后续的建模过程中将该致灾因子剔除;
S5:构建洪水易发性模型,包括卷积神经网络模型特征提取和支持向量机模型预测两个部分,具体步骤如下:
S51:利用模型样本数据集对卷积神经网络模型进行参数优化,优化后的卷积神经网络从模型样本数据集中提取出高级特征,获得模型样本特征数据集;
S52:利用支持向量机模型对提取出来的模型样本特征数据集进行洪水易发性分析,并对整个研究区域进行洪水易发性预测;
S6:利用洪水易发性模型预测整个研究区的洪水易发性概率值,并根据概率值大小将研究区域划分为五个等级,包括极低、低、中、高和极高洪水易发性区,输出洪水易发性预测图。
进一步地,所述S2中与洪水有关的致灾因子包括坡度、坡向、曲率、距河流距离、土地利用、植被归一化指数、降雨量和坡度。
进一步地,所述S4中评估致灾因子共线性的公式如下:
式中,VIF为计算的方差膨胀系数,VIF值小于10代表致灾因子不存在共线性,Rj代表第j个致灾因子对其它致灾因子的决定系数,其计算公式为:
进一步地,所述S4中计算致灾因子信息增益的公式为:
Gain(A)=H(S)-H(S|A)
式中,A为洪水致灾因子,S为洪水致灾因子集合,H(S)代表集合S的经验熵,H(S|A)代表A给定条件下S的条件熵,H(S)和H(S|A)分别按以下公式计算:
式中,n为样本类别的数目,pi为样本属于第i个类别的概率。
进一步地,所述S5中的卷积神经网络模型特征提取具体步骤如下:
S511:输入量化后的模型样本数据集;
S512:利用卷积神经网络模型的卷积层提取模型样本数据集的初级特征;
S513:利用卷积神经网络模型的池化层将S512提取出的初级特征进行降维;
S514:将S513降维后的特征利用卷积神经网络模型的全连接层重新整合为高级特征并输出。
进一步地,所述S512中的卷积操作公式为:
式中,Cj为卷积结果,N为输入的洪水致灾因子个数,k为卷积核的个数,i为第i个致灾因子,j为第j个卷积核,f(·)为非线性激活函数,*代表卷积运算,vi为输入的第i个致灾因子,wj和bj分别表示权重和偏置。
进一步地,所述S513池化操作公式为:
式中,Oj为池化操作的结果,j为输入的第j个初级特征,N为初级特征的长度,n为池化操作的长度,u(n,1)为一个尺寸为n的窗口函数,aj为窗口中的最大值。
进一步地,所述S6中的输出洪水易发性预测图的具体步骤为:
S61:利用S5构建的洪水易发性模型对整个研究区域进行洪水易发性预测,输出每一个栅格单元对应的易发性概率值,将得到的易发性概率值按升序排列;
S62:利用自然断点法将易发性概率值划分为5个等级:极低、低、中、高和极高易发性等级;
S63:将极低、低、中、高和极高等级对应的研究区域分别命名为极低、低、中、高和极高洪水易发区。
本发明提供的技术方案带来的有益效果是:(1)本发明解决了洪水灾害与卷积神经网络关联问题,使卷积神经网络能有效的提取洪水特征;(2)利用支持向量机方法对卷积神经网络提取出来的洪水特征进行易发性预测,解决了统计学方法无法完全挖掘洪水致灾因子信息的缺点。
附图说明
图1是本发明一种基于CNN和SVM的洪水灾害易发性预测方法的流程图;
图2是本发明一种基于CNN和SVM的洪水灾害易发性预测方法的致灾因子信息增益图;
图3是本发明一种基于CNN和SVM的洪水灾害易发性预测方法的洪水易发性预测图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了一种基于卷积神经网络CNN和支持向量机SVM的洪水灾害易发性预测方法,包括以下步骤:
S1:收集整理研究区域的多源数据,包括遥感影像、地质地貌数据、数字高程模型以及历史洪灾编录数据,对多源数据的投影坐标系与地理坐标系进行统一,将多源数据转换为具有相同空间分辨率的栅格数据;该具体实施例中选用的研究区域为中国江西省赣州市上犹县辖区,经统计,该研究区域共有108个历史洪水灾害点。
S2:提取洪水致灾因子,即利用GIS软件从多源数据中提取出8个洪水致灾因子,包括坡度、坡向、曲率、距河流距离、土地利用、植被归一化指数、降雨量与坡度。再将致灾因子进行等级划分,并赋予相应的属性值,具体划分与赋值情况如表1所示,最后,将这些致灾因子重采样至空间分辨率为30米的栅格数据。
表1洪水致灾因子分级统计表
S3:洪水数据量化,即将S2中重采样后的8个致灾因子进行叠加,在研究区域随机选取与历史灾害点同样数目的非洪水灾害点,将洪水灾害点与非灾害点划均分为训练数据集与验证数据集两部分:训练数据集占比70%,包括76个洪水灾害点与76个非洪水灾害点;验证数据集占比30%,包括32个洪水灾害点与32个非洪水灾害点。以格网单元来提取致灾因子属性信息,完成模型样本数据集采集与量化。
S4:利用多重共线性分析致灾因子之间是否存在共线性,剔除存在共线性的因子;再使用信息增益方法评价致灾因子的重要性,并删除与洪灾发生无关的因子。评估致灾因子共线性的公式如下:
式中,VIF为计算的方差膨胀系数,VIF值小于10代表致灾因子不存在共线性,Rj代表第j个致灾因子对其它致灾因子的决定系数,其计算公式为:
计算致灾因子信息增益的公式如下:
Gain(A)=H(S)-H(S|A)
式中,A为洪水致灾因子,S为洪水致灾因子集合,H(S)代表集合S的经验熵,H(S|A)代表A给定条件下S的条件熵,H(S)和H(S|A)分别按以下公式计算:
式中,n为样本类别的数目,pi为样本属于第i个类别的概率。
对提取出来的致灾因子进行共线性分析,结果如表2所示,再计算致灾因子信息增益值来评估致灾因子重要程度,结果如图2所示。致灾因子信息增益为0,则表示该致灾因子对预测洪水易发性没有作用,坡向的信息增益为0,在后续的建模过程中将坡向剔除。
表2多重共线性分析结果
S5:构建洪水易发性模型,包括卷积神经网络模型(Convolutional NeuralNetworks,CNN)特征提取和支持向量机模型(Support Vector Machine,SVM)预测两个部分,具体步骤如下:
S51:利用训练数据集与验证数据集对卷积神经网络模型进行参数优化,优化后的卷积神经网络模型从训练数据集与验证数据集中提取出高级特征,获得模型样本特征数据集,具体步骤如下:
S511:输入量化后的训练数据集与验证数据集;
S512:利用卷积神经网络模型的卷积层提取训练数据集与验证数据集的初级特征;
S513:利用卷积神经网络模型的池化层将步骤S512提取出的初级特征进行降维;
S514:将步骤S513降维后的特征利用卷积神经网络模型的全连接层重新整合为高级特征并输出。
