使用轻量密集的残余网络进行滑坡易感性评估,重点是深层空间特征

科学领域:

• 地质科学 地质科学
• 地质工程是地质工程.
• 人工智能的人工智能

背景情况:

• 滑坡对社会发展构成重大全球风险.
• 准确的土地滑坡易感性评估对于缓解灾难至关重要.
• 现有的方法面临的挑战是有限的数据,功能利用和计算成本.

研究的目的:

• 提出一种高效准确的土地滑坡易感性评估方法.
• 解决现有的深度学习方法在山体滑坡预测方面的局限性.
• 开发一个模型,尽量减少计算成本,同时最大限度地提取功能.

主要方法:

• 开发了一种新的轻型密集残余网络 (DS-DRN).
• 使用深度可分离的卷积来减少计算负载.
• 实现了密集的连接,以增强特征提取和梯度流动.
• 软max分类被用于最终的易感性预测.

主要成果:

• 与CNN,CPCNN-RF和U-net.net相比,DS-DRN方法显示出更高的预测准确度.
• 拟议的模型在计算成本方面实现了显著的节约.
• DS-DRN有效地捕获了山体滑坡数据中的复杂非线性关系.
• 深层空间特征被成功地挖掘和利用.

结论:

• DS-DRN模型提供了一个高度准确和计算高效的解决方案,用于评估山体滑坡易感性.
• 这种方法有效地解决了传统深度学习模型在这个领域的局限性.
• 这些发现支持使用DS-DRN来改善地质危险管理和可持续发展规划.