滑坡易发性的流程
滑坡易發性的流程
指標分級
在學習滑坡易發性的過程中,發現存在很多小問題。傳統的方法認為影響因素很大,在進行指標分級時,客觀性即經驗存在很大影響,不同的人對指標分級存在差異,導致結果會有很大的差別。
個人覺得指標分級的過程不外乎是個加大兩級分化即將信息量大(對滑坡影響較大)的分級歸為一類,加大這一區域的影響,縮小其余區域的影響,導致低易發區和高易發區之間差值明顯,用盡可能小的區域去包含盡可能多的已知滑坡,即滑坡比率最大,證明結果的可靠性。這一分級過程類似聚類分析的思想,將信息量大的區域聚合在一起,形成較強的區域去影響滑坡,信息量小的區域聚合在一起,表明對滑坡影響較小。
我使用的是k-means分類,代碼我就不貼了,感覺還有點小問題,目前我是固定分級數,后續考慮根據算法來自我選擇分級數,可能會更好,完全實現自動化。
計算方法
指標分級完了之后用最傳統的信息量法或深度學習其中的方法也行,如隨機森林、神經網絡、邏輯回歸、SVM等都可以。
流程圖
這是我自己畫的流程圖,可能不是很規范,大概就是這樣的一個意思,因此實現易發性評價的全自動化是很有可能的,以及在WEB端與用戶進行交互也是存在可能的。
后續
后面可能會學習前端怎么調用本地文件進行處理,調用python是可行的,但是每個人的電腦不一樣,如果要調用用戶電腦的數據,在前端怎么實現才好,暫時沒有接觸過這些。
總結
- 上一篇: 各类数据挖掘算法缺点_数据挖掘–简介,优
- 下一篇: Verilog——将单脉冲宽度信号变为双