CN114186780A - 一种基于机器学习的山洪灾害区划方法 - Google Patents
一种基于机器学习的山洪灾害区划方法 Download PDFInfo
- Publication number
- CN114186780A CN114186780A CN202111298410.5A CN202111298410A CN114186780A CN 114186780 A CN114186780 A CN 114186780A CN 202111298410 A CN202111298410 A CN 202111298410A CN 114186780 A CN114186780 A CN 114186780A
- Authority
- CN
- China
- Prior art keywords
- mountain torrent
- clustering
- zoning
- indexes
- disaster
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013316 zoning Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002856 peripheral neuron Anatomy 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000005192 partition Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000037466 short stature, oligodontia, dysmorphic facies, and motor delay Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的山洪灾害区划方法，包括如下步骤：(1)提取各项短时强降雨指标和下垫面数据指标；(2)从短时强降雨指标和下垫面数据指标中筛选山洪灾害的关键因子；(3)构建基于自组织映射神经网络模型SOM进行山洪灾害的一级空间聚类，然后进行二级聚类；(4)利用外部指标和内部指标对山洪灾害的二级聚类结果进行综合评价，确定山洪灾害最佳聚类方案；(5)计算分区图斑面积标准差率，对微小斑块进行合并后处理，获取最终山洪灾害区划结果。本发明通过随机森林模型对山洪灾害相关关键因子进行选择，然后利用SOM进行两级混合聚类，结合多种机器学习方法实现了山洪灾害空间区划。
Description
技术领域
本发明涉及山洪灾害防治领域，特别涉及一种基于机器学习的山洪灾害区划方法。
背景技术
山洪是山丘区小流域由于短历时强降雨诱发的急涨急落的地表径流，山洪灾害是世界上最致命的自然灾害之一，其具有突发性强、隐蔽性强、破坏力大、损失严重等特点，常造成居民伤亡、冲毁建筑设施、改变河流形态和破坏自然环境。随着极端气候事件和人类活动的加剧，山洪灾害问题逐渐受到世界各国的广泛关注与高度重视。开展山洪灾害区划可以有效地反映的山洪灾害的空间分异格局，为山洪灾害实施分而治之的防治与预警提供科学依据，有利于山洪防治减灾事业的稳健发展。
山洪灾害分区是自然地理区划的研究内容之一，自然区划方法主要包括：成因分区法、评价指标分级分区法、多元统计法以及能够较好识别地理区域的聚类分析法等。聚类算法是自然地理区划研究中应用最普遍的方法，应用领域也很广，如流域水文区划、气候区划、降雨区划等。但近年来关于山洪灾害的研究多以风险评估为主，较少关注山洪灾害的区划研究。
发明内容
发明目的：针对以上问题，本发明目的是提供一种基于机器学习的山洪灾害区划方法，以小流域为基本空间单元进行SOM两级混合聚类，根据聚类结果和分区图斑面积标准差率获得山洪灾害区划方案。
技术方案：本发明的一种基于机器学习的山洪灾害区划方法，包括如下步骤：
(1)预处理山洪灾害影响因子，提取各项短时强降雨指标和下垫面数据指标；
(2)根据随机森林模型的变量重要性，从短时强降雨指标和下垫面数据指标中筛选山洪灾害的关键因子，将关键因子作为山洪灾害距离的输入变量；
(3)根据筛选的关键因子，构建基于自组织映射神经网络模型SOM进行山洪灾害的一级空间聚类，然后分别利用Ward、Kmeans、PAM、CLARA、HKmeans聚类方法对SOM神经元节点分组，进行二级聚类；
(4)利用外部指标和内部指标对山洪灾害的二级聚类结果进行综合评价，确定山洪灾害最佳聚类方案，作为山洪灾害的初步区划结果；
(5)计算初步区划结果中分区图斑面积标准差率，对微小斑块进行合并后处理，获取最终山洪灾害区划结果。
进一步，步骤(3)利用神经网络模型SOM进行一级空间聚类包括两阶段：
(301)第一阶段用权重向量Wij计算获胜神经元，使其与输入向量Xk的距离djk最小，表达式为：
|Xk-Wc|＝minj{djk}
(302)第二阶段为学习阶段，更新获胜神经元及周围神经元的权重向量，表达式为：
