CN111310898A - 一种基于rnn的滑坡灾害易发性预测方法 - Google Patents
一种基于rnn的滑坡灾害易发性预测方法 Download PDFInfo
- Publication number
- CN111310898A CN111310898A CN202010093323.5A CN202010093323A CN111310898A CN 111310898 A CN111310898 A CN 111310898A CN 202010093323 A CN202010093323 A CN 202010093323A CN 111310898 A CN111310898 A CN 111310898A
- Authority
- CN
- China
- Prior art keywords
- landslide
- disaster
- susceptibility
- causing
- formula
- 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 37
- 230000000306 recurrent effect Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供一种基于RNN的滑坡灾害易发性预测方法，包括采集多源数据，通过多源数据提取滑坡的致灾因子，对提取出来的滑坡致灾因子进行评价筛选，利用筛选后的滑坡致灾因子样本数据构建滑坡序列数据，建立滑坡灾害易发性模型，利用循环神经网络对滑坡序列数据进行易发性预测，对滑坡易发性模型进行精度评价，输出最终的滑坡灾害易发性预测图。本发明的有益效果是：基于循环神经网络RNN能够处理序列数据的特点构建针对于滑坡灾害的序列数据并进行区域灾害易发性预测，可有效提高滑坡灾害易发性预测精度。
Description
技术领域
本发明涉及地质灾害防治领域，尤其涉及一种基于RNN的滑坡灾害易发性预测方法。
背景技术
滑坡灾害由于其成灾机理复杂，分布范围广以及摧毁性强等特点成为世界上最具破坏性的地质灾害之一。随着极端气候常态化和地震的频发，重大滑坡灾害猝不及防。据不完全统计，截止到目前，我国已经至少发生了上千次规模较大的滑坡灾害，造成了巨大的经济损失和人员伤亡。因此，开展滑坡灾害易发性预测是滑坡灾害预防与管理的重要步骤。
近些年来，随着地理信息系统技术、遥感技术以及计算机技术的迅速发展，数理模型在滑坡灾害易发性预测上的应用愈加广泛。目前，对滑坡灾害进行易发性预测的方法主要为统计学方法，包括决策树、逻辑回归、随机森林、信息量、支持向量机(Support VectorMachine，SVM)和多层感知机等。这些预测方法易于操作且拥有优良的性能，受到了地质灾害管理人员的广泛关注。然而，如何将高性能计算机模型针对性的应用到滑坡灾害易发性预测中依然是一个值得关注的问题。此外，探索高精度滑坡易发性预测模型依然刻不容缓。
发明内容
有鉴于此，本发明提供了一种基于RNN的滑坡灾害易发性预测方法。
本发明提供一种基于RNN的滑坡灾害易发性预测方法，包括以下步骤：
S1：获取滑坡灾害研究区域的多源数据，并对多源数据的空间分辨率、投影坐标系与地理坐标系一起进行统一；
S2：确定与滑坡有关的致灾因子，并通过GIS平台从所述多源数据中提取致灾因子；
S3：利用多重共线性判断所述致灾因子之间是否存在共线性；若是，则剔除存在共线性的致灾因子，得到非共线性的致灾因子，进入步骤S4；否则，进入步骤S4；
S4：使用信息增益方法评价致灾因子的重要性，致灾因子信息增益越大，则表示致灾因子对预测滑坡易发性越重要；将致灾因子对应的图层根据信息增益从大到小进行叠加，再以格网单元逐行逐列提取致灾因子属性值，完成滑坡序列数据集的构建与采集；
S5：构建滑坡灾害易发性循环神经网络模型,利用滑坡序列数据集对滑坡灾害易发性循环神经网络模型进行参数优化；利用优化后的滑坡灾害易发性循环神经网络模型进行滑坡灾害易发性分析，对整个研究区域进行易发性预测，并得到整个滑坡灾害研究区的滑坡易发性概率值；
S6：根据所述整个滑坡灾害研究区的滑坡易发性概率值大小将研究区域划分为五个等级，输出滑坡灾害易发性预测图。
进一步地，步骤S2中与滑坡有关的致灾因子包括高程、坡向、平面曲率、剖面曲率、距河流距离、土地利用、植被归一化指数、降雨量、坡度和地形湿度指数。
进一步地，步骤S3中评估滑坡致灾因子共线性的公式如式(1)：
式(1)中，VIF为计算的方差膨胀系数；若VIF值小于10，则代表第j个致灾因子不存在共线性；否则，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，j＝1，2，...s，s为致灾因子的个数，Rj计算公式如式(2)：
式(2)中，n为所有滑坡数据样本个数，yi为第j个致灾因子中第i个样本的属性值，
为第j个致灾因子中所有样本属性值的平均值，
为利用最小二乘法拟合出来第i个样本的拟合值。
进一步地，步骤S4中计算致灾因子信息增益的公式如式(3)：
Gain(A)＝H(S)-H(S|A) (3)
式(3)中，A为滑坡灾害致灾因子，S为滑坡灾害致灾因子集合，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)计算公式如式(4)：
式(4)中，k为样本类别的数目，pi为样本属于第i个类别的概率，i＝1，2...，k。
进一步地，步骤S5中的循环神经网络模型进行易发性预测的具体步骤如下：
S51：输入滑坡灾害序列数据；
S52：利用循环神经网络隐藏层中的隐藏节点提取序列数据的滑坡信息；
S53：利用循环神经网络的输出层将S52提取出的滑坡信息转换为滑坡灾害易发性概率值。
进一步地，S52中隐藏节点提取滑坡信息的公式如式(5)：
ht＝f(Wxxt+Whht-1+bh),t＝1,2,...,m (5)
