相关实验视频
Updated: Jun 23, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
根据使用各种机器学习方法整合环境因素,绘制韩国州洪水易感性地图
Liadira Kusuma Widya1, Fatemeh Rezaie2, Woojin Lee3
1Department of Science Education, Kangwon National University, 1 Gangwondaehak-gil, Chuncheon-si, Gangwon-do, 24341, Republic of Korea; Civil Engineering, Sunan Bonang University, Tuban, East Java, 62315, Indonesia.
机器学习模型,包括长期短期记忆 (LSTM),准确地绘制了韩国州洪水易感性的地图. 这项研究有助于为脆弱地区制定有效的洪水风险管理策略.
科学领域:
- 环境科学环境科学
- 地理空间分析是什么?
- 机器学习应用程序 机器学习应用程序
背景情况:
- 洪水对人类生命,基础设施和社会经济稳定构成重大风险,正如最近在韩国州发生的事件所证明的那样.
- 河流溢出被认为是该地区近期洪水事件的关键因素.
研究的目的:
- 为韩国州开发准确的洪水易感性地图.
- 评估机器学习算法对洪水风险评估的性能.
主要方法:
- 使用的机器学习技术:支持向量回归 (SVR),增强树 (BOOST) 和长短期记忆 (LSTM).
- 纳入了各种环境因素:斜率,面积,地形湿度指数,土地使用,土壤特性和规范差水指数.
- 采用频率比方法来确定对模型稳定性的最有影响的因素.
主要成果:
- SVR和BOOST模型实现了高性能,曲线下的面积 (AUC) 值在培训中高达86.70%,在测试中高达86.43%.
- LSTM算法展示了优异的洪水易感性映射,在训练中达到87.01%的AUC,在测试中达到86.91%.
- 通过频率比率方法确定了通过频率比率方法对洪水易感性作出贡献的关键环境变量.
结论:
- 该LSTM算法提供了一个强大的和可靠的方法,用于准确的洪水易感性评估.
- 该研究增强了对韩国洪水动态的理解,并为区域政策和防灾准备提供了有价值的工具.
- 拟议的机器学习方法可以为建立抵御洪水的抵御性社区的关键政策决策提供信息.
更多相关视频
14:48Generation of Dynamical Environmental Conditions using a High-Throughput Microfluidic Device
Published on: April 17, 2021
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Applications of GIS: Disaster Management and Emergency Response
Responses to Drought and Flooding
Response Surface Methodology
The process of RSM involves several key steps:
Manipulation and Analysis
Levels of Use of a GIS