基于自筛深度学习模型的滑坡易发性预测建模
本文探讨利用卷积神经网络,并提出了局部对齐卷积神经网络模型,针对地表土石滑坡进行预测,该模型在准确度和对数似然方面相对于其他模型均有所提升,通过对各种异质特征进行输入,对滑坡进行预测。
Nov, 2019
采用不同的方法研究了统计学、机器学习和深度学习模型在预测滑坡易发性方面的可解释性,并比较了这些模型的准确性。结果表明,卷积神经网络模型在准确性方面表现最好,而极限梯度提升和支持向量机也具有强大的预测能力,优于传统的统计模型。然而,模型的解释能力因模型而异,尤其是在使用较广泛的 19 个贡献因素时。使用专门的 9 个触发因素增加了模型的可解释性,但降低了一些预测能力。
May, 2024
使用多个分割模型和不同的数据集,构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合,以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。
Sep, 2023
在这项研究中,我们将 CNN-LSTMs 的应用扩展到时间序列设置中,利用滞后的水流数据与降水和温度数据相结合,预测水流状况,并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进,展示了 Kling-Gupta 效率值的显著增加,从而突出了 CNN-LSTMs 在时间序列设置中的效果,特别适用于准确且鲁棒的水流预测的时空水文建模。
Apr, 2024
本研究提出了 Attention-GCN-LSTM,一种结合了图卷积网络 (GCN)、长短期记忆 (LSTM) 和三层注意机制的新方法,以准确预测分布网络中线路损耗率的短期多时间跨度。通过捕捉空间和时间相关性,我们的模型能够在多个时间跨度上准确预测线路损耗率。通过对来自 10KV 馈线的真实数据进行全面评估,我们的 Attention-GCN-LSTM 模型始终优于现有算法,在预测准确性和多时间跨度预测方面表现出卓越性能。该模型对于提升分布网络中的线路损耗管理具有重要意义。
Dec, 2023
利用深度学习算法基于历史传感器监测数据,包括河床高程、流量高程和流速,对桥墩周围的冲刷深度变化进行预测,研究了不同模型在实时冲刷预测中的性能,并探索了超参数调优和模型优化的创新随机搜索启发式算法。此研究揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。
Apr, 2024
研究了选择影响因素对机器学习模型和深度学习模型预测滑坡易发性的准确性的影响。考虑采用四种方法选择影响因素,并探讨了基于自动编码器的深度学习模型的因素选择方法。
Sep, 2023
利用深度学习模型中的时序卷积网络(TCN),在喜马拉雅山流域的喜马拉雅区进行雪融驱动的径流建模,结果表明 TCN 模型优于传统机器学习方法,适用于雪融驱动的流量预测及类似水文应用。
Apr, 2024