式(5)中，ht为隐藏节点输出的滑坡信息，m为滑坡致灾因子的个数，t为第t个致灾因子，ht-1为第t-1个致灾因子包含的滑坡信息，xt为输入的第t个致灾因子，f(·)为非线性激活函数，Wx表示连接输入层与隐藏层的权重，Wh为连接第t和隐藏节点与第t-1个隐藏节点之间的权重，bh为偏置。
进一步地，S53中输出易发性概率值的公式如式(6)：
式(6)中，y为输出的易发性概率值，h为隐藏层输出的滑坡信息，
为非线性激活函数，Wy和by分别表示权重和偏置。
步骤S6具体为：
S61：利用S5构建的滑坡易发性模型对研究区域进行滑坡易发性预测，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、高和极高滑坡灾害易发区。
进一步地，步骤S1中，所述多源数据，包括遥感影像、地形地貌数据、基础地质数据、水文气象数据和历史滑坡灾害编录数据。
本发明提供的技术方案带来的有益效果是：基于循环神经网络RNN能够处理序列数据的特点构建针对于滑坡灾害的序列数据并进行区域灾害易发性预测，可有效提高滑坡灾害易发性预测精度。
附图说明
图1是本发明一种基于RNN的滑坡灾害易发性预测方法的流程图；
图2是本发明一种基于RNN的滑坡灾害易发性预测方法的滑坡灾害易发性预测图。
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RNN的滑坡灾害易发性预测方法的流程图，具体包括：
S1：获取滑坡灾害研究区域的多源数据，并对多源数据的空间分辨率、投影坐标系与地理坐标系一起进行统一；所述多源数据包括遥感影像、地形地貌数据、基础地质数据、水文气象数据和历史滑坡灾害编录数据。
S2：从地质构造、气象水文以及人类活动三个方面分析滑坡灾害影响因素确定与滑坡有关的致灾因子，并通过GIS平台从所述多源数据中提取致灾因子；
S3：利用多重共线性判断所述致灾因子之间是否存在共线性；若是，则剔除存在共线性的致灾因子，得到非共线性的致灾因子，进入步骤S4；否则，进入步骤S4；
对提取出来的致灾因子进行共线性分析，结果如表1所示。致灾因子的VIF值都小于10，致灾因子之间不存在共线性。因此所有的致灾因子都将用于后续的易发性预测。
表1多重共线性分析结果
S4：使用信息增益方法评价致灾因子的重要性，结果如表2所示；致灾因子信息增益越大，则表示致灾因子对预测滑坡易发性越重要；将致灾因子图层根据信息增益从大到小进行叠加，再以格网单元逐行逐列提取致灾因子属性值，完成滑坡序列数据集的构建与采集；
表2致灾因子信息增益值
S5：构建滑坡灾害易发性循环神经网络模型,利用滑坡序列数据集对滑坡灾害易发性循环神经网络模型进行参数优化；利用优化后的滑坡灾害易发性循环神经网络模型进行滑坡灾害易发性分析，对整个研究区域进行易发性预测，并得到整个滑坡灾害研究区的滑坡易发性概率值；
S6：根据所述整个滑坡灾害研究区的滑坡易发性概率值大小将研究区域划分为五个等级，输出滑坡灾害易发性预测图。
步骤S2中与滑坡有关的致灾因子包括高程、坡向、平面曲率、剖面曲率、距河流距离、土地利用、植被归一化指数、降雨量、坡度和地形湿度指数。
步骤S3中评估滑坡致灾因子共线性的公式如式(1)：
式(1)中，VIF为计算的方差膨胀系数；若VIF值小于10，则代表第j个致灾因子不存在共线性；否则，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，j＝1，2，...10，其计算公式如式(2)：
式(2)中，n为所有滑坡数据样本个数，yi为第j个致灾因子中第i个样本的属性值，
为第j个致灾因子中所有样本属性值的平均值，
为利用最小二乘法拟合出来第i个样本的拟合值。
步骤S4中计算致灾因子信息增益的公式如式(3)：
Gain(A)＝H(S)-H(S|A) (3)
式(3)中，A为滑坡灾害致灾因子，S为滑坡灾害致灾因子集合，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)计算公式如式(4)：
式(4)中，k为样本类别的数目，pi为样本属于第i个类别的概率，i＝1，2...，k。
步骤S5中的循环神经网络模型进行易发性预测的具体步骤如下：
S51：输入滑坡灾害序列数据；
S52：利用循环神经网络隐藏层中的隐藏节点提取序列数据的滑坡信息；
S53：利用循环神经网络的输出层将S52提取出的滑坡信息转换为滑坡灾害易发性概率值。
进一步地，S52中隐藏节点提取滑坡信息的公式如式(5)：
ht＝f(Wxxt+Whht-1+bh),t＝1,2,...,m (5)
式(5)中，ht为隐藏节点输出的滑坡信息，m为滑坡致灾因子的个数，t为第t个致灾因子，ht-1为第t-1个致灾因子包含的滑坡信息，xt为输入的第t个致灾因子，f(·)为非线性激活函数，Wx表示连接输入层与隐藏层的权重，Wh为连接第t和隐藏节点与第t-1个隐藏节点之间的权重，bh为偏置。
进一步地，S53中输出易发性概率值的公式如式(6)：
式(6)中，y为输出的易发性概率值，h为隐藏层输出的滑坡信息，
为非线性激活函数，Wy和by分别表示权重和偏置。
将验证集输入滑坡灾害易发性模型中，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ACC值越接近于1，说明易发性模型的预测精度越高，本发明方法的AUC值为0.843，ACC值为76.15％。
步骤S6具体为：
S61：利用S5构建的滑坡易发性模型对研究区域进行滑坡易发性预测，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，所述极低、低、中、高和极高易发性等级根据实际情况自行划分判断；
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、高和极高滑坡灾害易发区；
最终滑坡灾害易发性预测图参考图2。
本发明的有益效果是：基于循环神经网络RNN能够处理序列数据的特点构建针对于滑坡灾害的序列数据并进行区域灾害易发性预测，可有效提高滑坡灾害易发性预测精度。
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 (9)
1.一种基于RNN的滑坡灾害易发性预测方法，其特征在于：具体包括以下步骤：
S1：获取滑坡灾害研究区域的多源数据，并对多源数据的空间分辨率、投影坐标系与地理坐标系一起进行统一；
S2：确定与滑坡有关的致灾因子，并通过GIS平台从所述多源数据中提取致灾因子；
S3：利用多重共线性判断所述致灾因子之间是否存在共线性；若是，则剔除存在共线性的致灾因子，得到非共线性的致灾因子，进入步骤S4；否则，进入步骤S4；
S4：使用信息增益方法评价致灾因子的重要性，致灾因子信息增益越大，则表示致灾因子对预测滑坡易发性越重要；将致灾因子对应的图层根据信息增益从大到小进行叠加，再以格网单元逐行逐列提取致灾因子属性值，完成滑坡序列数据集的构建与采集；
S5：构建滑坡灾害易发性循环神经网络模型,利用滑坡序列数据集对滑坡灾害易发性循环神经网络模型进行参数优化；利用优化后的滑坡灾害易发性循环神经网络模型进行滑坡灾害易发性分析，对整个研究区域进行易发性预测，并得到整个滑坡灾害研究区的滑坡易发性概率值；
S6：根据所述整个滑坡灾害研究区的滑坡易发性概率值大小将研究区域划分为五个等级，输出滑坡灾害易发性预测图。
2.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于，步骤S2中与滑坡有关的致灾因子包括高程、坡向、平面曲率、剖面曲率、距河流距离、土地利用、植被归一化指数、降雨量、坡度和地形湿度指数。
3.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于，步骤S3中评估滑坡致灾因子共线性的公式如式(1)：
式(1)中，VIF为计算的方差膨胀系数；若VIF值小于10，则代表第j个致灾因子不存在共线性；否则，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，j＝1，2，...10，其计算公式如式(2)：
式(2)中，n为所有滑坡数据样本个数，yi为第j个致灾因子中第i个样本的属性值，
为第j个致灾因子中所有样本属性值的平均值，
为利用最小二乘法拟合出来第i个样本的拟合值。
4.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于，步骤S4中计算致灾因子信息增益的公式如式(3)：
Gain(A)＝H(S)-H(S|A) (3)
式(3)中，A为滑坡灾害致灾因子，S为滑坡灾害致灾因子集合，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)计算公式如式(4)：
式(4)中，k为样本类别的数目，pi为样本属于第i个类别的概率，i＝1，2...，k。
5.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于：步骤S5中的循环神经网络模型进行易发性预测的具体步骤如下：
S51：输入滑坡灾害序列数据集；
S52：利用循环神经网络隐藏层中的隐藏节点提取序列数据的滑坡信息；
S53：利用循环神经网络的输出层将S52提取出的滑坡信息转换为滑坡灾害易发性概率值。
6.如权利要求5中所述的一种基于RNN的滑坡灾害易发性预测方法其特征在：S52中隐藏节点提取滑坡信息的公式如式(5)：
ht＝f(Wxxt+Whht-1+bh),t＝1,2,...,m (5)
式(5)中，ht为隐藏节点输出的滑坡信息，m为滑坡致灾因子的个数，t为第t个致灾因子，ht-1为第t-1个致灾因子包含的滑坡信息，xt为输入的第t个致灾因子，f(·)为非线性激活函数，Wx表示连接输入层与隐藏层的权重，Wh为连接第t和隐藏节点与第t-1个隐藏节点之间的权重，bh为偏置。
7.如权利要求5中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于：S53中输出易发性概率值的公式如式(6)：
式(6)中，y为输出的易发性概率值，h为隐藏层输出的滑坡信息，
为非线性激活函数，Wy和by分别表示权重和偏置。
8.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于：步骤S6具体为：
S61：利用S5构建的滑坡易发性模型对研究区域进行滑坡易发性预测，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：包括极低、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、高和极高滑坡灾害易发区，并输出滑坡灾害易发性预测图。
9.如权利要求1中所述的一种基于RNN的滑坡灾害易发性预测方法，其特征在于：步骤S1中，所述多源数据，包括遥感影像、地形地貌数据、基础地质数据、水文气象数据和历史滑坡灾害编录数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093323.5A CN111310898A (zh) | 2020-02-14 | 2020-02-14 | 一种基于rnn的滑坡灾害易发性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093323.5A CN111310898A (zh) | 2020-02-14 | 2020-02-14 | 一种基于rnn的滑坡灾害易发性预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111310898A true CN111310898A (zh) | 2020-06-19 |
Family
ID=71147121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010093323.5A Pending CN111310898A (zh) | 2020-02-14 | 2020-02-14 | 一种基于rnn的滑坡灾害易发性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310898A (zh) |
Cited By (9)
| 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 |
| CN112508060A (zh) * | 2020-11-18 | 2021-03-16 | 哈尔滨工业大学（深圳） | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
| CN112700104A (zh) * | 2020-12-25 | 2021-04-23 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
| CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113610070A (zh) * | 2021-10-11 | 2021-11-05 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于多源数据融合的滑坡灾害识别方法 |
| CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
| CN115049053A (zh) * | 2022-06-20 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
| CN115661681A (zh) * | 2022-11-17 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及系统 |
| CN116956046A (zh) * | 2023-09-07 | 2023-10-27 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030212691A1 (en) * | 2002-05-10 | 2003-11-13 | Pavani Kuntala | Data mining model building using attribute importance |
| CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110322118A (zh) * | 2019-06-06 | 2019-10-11 | 重庆工商大学融智学院 | 地质灾害空间分布规律及易发性评估方法 |
-
2020
- 2020-02-14 CN CN202010093323.5A patent/CN111310898A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030212691A1 (en) * | 2002-05-10 | 2003-11-13 | Pavani Kuntala | Data mining model building using attribute importance |
| CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110322118A (zh) * | 2019-06-06 | 2019-10-11 | 重庆工商大学融智学院 | 地质灾害空间分布规律及易发性评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| HUANGQIONG CHEN等: "Landslide Deformation Prediction Based on Recurrent Neural Network", pages 169 - 178 * |
| 刘曦;沈芳;: "长江三角洲海岸侵蚀脆弱性模糊综合评价", 长江流域资源与环境, no. 1, pages 196 - 200 * |
| 张旭;雷国平;周浩;张颖;曲晓涵;孟祥玉;: "萝北县高标准基本农田建设时序及障碍因素诊断", 中国农业资源与区划, no. 06, pages 7 - 12 * |
| 李贤良;刘欢;彭涛;岳振峰;王国民;梁均;: "食品检验化学分析方法的环境安全兼容性评价指标体系构建", 检验检疫学刊, no. 05, pages 7 - 12 * |
| 龚媛;李飞雪;王丽妍;姜朋辉;黄秋昊;李满春;: "耕地空间优化配置研究――以常州市新北区为例", 水土保持研究, no. 04, pages 199 - 205 * |
Cited By (14)
| 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 |
| CN112508060A (zh) * | 2020-11-18 | 2021-03-16 | 哈尔滨工业大学（深圳） | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
| CN112508060B (zh) * | 2020-11-18 | 2023-08-08 | 哈尔滨工业大学（深圳） | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
| CN112700104A (zh) * | 2020-12-25 | 2021-04-23 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