wij(t+1)＝wij(t)+η(t)(xi-wij(t))
其中0＜η(t)＜1为增益函数，随着时间逐渐减小；wij为权重向量，t是迭代步长。
进一步，步骤(3)自组织映射神经网络模型SOM包括两层网络，输入层中的神经元个数为用于山洪灾害区域化的关键因子数目，输出层被组织成二维网格的拓扑结构。
进一步，所述外部指标包括区划效果指数RQI；
所述内部指标包括戴维森堡丁指数DBI和轮廓系数SI；
步骤(4)评价标准为：外部指标RQI作为聚类方案判定的主要指标，根据RQI的最小值判定最优的聚类数目与方案；当不同方案RQI最小值相同时，再结合内部指标DBI和SI进行评判，当DBI数值较小、SI数值较大对应方案为最佳聚类方案。
进一步，所述拓扑结构为正方形或六边形结构。
进一步，步骤(5)最终山洪灾害区划结果标准为分区图斑面积标注差率趋于稳定。
进一步，步骤(5)分区图斑面积标准差率定义为各个图斑面积的标准差除以均值，表达式为：
其中σ为标准差，μ为均值。
有益效果：本发明与现有技术相比，其显著优点是：
1、本发明通过随机森林模型对山洪灾害相关关键因子进行选择，然后利用SOM进行两级混合聚类，结合多种机器学习方法实现了山洪灾害空间区划；
2、通过随机森林模型的特征选择，更好的找到与历史山洪灾害高度相关的关键因子，以较少数目的关键特征变量保留数据信息用于山洪灾害区划；
3、基于SOM两级混合聚类，对输出进行二级聚类后综合多种聚类方法的优势获取更佳的聚类结果；
4、提出了聚类结果评价的外部指标RQI，结合内部指标DBI和SI确定最佳聚类方案作为初步区划结果；提出了基于分区图斑面积标准差率的聚类微小斑块后处理方法，将细小图斑与具有最长公用边界的邻近图斑合并，为确定分区数目提供数量依据。
附图说明
图1为本发明山洪灾害区划方法流程图；
图2为山洪灾害区划方法结果：(a)小流域单元初始聚类结果，(b)小流域初次合并结果，(c)山洪灾害区划方案。
具体实施方式
本实施例所述的一种基于机器学习的山洪灾害区划方法，流程图如图1所示，包括如下步骤：
(1)预处理山洪灾害影响因子，提取各项短时强降雨指标和下垫面数据指标：
由于原始降雨数据存在异常值和数据缺失问题，故使用前需要对原始降雨数据进行预处理，剔除其中的异常值，利用插值弥补缺失的数据，最终得到各项短时强降雨指标，同时对下垫面数据通过重采样得到相同空间分辨率的下垫面数据指标。构建影响山洪灾害的指标体系，包括短时强降雨因子、下垫面数据指标、小流域属性，将这些数据作为输入山洪灾害密切相关的影响因子。
(2)利用随机森林模型的变量重要性，从短时强降雨指标和下垫面数据指标中筛选山洪灾害的关键因子，将关键因子作为山洪灾害距离的输入变量。
选取发生历史山洪灾害的小流域作为正样本，训练随机森林模型，利用袋外样本数据测试随机森林模型中每棵树的OOB误差，Xj随机森林变量重要性定义如下：
其中t是随机森林中的树，ntree是树的数量，errOOBt是利用袋外样本数据测试模型中每棵树的OOB误差，
为随机打乱袋外样本数据中变量j的值重新测试每棵树的OOB误差。
通过随机森林模型计算变量重要性排序，选择变量重要性大，且高于变量重要性均值的变量，作为影响山洪灾害的关键因子。
(3)根据筛选的关键因子，构建基于自组织映射神经网络模型SOM进行山洪灾害的一级空间聚类，然后利用Ward、Kmeans、PAM、CLARA、HKmeans聚类方法对SOM神经元节点分组，进行二级聚类；
利用神经网络模型SOM进行一级空间聚类包括两阶段：
(301)第一阶段用权重向量Wij计算获胜神经元，使其与输入向量Xk的距离djk最小，表达式为：
|Xk-Wc|＝minj{djk}
(302)第二阶段为学习阶段，更新获胜神经元及周围神经元的权重向量，表达式为：
wij(t+1)＝wij(t)+η(t)(xi-wij(t))
其中0＜η(t)＜1为增益函数，随着时间逐渐减小；wij为权重向量，t是迭代步长。
自组织映射神经网络模型SOM包括两层网络，输入层中的神经元个数为用于山洪灾害区域化的关键因子数目，输出层被组织成二维网格的拓扑结构，拓扑结构为正方形或六边形结构。
(4)利用外部指标和内部指标对山洪灾害的二级聚类结果进行综合评价，外部指标RQI作为聚类方案判定的主要指标，根据RQI的最小值判定最优的聚类数目与方案；当不同方案RQI最小值相同时，再结合内部指标DBI和SI进行评判，当DBI数值较小、SI数值较大对应方案为最佳聚类方案，作为山洪灾害的初步区划结果。
外部指标包括区划效果指数RQI，表达式为：
其中M为总小流域数；C为类别数；F为关键因子数；CVi j为类型i中j的变异系数；ε为常数。
内部指标包括戴维森堡丁指数DBI和轮廓系数SI；表达式分别如下：
其中k是聚类数目，
是i簇中每个样本与该簇中心之间的平均距离，
是j簇中每个样本与该簇中心之间的平均距离，dij是簇i与簇j的簇中心之间的距离；
其中a(i)为样本与同一簇类中的其他样本点的平均距离；b(i)为样本与距离最近簇类中所有样本点的平均距离。
