空间数据集用于基于机器学习的山体滑坡易感性模型的基准测试
相关实验视频
Updated: Jun 4, 2025

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
Guruh Samodra1, Mukhamad Ngainul Malawani1, Indranova Suhendro1
1Department of Environmental Geography, Faculty of Geography, Universitas Gadjah Mada, 55281, Indonesia.
一个新的数据集有助于机器学习的山体滑坡易感性模型. 它具有滑坡多边形和来自卫星图像和DEMNAS的控制因素,可以实现更好的模型基准测试和研究可重现性.
科学领域:
- 地质科学 地质科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 滑坡易感度建模对于危险评估至关重要.
- 机器学习模型的基准测试需要全面,可靠的数据集.
- 现有的数据集可能缺乏详细的山体滑坡库存和各种控制因素.
研究的目的:
- 提供一个全面的数据集,用于基于机器学习的基准基准测试山体滑坡易感模型.
- 促进滑坡研究的透明度,可复制性和协作.
- 支持先进的地理空间分析和比较研究.
主要方法:
- 滑坡多边形是从高分辨率卫星图像 (星,谷歌地球) 中手动划分的.
- 控制因素数据是从地形地图和印尼国家数字海拔模型 (DEMNAS) 中提取的.
- 地滑事件通过比较事件前后的卫星图像,通过现场调查进行验证来绘制地图.
主要成果:
- 编制了一套数据集,包括山体滑坡多边形和控制因素 (地形,土地使用,道路/河流的接近).
- 该数据集涵盖受热带气旋Cempaka (2017年11月) 影响的地区.
- 该数据集是公开可用的,用于研究重复使用.
结论:
- 开发的数据集是推进机器学习应用在山体滑坡易感性建模的宝贵资源.
- 它可以进行强大的模型基准测试,验证和比较研究.
- 该数据集促进了合作研究,并增强了对山体滑坡触发因素和空间分布的理解.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
相关概念视频
Selected Data About Geographic Locations
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Applications of GIS: Disaster Management and Emergency Response
Levels of Use of a GIS
Manipulation and Analysis
GIS Software, Hardware, and Sources of GIS Data