CN115964853A - 一种新型表征地面沉降时序演变的模拟方法 - Google Patents
一种新型表征地面沉降时序演变的模拟方法 Download PDFInfo
- Publication number
- CN115964853A CN115964853A CN202211463555.0A CN202211463555A CN115964853A CN 115964853 A CN115964853 A CN 115964853A CN 202211463555 A CN202211463555 A CN 202211463555A CN 115964853 A CN115964853 A CN 115964853A
- Authority
- CN
- China
- Prior art keywords
- data set
- ground settlement
- simulation
- ground
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 34
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012732 spatial analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007636 ensemble learning method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005305 interferometry Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新型表征地面沉降时序演变的模拟方法,属于地质灾害预防技术领域;一种新型表征地面沉降时序演变的模拟方法,基于雷达影像数据,利用PS‑InSAR和SBAS‑InSAR方法,获取区域地面沉降信息;根据沉降信息,叠加多种地学信息,拟定最优超参数据集,构建模型;拟定算法最优次数,进而将模型获得的地面沉降不同因子贡献度作为算法模拟权重对地面沉降进行模拟;本发明在应对地面沉降灾害时能够提出更加高效的科学防控。
Description
技术领域
本发明涉及地质灾害预防技术领域,特别是涉及一种新型表征地面沉降时序演变的模拟方法。
背景技术
地面沉降是在自然因素与人为因素共同作用下,由于松散地层固结压缩,导致地表高程下降的一种地质现象。目前,全球已有超过200个国家和地区发生了地面沉降。地面沉降严重时,会引发建筑物裂缝、地裂缝、地下管道破裂、桥梁下沉等地质灾害,对城市居民的居住安全造成一定的影响。故,快速开展地面沉降监测、并精确模拟有助于其高效防治。
地面沉降模拟一般由模型驱动,主要包括:传统的物理模型、数据驱动模型和地理空间人工智能(GEO-AI)模型。其中,物理模型需要大量基础地质、水文地质参数作为先验经验才能准确描述复杂的地层结构,进而达到更好的模拟结果。但这种先验知识获取难度大、数据计算效率低下,很难有好的实际应用效果。数据驱动模型,如:灰色模型(GM)和改进GM等是以小样本数据时间序列作为起点,通过挖掘数据特征进而完成短期模拟。这些模型虽能提供短期较好的结果,但由于模型中存在不确定“灰色”部分,难以为防控提供可靠依据。为了解决上述问题,本发明提出了一种新型表征地面沉降时序演变的模拟方法。
发明内容
本发明的目的是为了获取地面沉降在时间序列上的演变信息,将演变规律进行定量的描述,从而提出了一种新型表征地面沉降时序演变的模拟方法,进行高效的地面沉降防治。
为了实现上述目的,本发明采用了如下技术方案:
一种新型表征地面沉降时序演变的模拟方法,包括有以下步骤:
S1、获取覆盖研究区范围的长时序合成孔径雷达影像数据,利用时序合成孔径雷达干涉测量方法,获取地表视线向的形变信息,通过水准点数据对InSAR监测结果进行精度验证,将视线向形变量转化为垂直向,获取地表位移信息,通过插值法得到年均沉降速率;
S2、构建极端随机树模型;
S3、将多种地学相关数据通过空间分析中的各类方法进行处理,结合S1中计算得到的年均沉降速率,得到输入极端随机树模型的地面沉降数据集;
S4、将S3中所得的地面沉降数据集分为测试数据集和训练数据集,结合测试数据集和训练数据集对极端随机树模型进行训练,得到极端随机树地面沉降模拟模型及其对应的最优超参数据集,并输出影响地面沉降不同因子的贡献度,即为蒙特卡罗算法模拟权重;
S5、建立基于独立同分布中心极限定理的蒙特卡罗模拟模型,拟定算法最优次数,对S3中所得的地面沉降数据集进行随机抽取,得到蒙特卡罗模拟数据集;
S6、结合S4中所得的蒙特卡罗算法模拟权重,将S5中得到的蒙特卡罗模拟数据集代入极端随机树地面沉降模拟模型中,进而得到地面沉降速率的模拟值。
优选地,所述S1在获取雷达观测影像数据时,需用到雷达影像处理软件,所述雷达影像处理软件为StamPS、Sarproz和GAMMA。
优选地,所述S2具体包括以下步骤:
S2.1、输入原始数据集D,按一定条件将初始数据集划分为训练数据集和测试数据集,将训练数据集全部样本放入基学习器中进行训练;
S2.2、遍历训练数据集所有特征,对固定的某一特征j扫描切分点s,按照平方误差最小化:
式中,j代表训练数据集所有特征中某一特征,s代表分裂树时的切分结点;
S2.3、取式(1)中最小时的值对(j,s),获得最优切分特征j与最优切分点s,用选定的最优值对将数据集划分为两个空间,获得不同空间的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)≥s}
式中,Rx是被划分出的不同空间,cx是Rx空间对应的输出值;
S2.4、对新生成的空间递归调用划分过程,将训练数据集划为x个区域R1,R2,R3,……,Rm:
组成一棵决策树;
S2.5、将S2.1~S2.4迭代K次,共生成K棵极端随机树;
S2.6、使用训练样本对K棵极端随机树进行测试,将预测结果进行统计,利用集成学习法即将样本集:
D={(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)} (4)
分别训练全部弱学习器Gk(x),从而得到K棵极端随机树,对所有极端随机树得到的回归结果进行算术平均完成森林的构建。
优选地,所述S3中提到的空间分析技术中的计算通过ArcGIS、Python、Excel软件计算所得。
优选地,所述S5中提到的基于独立同分布中心极限定理的蒙特卡罗模拟模型的构建具体包括以下步骤:
S5.1、输入原始数据集D;
S5.2、依据已有数据集构造事件概率过程,得到一个或多个概率模型,将不具随机性的问题转换为随机性问题;
S5.3、按照随机性的原则,对前一步得到的概率模型中的全部m个因子进行n次随机抽样:
F(i)=D(xj),i=1,2,3,..,.m,j=1,2,3,...,n (5)
式中,xj为原概率模型因子,F为抽样后所得到的函数。
标准化变量的分布函数Fn(x)对于任意x满足:
对(8)式左侧的分子和分母同时除以n,结果可以改写为当n充分大时:
也就是说均值为μ、方差σ2的独立同分布随机变量的算数平均值当n充分大时近似服从均值为均值为μ、方差σ2/n的正态分布。
S5.4、依据独立同分布中心极限定理确定蒙特卡罗模拟最优次数。
S5.5、通过蒙特卡罗模拟最优次数对原始数据集进行随机抽取,完成对模型求解,获得无偏估计。
优选地,所述式(1)~(9)的计算通过Python、Matlab等计算获得。
与现有技术相比,本发明提供了一种新型表征地面沉降时序演变的模拟方法,具备以下有益效果:
本发明基于雷达影像数据,利用PS-InSAR和SBAS-InSAR空间分析方法,获取区域地面沉降信息;进一步根据时序沉降信息,与其它基础地质、水文地质数据相结合,将区域地面上的沉降时序演变特征进行模拟,建立极端随机树-蒙特卡罗地面沉降模拟模型,高效模拟地面沉降,有助于有效预测和防治,为区域地面沉降的科学防控提供技术支撑。
附图说明
图1为本发明提出的一种新型表征地面沉降时序演变的模拟方法的流程示意图;
图2为本发明提出的一种新型表征地面沉降时序演变的模拟方法的InSAR处理流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
地面沉降是由多重因素相互叠加形成的复杂地质现象,是一种非线性的问题,传统方法无法满足这种非线性问题的求解。机器学习是一种研究非线性问题的新兴方法,近年来已成为地面沉降模拟预测的前沿方向。本发明提出一种极端随机树算法模型,该模型是随机森林的一种优化算法,有效增强了基学习器之间的多样性,提高了基学习器的预测能力,能够进一步提升最终集成模型的预测精度;本发明创新地将极端随机树-蒙特卡罗模型算法引用到地面沉降模拟研究中,首先运用空间分析的技术方法,联合区域基础地质条件,确定了研究区分区;其次联合北京平原区地下水水位、可压缩层厚度数据,获得多因素驱动下的极端随机树-蒙特卡罗地面沉降模拟模型,为区域地面沉降的科学防控提供技术支撑,具体包括以下内容。
实施例1:
请参阅图1,一种新型表征地面沉降时序演变的模拟方法,包括有以下步骤;
S1、获取覆盖研究区范围的长时序合成孔径雷达影像数据,利用时序合成孔径雷达干涉测量方法,获取地表视线向的形变信息,通过水准点数据对InSAR监测结果进行精度验证,将视线向形变量转化为垂直向,获取地表位移信息,通过插值法得到年均沉降速率;
S1在获取雷达观测影像数据时,需用到雷达影像处理软件,所述雷达影像处理软件为StamPS、Sarproz和GAMMA;
S2、构建极端随机树模型,具体包括以下步骤:
S2.1、输入原始数据集D,按一定条件将初始数据集划分为训练数据集和测试数据集,将训练数据集全部样本放入基学习器中进行训练;
S2.2、遍历训练数据集所有特征,对固定的某一特征j扫描切分点s,按照平方误差最小化:
式中,j代表训练数据集所有特征中某一特征,s代表分裂树时的切分结点;
S2.3、取式(1)中最小时的值对(j,s),获得最优切分特征j与最优切分点s,用选定的最优值对将数据集划分为两个空间,获得不同空间的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)≥s}
式中,Rx是被划分出的不同空间,cx是Rx空间对应的输出值;
S2.4、对新生成的空间递归调用划分过程,将训练数据集划为x个区域R1,R2,R3,……,Rm:
组成一棵决策树;
S2.5、将S2.1~S2.4迭代K次,共生成K棵极端随机树;
S2.6、使用训练样本对K棵极端随机树进行测试,将预测结果进行统计,利用集成学习法即将样本集:
D={(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)} (4)
分别训练全部弱学习器Gk(x),从而得到K棵极端随机树,对所有极端随机树得到的回归结果进行算术平均完成森林的构建;上述式(1)-(4)的计算通过Python、Matlab计算获得;
S3、将多种地学相关数据通过空间分析中的各类方法进行处理,和S1中计算得到的年均沉降速率,得到输入极端随机树模型的地面沉降数据集;
S3中提到的空间分析技术中的计算通过Python、ArcGIS、Excel软件就算所得;
S4、将S3中提到的地面沉降数据集分为测试数据集和训练数据集,结合测试数据集和训练数据集对极端随机树模型进行训练,得到极端随机树地面沉降模拟模型及其对应的最优超参数据集,并输出影响地面沉降不同因子的贡献度,即为蒙特卡罗算法模拟权重;
S5、建立基于独立同分布中心极限定理的蒙特卡罗模拟模型,拟定算法最优次数,对S3中所得的地面沉降数据集进行随机抽取,得到蒙特卡罗模拟数据集;
S5中提到的建立基于独立同分布中心极限定理的蒙特卡罗模拟模型具体包括以下步骤:
S5.1、输入原始数据集D;
S5.2、依据已有数据集构造事件概率过程,得到一个或多个概率模型,将不具随机性的问题转换为随机性问题;
S5.3、按照随机性的原则,对前一步得到的概率模型中的全部m个因子进行n次随机抽样:
F(i)=D(xj),i=1,2,3,..,.m,j=1,2,3,...,n (5)
式中,xj为原概率模型因子,F为抽样后所得到的函数。
标准化变量的分布函数Fn(x)对于任意x满足:
对(8)式左侧的分子和分母同时除以n,结果可以改写为当n充分大时:
也就是说均值为μ、方差σ2的独立同分布随机变量的算数平均值当n充分大时近似服从均值为均值为μ、方差σ2/n的正态分布。
S5.4、依据独立同分布中心极限定理确定蒙特卡罗模拟最优次数。
S5.5、通过蒙特卡罗模拟最优次数对原始数据集进行随机抽取,完成对模型求解,获得无偏估计。
S6、结合S4中所得的蒙特卡罗算法模拟权重,将S5中得到的蒙特卡罗模拟数据集代入极端随机树地面沉降模拟模型中,进而得到地面沉降速率的模拟值。
实施例2:
基于实施例1但有所不同之余在于,本发明先通过GAMMA软件处理2010-2019年的RADARSAT-2雷达遥感影像,利用水准点数据验证PS-InSAR监测结果的精度,获取高精度视线向地面沉降信息,并将其转化为垂向位移信息(具体流程如图2所示)。将北京东部平原区作为研究区,利用监测方法获得地面沉降平均速率的变化,分析2010-2019年研究区地面沉降的时序演变规律,并进行模拟。主要步骤如下:
步骤一:将2009-2019年覆盖北京平原区的91景RADARSAT-2数据利用GAMMA软件进行处理,获取北京东部平原区2009-2019年的视线向地面沉降信息,并将其转化为垂向。利用研究区内水准点监测数据对PS-InSAR结果进行精度验证,获取高精度的地面沉降信息。
步骤二:
将PS-InSAR中的累计沉降量进行反距离权重插值,获得2009年9月-2020年1月的累计沉降量,通过计算,获得每年的平均沉降量。
将可压缩层数据、地下水位数据通过空间分析的方法进行处理,叠加年平均沉降速率,得到代入模型的数据集。
步骤三:
确定研究区范围,依据北京市构造单元划分,将北京东部平原区划分为A-G七个子区域。
步骤四:
将数据集带入极端随机树模型,通过设定70%的训练数据集和30%的测试数据集,迭代的到最优超参数据集和不同因子的贡献度。最优超参数据集如下所示。
极端随机树模型最优超参数据集
不同的因子贡献度如下所示。
各研究区自变量因子贡献度结果表
步骤五:
拟定蒙特卡罗算法的最优次数,对数据集进行随机抽取。
步骤六:
叠加不同因子的重要度作为权重,将随机抽取的数据集作为极端随机树地面沉降模拟模型的输入,得到北京东部平原区地面沉降模拟值。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种新型表征地面沉降时序演变的模拟方法,其特征在于,包括有以下步骤:
S1、获取覆盖研究区范围的长时序合成孔径雷达影像数据,利用时序合成孔径雷达干涉测量方法,获取地表视线向的形变信息,通过水准点数据对InSAR监测结果进行精度验证,将视线向形变量转化为垂直向,获取地表位移信息,通过插值法得到年均沉降速率;
S2、构建极端随机树模型;
S3、将多种地学相关数据通过空间分析中的各类方法进行处理,结合S1中计算得到的年均沉降速率,得到输入极端随机树模型的地面沉降数据集;
S4、将S3中所得的地面沉降数据集分为测试数据集和训练数据集,结合测试数据集和训练数据集对极端随机树模型进行训练,得到极端随机树地面沉降模拟模型及其对应的最优超参数据集,并输出影响地面沉降不同因子的贡献度,即为蒙特卡罗算法模拟权重;
S5、建立基于独立同分布中心极限定理的蒙特卡罗模拟模型,拟定算法最优次数,对S3中所得的地面沉降数据集进行随机抽取,得到蒙特卡罗模拟数据集;
S6、结合S4中所得的蒙特卡罗算法模拟权重,将S5中得到的蒙特卡罗模拟数据集代入极端随机树地面沉降模拟模型中,进而得到地面沉降速率的模拟值。
2.根据权利要求1所述的一种新型表征地面沉降时序演变的模拟方法,其特征在于,所述S1在获取雷达观测影像数据时,需用到雷达影像处理软件,所述雷达影像处理软件为StamPS、Sarproz和GAMMA。
3.根据权利要求1所述的一种新型表征地面沉降时序演变的模拟方法,其特征在于,所述S2具体包括以下步骤:
S2.1、输入原始数据集D,按一定条件将初始数据集划分为训练数据集和测试数据集,将训练数据集全部样本放入基学习器中进行训练;
S2.2、遍历训练数据集所有特征,对固定的某一特征j扫描切分点s,按照平方误差最小化:
式中,j代表训练数据集所有特征中某一特征,s代表分裂树时的切分结点;
S2.3、取式(1)中最小时的值对(j,s),获得最优切分特征j与最优切分点s,用选定的最优值对将数据集划分为两个空间,获得不同空间的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)≥s}
式中,Rx是被划分出的不同空间,cx是Rx空间对应的输出值;
S2.4、对新生成的空间递归调用划分过程,将训练数据集划为x个区域R1,R2,R3,……,Rm:
组成一棵决策树;
S2.5、将S2.1~S2.4迭代K次,共生成K棵极端随机树;
S2.6、使用训练样本对K棵极端随机树进行测试,将预测结果进行统计,利用集成学习法即将样本集:
D={(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)} (4)
分别训练全部弱学习器Gk(x),从而得到K棵极端随机树,对所有极端随机树得到的回归结果进行算术平均完成森林的构建。
4.根据权利要求1所述的一种新型表征地面沉降时序演变的模拟方法,其特征在于,所述S3中提到的空间分析技术中的计算通过ArcGIS、Python、Excel软件计算所得。
5.根据权利要求1所述的一种新型表征地面沉降时序演变的模拟方法,其特征在于,所述S5中提到的基于独立同分布中心极限定理的蒙特卡罗模拟模型的构建具体包括以下步骤:
S5.1、输入原始数据集D;
S5.2、依据已有数据集构造事件概率过程,得到一个或多个概率模型,将不具随机性的问题转换为随机性问题;
S5.3、按照随机性的原则,对前一步得到的概率模型中的全部m个因子进行n次随机抽样:
F(i)=D(xj),i=1,2,3,...m,j=1,2,3,...,n (5)
式中,xj为原概率模型因子,F为抽样后所得到的函数;
标准化变量的分布函数Fn(x)对于任意x满足:
对(8)式左侧的分子和分母同时除以n,结果可以改写为当n充分大时:
即均值为μ、方差σ2的独立同分布随机变量的算数平均值当n充分大时近似服从均值为均值为μ、方差σ2/n的正态分布;
S5.4、依据独立同分布中心极限定理确定蒙特卡罗模拟最优次数。
