CN116384627A - 一种基于机器学习的地质灾害评价方法 - Google Patents
一种基于机器学习的地质灾害评价方法 Download PDFInfo
- Publication number
- CN116384627A CN116384627A CN202310301278.1A CN202310301278A CN116384627A CN 116384627 A CN116384627 A CN 116384627A CN 202310301278 A CN202310301278 A CN 202310301278A CN 116384627 A CN116384627 A CN 116384627A
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- evaluation
- vulnerability
- obtaining
- whale
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 75
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 241000283153 Cetacea Species 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000235648 Pichia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000013178 mathematical model 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000009137 wuling Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
Abstract
本发明公开了一种基于机器学习的地质灾害评价方法，包括：确定目标地区，基于目标地区获取样本集；构建地质灾害易发性评价指标体系，基于样本集和地质灾害易发性评价指标体系，得到第一数据集；构建地质灾害易发性评价模型，将训练集输入地质灾害易发性评价模型进行训练，得到训练好的地质灾害易发性评价模型，将测试集输入训练好的地质灾害易发性评价模型，得到易发性评价结果；构建地质灾害易损性评价指标体系，基于样本集和地质灾害易损性评价指标体系，得到第二数据集，基于第二数据得到易损性评价结果；基于易发性评价结果和易损性评价结果得到最终地质灾害评价结果。通过智能算法避免人工评价造成的评价结果误差。
Description
技术领域
本发明涉及地质灾害技术领域，特别涉及一种基于机器学习的地质灾害评价方法。
背景技术
地质灾害是自然或人为因素的作用下形成的对人类生命财产造成的损失、对环境造成破坏的地质作用或地质现象。我国地质灾害非常严重，特别是我国中西部地区，地质灾害防治已成为关系国家经济建设和人民生命财产安全，事关国家重大项目建设成败的大事。近几十年，地质灾害已严重降低环境质量并危及人类安全及整个生物圈生态发展，地质灾害的防治越来越引起人们的关注。
地质灾害种类包括崩塌、滑坡、泥石流、地面塌陷(含岩溶塌陷和开采塌陷)、地裂缝、地面沉降等。随着遥感的应用范围越来越广，新时代地质灾害评价的思想通常是基于多源卫星遥感数据或遥感产品运用数学模型或智能算法与GIS相结合来预测地质灾害从而减少人民生命财产的损失。但是由于评价指标体系或预测模型构建的差异，导致预测结果参差不同，地质灾害评价方法仍有待进一步优化提高。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种基于机器学习的地质灾害评价方法。
为了实现上述技术目的，本发明提供了如下技术方案：一种基于机器学习的地质灾害评价方法，包括：
确定目标地区，基于所述目标地区获取样本集；
构建地质灾害易发性评价指标体系，基于所述样本集和所述地质灾害易发性评价指标体系，得到第一数据集，所述第一数据集包括训练集和测试集；
构建地质灾害易发性评价模型，将所述训练集输入所述地质灾害易发性评价模型进行训练，得到训练好的地质灾害易发性评价模型，将所述测试集输入所述训练好的地质灾害易发性评价模型，得到易发性评价结果；
构建地质灾害易损性评价指标体系，基于所述样本集和所述地质灾害易损性评价指标体系，得到第二数据集，基于所述第二数据得到易损性评价结果；
基于所述易发性评价结果和易损性评价结果得到最终地质灾害评价结果。
可选的，获取所述样本集的过程包括：
获取所述目标地区的原始遥感图像；
基于ArcGIS对所述原始遥感影像进行处理，得到若干网格单元；
选取所述网格单元的历史灾害点和历史灾害点缓冲区外的随机一点作为一个网格单元的样本；
基于若干所述网格单元的样本，得到样本集。
可选的，所述地质灾害易发性评价指标体系包括以下指标：坡度、坡向、坡高、河流密度、高程、岩土类型、距断层距离、距河流距离、植被覆盖程度、降雨量。
可选的，对所述地质灾害易发性评价指标进行正向化、归一化，得到第一数据集。
可选的，将所述训练集输入所述地质灾害易发性评价模型，基于鲸鱼算法优化支持向量机模型进行训练，得到易发性评价结果。
可选的，所述鲸鱼算法优化支持向量机模型优化步骤包括：
初始化鲸鱼算法相关参数，其中，所述相关参数包括：种群规模、最大迭代次数、惩罚参数和核参数；
基于K折交叉验证法计算每个鲸鱼个体的适应度值，得到鲸鱼个体的第一适应度，记录当前个体及种群最优值；
基于鲸鱼算法更新所述鲸鱼个***置，得到更新后鲸鱼个***置；
基于所述更新后鲸鱼个***置，计算鲸鱼个体的第二适应度，基于所述第一适应度和所述第二适应度，得到新种群；
基于所述新种群进行迭代，直至满足终止条件，得到最优参数；
基于所述最优参数得到训练好的地质灾害易发性评价模型。
可选的，所述地质灾害易损性评价指标体系包括以下指标：人口密度、交通道路密度和经济损失。
本发明具有如下技术效果：
本发明基于预测模型进行地质灾害的易发性评价，可以快速、准确地总结出滑坡的发育特征，进而对滑坡灾害的发生概率做出等级预报，可以为处于地质灾害危害地区快速准确的制定出应急方案，为防灾减灾工作提供了科学依据。
本发明基于多源遥感数据和智能算法进行地质灾害评价准确可靠，通过智能算法可做到权重因子自动化选择，避免人工评价造成的评价结果误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的流程图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，本实施例公开了一种基于机器学习的地质灾害评价方法，包括：
确定目标地区，基于所述目标地区获取样本集；
构建地质灾害易发性评价指标体系，基于所述样本集和所述地质灾害易发性评价指标体系，得到第一数据集，所述第一数据集包括训练集和测试集；
构建地质灾害易发性评价模型，将所述训练集输入所述地质灾害易发性评价模型进行训练，得到训练好的地质灾害易发性评价模型，将所述测试集输入所述训练好的地质灾害易发性评价模型，得到易发性评价结果；
构建地质灾害易损性评价指标体系，基于所述样本集和所述地质灾害易损性评价指标体系，得到第二数据集，基于所述第二数据得到易损性评价结果；
基于所述易发性评价结果和易损性评价结果得到最终地质灾害评价结果。
本实施例以贵州省为例，进行地质灾害评价。
贵州位于扬子板块西部，西临特提斯造山带，地处东亚中生代造山带和阿尔卑斯—特提斯新生代之间的上升地壳变形区。大地构造经历了武陵、雪峰、加里东、华力西—印支和燕山—喜马拉雅5个阶段，几次造山运动的地应力场在变化多端的边界条件下形成挤压型、直扭型和旋扭型三大类构造形式。并且贵州属于热带温热气候，多年平均降雨量为1100～1300mm。
贵州地区2011—2020年共发生地质灾害1613起，造成456人伤亡、失踪，直接经济损失17.71亿元。从灾害类型来看，主要为滑坡，占灾害总数的81.71％；其次为崩塌，占灾害总数的11.66％。
首先获取目标地区的原始遥感图像；
基于ArcGIS对原始遥感影像进行处理，得到9个网格单元，包括：黔南、黔东南、黔西南、贵阳、六盘水、遵义、安顺、毕节和铜仁；
选取所述网格单元的历史灾害点和历史灾害点缓冲区外的随机一点作为一个网格单元的样本；基于上述9个网格单元的样本，得到样本集。
构建地质灾害易发性评价指标体系，其中，包括以下指标：坡度、坡向、坡高、河流密度、高程、岩土类型、距断层距离、距河流距离、植被覆盖程度、降雨量。
基于地理遥感生态网获得相应指标数据，得到第一数据集。
基于第一数据集，对选取的10个指标进行无量纲化处理，具体步骤包括：选取10个指标进行分级，确定分级阈值并进行赋值，得到样本量化数据。
构建基于鲸鱼算法优化的支持向量机模型。SVM模型参数的选择会直接影响评价结果的准确性。本实施例利用鲸鱼算法的寻有能力，寻找SVM的惩罚参数和核函数，以此提高SVM的预测精度。
支持向量机(support vector machines,SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM可以通过引入核函数进行非线性分类。
SVM的参数选择直接影响其训练和泛化性能，惩罚因子C和核函数g参数是必须调整的2个参数。采用WOA算法优化SVM参数，迭代寻优得到最佳SVM预测模型。
其中，鲸鱼算法优化支持向量机模型具体步骤包括如下：
①数据预处理，设置鲸鱼数量、最大迭代次数和SVM的参数寻优范围
②随机产生初始鲸鱼位置，计算适应度值并寻找最优位置；
③采用WOA算法对鲸鱼位置更新；
④再次计算适应度值，比较适应度值更新鲸鱼最优位置；
⑤判断是否满足终止条件，满足条件进入下一步，反之则进入③；
⑥得到最优模型参数；
⑦使用最优参数对训练集重新训练；
⑧使用训练好的模型对测试集进行预测。
基于预测结果进行评价，将评价结果进行易发性分级划分，包括：高风险、中风险和低风险。
地质灾害易损性评价是指评价承灾体可能遭受地质灾害破坏的严重程度，主要评价承灾体的价值。依照2020年3月《地质灾害风险调查评价技术要求(1:50000)》(试行)要求，一般调查区易损性应分别评估人员和基础设施易损性，设定权重综合确定承灾体易损性，本实施例选取人口密度、交通道路密度和经济损失作为贵州地区地质灾害易损性评价指标，并对相应指标进行分级及赋值，得到地区地质灾害易损性评价结果。其中将易损性评价结果进行等级划分，包括：高风险、中风险和低风险。
综合地区地质灾害易发性评价结果和易损性评价结果，得到最终贵州地区地质灾害评价结果。具体步骤包括：
基于ArcGIS平台，将上述计算得到的贵州地区地质灾害易发性和易损性分区图进行重分类赋值，并利用“Spatial Analyst Tools”工具箱中的“地图代数”工具箱中的栅格计算器的计算功能。为了便于分区，本实施例将贵州地区地质灾害易发性和易损性等级分别从高到低依次赋值，将易发性和易损性分区图的分级赋值进行相乘，得到风险性分级矩阵，基于风险性分级矩阵进行风险等级划分，分为3个等级，高风险区、中风险区和低风险区。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于机器学习的地质灾害评价方法，其特征在于，包括：
确定目标地区，基于所述目标地区获取样本集；
构建地质灾害易发性评价指标体系，基于所述样本集和所述地质灾害易发性评价指标体系，得到第一数据集，所述第一数据集包括训练集和测试集；
构建地质灾害易发性评价模型，将所述训练集输入所述地质灾害易发性评价模型进行训练，得到训练好的地质灾害易发性评价模型，将所述测试集输入所述训练好的地质灾害易发性评价模型，得到易发性评价结果；
构建地质灾害易损性评价指标体系，基于所述样本集和所述地质灾害易损性评价指标体系，得到第二数据集，基于所述第二数据得到易损性评价结果；
基于所述易发性评价结果和易损性评价结果得到最终地质灾害评价结果。
2.根据权利要求1所述的基于机器学习的地质灾害评价方法，其特征在于：获取所述样本集的过程包括：
获取所述目标地区的原始遥感图像；
基于ArcGIS对所述原始遥感影像进行处理，得到若干网格单元；
选取所述网格单元的历史灾害点和历史灾害点缓冲区外的随机一点作为一个网格单元的样本；
基于若干所述网格单元的样本，得到样本集。
3.根据权利要求1所述的基于机器学习的地质灾害评价方法，其特征在于：所述地质灾害易发性评价指标体系包括以下指标：坡度、坡向、坡高、河流密度、高程、岩土类型、距断层距离、距河流距离、植被覆盖程度、降雨量。
4.根据权利要求3所述的基于机器学习的地质灾害评价方法，其特征在于：对所述地质灾害易发性评价指标进行正向化、归一化，得到第一数据集。
5.根据权利要求1所述的基于机器学习的地质灾害评价方法，其特征在于：将所述训练集输入所述地质灾害易发性评价模型，基于鲸鱼算法优化支持向量机模型进行训练，得到易发性评价结果。
6.根据权利要求5所述的基于机器学习的地质灾害评价方法，其特征在于：所述鲸鱼算法优化支持向量机模型的步骤包括：
初始化鲸鱼算法相关参数，其中，所述相关参数包括：种群规模、最大迭代次数、惩罚参数和核参数；
基于K折交叉验证法计算每个鲸鱼个体的适应度值，得到鲸鱼个体的第一适应度，记录当前个体及种群最优值；
基于鲸鱼算法更新所述鲸鱼个***置，得到更新后鲸鱼个***置；
基于所述更新后鲸鱼个***置，计算鲸鱼个体的第二适应度，基于所述第一适应度和所述第二适应度，得到新种群；
基于所述新种群进行迭代，直至满足终止条件，得到最优参数；
基于所述最优参数得到训练好的地质灾害易发性评价模型。
7.根据权利要求1所述的基于机器学习的地质灾害评价方法，其特征在于：所述地质灾害易损性评价指标体系包括以下指标：人口密度、交通道路密度和经济损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310301278.1A CN116384627A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机器学习的地质灾害评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310301278.1A CN116384627A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机器学习的地质灾害评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384627A true CN116384627A (zh) | 2023-07-04 |
Family
ID=86962732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310301278.1A Pending CN116384627A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机器学习的地质灾害评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384627A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493805A (zh) * | 2023-11-04 | 2024-02-02 | 广东省核工业地质调查院 | 一种地质灾害评价过程中斜坡单元的评分取值方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网（北京）节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
| CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
| CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、***、存储介质、设备及应用 |
| CN114240251A (zh) * | 2022-01-07 | 2022-03-25 | 中铁第一勘察设计院集团有限公司 | 考虑多类型灾害耦合的铁路工程线元风险评估方法及*** |
| CN114298436A (zh) * | 2021-12-31 | 2022-04-08 | 西安交通大学 | 一种基于Bagging策略的滑坡易发性评价方法 |
| CN115439287A (zh) * | 2022-06-08 | 2022-12-06 | 自然资源陕西省卫星应用技术中心 | 一种基于机器学习的地质灾害危险性评价方法 |
-
2023
- 2023-03-24 CN CN202310301278.1A patent/CN116384627A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网（北京）节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
| CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
| CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、***、存储介质、设备及应用 |
| CN114298436A (zh) * | 2021-12-31 | 2022-04-08 | 西安交通大学 | 一种基于Bagging策略的滑坡易发性评价方法 |
| CN114240251A (zh) * | 2022-01-07 | 2022-03-25 | 中铁第一勘察设计院集团有限公司 | 考虑多类型灾害耦合的铁路工程线元风险评估方法及*** |
| CN115439287A (zh) * | 2022-06-08 | 2022-12-06 | 自然资源陕西省卫星应用技术中心 | 一种基于机器学习的地质灾害危险性评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗路广，裴向军，谷虎，何宇航，梁靖: "基于GIS 的"8. 8"九寨沟地震景区地质灾害风险评价", 自然灾害学报, vol. 29, no. 3, pages 193 - 202 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493805A (zh) * | 2023-11-04 | 2024-02-02 | 广东省核工业地质调查院 | 一种地质灾害评价过程中斜坡单元的评分取值方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pourghasemi et al. | Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances | |
| 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 | |
| CN109241627B (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN113343563B (zh) | 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 | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| WO2013009160A2 (en) | A geometric method for predicting landslide disaste | |
| CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
| CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
| CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
| CN112131731A (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
| KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
| CN116384627A (zh) | 一种基于机器学习的地质灾害评价方法 | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| CN113393144B (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
| CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及*** | |
| CN116384626A (zh) | 一种红层地区地质灾害风险调查易发性评价方法 | |
| Ibrahim et al. | Landslide’s analysis and Hazard mapping based on ANALYTIC HIERARCHY PROCESS (AHP) using GIS, in Lawas, Sabah-Sarawak | |
| Muriyatmoko et al. | Analysis of rainy days and rainfall to landslide occurrence using logistic regression in Ponorogo East Java | |
| CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
| Purwanto et al. | Validating the GIS-based Flood Susceptibility Model Using Synthetic Aperture Radar (SAR) Data in Sengah Temila Watershed, Landak Regency, Indonesia | |
| CN114997666A (zh) | 一种区域泥石流易发性评估方法 | |
| CN115018110A (zh) | 一种基于XGBoost的公路阻断损失预测方法及*** | |
| CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230704 |