卷积操作公式为:
式中,Cj为卷积结果,N为输入的洪水致灾因子个数,k为卷积核的个数,i为第i个致灾因子,j为第j个卷积核,f(·)为非线性激活函数,*代表卷积运算,vi为输入的第i个致灾因子,wj和bj分别表示权重和偏置。
池化操作公式为:
式中,Oj为池化操作的结果,j为输入的第j个初级特征,N为初级特征的长度,n为池化操作的长度,u(n,1)为一个尺寸为n的窗口函数,aj为窗口中的最大值。
S52:利用支持向量机模型对提取出来的模型样本特征数据集进行洪水易发性分析,并对整个研究区域进行洪水易发性预测;
S6:模型精度评价:将验证集输入洪水易发性模型中,并输出易发性预测结果,再与验证集真实标签做对比,AUC值和OA值越接近于1,说明洪水易发性模型的预测精度越高,本发明方法的AUC值为0.904,OA值为85.94%。
S7:输出洪水易发性预测图,利用S5构建的洪水易发性模型对整个研究区域进行洪水易发性预测,输出每一个栅格单元对应的易发性概率值。将得到的易发性概率值按升序排列,利用自然断点法将其划分为极低、低、中、高和极高5个易发性等级,并将相应易发性等级对应的栅格单元分别命名为极低、低、中、高和极高易发性区,最终的易发性预测图如图3所示。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于CNN和SVM的洪水灾害易发性预测方法,其特征在于,包括以下步骤:
S1:收集整理研究区域的多源数据,包括遥感影像、地质地貌数据、数字高程模型以及历史洪灾编录数据,对多源数据的投影坐标系与地理坐标系进行统一,将多源数据转换为具有相同空间分辨率的栅格数据;
S2:从地质构造、气象水文以及人类活动三个方面分析洪水灾害影响因素,确定与洪水有关的致灾因子,通过GIS平台从S1多源数据中提取致灾因子,再将致灾因子进行等级划分,并赋予相应的属性值;
S3:对S2提取的致灾因子进行叠加,并以格网单元逐行逐列提取致灾因子属性值,完成模型样本数据集采集与量化;
S4:利用多重共线性分析致灾因子之间是否存在共线性,剔除存在共线性的致灾因子,再使用信息增益方法评价致灾因子的重要性,致灾因子信息增益为0,则表示该致灾因子对预测洪水易发性没有作用,在后续的建模过程中将该致灾因子剔除;
S5:构建洪水易发性模型,包括卷积神经网络模型特征提取和支持向量机模型预测两个部分,具体步骤如下:
S51:利用模型样本数据集对卷积神经网络模型进行参数优化,优化后的卷积神经网络从模型样本数据集中提取出高级特征,获得模型样本特征数据集;
S52:利用支持向量机模型对提取出来的模型样本特征数据集进行洪水易发性分析,并对整个研究区域进行洪水易发性预测;
S6:利用洪水易发性模型预测整个研究区的洪水易发性概率值,并根据概率值大小将研究区域划分为五个等级,包括极低、低、中、高和极高洪水易发性区,输出洪水易发性预测图。
2.根据权利要求1中所述的一种基于CNN和SVM的洪水灾害易发性预测方法,其特征在于,所述S2中与洪水有关的致灾因子包括坡度、坡向、曲率、距河流距离、土地利用、植被归一化指数、降雨量和坡度。
5.根据权利要求1中所述的一种基于CNN和SVM的洪水灾害易发性预测方法,其特征在于,所述S5中的卷积神经网络模型特征提取具体步骤如下:
S511:输入量化后的模型样本数据集;
S512:利用卷积神经网络模型的卷积层提取模型样本数据集的初级特征;
S513:利用卷积神经网络模型的池化层将S512提取出的初级特征进行降维;
S514:将S513降维后的特征利用卷积神经网络模型的全连接层重新整合为高级特征并输出。
8.根据权利要求1中所述的一种基于CNN和SVM的洪水灾害易发性预测方法,其特征在于,所述S6中的输出洪水易发性预测图的具体步骤为:
S61:利用S5构建的洪水易发性模型对整个研究区域进行洪水易发性预测,输出每一个栅格单元对应的易发性概率值,将得到的易发性概率值按升序排列;
S62:利用自然断点法将易发性概率值划分为5个等级:极低、低、中、高和极高易发性等级;
S63:将极低、低、中、高和极高等级对应的研究区域分别命名为极低、低、中、高和极高洪水易发区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229039.XA CN111079999A (zh) | 2019-12-04 | 2019-12-04 | 一种基于cnn和svm的洪水灾害易发性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229039.XA CN111079999A (zh) | 2019-12-04 | 2019-12-04 | 一种基于cnn和svm的洪水灾害易发性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079999A true CN111079999A (zh) | 2020-04-28 |
Family
ID=70312876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229039.XA Pending CN111079999A (zh) | 2019-12-04 | 2019-12-04 | 一种基于cnn和svm的洪水灾害易发性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079999A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950465A (zh) * | 2020-08-13 | 2020-11-17 | 金陵科技学院 | 基于sae-cnn的sar图像洪水检测和预防方法 |
CN111968019A (zh) * | 2020-07-31 | 2020-11-20 | 中国地质大学(武汉) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 |
CN112232526A (zh) * | 2020-09-28 | 2021-01-15 | 中山大学 | 一种基于集成策略的地质灾害易发性评价方法及系统 |
CN114493243A (zh) * | 2022-01-21 | 2022-05-13 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN116776238A (zh) * | 2023-08-25 | 2023-09-19 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
CN117152623A (zh) * | 2023-11-01 | 2023-12-01 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
-
2019
- 2019-12-04 CN CN201911229039.XA patent/CN111079999A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651211A (zh) * | 2016-12-30 | 2017-05-10 | 吉林师范大学 | 一种不同尺度区域洪水灾害风险评估的方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
Non-Patent Citations (3)
Title |
---|
YIWANG ET AL.: "Comparison of convolutional neural networks for landslide susceptibility mapping in Yanshan County, China", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
张伟 等: "深度卷积神经网络特征提取用于地表覆盖分类初探", 《中国图象图形学报》 * |
武雪玲 等: "多源数据支持下的三峡库区", 《武汉大学报 信息科学版》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968019A (zh) * | 2020-07-31 | 2020-11-20 | 中国地质大学(武汉) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 |
CN111950465A (zh) * | 2020-08-13 | 2020-11-17 | 金陵科技学院 | 基于sae-cnn的sar图像洪水检测和预防方法 |
CN112232526A (zh) * | 2020-09-28 | 2021-01-15 | 中山大学 | 一种基于集成策略的地质灾害易发性评价方法及系统 |
CN112232526B (zh) * | 2020-09-28 | 2023-10-13 | 中山大学 | 一种基于集成策略的地质灾害易发性评价方法及系统 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN114676907B (zh) * | 2022-01-17 | 2022-09-20 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN114493243A (zh) * | 2022-01-21 | 2022-05-13 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN114493243B (zh) * | 2022-01-21 | 2023-05-02 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN116776238A (zh) * | 2023-08-25 | 2023-09-19 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
CN116776238B (zh) * | 2023-08-25 | 2023-11-03 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
CN117152623A (zh) * | 2023-11-01 | 2023-12-01 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
CN117152623B (zh) * | 2023-11-01 | 2024-01-09 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN114742272B (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
CN104346538B (zh) | 基于三种灾情因子控制的地震灾害评估方法 | |
CN112287018B (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
CN104732279A (zh) | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 | |
CN111968019A (zh) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 | |
CN112131731A (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN118350678B (zh) | 基于物联网与大数据的水环境监测数据处理方法及系统 | |
CN117648870A (zh) | 一种基于迁移学习的跨区域滑坡易发性评价方法和装置 | |
Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
CN117522652B (zh) | 人居环境脆弱性评价方法、系统、智能终端及存储介质 | |
CN112200363B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN112232689A (zh) | 一种茶叶连片种植区的生态地质脆弱性评价方法 | |
CN115147726B (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 |
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 |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |