利用机器学习和深度学习模型预测滑坡易发因素的选择
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
利用基于 Transformer 的深度学习网络,结合先前知识和多源数据,预测滑坡行为,提高综合性滑坡预测能力,揭示滑坡演化和时态模式的全面理解,并通过验证模型在三峡库区滑坡和青藏高原潜在滑坡的表现,证明可解释性滑坡预测有效地确定各种滑坡的影响因素,使滑坡行为和趋势更具可解释性和可预测性。
Jul, 2023
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
本研究提出了一种动态滑坡易发性测绘方法,该方法采用多个预测模型进行年度滑坡易发性评估,并利用少量样本和渐变更新的方式进行元学习表示推断,使用 SHAP 进行模型解释和滑坡特征置换。此外,还应用 MT-InSAR 方法进行滑坡易发性结果增强和验证,在香港的大屿山地区进行了从 1992 年到 2019 年的全面动态滑坡易发性评估,结果表明,大屿山地区滑坡的主要触发因素是地形坡度和极端降雨,且滑坡原因的变化主要归因于全球气候变化和香港政府实施的滑坡预防和减灾项目(LPMitP)的影响。
Aug, 2023
研究了软件项目中不同因素对于识别漏洞的准确性的影响,通过挖掘软件库中的漏洞并使用机器学习技术进行自动检测。通过实验发现,将基于词袋模型的签名与随机森林模型相结合,在 17 个真实世界项目中能提高 4% 的检测准确率,并观察到在跨域中转移漏洞签名的局限性。
Jun, 2024
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
本文提出了一种使用自筛选图卷积和长短期记忆网络的山体滑坡易损性预测模型来解决传统机器学习模型在样本误差和环境因素等方面存在的不确定性问题,并与几种常规机器学习方法进行了比较,实验结果显示,SGCN-LSTM 模型具有更高的预测精度和更好的鲁棒性,具有很好的应用前景。
Apr, 2023
本研究通过深度学习和极值理论模型,使用观测降雨诱发滑坡的 30 年清单数据,以及不同气候变化情景下多个回程期的数据,开发了一个统一模型来估计山体滑坡的灾害风险,结果显示该模型性能优异,能够以统一的方式建模滑坡灾害风险。在地貌上,我们发现在两个气候变化情景(SSP245 和 SSP885)下,喜马拉雅山脉下部地区的山体滑坡风险平均增加了两倍,中部地区保持不变,而上部地区略有减少。
Jan, 2024
通过使用 SHapley Additive exPlanations(SHAP)解释基于 2011 年基督城地震数据训练的 eXtreme Gradient Boosting(XGB)模型的结果,它成功地识别了通过锥形贯入试验(Cone Penetration Test)数据导出的土壤特性在预测侧向扩散中的重要性,并验证了其与领域理解的一致性,突出了可解释的机器学习在地基工程和灾害评估中可靠和明智的决策意义。
Apr, 2024
野火对全球植被、野生动物和人类有重要影响,破坏植物群落和野生动物栖息地,并导致二氧化碳、氮氧化物、甲烷和其他污染物的排放增加。本技术综述描述了野火预测所依赖的独立变量的选择、数据处理技术、模型、独立变量的共线性和重要性估计方法以及模型性能评估指标。文章强调了对更有效的深度学习时间序列预测算法、三维数据(包括地面和树干燃料)的利用、提取更准确的历史火灾点数据和改进模型评估指标的需求。
May, 2024