GIS在地质灾害危险性评估与灾后重建中的实践技术应用及python机器学习灾害易发性评价模型建立与优化 |
您所在的位置:网站首页 › 如何在arcgis中提取河流水系 › GIS在地质灾害危险性评估与灾后重建中的实践技术应用及python机器学习灾害易发性评价模型建立与优化 |
第一章 基本概念与平台介绍 1、基本概念 地质灾害类型 地质灾害发育特征与分布规律 地质灾害危害特征 地质灾害孕灾地质条件分析 地质灾害诱发因素与形成机理 2、GIS原理与ArcGIS平台介绍 GIS简介 ArcGIS基础 空间数据采集与组织 空间参考 空间数据的转换与处理 ArcGIS中的数据编辑 地理数据的可视化表达 空间分析: 数字地形分析 叠置分析 距离制图 密度制图 统计分析 重分类 三维分析 第二章 地质灾害风险评价模型与方法 1、地质灾害易发性评价模型与方法 评价单元确定 易发性评价指标体系 易发性评价模型 权重的确定 2、滑坡易发性评价 评价指标体系 地形:高程、坡度、沟壑密度、地势起伏度等。 地貌:地貌单元、微地貌形态、总体地势等。 地层岩性:岩性特征、岩层厚度、岩石成因类型等 地质构造:断层、褶皱、节理裂隙等。 地震:烈度、动峰值加速度、历史地震活动情况等 工程地质:区域地壳稳定性,基岩埋深,主要持力层岩性、承载力、岩土体工程地质分区等。 常用指标提取 坡度、坡型、高程、地形起伏度、断裂带距离、工程地质岩组、斜坡结构、植被覆盖度、与水系距离等因子提取 指标因子相关性分析 (1)相关性系数计算与分析 (2)共线性诊断 评价指标信息量 评价指标权重确定 滑坡易发性评价结果分析与制图 滑坡易发性综合指数 易发性等级划分 易发性评价结果制图分析 2、崩塌易发性评价 3、泥石流易发性评价 泥石流评价单元提取 泥石流评价指标 崩滑严重性、泥沙沿程补给长度比、沟口泥石流堆积活动、沟谷纵坡降、区域构造影响程度、流域植被覆盖度、工程地质岩组、沿沟松散堆积物储量、流域面积、流域相对高差、河沟堵塞程度等 典型泥石流评价指标选取 评价因子权重确定 泥石流易发性评价结果分析与制图 泥石流易发性综合指数计算 泥石流的易发性分级确定 泥石流易发性评价结果 4、地质灾害易发性综合评价 综合地质灾害易发值=MAX [泥石流灾害易发值,崩塌灾害易发值,滑坡灾害易发值] 第三章 地质灾害风险性评价 1、地质灾害风险性评价 2、地质灾害危险性评价 危险性评价因子选取 在某种诱发因素作用下,一定区域内某一时间段发生特定规模和类型地质灾害的可能性。 区域构造复杂程度,活动断裂发育程度,地震活动等都可能诱发地质灾害;强降雨的诱发,灾害发生的频率、规模也会增强地质灾害发生的机率。 危险性评价因子量化 崩滑危险性因子量化 统计各级范围内的灾害个数及面积,利用信息量计算方法到各级的信息量值。 泥石流危险性评价因子权重 危险性评价与结果分析 3、地质灾害易损性评价 地质灾害易损性因子分析 人口易损性 房屋建筑易损性 农业易损性 林业易损性 畜牧业易损性 道路交通易损性 水域易损性 人口易损性评价因子提取 人口密度数据处理 用人口密度数据来量化人口易损性,基于各行政单元统计年鉴获取的人口数量,结合房屋建筑区数据,量化人口的空间分布,基于GIS的网格分析,得到单位面积上的人口数量即人口密度。 易损性赋值 人口易损性因子提取 建筑易损性评价 建筑区密度数据处理 用房屋建筑区密度数据来量化房屋建筑易损性,利用房屋建筑区数据, 基于GIS的网格分析,得到单位面积上的房屋建筑区面积,即房屋建筑区密度。 易损性赋值 建筑物易损性因子提取 交通设施易损性评价 道路数据的获取 用 ArcGIS 缓冲分析功能,形成道路的面文件 不同类型的道路进行赋值 道路易损分布结果分析 综合易损性评价 综合易损性叠加权重 综合易损性评价结果提取与分析 4、地质灾害风险评价结果提取与分析 第四章 GIS在灾后重建中的应用实践 1、应急救援路径规划分析 表面分析、成本权重距离、栅格数据距离制图等空间分析; 利用专题地图制图基本方法,制作四川省茂县地质灾害应急救援路线图, 最佳路径的提取与分析 2、灾害恢复重建选址分析 确定选址的影响因子 确定每种影响因子的权重 收集并处理每种影响因子的数据:地形分析、距离制图分析,重分类 恢复重建选址分析 3、震后生态环境变化分析 使用该类软件强大的数据采集、数据处理、数据存储与管理、空间查询与空间分析、可视化等功能进行生态环境变化评价。 第五章 进阶:Python机器学习应用与论文写作与复现 1、论文写作要点分析 2、论文投稿技巧分析 3、论文案例分析 案例:利用机器学习对灾害易发性评价研究 部分成果复现: 模型介绍: √逻辑回归模型 √随机森林模型 √ 支持向量机模型 实现方案: 一、运行环境部署 √Python编译环境配置 √ sklearn库 二、线性概率模型——逻辑回归 √介绍 √ 连接函数的选取:Sigmoid函数 √致灾因子数据集:数据介绍;相关性分析;逻辑回归模型预测;样本精度分析;分类混淆矩阵 √ 注意事项 三、SVM支持向量机 √ 线性分类器 √SVM-核方法:核方法介绍;sklearn的SVM核方法 √ 参量优化与调整 √ SVM数据集:支持向量机模型预测;样本精度分析;分类混淆矩阵 四、Random Forest的Python实现 √数据集 √数据的随机选取 √待选特征的随机选取 √ 相关概念解释 √参量优化与调整:随机森林决策树深度调参;CV交叉验证定义;混淆矩阵;样本精度分析 √基于pandas和scikit-learn实现Random Forest:数据介绍;随机森林模型预测;样本精度分析;分类混淆矩阵 五、方法比较分析 √精度分析 √结果对比分析 原文阅读:GIS在地质灾害危险性评估与灾后重建中的实践技术应用及python机器学习灾害易发性评价 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |