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

以上是生活随笔為你收集整理的滑坡易发性的流程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。