CN117094234A - 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 - Google Patents
融合卷积神经网络和自注意力模型的滑坡易发性评价方法 Download PDFInfo
- Publication number
- CN117094234A CN117094234A CN202311358829.4A CN202311358829A CN117094234A CN 117094234 A CN117094234 A CN 117094234A CN 202311358829 A CN202311358829 A CN 202311358829A CN 117094234 A CN117094234 A CN 117094234A
- Authority
- CN
- China
- Prior art keywords
- landslide
- evaluation
- data
- model
- sample
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 title claims description 79
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 238000011160 research Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法,包括多源地理空间数据汇聚步骤S110,滑坡评价因子共线性评价步骤S120,滑坡评价因子切片提取步骤S130,滑坡数据集构建步骤S140,滑坡易发性模型构建步骤S150。本发明综合利用了卷积神经网络和Transformer模型的各自特点,通过卷积+全局注意力的方式提高模型的计算效率;同时,层次化提取数据的局部和全局特征,提高模型预测的精度。
Description
技术领域
本发明设计地质灾害防治领域,尤其涉及融合卷积神经网络和自注意力模型的滑坡易发性评价方法,特别是,融合卷积神经网络和Transformer,能够综合两个模型的优点,提高模型预测精度。
背景技术
滑坡是中国最主要的地质灾害,具有空间分布不均、灾害规模巨大和危害损失严重等特点。滑坡易发性评价是分析和预测滑坡灾害的空间分布和发生概率的一种方法,分析和预测结果可以为滑坡灾害空间管理、防灾减灾政策制定和国土资源规划提供依据。
卷积神经网络和Transformer模型是近年来发展较为迅速的深度学习方法,卷积神经网络在滑坡易发性评价过程中,随着模型内部层数的加深,模型内部噪声逐步增加;与此同时,Transformer模型的内部噪声的分布情况卷积神经网络呈相反趋势。因此,将卷积神经网络和Transformer模型融合起来应用到滑坡易发性评价领域,成为一种新的研究方向。
因此,如何能够综合不同模型的优势,提高滑坡易发性的预测精度,成为现有技术亟需解决的技术问题。
发明内容
本发明的目的在于提出一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法,特别是,融合卷积神经网络和Transformer模型,以提高模型的预测精度。
为达此目的,本发明采用以下技术方案:
一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法,其特征在于,包括如下步骤:
多源地理空间数据汇聚步骤S110:
了解研究区的地理空间环境特征,收集与滑坡相关的多源地理空间数据,确定为滑坡评价因子,统一评价因子的地理坐标系、投影坐标系和空间分辨率;
滑坡评价因子共线性评价步骤S120:
判断各评价因子之间是否存在共线问题,若存在,则将具有共线性的评价因子剔除;
滑坡评价因子切片提取步骤S130:
确定样本点所在空间位置的栅格行列号,并根据滑坡易发性评价模型的输入数据尺度,裁剪滑坡点对应位置评价因子的切片数据;
滑坡数据集构建步骤S140:
按空间坐标系中z轴方向,堆叠滑坡评价因子的切片,作为学习数据,同时对应位置的滑坡点与非滑坡点作为学习标签,学习数据和学习标签共同组成滑坡数据集,并按一定比例划分为训练数据集和测试数据集;
滑坡易发性模型构建步骤S150:
构建卷积神经网络和自注意力模型融合的滑坡易发性模型,利用滑坡数据集进行模型的学习;使用学习完成的模型预测整个研究区的滑坡发生概率。
可选的,在多源地理空间数据汇聚步骤S110中,
所述滑坡评价因子包括高程、坡度、坡向、平面曲率、剖面曲率、到河流距离、到断裂带距离、降雨量、归一化植被指数、地表覆盖和岩性共计11个滑坡评价因子。
可选的,在滑坡评价因子共线性评价步骤S120中,
利用公式(1)对滑坡评价因子进行共线性判断,
式(1)是选取的11个滑坡评价因子,/>和/>分别为/>层和整个区域的栅格单元数,/>和/>分别为/>层和整个区域评价因子的方差,/>是地层内部的方差之和,/>是整个区域的方差之和,/>的取值范围为[0,1]。
可选的,所述滑坡评价因子切片提取步骤S130具体为:
首先随机生成与滑坡点数量相等的非滑坡点,统称为样本点,然后确定切片长度,即滑坡评价因子长和宽为k;若k为奇数,则样本中心栅格到左侧边界和上方边界的距离为(k/2)-1,到右侧边界和下方边界的距离为(k/2);若k为偶数,则样本中心栅格到边界的距离为(k-1)/2;对全部的评价因子进行切片操作,其中,任意样本点在任意评价因子中的切片数据维度为(k,k,1)。
可选的,所述滑坡数据集构建步骤S140具体为:
对同一样本点对应的评价因子切片按空间坐标系中z轴方向进行堆叠,把11个(k,k,1)维度的切片堆叠为1个(k,k,11)的三维数据,对全部样本点进行上述操作;对样本和三维切片数据进行归一化处理,得到以样本为学习标签,样本所在位置的三维切片滑坡评价因子数据为学习数据的滑坡数据集;按照70%:30%的比例划分为训练数据集和测试数据集。
可选的,所述滑坡易发性模型构建步骤S150具体为:
S151:输入学习数据;
S152:利用卷积神经网络中的卷积层、池化层和全连接层进行特征提取;
S153:对上一步骤重提取出的特征层 ,经patch embeding操作变为值向量 ,利用Transformer模型中的编码器和解码器、全连接层和softmax函数进行回归预测,并将预测值作为滑坡发生概率。
可选的,其中在步骤S152中,卷积神经网络的卷积层特征提取公式如式(2):
式(2)中,设输入特征图为,卷积核为/>,输出特征图为/>,偏置项为,/>,/>和/>是输出特征图的空间位置,/>是输出特征图的通道数,/>是输入特征图的通道数,和/>是卷积核的高度和宽度,/>是激活函数。
可选的,在步骤S153中,Transformer模型的注意力机制公式如式(3):
式(3)中,、/>、/>分别是查询向量、键向量和值向量。
可选的,还包括制图及评价步骤S160:
对整个研究区的滑坡发生概率进行地图制图,并对制图结果按发生概率划分为多个等级,作为研究区滑坡易发性评价结果。
综上,本发明具有如下的优点:
1.卷积神经网络善于提取图像中的局部特征,而Transformer模型的衍生模型Vision Transformer(由Transformer的编码器结构衍生而来)则更擅长提取图像中的全局特征。本发明通过卷积+全局注意力的方式进一步提高模型计算下利率。
2.本发明层次化提取数据的局部和全局特征,可进一步提高模型预测精度。
附图说明
图1 是根据本发明具体实施例的融合卷积神经网络和自注意力模型的滑坡易发性评价方法的流程图;
图2是根据本发明具体实施例的融合卷积神经网络和自注意力模型的滑坡易发性评价方法的进行制图的示例。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明主要在于,综合利用了卷积神经网络和自注意力模型,特别是Transformer模型的各自特点,通过卷积+全局注意力的方式提高模型的计算效率;同时,层次化提取数据的局部和全局特征,提高模型预测的精度。
具体的,参见图1,示出了根据本发明的融合卷积神经网络和自注意力模型的滑坡易发性评价方法的流程图,包括如下步骤:
多源地理空间数据汇聚步骤S110:
了解研究区的地理空间环境特征,收集与滑坡相关的多源地理空间数据,确定为滑坡评价因子,统一评价因子的地理坐标系、投影坐标系和空间分辨率。
具体的,所述滑坡评价因子包括高程、坡度、坡向、平面曲率、剖面曲率、到河流距离、到断裂带距离、降雨量、归一化植被指数(Nomralized Difference Vegeattion Idnex,NDVI)、地表覆盖和岩性共计11个滑坡评价因子。
滑坡评价因子共线性评价步骤S120:
判断各评价因子之间是否存在共线问题,若存在,则将具有共线性的评价因子剔除。
具体的,利用公式(1)对滑坡评价因子进行共线性判断,
式(1)中是选取的11个滑坡评价因子,/>和/>分别为/>层和整个区域的栅格单元数,/>和/>分别为/>层和整个区域评价因子的方差,/>是地层内部的方差之和,/>是整个区域的方差之和,/>的取值范围为[0,1]。
如果任意两个滑坡评价因子相互作用的值大于单个因子的值,也大于两个因子值之和。意味着本发明中滑坡评价因子是双因子增强或非线性增强关系,即两评价因子间不存在共线性的关系。
参见表1,示出了本发明的11个滑坡评价因子的共线性分析结果,其中,B表示双线性增强,N表示非线性增强。
表1
由表1可见,本发明选取的11个滑坡评价因子之间不存在共线性。
滑坡评价因子切片提取步骤S130:
确定样本点所在空间位置的栅格行列号,并根据滑坡易发性评价模型的输入数据尺度,裁剪滑坡点对应位置评价因子的切片数据。
具体的,首先随机生成与滑坡点数量相等的非滑坡点,统称为样本点,然后确定切片长度,即滑坡评价因子长和宽为k;若k为奇数,则样本中心栅格到左侧边界和上方边界的距离为(k/2)-1,到右侧边界和下方边界的距离为(k/2);若k为偶数,则样本中心栅格到边界的距离为(k-1)/2;对全部的评价因子进行切片操作,其中,任意样本点在任意评价因子中的切片数据维度为(k,k,1)。
滑坡数据集构建步骤S140:
按空间坐标系中z轴方向,堆叠滑坡评价因子的切片,作为学习数据,同时对应位置的滑坡点与非滑坡点作为学习标签,学习数据和学习标签共同组成滑坡数据集,并按一定比例划分为训练数据集和测试数据集。
具体的,对同一样本点对应的评价因子切片按空间坐标系中z轴方向进行堆叠,把11个(k,k,1)维度的切片堆叠为1个(k,k,11)的三维数据,对全部样本点进行上述操作;对样本和三维切片数据进行归一化处理,得到以样本为学习标签,样本所在位置的三维切片滑坡评价因子数据为学习数据的滑坡数据集;按照70%:30%的比例划分为训练数据集和测试数据集。
滑坡易发性模型构建步骤S150:
构建卷积神经网络和Transformer模型融合的滑坡易发性模型,利用滑坡数据集进行模型的学习;使用学习完成的模型预测整个研究区的滑坡发生概率。
具体的,
S151:输入学习数据;
S152:利用卷积神经网络中的卷积层、池化层和全连接层进行特征提取;
S153:对上一步骤重提取出的特征层 ,经patch embeding操作变为值向量 ,利用Transformer模型中的编码器和解码器、全连接层和softmax函数进行回归预测,并将预测值作为滑坡发生概率。
其中在步骤S152中,卷积神经网络的卷积层特征提取公式如式(2):
式(2)中,设输入特征图为,卷积核为/>,输出特征图为/>,偏置项为/>,/>和是输出特征图的空间位置,/>是输出特征图的通道数,/>是输入特征图的通道数,/>和/>是卷积核的高度和宽度,/>是激活函数。
在步骤S153中,Transformer的注意力机制公式如式(3):
式(3)中,、/>、/>分别是查询向量、键向量和值向量。
在一个具体的实施例中,使用训练数据集对滑坡易发性模型进行训练,同时使用测试集对模型进行性能测试。评价指标显示Accuracy值为0.8810,F1-score值为0.8804,AUC值为94.18%。
进一步,本发明还包括制图及评价步骤S160:
对整个研究区的滑坡发生概率进行地图制图,并对制图结果按发生概率划分为多个等级,作为研究区滑坡易发性评价结果。
在一个具体的实施例中,步骤S160中对整个研究区所有栅格的滑坡发生概率自然间断法统计分析,按发生概率由小到大,将研究区的滑坡易发性分为极低易发区、低易发区、中易发区、高易发区和极高易发区五个等级。
示例性的,参见图2,示出了在一个具体实施例中的最终滑坡易发性结果图。
综上,本发明具有如下的优点:
1.卷积神经网络善于提取图像中的局部特征,而Transformer的衍生模型VisionTransformer(由Transformer的编码器结构衍生而来)则更擅长提取图像中的全局特征。本发明通过卷积+全局注意力的方式进一步提高模型计算下利率。
2.本发明层次化提取数据的局部和全局特征,可进一步提高模型预测精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (9)
1.一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法,其特征在于,包括如下步骤:
多源地理空间数据汇聚步骤S110:
收集与滑坡相关的多源地理空间数据,确定为滑坡评价因子,统一评价因子的地理坐标系、投影坐标系和空间分辨率;
滑坡评价因子共线性评价步骤S120:
判断各评价因子之间是否存在共线问题,若存在,则将具有共线性的评价因子剔除;
滑坡评价因子切片提取步骤S130:
确定样本点所在空间位置的栅格行列号,并根据滑坡易发性评价模型的输入数据尺度,裁剪滑坡点对应位置评价因子的切片数据;
滑坡数据集构建步骤S140:
按空间坐标系中z轴方向,堆叠滑坡评价因子的切片,作为学习数据,同时对应位置的滑坡点与非滑坡点作为学习标签,学习数据和学习标签共同组成滑坡数据集,并按一定比例划分为训练数据集和测试数据集;
滑坡易发性模型构建步骤S150:
构建卷积神经网络和自注意力模型融合的滑坡易发性模型,利用滑坡数据集进行模型的学习,使用学习完成的模型预测整个研究区的滑坡发生概率。
2.根据权利要求1所述的滑坡易发性评价方法,其特征在于,
在多源地理空间数据汇聚步骤S110中,
所述滑坡评价因子包括高程、坡度、坡向、平面曲率、剖面曲率、到河流距离、到断裂带距离、降雨量、归一化植被指数、地表覆盖和岩性共计11个滑坡评价因子。
3.根据权利要求2所述的滑坡易发性评价方法,其特征在于,
在滑坡评价因子共线性评价步骤S120中,
利用公式(1)对滑坡评价因子进行共线性判断,
式(1)中是选取的11个滑坡评价因子,/>和/>分别为/>层和整个区域的栅格单元数,/>和/>分别为/>层和整个区域评价因子的方差,/>是地层内部的方差之和,/>是整个区域的方差之和,/>的取值范围为[0,1]。
4.根据权利要求3所述的滑坡易发性评价方法,其特征在于,
所述滑坡评价因子切片提取步骤S130具体为:
首先随机生成与滑坡点数量相等的非滑坡点,统称为样本点,然后确定切片长度,即滑坡评价因子长和宽为k;若k为奇数,则样本中心栅格到左侧边界和上方边界的距离为(k/2)-1,到右侧边界和下方边界的距离为(k/2);若k为偶数,则样本中心栅格到边界的距离为(k-1)/2;对全部的评价因子进行切片操作,其中,任意样本点在任意评价因子中的切片数据维度为(k,k,1)。
5.根据权利要求4所述的滑坡易发性评价方法,其特征在于,
所述滑坡数据集构建步骤S140具体为:
对同一样本点对应的评价因子切片按空间坐标系中z轴方向进行堆叠,把11个(k,k,1)维度的切片堆叠为1个(k,k,11)的三维数据,对全部样本点进行上述操作;对样本和三维切片数据进行归一化处理,得到以样本为学习标签,样本所在位置的三维切片滑坡评价因子数据为学习数据的滑坡数据集;按照70%:30%的比例划分为训练数据集和测试数据集。
6.根据权利要求5所述的滑坡易发性评价方法,其特征在于,
所述滑坡易发性模型构建步骤S150中,具体为:
S151:输入学习数据;
S152:利用卷积神经网络中的卷积层、池化层和全连接层进行特征提取;
S153:对上一步骤重提取出的特征层 ,经patch embeding操作变为值向量 ,利用Transformer模型中的编码器和解码器、全连接层和softmax函数进行回归预测,并将预测值作为滑坡发生概率。
7.根据权利要求6所述的滑坡易发性评价方法,其特征在于,
其中在步骤S152中,卷积神经网络的卷积层特征提取公式如式(2):
式(2)中,设输入特征图为,卷积核为/>,输出特征图为/>,偏置项为/>,/>和/>是输出特征图的空间位置,/>是输出特征图的通道数,/>是输入特征图的通道数,/>和是卷积核的高度和宽度,/>是激活函数。
8.根据权利要求7所述的滑坡易发性评价方法,其特征在于,
在步骤S153中,Transformer模型的注意力机制公式如式(3):
式(3)中,、/>、/>分别是查询向量、键向量和值向量。
9.根据权利要求1-8中任意一项所述的滑坡易发性评价方法,其特征在于,
还包括制图及评价步骤S160:
对整个研究区的滑坡发生概率进行地图制图,并对制图结果按发生概率划分为多个等级,作为研究区滑坡易发性评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358829.4A CN117094234B (zh) | 2023-10-19 | 2023-10-19 | 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358829.4A CN117094234B (zh) | 2023-10-19 | 2023-10-19 | 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094234A true CN117094234A (zh) | 2023-11-21 |
CN117094234B CN117094234B (zh) | 2024-02-02 |
Family
ID=88777316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311358829.4A Active CN117094234B (zh) | 2023-10-19 | 2023-10-19 | 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094234B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160137100A (ko) * | 2015-05-22 | 2016-11-30 | 한국과학기술원 | 산사태 토석류 전이 규준 모델 및 그 생성 방법 |
CN114186641A (zh) * | 2021-12-16 | 2022-03-15 | 长安大学 | 一种基于深度学习的滑坡易发性评价方法 |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
US20230214557A1 (en) * | 2021-12-30 | 2023-07-06 | Institute Of Mechanics, Chinese Academy Of Sciences | Method for dynamically assessing slope safety |
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 |
-
2023
- 2023-10-19 CN CN202311358829.4A patent/CN117094234B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160137100A (ko) * | 2015-05-22 | 2016-11-30 | 한국과학기술원 | 산사태 토석류 전이 규준 모델 및 그 생성 방법 |
CN114186641A (zh) * | 2021-12-16 | 2022-03-15 | 长安大学 | 一种基于深度学习的滑坡易发性评价方法 |
US20230214557A1 (en) * | 2021-12-30 | 2023-07-06 | Institute Of Mechanics, Chinese Academy Of Sciences | Method for dynamically assessing slope safety |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117094234B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
KR101675778B1 (ko) | 화산재해 대응 의사결정 지원 시스템 | |
Falahatkar et al. | Integration of remote sensing data and GIS for prediction of land cover map | |
CN108038081B (zh) | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 | |
Wang et al. | Shape detection from raw lidar data with subspace modeling | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
Zhuang et al. | Spatial distribution and susceptibility zoning of geohazards along the Silk Road, Xian-Lanzhou | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
Tingzon et al. | Mapping new informal settlements using machine learning and time series satellite images: An application in the Venezuelan migration crisis | |
KR101785148B1 (ko) | 산사태 토석류 전이 규준 모델 및 그 생성 방법 | |
CN116258279B (zh) | 基于综合赋权的滑坡易发性评价方法和装置 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
Blei et al. | Global monitoring with the atlas of urban expansion | |
CN117094234B (zh) | 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
Liu et al. | Road density analysis based on skeleton partitioning for road generalization | |
CN113971348A (zh) | 一种基于综合能源系统的源端功率短期预测方法 | |
Shi et al. | Application and comparing of IDW and Kriging interpolation in spatial rainfall information | |
Li et al. | Identifying urban form typologies in seoul with mixture model based clustering | |
CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 | |
Millward | Urbanisation viewed through a geostatistical lens applied to remote‐sensing data |
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 |