(5)计算初步区划结果中分区图斑面积标准差率，运用ArcGIS的Eliminet工具对微小斑块归并到相邻边最长的图斑里，当分区方案中各区域面积相当，分区图斑面积标准差率趋于稳定时，表明各个区域的面积达到相近，即得到分区大小相对均匀的山洪灾害区划方案。通常定义面积小于100km2时为微小图斑。
分区图斑面积标准差率定义为各个图斑面积的标准差除以均值，表达式为：
其中σ为标准差，μ为均值。
利用本发明方法进行山洪灾害区划结果如图2所示：图2(a)为以小流域为基本空间单元，进行基于SOM两级混合聚类，并通过聚类有效性指标判定得到的最佳聚类方案，即：由RQI确定最佳聚类数为7，再由DBI和SI确定的最优初始小流域单元聚类结果，对应聚类方法为SOFM和Kmeans；图2(b)为相邻小流域属于同一聚类的初次合并后的7类结果；图2(c)根据分区图斑面积标准差率合并后的山洪灾害区划方案。
Claims (7)
1.一种基于机器学习的山洪灾害区划方法，其特征在于，包括如下步骤：
(1)预处理山洪灾害影响因子，提取各项短时强降雨指标和下垫面数据指标；
(2)根据随机森林模型的变量重要性，从短时强降雨指标和下垫面数据指标中筛选山洪灾害的关键因子，将关键因子作为山洪灾害距离的输入变量；
(3)根据筛选的关键因子，构建基于自组织映射神经网络模型SOM进行山洪灾害的一级空间聚类，然后分别利用Ward、Kmeans、PAM、CLARA、HKmeans聚类方法对SOM神经元节点分组，进行二级聚类；
(4)利用外部指标和内部指标对山洪灾害的二级聚类结果进行综合评价，确定山洪灾害最佳聚类方案，作为山洪灾害的初步区划结果；
(5)计算初步区划结果中分区图斑面积标准差率，对微小斑块进行合并后处理，获取最终山洪灾害区划结果。
2.根据权利要求1所述的山洪灾害区划方法，其特征在于，步骤(3)利用神经网络模型SOM进行一级空间聚类包括两阶段：
(301)第一阶段用权重向量Wij计算获胜神经元，使其与输入向量Xk的距离djk最小，表达式为：
|Xk-Wc|＝minj{djk}
(302)第二阶段为学习阶段，更新获胜神经元及周围神经元的权重向量，表达式为：
wij(t+1)＝wij(t)+η(t)(xi-wij(t))
其中0<η(t)<1为增益函数，随着时间逐渐减小；wij为权重向量，t是迭代步长。
3.根据权利要求1所述的山洪灾害区划方法，其特征在于，所述外部指标包括区划效果指数RQI；
所述内部指标包括戴维森堡丁指数DBI和轮廓系数SI；
步骤(4)评价标准为：外部指标RQI作为聚类方案判定的主要指标，根据RQI的最小值判定最优的聚类数目与方案；当不同方案RQI最小值相同时，再结合内部指标DBI和SI进行评判，当DBI数值较小、SI数值较大对应方案为最佳聚类方案。
4.根据权利要求2所述的山洪灾害区划方法，其特征在于，步骤(3)自组织映射神经网络模型SOM包括两层网络，输入层中的神经元个数为用于山洪灾害区域化的关键因子数目，输出层被组织成二维网格的拓扑结构。
5.根据权利要求4所述的山洪灾害区划方法，其特征在于，所述拓扑结构为正方形或六边形结构。
6.根据权利要求1所述的山洪灾害区划方法，其特征在于，步骤(5)最终山洪灾害区划结果标准为分区图斑面积标注差率趋于稳定。
7.根据权利要求6所述的山洪灾害区划方法，其特征在于，步骤(5)分区图斑面积标准差率定义为各个图斑面积的标准差除以均值，表达式为：
其中σ为标准差，μ为均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111298410.5A CN114186780B (zh) | 2021-11-04 | 2021-11-04 | 一种基于机器学习的山洪灾害区划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111298410.5A CN114186780B (zh) | 2021-11-04 | 2021-11-04 | 一种基于机器学习的山洪灾害区划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114186780A true CN114186780A (zh) | 2022-03-15 |
| CN114186780B CN114186780B (zh) | 2022-07-22 |
Family
ID=80540688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111298410.5A Active CN114186780B (zh) | 2021-11-04 | 2021-11-04 | 一种基于机器学习的山洪灾害区划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114186780B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012198886A (ja) * | 2011-03-10 | 2012-10-18 | Yamaguchi Univ | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム |
| CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
| CN107391930A (zh) * | 2017-07-21 | 2017-11-24 | 华北水利水电大学 | 山洪灾害分析评价系统及山洪灾害分析评价方法 |
| 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 |
| CN110737875A (zh) * | 2019-09-24 | 2020-01-31 | 浙江省水利河口研究院 | 一种中长期山洪灾害预警预判方法 |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN111724033A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于随机集理论的洪灾风险评价与精细区划方法 |
| KR20200132484A (ko) * | 2019-05-17 | 2020-11-25 | 군산대학교산학협력단 | 재난 관리 서버의 동작 방법 |
| CN113033081A (zh) * | 2021-03-10 | 2021-06-25 | 中国科学院地理科学与资源研究所 | 一种基于som-bpnn模型的径流模拟方法及系统 |
| CN113487123A (zh) * | 2021-05-11 | 2021-10-08 | 长江水利委员会长江科学院 | 高光谱监测与gis耦合山洪灾害动态风险评估方法 |
-
2021
- 2021-11-04 CN CN202111298410.5A patent/CN114186780B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012198886A (ja) * | 2011-03-10 | 2012-10-18 | Yamaguchi Univ | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム |
| CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
| CN107391930A (zh) * | 2017-07-21 | 2017-11-24 | 华北水利水电大学 | 山洪灾害分析评价系统及山洪灾害分析评价方法 |
| 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 |
| KR20200132484A (ko) * | 2019-05-17 | 2020-11-25 | 군산대학교산학협력단 | 재난 관리 서버의 동작 방법 |
| CN110737875A (zh) * | 2019-09-24 | 2020-01-31 | 浙江省水利河口研究院 | 一种中长期山洪灾害预警预判方法 |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
| CN111724033A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于随机集理论的洪灾风险评价与精细区划方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN113033081A (zh) * | 2021-03-10 | 2021-06-25 | 中国科学院地理科学与资源研究所 | 一种基于som-bpnn模型的径流模拟方法及系统 |
| CN113487123A (zh) * | 2021-05-11 | 2021-10-08 | 长江水利委员会长江科学院 | 高光谱监测与gis耦合山洪灾害动态风险评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| DEBJIT MUKHERJEE; RITIKA NATH; ANURAG GHOSH等: ""Disaster forecasting using convex hull & K-median approach"", 《2016 IEEE 7TH ANNUAL INFORMATION TECHNOLOGY, ELECTRONICS AND MOBILE COMMUNICATION CONFERENCE (IEMCON)》, 17 November 2016 (2016-11-17) * |
