CN115906669A - 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 - Google Patents
一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 Download PDFInfo
- Publication number
- CN115906669A CN115906669A CN202211719865.4A CN202211719865A CN115906669A CN 115906669 A CN115906669 A CN 115906669A CN 202211719865 A CN202211719865 A CN 202211719865A CN 115906669 A CN115906669 A CN 115906669A
- Authority
- CN
- China
- Prior art keywords
- landslide
- evaluation
- residual error
- error network
- dense residual
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法,包括:选择滑坡评价因子,以栅格单元为评价单元,对多源数据进行预处理;对评价因子中连续型数据进行离散化处理;构建决策表进行属性约简,筛选核因子构建评价因子数据集;确定非滑坡栅格的选取,构建滑坡样本数据集;密集残差网络构建,在卷积层中引入跳跃连接,以密集连接的方式连接不同卷积层输出的特征图;构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价。本发明综合考虑每个评价因子间的正负权重计算生成负样本选取约束区域,结合样本距离约束,对负样本进行选取,提高负样本可信度,防止过拟合现象的发生,提高滑坡易发性评价模型的可靠性。
Description
技术领域
本发明属于地质灾害风险分析的技术领域,尤其涉及一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法。
背景技术
伴随极端天气多发态势,地质灾害愈演愈烈,滑坡作为发生率最高的灾害类型之一,严重危及着区域基础设施和人员的生命财产安全,故开展科学有效的滑坡易发性评价具有重要意义。
由于样本数据集是滑坡易发性评价中的关键要素,对模型精度起到重要的作用。在滑坡易发性评价中,样本数据集由滑坡样本与非滑坡样本组成,滑坡样本一般为已知信息,而非滑坡样本的选择目前还没有统一标准,不合适的采样方法可能会降低预测模型的性能。随机选点策略,即在非滑坡区内随机选取非滑坡样本;缓冲区选点策略,将已知滑坡点作为中心建立缓冲区,并在缓冲区外随机选择;单一因子属性选点策略,例如利用坡度等于0的区域划分选择非滑坡样本;但在实际应用中,这些主观或随机选点策略往往容易将高易发区的样本认定为负样本,导致其无法确保所选非滑坡样本的准确性;缓冲区选点策略由于滑坡灾害具有空间自相关性和空间异质性等特点,存在较强的不确定性,同时,对缓冲区距离的设置也没有统一的选择标准;针对某一因子的特定属性区间为基础的选择策略会造成过度夸大该因子的贡献程度,且选择方式的广泛性较差。
综上所述,在滑坡易发性评价中,负样本选择策略普遍存在一定随机性与主观性,给易发性制图带来不确定性。同时,滑坡的孕育和发生往往受到自然地理、生态环境、基础地质和人类活动等多因素共同作用,是一个复杂的非线性系统,密集残差网络可以更大程度挖掘评价因子的细节特征,具有较好的处理非线性关系能力。受滑坡样本的局限性,如何充分利用已知信息,使负样本的选择更具准确性与合理性,使模型达到更优的效果也是目前的一个难题。
发明内容
针对现有技术中存在的不足,本发明所要解决的技术问题在于提供一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法,提高负样本可信度以及机器学习模型精度,提高负样本准确率。
为了实现以上技术方案,提出了一种基于顾及负样本选取策略的密集残差网络滑坡易发性评价方法,包括以下步骤:
S1、选择滑坡评价因子,以栅格单元为评价单元,对多源数据进行预处理;
S2、对评价因子中连续型数据进行离散化处理;
S3、构建决策表进行属性约简,筛选核因子构建评价因子数据集;
S4、对滑坡样本与评价因子进行叠加复合分析来获取滑坡易发性指数,同时结合样本点距离划分非滑坡栅格生成的约束范围,进一步确定非滑坡栅格的选取,构建滑坡样本数据集;
S5、密集残差网络构建,在卷积层中引入跳跃连接,以密集连接的方式连接不同卷积层输出的特征图,利用结构化思想,采用一种屏蔽连续区域的正则化方法,减少网络中过拟合现象的发生;
S6、构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价。
优选的,在所述步骤S1中,根据研究区的基础地质资料与现有研究,从滑坡发生的内部因素与外部激发因素两方面选取滑坡评价因子,利用ARCGIS为多源数据处理平台,通过坐标系转换、数据配准与重采样,将多源数据统一到同一的标准尺度。
进一步的,在所述步骤S2中,对评价因子中连续型数据进行离散化,具体为采用自然间断法将连续型评价因子分为五个属性值区间,使组内数据尽可能相近,不同组间差异最大化。
进一步的,在所述步骤S3中,对评价因子进行属性约简,将评价因子作为条件属性,已知滑坡与等比随机选择的非滑坡样本作为决策属性,构建初始二维决策表分析其潜在信息进行属性约简与求核,确定最终评价因子数据集。
进一步的,在所述步骤S4中,以步骤S2中的数据离散后的区间结果为基础,计算各个评价因子各指标间的总权重值,并叠加得到最终滑坡易发性指数(LSI),将LSI<0的区域作为选点区,对选点区内的已知滑坡点建立1 000米缓冲区,在选点区内、滑坡点缓冲区外定量分析非滑坡栅格的选取,与滑坡栅格共同组成滑坡样本数据集。
进一步的,在所述步骤S4中,获得滑坡易发性指数的具体方法如下:
(1)在ArcGIS平台,统计每个滑坡栅格单元落入评价因子各属性区间中的个数,以及各属性区间的栅格数、研究区栅格总数;
(2)利用各评价因子属性区间内的滑坡栅格单元个数与该区间栅格总数计算总权重值,具体公式如下:
式中:为该评价因子级别内发生滑坡栅格数;为该评价因子级别外发生滑坡栅格数;为该评价因子级别内未发生滑坡栅格数;为该评价因子级别外未发生滑坡栅格数;为级别内发生滑坡的充分权重;级别内发生滑坡的必要权重;Wf为总权重表现了评价因子对滑坡的重要性程度;
(3)通过叠加来获得研究区的滑坡易发指数,叠加公式如下:
优选的,在所述步骤S5中,密集残差网络构建为:该密集残差网络由卷积层、批处理归一化层、池化层组成,然后通过Softmax分类器将输出值映射为0-1的概率值。
进一步的,所述步骤S6的具体步骤为:在步骤S3与步骤S4的基础上得到评价因子数据集与优化后滑坡样本数据集,导入密集残差网络进行训练,获得研究区内滑坡发生的概率结果图,利用自然间断法对概率结果进行划分,并由低到高命名为极低易发区、低易发区、中易发区、高易发区、极高易发区。
进一步的,所述步骤S6中,计算ROC曲线和曲线下面积值,以分析方法的优劣。
由上,本发明的顾及负样本选取策略的密集残差网络滑坡易发性评价方法综合考虑了由滑坡发生的充分率得到的正权重与由滑坡发生的必要率得到的负权重,计算生成滑坡易发性指数,结合样本点距离组成范围约束条件,对负样本进行选取,提高负样本可信度以及机器学习模型精度。同时密集残差网络深度挖掘特征细节信息,较好的反应评价因子间的非线性关系,进一步提高滑坡易发性评价模型的可靠性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明的顾及负样本选取策略的密集残差网络滑坡易发性评价方法的流程图;
图2(a)为本发明实例中基于随机选点策略的密集残差网络易发性结果图;图2(b)为顾及负样本选取策略的密集残差网络滑坡易发性结果图;
图3(a)为本发明实例中基于随机选点策略的密集残差网络模型ROC曲线图;图3(b)为顾及负样本选取策略的密集残差网络滑坡易发性模型ROC曲线图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1至3所示,本发明的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,包括以下步骤:
S1:选择滑坡评价因子,以栅格单元为评价单元,对多源数据进行预处理。
S2:对评价因子中连续型数据进行离散化处理。
S3:构建决策表进行属性约简,筛选核因子构建评价因子数据集。
S4:对滑坡样本与评价因子进行叠加复合分析来获取滑坡易发性指数,同时结合样本点距离划分非滑坡栅格生成的约束范围,进一步确定非滑坡栅格的选取,构建滑坡样本数据集。
S5:密集残差网络构建,在卷积层中引入跳跃连接,以密集连接的方式连接不同卷积层输出的特征图,利用结构化思想,采用一种屏蔽连续区域的正则化方法,减少网络中过拟合现象的发生。
S6:构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价。
步骤S1是根据研究区的基础地质资料与现有研究,从滑坡发生的内部因素与外部激发因素两方面选取滑坡评价因子。利用ARCGIS为多源数据处理平台,通过坐标系转换、数据配准与重采样,将多源数据统一到同一的标准尺度。
步骤S2对评价因子中连续型数据进行离散化。具体为采用自然间断法将连续型评价因子分为五个属性值区间,使组内数据尽可能相近,不同组间差异最大化。
步骤S3对评价因子进行属性约简,将评价因子作为条件属性,已知滑坡与等比随机选择的非滑坡样本作为决策属性,构建初始二维决策表分析其潜在信息进行属性约简与求核,确定最终评价因子数据集。
在所述步骤S4中,以步骤S2中的数据离散后的属性区间结果为基础,计算各个评价因子各指标间的总权重值,并叠加得到最终滑坡易发性指数(LSI)。将LSI<0的区域作为选点区,对选点区内的已知滑坡点建立1 000米缓冲区。在选点区内、滑坡点缓冲区外定量分析非滑坡栅格的选取,与滑坡栅格共同组成滑坡样本数据集。
步骤S4中获得滑坡易发性指数具体方法如下:
(1)在ArcGIS平台,统计每个滑坡栅格单元落入评价因子各属性区间中的个数,以及各属性区间的栅格数、研究区栅格总数。