S5.5、通过蒙特卡罗模拟最优次数对原始数据集进行随机抽取,完成对模型求解,获得无偏估计。
6.根据权利要求3或5所述的一种新型表征地面沉降时序演变的模拟方法,其特征在于,所述式(1)~(9)的计算通过Python、Matlab等计算获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463555.0A CN115964853B (zh) | 2022-11-22 | 2022-11-22 | 一种新型表征地面沉降时序演变的模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463555.0A CN115964853B (zh) | 2022-11-22 | 2022-11-22 | 一种新型表征地面沉降时序演变的模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115964853A true CN115964853A (zh) | 2023-04-14 |
CN115964853B CN115964853B (zh) | 2023-08-04 |
Family
ID=87352008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463555.0A Active CN115964853B (zh) | 2022-11-22 | 2022-11-22 | 一种新型表征地面沉降时序演变的模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964853B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106679620A (zh) * | 2017-01-13 | 2017-05-17 | 首都师范大学 | 一种区域地面沉降时空预测方法 |
US20170175492A1 (en) * | 2015-12-22 | 2017-06-22 | Chevron U.S.A. Inc. | Methodology for building realistic numerical forward stratigraphic models in data sparse environment |
CN110175195A (zh) * | 2019-04-23 | 2019-08-27 | 哈尔滨工业大学 | 基于极端随机树的混合气体检测模型构建方法 |
US20200124764A1 (en) * | 2017-04-03 | 2020-04-23 | Total Sa | Method of characterising a subsurface volume |
CN113610301A (zh) * | 2021-08-09 | 2021-11-05 | 首都师范大学 | 一种表征地面沉降时序演变的预测算法 |
US20220114302A1 (en) * | 2020-10-14 | 2022-04-14 | Schlumberger Technology Corporation | Reservoir performance system |
CN114519308A (zh) * | 2022-02-22 | 2022-05-20 | 河南大学 | 河流水沙调节影响下河水地下水相互转化滞后响应时间的确定方法 |
CN115081197A (zh) * | 2022-06-08 | 2022-09-20 | 烟台大学 | 一种识别地下水位与影响因子尺度依赖关系的分析方法 |
-
2022
- 2022-11-22 CN CN202211463555.0A patent/CN115964853B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170175492A1 (en) * | 2015-12-22 | 2017-06-22 | Chevron U.S.A. Inc. | Methodology for building realistic numerical forward stratigraphic models in data sparse environment |
CN106679620A (zh) * | 2017-01-13 | 2017-05-17 | 首都师范大学 | 一种区域地面沉降时空预测方法 |
US20200124764A1 (en) * | 2017-04-03 | 2020-04-23 | Total Sa | Method of characterising a subsurface volume |
CN110175195A (zh) * | 2019-04-23 | 2019-08-27 | 哈尔滨工业大学 | 基于极端随机树的混合气体检测模型构建方法 |
US20220114302A1 (en) * | 2020-10-14 | 2022-04-14 | Schlumberger Technology Corporation | Reservoir performance system |
CN113610301A (zh) * | 2021-08-09 | 2021-11-05 | 首都师范大学 | 一种表征地面沉降时序演变的预测算法 |
CN114519308A (zh) * | 2022-02-22 | 2022-05-20 | 河南大学 | 河流水沙调节影响下河水地下水相互转化滞后响应时间的确定方法 |
CN115081197A (zh) * | 2022-06-08 | 2022-09-20 | 烟台大学 | 一种识别地下水位与影响因子尺度依赖关系的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115964853B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse | |
Nourani et al. | Estimation of prediction interval in ANN-based multi-GCMs downscaling of hydro-climatologic parameters | |
Abdollahi et al. | Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN107368928B (zh) | 一种古建筑沉降的组合预测方法及系统 | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN106681305A (zh) | 一种Fast RVM污水处理在线故障诊断方法 | |
Esfandiarpour-Boroujeni et al. | Assessment of different digital soil mapping methods for prediction of soil classes in the Shahrekord plain, Central Iran | |
Su et al. | Dam structural behavior identification and prediction by using variable dimension fractal model and iterated function system | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
Sabzi et al. | Numerical comparison of multi-criteria decision-Making techniques: A simulation of flood management multi-criteria systems | |
CN112001435A (zh) | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
Choobbasti et al. | Mapping of soil layers using artificial neural network (case study of Babol, northern Iran) | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN107957982A (zh) | 震后次生地质灾害易发性快速评估方法和系统 | |
Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles. | |
CN116306277A (zh) | 一种滑坡位移预测方法、装置及相关组件 | |
CN115964853A (zh) | 一种新型表征地面沉降时序演变的模拟方法 | |
CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 |
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 |