| CN112700104B (zh) * | 2020-12-25 | 2022-09-09 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
| CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113610070A (zh) * | 2021-10-11 | 2021-11-05 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于多源数据融合的滑坡灾害识别方法 |
| CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
| CN115049053A (zh) * | 2022-06-20 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
| CN115049053B (zh) * | 2022-06-20 | 2023-03-24 | 航天宏图信息技术股份有限公司 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
| CN115661681A (zh) * | 2022-11-17 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及系统 |
| CN116956046A (zh) * | 2023-09-07 | 2023-10-27 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
| CN116956046B (zh) * | 2023-09-07 | 2023-12-29 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| Dou et al. | Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island, Japan | |
| 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 | |
| CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
| CN110163472B (zh) | 大范围极端干旱应急监测与影响评估方法及系统 | |
| Cao et al. | Multi-geohazards susceptibility mapping based on machine learning—a case study in Jiuzhaigou, China | |
| Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
| Jacinth Jennifer et al. | Artificial neural network and sensitivity analysis in the landslide susceptibility mapping of Idukki district, India | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
| CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| Wei et al. | A hybrid framework integrating physical model and convolutional neural network for regional landslide susceptibility mapping | |
| Wan | Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN112200354A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN112700104B (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
| CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
| CN111968019A (zh) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 | |
| CN113553764A (zh) | 一种基于深度学习网络的山火预测方法 | |
| CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Plant et al. | Combining expert system and GIS technology to implement a state-transition model of oak woodlands | |
| CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
| Abraham et al. | Spatio-temporal dynamics of land use land cover changes and future prediction using geospatial techniques | |
| Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery |
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 |