当前位置：
X-MOL 学术
›
Stoch. Environ. Res. Risk Assess.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
应用 CNN、GLM 和随机森林的新型集合预测印度喜马拉雅地区的空间滑坡敏感性
Stochastic Environmental Research and Risk Assessment ( IF 3.9 ) Pub Date : 2022-04-04 , DOI: 10.1007/s00477-022-02212-3 Sunil Saha 1 , Anik Saha 1 , Kanu Mandal 1 , Tusar Kanti Hembram 2 , Raju Sarkar 3 , Dhruv Bhardwaj 3
"点击查看英文标题和摘要"
更新日期：2022-04-04
Stochastic Environmental Research and Risk Assessment ( IF 3.9 ) Pub Date : 2022-04-04 , DOI: 10.1007/s00477-022-02212-3 Sunil Saha 1 , Anik Saha 1 , Kanu Mandal 1 , Tusar Kanti Hembram 2 , Raju Sarkar 3 , Dhruv Bhardwaj 3
Affiliation
|
本研究旨在为位于印度北阿坎德邦 Tehri Garhwal 区的 Bhagirathi 河流域生成滑坡敏感性图 (LSM)。在这项研究中，我们整合并利用了机器学习新颖的集成模型，即：广义线性模型 (GLM)、随机森林 (RF)、卷积神经网络 (CNN)、GLM-RF、CNN-RF、CNN-GLM 和 CNN- GLM-射频。上面指定的集成模型被用于准备 LSM。共选择并研究了 171 个滑坡位置，用于编制滑坡清单。从滑坡清单中，70% 的滑坡用于训练目的，其余 30% 用于验证目的。在正在进行的研究中，总共使用了 17 个滑坡调节因子 (LCF)，多重共线性分析采用公差（TOL）和方差膨胀因子（VIF）方法。然后通过接收器操作特征曲线 (ROC)、平均绝对误差 (MAE)、均方根误差 (RMSE) 和卡方方法验证这些 LSM。最后，分析结果以及验证模型表明，CNN 模型被证明是预测研究区滑坡敏感性的最有效方法。研究发现，针对所考虑区域所采用的方法可以应用于全球具有相似地理环境因素的区域。均方根误差 (RMSE) 和卡方方法。最后，分析结果以及验证模型表明，CNN 模型被证明是预测研究区滑坡敏感性的最有效方法。研究发现，针对所考虑区域所采用的方法可以应用于全球具有相似地理环境因素的区域。均方根误差 (RMSE) 和卡方方法。最后，分析结果以及验证模型表明，CNN 模型被证明是预测研究区滑坡敏感性的最有效方法。研究发现，针对所考虑区域所采用的方法可以应用于全球具有相似地理环境因素的区域。
"点击查看英文标题和摘要"
京公网安备 11010802027423号