(2)利用各评价因子属性区间内的滑坡栅格单元个数与该区间栅格总数计算总权重值,具体公式如下:
式中为该评价因子级别内发生滑坡栅格数;为该评价因子级别外发生滑坡栅格数;为该评价因子级别内未发生滑坡栅格数;为该评价因子级别外未发生滑坡栅格数;为级别内发生滑坡的充分权重;级别内发生滑坡的必要权重;Wf为总权重表现了评价因子对滑坡的重要性程度。
(3)通过叠加来获得研究区的滑坡易发指数(Landslide SusceptibilityIndex,LSI),叠加公式如下:
步骤S5中密集残差网络构建为:该密集残差网络由卷积层、批处理归一化层、池化层组成。然后通过Softmax分类器将输出值映射为0-1的概率值。
步骤S5中的网络结构采用跳跃连接方案,在层与层之间进行信息传递。利用密集残差网络充分挖掘特征信息,提高学习效率。其中残差F(E)如公式(5)。
F(E)=ψ(W2(Relu(ψ(W1+q1)))+q2)(5)
其中,W1,W2为各卷积层的权重,q1,q2为偏置,ψ表示批处理层归一化。
优先的,利用交叉熵作为损失函数,计算公式如下:
其中,n是样本数量,k是类数量,yij表示样本i的label,pij表示样本i预测为j类的概率,sij为样本i中j类的得分,loss为真实值与预测值的交叉熵。
步骤S5中的网络结构在每一层后均采用一种屏蔽连续区域的正则化方法,减少过拟合现象的发生。公式如下:
其中γ控制丢弃的特征图数量,block_size表示要丢弃的块的边长,feat_size为特征图的边长,1-keep_prob是对某一个特征进行丢弃操作的概率。
步骤S6中构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价为:在步骤S3与步骤S4基础上得到评价因子数据集与优化后滑坡样本数据集,导入密集残差网络进行训练,获得研究区内滑坡发生的概率结果图,利用自然间断法对概率结果进行划分,并由低到高命名为极低易发区、低易发区、中易发区、高易发区、极高易发区。
步骤S6中将顾及负样本选取的滑坡样本数据集作为密集残差网络的输入数据开展滑坡易发性评价,计算ROC曲线和曲线下面积(Area UnderCurve,AUC)值,以分析方法的优劣。
实施例:
本实施例中的顾及负样本选取策略的密集残差网络滑坡易发性评价方法具体包括:
步骤1:根据研究区的基础地质资料与现有研究,从滑坡发生的内部因素与外部激发因素两方面选取滑坡评价因子。利用ARCGIS为多源数据处理平台,通过坐标系转换、数据配准与重采样,将多源数据统一到同一的标准尺度。
步骤2:采用自然间断法将评价因子数据集中的连续型数据的数值区间分为五类,即连续型评价因子被离散为五个属性区间,相同级别内数据尽可能相近,不同级别间差异最大化。
步骤3:构建决策表进行属性约简,筛选核因子构建评价因子数据集;具体方法为:将7个环境因子作为条件属性,是否滑坡作为决策属性(1代表滑坡,0代表非滑坡),每一行对应一个样本,由225个滑坡样本与225个非滑坡样本组成,共计450条样本信息构建初始决策表。通过剔除决策表中的冗余属性,达到对知识进行约简并且求核的目的,所有约简结果的交集称为核,核所包含的条件属性对于决策属性来说均是必要的。
步骤4:基于多约束条件下非滑坡样本生成。具体方法为:
步骤4.1:以步骤2为基础,结合已知滑坡栅格,利用公式1计算由滑坡发生的充分率得到的正权重,公式2计算由滑坡发生的必要率得到的负权重。根据公式3计算各评价因子不同级别的总权重。总权重为正,表明利于滑坡的发生;其为负,表明其不利于滑坡的发生。
步骤4.2:将步骤4.1中计算的总权重进行叠加,获得研究区内滑坡易发性指数。将滑坡易发性指数以0为界进行划分。
步骤4.3:将LSI<0的区域作为选点区,对选点区内的已知滑坡点建立1 000米缓冲区。在选点区内、滑坡点缓冲区外随机选取非滑坡点样本,与滑坡点共同组成滑坡样本数据集。
步骤5:该密集残差网络由卷积层、批处理归一化层、池化层组成。其中所有卷积层的卷积核个数保持相同,步长设置为1;批处理归一化层对每个输入通道进行分批归一化处理。采用一种屏蔽连续区域的正则化方法,以概率1-keep_prob舍弃一部分神经元,舍弃后的神经元输出被设置为0。最后采用Softmax线性分类器,将输出值映射为0-1之间的概率值。
步骤6:构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价。
具体实施时,首先将所选取的7个评价指标的归一化值作为顾及负样本选取策略的密集残差网络模型的输入变量X,同时将吕梁市已发生的225个滑坡栅格单元与步骤4.3选择的225个非滑坡样本作为顾及负样本选取策略的密集残差网络模型的输入变量y;在顾及负样本选取策略的密集残差网络模型训练测试过程中,将正样本已知的滑坡栅格单元用1表示,将负样本选择的非滑坡栅格单元用0表示;顾及负样本选取策略的密集残差网络模型的输出变量是各栅格单元位于0~1之间是否发生滑坡的概率值;用训练测试好的顾及负样本选取策略的密集残差网络模型预测整个研究区23468623个栅格单元得到的整个研究区的滑坡易发性值,然后采用ArcGIS软件中中自然间断点分级法将其划分为5类滑坡易发性级别:极低易发区、低易发区、中等易发区、高易发区和极高易发区。(图2b)
为了进一步验证顾及负样本选取策略的密集残差网络模型的能力,将其与常见的随机选点策略进行对比,使用在滑坡栅格外随机选取间隔大于1000m的非滑坡点与已知滑坡点组成滑坡样本数据集,对模型进行训练。获得研究区内所有栅格单元均被赋予发生滑坡的概率值,并利用自然间断法将预测结果分为5个等级(图2a)。
最后,利用ROC曲线与曲线下面积AUC值对模型进行精度分析。顾及负样本选取策略的密集残差网络模型与基于随机选点策略密集残差网络模型ROC曲线结果如图3所示,AUC值分别为0.979与0.891.顾及负样本选取策略的密集残差网络模型精度提高了9.9%,充分说明了利用多约束条件,科学客观地分析非滑坡样本的选择,可以显著提升模型精度,预测效果更好,揭示了顾及负样本选取策略能够充分提高负样本的可信度,对密集残差网络模型精度起到正向影响。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,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变动,这些改进和变动也视为本发明的保护范围。
Claims (9)
1.一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,包括以下步骤:
S1、选择滑坡评价因子,以栅格单元为评价单元,对多源数据进行预处理;
S2、对评价因子中连续型数据进行离散化处理;
S3、构建决策表进行属性约简,筛选核因子构建评价因子数据集;
S4、对滑坡样本与评价因子进行叠加复合分析来获取滑坡易发性指数,同时结合样本点距离划分非滑坡栅格生成的约束范围,进一步确定非滑坡栅格的选取,构建滑坡样本数据集;
S5、密集残差网络构建,在卷积层中引入跳跃连接,以密集连接的方式连接不同卷积层输出的特征图,利用结构化思想,采用一种屏蔽连续区域的正则化方法,减少网络中过拟合现象的发生;
S6、构建顾及负样本选取策略的密集残差网络模型并应用于滑坡易发性评价。
2.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S1中,根据研究区的基础地质资料与现有研究,从滑坡发生的内部因素与外部激发因素两方面选取滑坡评价因子,利用ARCGIS为多源数据处理平台,通过坐标系转换、数据配准与重采样,将多源数据统一到同一的标准尺度。
3.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S2中,对评价因子中连续型数据进行离散化,具体为采用自然间断法将连续型评价因子分为五个属性值区间,使组内数据尽可能相近,不同组间差异最大化。
4.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S3中,对评价因子进行属性约简,将评价因子作为条件属性,已知滑坡与等比随机选择的非滑坡样本作为决策属性,构建初始二维决策表分析其潜在信息进行属性约简与求核,确定最终评价因子数据集。
5.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S4中,以步骤S2中的数据离散后的区间结果为基础,计算各个评价因子各指标间的总权重值,并叠加得到最终滑坡易发性指数(LSI),将LSI<0的区域作为选点区,对选点区内的已知滑坡点建立1 000米缓冲区,在选点区内、滑坡点缓冲区外定量分析非滑坡栅格的选取,与滑坡栅格共同组成滑坡样本数据集。
6.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S4中,获得滑坡易发性指数的具体方法如下:
(1)在ArcGIS平台,统计每个滑坡栅格单元落入评价因子各属性区间中的个数,以及各属性区间的栅格数、研究区栅格总数;
(2)利用各评价因子属性区间内的滑坡栅格单元个数与该区间栅格总数计算总权重值,具体公式如下:
式中:为该评价因子级别内发生滑坡栅格数;为该评价因子级别外发生滑坡栅格数;为该评价因子级别内未发生滑坡栅格数;为该评价因子级别外未发生滑坡栅格数;Wi +为级别内发生滑坡的充分权重;Wi -级别内发生滑坡的必要权重;Wf为总权重表现了评价因子对滑坡的重要性程度;
(3)通过叠加来获得研究区的滑坡易发指数,叠加公式如下:
7.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,在所述步骤S5中,密集残差网络构建为:该密集残差网络由卷积层、批处理归一化层、池化层组成,然后通过Softmax分类器将输出值映射为0-1的概率值。
8.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,所述步骤S6的具体步骤为:在步骤S3与步骤S4的基础上得到评价因子数据集与优化后滑坡样本数据集,导入密集残差网络进行训练,获得研究区内滑坡发生的概率结果图,利用自然间断法对概率结果进行划分,并由低到高命名为极低易发区、低易发区、中易发区、高易发区、极高易发区。
9.如权利要求1所述的顾及负样本选取策略的密集残差网络滑坡易发性评价方法,其特征在于,所述步骤S6中,计算ROC曲线和曲线下面积值,以分析方法的优劣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211719865.4A CN115906669A (zh) | 2022-12-30 | 2022-12-30 | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211719865.4A CN115906669A (zh) | 2022-12-30 | 2022-12-30 | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906669A true CN115906669A (zh) | 2023-04-04 |
Family
ID=86472974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211719865.4A Pending CN115906669A (zh) | 2022-12-30 | 2022-12-30 | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906669A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881652A (zh) * | 2023-06-26 | 2023-10-13 | 成都理工大学 | 基于优选负样本和随机森林模型的滑坡易发性评价方法 |
-
2022
- 2022-12-30 CN CN202211719865.4A patent/CN115906669A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881652A (zh) * | 2023-06-26 | 2023-10-13 | 成都理工大学 | 基于优选负样本和随机森林模型的滑坡易发性评价方法 |
CN116881652B (zh) * | 2023-06-26 | 2024-04-05 | 成都理工大学 | 基于优选负样本和随机森林模型的滑坡易发性评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
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 | |
CN111898315B (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
CN116108758B (zh) | 滑坡易发性评价方法 | |
CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
CN114077970B (zh) | 一种基于城市形态的碳排放相关因子的确定方法及装置 | |
CN114186641B (zh) | 一种基于深度学习的滑坡易发性评价方法 | |
CN109118004B (zh) | 一种工程构筑选址适宜区预测方法 | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN113625697B (zh) | 考虑任务能力变化的无人机集群可靠性评估方法和系统 | |
CN107729555A (zh) | 一种海量大数据分布式预测方法及系统 | |
CN113139760A (zh) | 基于风雨大数据的台风风险综合评估方法及系统 | |
CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
CN115660407A (zh) | 污染场地风险等级预测模型的训练方法和训练装置 | |
CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
CN110689055A (zh) | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 | |
CN116258279B (zh) | 基于综合赋权的滑坡易发性评价方法和装置 | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
Chuangchang et al. | Modelling urban growth over time using grid-digitized method with variance inflation factors applied to spatial correlation | |
CN114065624A (zh) | 一种炼化装置管网完整性管理水平智能评估方法 | |
CN114663102A (zh) | 基于半监督模型预测发债主体违约的方法、设备及存储介质 |
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 |