| 张若婧;陈跃红;张晓祥;方秀琴;马强;任立良: ""基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究"", 《地理与地理信息科学》, vol. 37, no. 4, 15 July 2021 (2021-07-15), pages 72 - 80 * |
| 罗日洪等: "基于AHP和GIS的山区小流域山洪灾害风险区划研究", 《灾害学》 * |
| 罗日洪等: "基于AHP和GIS的山区小流域山洪灾害风险区划研究", 《灾害学》, no. 02, 20 April 2018 (2018-04-20), pages 64 - 69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114186780B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ayodele et al. | A multi-criteria GIS based model for wind farm site selection using interval type-2 fuzzy analytic hierarchy process: The case study of Nigeria | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
| Farokhnia et al. | Application of global SST and SLP data for drought forecasting on Tehran plain using data mining and ANFIS techniques | |
| CN110362948B (zh) | 一种基于云模型的岩溶地面塌陷的治理方法 | |
| CN112200358A (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| CN116108758A (zh) | 滑坡易发性评价方法 | |
| CN110781946B (zh) | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN112819208A (zh) | 一种基于特征子集耦合模型的空间相似性地质灾害预测方法 | |
| CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
| CN117808214A (zh) | 水利工程数据分析系统 | |
| Haverkamp et al. | Subwatershed spatial analysis tool: Discretization of a distributed hydrologic model by statistical criteria 1 | |
| Ghosh et al. | Pattern space analysis of landscape metrics for detecting changes in forests of Himalayan foothills | |
| CN112200363B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN114186780B (zh) | 一种基于机器学习的山洪灾害区划方法 | |
| CN116934125A (zh) | 一种面向能源开发片区的生态承载力评价方法 | |
| CN107608938A (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
| CN115905902A (zh) | 一种基于k-means聚类算法划分乡村景观生态敏感区的方法 | |
| CN114493245B (zh) | 一种基于gis与集成学习的山洪灾害易发性评价方法 | |
| CN110533341A (zh) | 一种基于bp神经网络的城市宜居性评价方法 | |
| Gorai et al. | Prediction of flood risk zone of Ghaggar river basin, India using graph theory technique | |
| Dariane et al. | Forecasting of rainfall using different input selection methods on climate signals for neural network inputs | |
| CN115439287A (zh) | 一种基于机器学习的地质灾害危险性评价方法 | |
| CN115019476A (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |