خلاصه
کلید واژه ها:
ارزیابی پیچیدگی زمین ; مدل دیجیتال ارتفاع ; تجزیه و تحلیل مولفه اصلی ; روش ضریب تغییرات ; K-به معنی خوشه بندی ; سیستم اطلاعات جغرافیایی
۱٫ معرفی
۲٫ مواد و روشها
۲٫۱٫ معرفی استان جیانگشی و منابع داده
۲٫۲٫ شرح عوامل زمین
زبری سطح، که یک شاخص مهم منعکس کننده تسکین سطح و درجه فرسایش خاک است، به عنوان نسبت سطح به سطح پیش بینی شده آن در یک سلول شبکه مشخص تعریف می شود ( شکل ۲ f). زبری سطح را می توان با استفاده از ماشین حساب گرید نرم افزار ArcGIS مطابق با معادله (۱) تعیین کرد، جایی که Rou مقدار زبری سطح است، و اسمقدار شیب منطقه مورد مطالعه است. هر چه زبری سطح بیشتر باشد، پیچیدگی زمین بیشتر می شود [ ۴۹ ].
تراکم آبکند ( شکل ۲ g) به عنوان طول کل شبکه رودخانه در یک واحد سطح تعریف می شود [ ۵۰ ، ۵۱ ]. شبکه رودخانه در یک منطقه مورد مطالعه با ابزار تحلیل هیدرولوژیکی نرم افزار ArcGIS 10.2 قابل استخراج است. سپس، همانطور که در رابطه (۲) نشان داده شده است، می توانیم چگالی آبکند را از طریق ماشین حساب شبکه محاسبه کنیم. Dاسچگالی آبکند است و Lطول شبکه های رودخانه در یک واحد مساحت است آ.
طول شیب ( شکل ۲ i) طول پیش بینی شده حداکثر فاصله زمین را در یک صفحه افقی، از یک نقطه روی زمین تا نقطه شروع آن در جهت جریان آب نشان می دهد [ ۵۴ ، ۵۵ ]. طول شیب به طور غیرمستقیم بر پیچیدگی زمین تأثیر می گذارد و فرمول آن در رابطه (۳) بیان می شود، که در آن مترطول جریان را در سطح زمین در جهت جریان آب نشان می دهد و اسمقدار شیب سطح زمین است.
۲٫۳٫ روش های مدل سازی TCA
۲٫۴٫ شرح روش ها
۲٫۴٫۱٫ تجزیه و تحلیل مؤلفه های اصلی
هدف روش PCA استفاده از ایده کاهش ابعاد برای تبدیل چندین عامل به چند جزء اصلی است. هر جزء اصلی می تواند بخشی از اطلاعات متغیرهای اصلی را منعکس کند [ ۵۶ ]. علاوه بر این، اطلاعات موجود در هر جزء اصلی با سایر اجزای اصلی تکرار نمی شود. PCA مجموعه معینی از متغیرهای مرتبط را از طریق تبدیل خطی به مجموعه دیگری از متغیرهای نامرتبط تبدیل می کند. سپس، این متغیرهای ناهمبسته جدید به ترتیب واریانس نزولی مرتب می شوند. در ابتدا، هنگام استفاده از روش PCA، ابعاد همه عوامل زمین باید یکسان شود. فرض کنید مجموعه داده اصلی ایکسمن ج, i = ۱ , ۲ , ⋯ ⋯ , n ; j = ۱ ، ۲ ، ⋯ ⋯ m تشکیل شده توسط nسلول های شبکه ای با مترانواع عوامل زمین، مجموعه داده ها ایکسمن جرا می توان با ستون به عنوان استاندارد کرد
جایی که ایکس∗من جنتیجه استاندارد شده است ایکسمن ج، ایکس¯jمقدار میانگین است ایکسj، و σjانحراف معیار است ایکسj. ماتریس ضریب همبستگی از ایکس∗من جابتدا محاسبه می شود. سپس، مقادیر ویژه λو بردارهای ویژه مربوط به آنها بر اساس ماتریس ضریب همبستگی محاسبه می شود. نرخ مشارکت هر یک از مقادیر ویژه را می توان با استفاده از رابطه (۶)، که در آن کتعداد مقادیر ویژه است.
با توجه به مقدار ویژه و بردار ویژه آن، اهمیت فیزیکی اجزای اصلی توضیح داده شده است. با توجه به مقدار ضریب بار مولفه اصلی انتخاب شده در هر ضریب زمین، مقدار ضریب وزن هر عامل زمین در جزء اصلی انتخاب شده با فرمول زیر محاسبه می شود:
که در آن a ij و l ij به ترتیب مقدار ضریب وزن و مقدار ضریب بار j -مین عامل زمین در من-ام جزء اصلی؛ λمنمقدار ویژه مربوط به است من-امین جزء اصلی سپس ضریب جامع هر جزء اصلی را می توان به صورت محاسبه کرد
جایی که افمنعامل جامع همه عوامل زمین است و مترتعداد عوامل زمین است. در نهایت، نمرات جامع مولفه های اصلی انتخاب شده با معادله (۹)، که در آن Vنرخ مشارکت کل اجزای اصلی انتخاب شده است. تیتعداد اجزای اصلی حفظ شده است. Vمننرخ سهم است من-امین جزء اصلی
۲٫۴٫۲٫ روش ضریب تغییرات
ضریب تغییرات، که یک روش وزن دهی عینی است، مستقیماً از اطلاعات موجود در هر عامل برای محاسبه وزن عامل استفاده می کند [ ۵۷ ، ۵۸ ]. ایده اصلی این روش این است که در سیستم عامل ارزیابی، هر چه تفاوت مقادیر موجود در یک عامل بیشتر باشد، تأثیر یک عامل بر شی مورد ارزیابی بیشتر خواهد بود. تفاوت بین مقادیر موجود در یک عامل را می توان با استفاده از ضریب تغییرات این عامل اندازه گیری کرد
جایی که Vسیjضریب تغییرات ضریب j -ام است که به عنوان ضریب انحراف استاندارد نیز شناخته می شود. σjو ایکس¯jبه ترتیب انحراف معیار و مقادیر میانگین هستند j-ام عامل سپس وزن هر عامل به صورت محاسبه می شود
۲٫۴٫۳٫ مدل خوشه بندی K-Means
(۲) خوشه های K را به نوبه خود به عنوان اسDj= {} ، j = ۱ ، ۲ ، ⋯ ، k. برای هر نمونه ایکسپدر مجموعه آموزشی اسفاصله آن تا نقطه مرکزی K به ترتیب محاسبه می شود و سپس به خوشه مربوطه با کمترین فاصله تا مرکز خوشه طبقه بندی می شود. در معادلات (۱۲) و (۱۳) سیپنشان دهنده خوشه ای است که ایکسپمتعلق به
(۳) برای هر خوشه اسDمن، نقطه مرکزی آن μمنبا توجه به معادلات (۱۴) و (۱۵)، که در آن ستومتر_fهآتیتوrه (اسDمن)مجموع مقادیر مشخصه همه نمونه ها در خوشه است اسDمن، و ستومتر_nتومتربهr(اسDمن)تعداد نمونه ها در خوشه است اسDمن.
اسDمن،پ={۱،سیپ=من۰،سیپ≠من
(۴) مراحل ۲ و ۳ را تا زمانی که تابع هزینه کمتر از آستانه داده شده باشد تکرار کنید. معادله (۱۶) به عنوان تابع هزینه تنظیم شده است که مجموع فواصل اقلیدسی بین تمام نمونه ها در مجموعه نمونه S و نقاط مرکزی خوشه های متناظر آنها را نشان می دهد.
جی(تو،ج)=∑پ=۱متر”ایکسپ-توسیپ”۲
۳٫ نتایج
۳٫۱٫ TCA با استفاده از تجزیه و تحلیل مؤلفه اصلی
۳٫۱٫۱٫ تحلیل عاملی زمین
از جدول ۱ و جدول ۲ می توان دریافت که نرخ مشارکت توضیحی از افمن۱۵۵٫۱۷۹% است و حداکثر بار در افمن۱است اس، با ضریب بار ۰٫۹۶ و به دنبال آن آرهلو آرoتو، با ضریب بار ۰٫۹۵۶ و ۰٫۹۴۴ به ترتیب. از این رو، افمن۱عمدتاً برای توصیف شیب و دامنه تسکین منطقه مورد مطالعه استفاده می شود. نرخ مشارکت توضیحی از افمن۲۱۱٫۸۴۳٪ است Eجvحداکثر بار در است افمن۲، با ضریب بار ۰٫۸۴۰ و جیددومین بار حداکثر در است افمن۲، با ضریب بار ۰٫۴۷۷ نشان می دهد که افمن۲عمدتاً برای توصیف ضریب تغییرات ارتفاع و تراکم آبکند منطقه مورد مطالعه استفاده می شود. علاوه بر این، سهم توضیحی از افمن۳۱۰٫۰۷۲% و حداکثر بار در است افمن۳است پلج، با ضریب بار ۰٫۹۲۷ که نشان می دهد افمن۳عمدتاً برای توصیف انحنای پلان استفاده می شود. بر اساس رابطه (۸)، عوامل جامع پنج مولفه اصلی انتخاب شده است افمن۱~ افمن۵به صورت زیر محاسبه می شوند:
افمن۱=۰٫۳۳۲×E+0.409×اس-۰٫۱۰۱×پلج+۰٫۳۰۸×پrج+۰٫۴۰۷×آرهل+۰٫۳۶۶×آرoتو+۰٫۴۰۲×اسجد-۰٫۱۱۶×جید+۰٫۱۳۴×Eجv+0.353×L
افمن۲=-۰٫۴۳۸×E+0.033×اس-۰٫۰۹۹×پلج+۰٫۰۴۱×پrج+۰٫۰۵۵×آرهل-۰٫۰۱۲×آرoتو+۰٫۰۲۰×اسجد+۰٫۴۳۸×جید+۰٫۷۷۲×Eجv+0.062×L
افمن۳=۰٫۰۱۸×E-0.084×اس+۰٫۹۲۴×پلج+۰٫۲۵۰×پrج+۰٫۰۶۸×آرهل-۰٫۱۳۱×آرoتو+۰٫۰۶۳×اسجد-۰٫۱۲۶×جید+۰٫۱۸۶×Eجv+0.001×L
افمن۴=۰٫۱۹۰×E+0.070×اس+۰٫۲۰۹×پلج-۰٫۰۲۰×پrج+۰٫۰۶۶×آرهل+۰٫۱۶۸×آرoتو+۰٫۰۹۴×اسجد+۰٫۸۵۶×جید-۰٫۳۵۴×Eجv-0.124×L
افمن۵=۰٫۰۴۸×E-0.120×اس-۰٫۱۸۶×پلج+۰٫۷۰۸×پrج-۰٫۱۷۳×آرهل-۰٫۴۲۱×آرoتو-۰٫۱۹۵×اسجد+۰٫۱۷۸×جید-۰٫۱۳۷۷×Eجv+0.390×L
۳٫۱٫۲٫ ارزیابی پیچیدگی زمین
با توجه به معادله (۹) و پنج جزء اصلی افمن۱∼افمن۵، شاخص پیچیدگی زمین افهر سلول شبکه در استان جیانگشی را می توان به صورت محاسبه کرد
افمن=۰٫۶۰۱×افمن۱+۰٫۱۲۹×افمن۲+۰٫۱۱۰×افمن۳+۰٫۰۹۸×افمن۴+۰٫۰۶۲×افمن۵
۳٫۲٫ TCA با استفاده از روش ضریب تغییرات
۳٫۳٫ TCA با استفاده از مدل خوشهبندی K-Means
۴٫ بحث
۴٫۱٫ ارزیابی دقت چهار مدل
۴٫۲٫ TCA در مقایسه با تصاویر هوایی سه بعدی
۴٫۳٫ محدودیت ها و چشم انداز تحقیق
۵٫ نتیجه گیری ها
منابع
- هوانگ، سی. یانگ، جی. جیانگ، پی. ارزیابی تأثیرات فرم شهری بر ساختار منظر فضاهای سبز شهری در چین با استفاده از تصاویر Landsat بر اساس موتور google earth. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۵۶۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لوین، ای. Shults، R. حبیبی، ر. آن، ز. رولاند، W. واقعیت مجازی جغرافیایی برای یادگیری سایبری در زمینه نقشه برداری توپوگرافی: حرکت به سمت یک راه حل موبایل مقرون به صرفه. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۳۳٫ [ Google Scholar ] [ CrossRef ]
- لی، اس. ژانگ، اس. لی، تی. گائو، ی. چن، کیو. Zhang, X. مدلسازی خط پایه بهینه برای یک سیستم sar bistatic فضایی برای تولید دم. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۱۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- جالجولی، آر. ون اوستروم، پی. Dalyot، S. ساختار داده های فضایی و قابلیت های اجرای سیستم مدیریت زمین سه بعدی: مطالعه موردی اسرائیل. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ها، ت. چوی، جی. یو، جی. چون، آی. Shim, J. تبدیل سونامی هواشناسی در مقیاس کوچک به دلیل پیچیدگی زمین در سواحل غربی کره. جی. ساحل. Res. ۲۰۱۴ ، ۷۰ ، ۲۸۴-۲۸۹٫ [ Google Scholar ] [ CrossRef ]
- فارماکیس-سربریاکوا، م. Hurni, L. مقایسه تکنیک های سایه افکنی به کار رفته در لندفرم ها. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۲۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- یانگ، ایکس. تانگ، جی. منگ، ایکس. روش مبتنی بر موقعیت Xiong، L. Saddle برای استخراج فرورفتگیها در مناطق فنگ کنگ با استفاده از مدلهای ارتفاعی دیجیتال. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۳۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- Aguilar، FJ; آگوئرا، اف. Aguilar، MA; Carvajal, F. اثرات مورفولوژی زمین، تراکم نمونهبرداری و روشهای درونیابی بر دقت دم شبکه. فتوگرام مهندس Remote Sens. ۲۰۰۵ ، ۷۱ ، ۸۰۵-۸۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لیو، YB; Smedt، FD; هافمن، ال. Pfister، L. ارزیابی اثرات کاربری زمین بر فرآیندهای سیل در زمین های پیچیده با استفاده از روش gis و مدل سازی. محیط زیست مدل. ارزیابی کنید. ۲۰۰۵ ، ۹ ، ۲۲۷-۲۳۵٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، اف. چن، ال. یین، ک. هوانگ، جی. Gui، L. تشخیص تغییر شی گرا و ارزیابی آسیب با استفاده از تصاویر سنجش از دور با وضوح بالا، زمین لغزش تانجیائو، مخزن سه دره، چین. محیط زیست علوم زمین ۲۰۱۸ ، ۷۷ ، ۱۸۳٫ [ Google Scholar ] [ CrossRef ]
- پراساناکومار، وی. ویجیت، اچ. Geetha، N. ارزیابی زمین از طریق ارزیابی پارامترهای ژئومورفومتریک با استفاده از DEM و GIS: مطالعه موردی دو زیرحوضه اصلی در آتاپادی، جنوب هند. عرب جی. ژئوشی. ۲۰۱۳ ، ۶ ، ۱۱۴۱-۱۱۵۱٫ [ Google Scholar ] [ CrossRef ]
- Tianwen، LI; لیو، ایکس. تانگ، جی. تأثیر پیچیدگی زمین بر شیب و جنبه. J. Mt. Res. ۲۰۰۴ ، ۲۲ ، ۲۷۲-۲۷۷٫ [ Google Scholar ]
- Huaxing، LU; لیو، ایکس. تانگ، جی. ارزیابی پیچیدگی زمین بر اساس تحلیل چند متغیره. J. Mt. Sci. ۲۰۱۲ ، ۳۰ ، ۶۱۶-۶۲۱٫ [ Google Scholar ]
- لانگ، ی. ژو، تی. تانگ، جی. لیو، ایکس. تحقیق در مورد پیچیدگی زمین چندین منطقه معمولی شکل زمین لس بر اساس روش فراکتال. J. Mt. Sci. ۲۰۰۷ ، ۲۵ ، ۳۸۵-۳۹۲٫ [ Google Scholar ]
- Ashenfelter، KT; ابرهارد، KM اثرات پیچیدگی فعل بر خطاهای گفتاری. مم شناخت. ۲۰۰۷ ، ۳۵ ، ۱۵۲۷-۱۵۴۱٫ [ Google Scholar ] [ CrossRef ]
- چمبرز، TC; Drinnan، AN; Mcloughlin, S. برخی از ویژگی های مورفولوژیکی کاج وولمی (wollemia nobilis: Araucariaceae) و مقایسه آنها با فسیل های گیاهی کرتاسه. بین المللی جی. پلانت. علمی ۱۹۹۸ ، ۱۵۹ ، ۱۶۰-۱۷۱٫ [ Google Scholar ] [ CrossRef ]
- راوات، JS; Joshi، RC سنجش از دور و پهنه بندی حساسیت زمین لغزش مبتنی بر gis با استفاده از روش شاخص زمین لغزش در حوضه رودخانه ایگو، هیمالای شرقی، هند. بین المللی J. Remote Sens. ۲۰۱۲ ، ۳۳ ، ۳۷۵۱-۳۷۶۷٫ [ Google Scholar ] [ CrossRef ]
- تامپسون، جی. بل، جی سی. باتلر، CA وضوح مدل ارتفاعی دیجیتال: اثرات بر محاسبه ویژگی زمین و مدلسازی کمی خاک-منظر. ژئودرما ۲۰۱۵ ، ۱۰۰ ، ۶۷-۸۹٫ [ Google Scholar ] [ CrossRef ]
- بارتلت، ام اس؛ Movellan, JR; Sejnowski، TJ تشخیص چهره با تجزیه و تحلیل مؤلفه های مستقل. IEEE Trans. شبکه عصبی ۲۰۰۲ ، ۱۳ ، ۱۴۵۰-۱۴۶۴٫ [ Google Scholar ] [ CrossRef ]
- قاسمی، ع. گومز، سی. زواری، ح. ماس، آ. Ducrot، D. Pca و svm به عنوان روش های ژئومحاسباتی برای نقشه برداری زمین شناسی در جنوب تونس، با استفاده از مجموعه داده های سنجش از دور aster. عرب جی. ژئوشی. ۲۰۱۶ ، ۹ ، ۷۵۳٫ [ Google Scholar ] [ CrossRef ]
- لان، ال. لی، سی اف. لی، YM; یین، جی. Zhao, JJ استخراج ویژگی برای تصویر سنجش از دور فراطیفی با استفاده از pca-ica وزندار. عرب جی. ژئوشی. ۲۰۱۷ ، ۱۰ ، ۳۰۷٫ [ Google Scholar ]
- ژائو، ایکس. وانگ، دبلیو. چو، ایکس. لی، سی. Kimuli، D. تشخیص زودهنگام عفونت آسپرژیلوس پارازیتیکوس در دانه ذرت با استفاده از تصویربرداری فراطیفی مادون قرمز نزدیک و تجزیه و تحلیل دادههای چند متغیره. Appl. علمی ۲۰۱۷ ، ۷ ، ۹۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- مارکتی، ام. آفروی، ام. عبادت، ف. برانچو، پ. بورسون، پی. جوبارد، سی. دورمونت، J.-F. Casteran، G. نظارت به کمک شیمی سنجی در طیف سنجی رامان برای فرآیند تجزیه زیستی یک پلی فلوروآلکیل اتر آبی از یک فوم آتش نشانی در یک ماتریس محیطی. Environments ۲۰۲۰ ، ۷ ، ۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لی، اچ. ژانگ، ز. یین، X. یک الگوریتم جدید احتمالی جریان توان مبتنی بر تجزیه و تحلیل مؤلفه های اصلی و تکنیک های نمایش مدل با ابعاد بالا. Energies ۲۰۲۰ , ۱۳ , ۳۵۲۰٫ [ Google Scholar ] [ CrossRef ]
- گنگ، دی. ژانگ، اچ. Wu, H. پیشبینی کوتاهمدت سرعت باد بر اساس تحلیل مؤلفههای اصلی و lstm. Appl. علمی ۲۰۲۰ ، ۱۰ ، ۴۴۱۶٫ [ Google Scholar ] [ CrossRef ]
- شوارتز، سی. راموس، LP; Duarte، LT; پینیو، MdS; پترسون، MI; Vu، VT؛ Machado، R. تشخیص تغییر در تصاویر uwb sar بر اساس تجزیه و تحلیل مؤلفه اصلی قوی. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۹۱۶٫ [ Google Scholar ] [ CrossRef ]
- گائو، جی. چای، اس. ژانگ، بی. Xia, Y. تحقیق در مورد تشخیص نفوذ شبکه بر اساس ماشین یادگیری افراطی افزایشی و تجزیه و تحلیل اجزای اصلی تطبیقی. Energies ۲۰۱۹ ، ۱۲ ، ۱۲۲۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- سامسونوف، TE ترکیب خودکار مدل ارتفاعی رقومی با خطوط هیدروگرافی مرجع. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۳۴٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، اف. کائو، ز. جیانگ، S.-H. ژو، سی. هوانگ، جی. Guo, Z. پیش بینی حساسیت زمین لغزش بر اساس یک مدل پرسپترون چند لایه نیمه نظارت شده. رانش زمین ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
- فام، بی تی؛ Bui، DT; پراکاش، آی. Dholakia، MB ترکیبی از شبکه های عصبی پرسپترون چند لایه و مجموعه های یادگیری ماشین برای ارزیابی حساسیت زمین لغزش در منطقه هیمالیا (هند) با استفاده از gis. Catena ۲۰۱۷ ، ۱۴۹ ، ۵۲-۶۳٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، اف. یین، ک. هوانگ، جی. لی، جی. پنگ، دبلیو. نقشهبرداری حساسیت زمین لغزش بر اساس شبکه نقشه خود سازماندهی و ماشین یادگیری افراطی. مهندس جئول ۲۰۱۷ ، ۲۲۳ ، ۱۱-۲۲٫ [ Google Scholar ] [ CrossRef ]
- زو، ال. هوانگ، ال. فن، ال. هوانگ، جی. هوانگ، اف. چن، جی. ژانگ، ز. Wang, Y. مدلسازی پیشبینی حساسیت زمین لغزش بر اساس سنجش از دور و یک الگوریتم یادگیری عمیق جدید یک شبکه عصبی بازگشتی موازی آبشاری. Sensors ۲۰۲۰ , ۲۰ , ۱۵۷۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- لی، دی. هوانگ، اف. یان، ال. کائو، ز. چن، جی. Ye, Z. پیشبینی حساسیت زمین لغزش با استفاده از پرسپترون چند لایه بهینهشده ازدحام ذرات: مقایسه با مدلهای فقط پرسپترون چندلایه، شبکه عصبی bp و ارزش اطلاعات. Appl. علمی ۲۰۱۹ ، ۹ ، ۳۶۶۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- چانگ، ز. دو، ز. ژانگ، اف. هوانگ، اف. چن، جی. لی، دبلیو. Guo, Z. پیشبینی حساسیت زمین لغزش بر اساس تصاویر سنجش از راه دور و سیستم اطلاعات جغرافیایی: مقایسه مدلهای یادگیری ماشینی تحت نظارت و بدون نظارت. Remote Sens. ۲۰۲۰ , ۱۲ , ۵۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هوانگ، اف. کائو، ز. گوا، جی. جیانگ، S.-H. لی، اس. Guo, Z. مقایسه مدلهای اکتشافی، آماری عمومی و یادگیری ماشینی برای پیشبینی و نقشهبرداری حساسیت زمین لغزش. CATENA ۲۰۲۰ ، ۱۹۱ ، ۱۰۴۵۸۰٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، اف. چن، جی. دو، ز. یائو، سی. هوانگ، جی. جیانگ، کیو. چانگ، ز. Li, S. پیش بینی حساسیت زمین لغزش با در نظر گرفتن فرسایش خاک منطقه ای بر اساس مدل های یادگیری ماشینی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۷۷٫ [ Google Scholar ] [ CrossRef ]
- هونگ، اچ. ایلیا، آی. سانگاراتوس، پ. چن، دبلیو. Xu، C. یک روش وزن فازی ترکیبی شواهد در تجزیه و تحلیل حساسیت زمین لغزش در منطقه wuyuan، چین. ژئومورفولوژی ۲۰۱۷ ، ۲۹۰ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، اف. یائو، سی. لیو، دبلیو. لی، ی. لیو، ایکس. ارزیابی حساسیت زمین لغزش در منطقه نانتین چین: مقایسه مدل نسبت فرکانس و ماشین بردار پشتیبان. Geomat. نات. خطر خطرات ۲۰۱۸ ، ۹ ، ۹۱۹-۹۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هان، XY; کیان، جی. وانگ، ال. لیو، اف. Mao, ZQ پیشرفت در مطالعه فرآیند چند مقیاسی فرسایش خاک (فرسایش آبی) و حفظ خاک در فلات لس. جی. گلاسیول. ژئوکریول. ۲۰۱۲ ، ۳۴ ، ۱۴۸۷-۱۴۹۸٫ [ Google Scholar ]
- لیو، دبلیو. وان، اس. هوانگ، اف. لو، ایکس. Fu, M. مطالعه تجربی فرسایش زیرسطحی در گرانیت تحت شرایط زوایای مختلف ستون خاک و دبیهای جریان. گاو نر مهندس جئول محیط زیست ۲۰۱۹ ، ۷۸ ، ۵۸۷۷–۵۸۸۸٫ [ Google Scholar ] [ CrossRef ]
- لی، ی. هوانگ، جی. جیانگ، S.-H. هوانگ، اف. Chang، Z. یک سیستم GPS مبتنی بر وب برای نظارت بر جابجایی و تجزیه و تحلیل مکانیسم شکست زمین لغزش مخزن. علمی ۲۰۱۷ ، ۷ ، ۱۷۱۷۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- هوانگ، اف. یین، ک. ژانگ، جی. ژو، سی. Zhang, J. پیشبینی سری زمانی سطح آب زیرزمینی زمین لغزش بر اساس بازسازی فضای فاز و تحلیل موجک-ماشین بردار پشتیبانی بهینهسازی شده توسط الگوریتم pso. علوم زمین دانشگاه جی چین Geosci. ۲۰۱۵ ، ۴۰ ، ۱۲۵۴-۱۲۶۵٫ [ Google Scholar ]
- هوانگ، اف. ژانگ، جی. ژو، سی. وانگ، ی. هوانگ، جی. Zhu, L. یک الگوریتم یادگیری عمیق با استفاده از یک شبکه عصبی رمزگذار خودکار پراکنده کاملاً متصل برای پیشبینی حساسیت زمین لغزش. رانش زمین ۲۰۲۰ ، ۱۷ ، ۲۱۷-۲۲۹ . [ Google Scholar ] [ CrossRef ]
- لین، جی اف؛ چانگ، ام جی. هوانگ، YC; Ho، JY ارزیابی حساسیت به زمین لغزش های ناشی از بارندگی با استفاده از نقشه خروجی خطی خود سازماندهی بهبود یافته، ماشین بردار پشتیبان و رگرسیون لجستیک. مهندس جئول ۲۰۱۷ ، ۲۲۴ ، ۶۲-۷۴٫ [ Google Scholar ] [ CrossRef ]
- Szymura، TH; شیمورا، ام. Pietrzak، M. تأثیر امداد زمین و ویژگیهای خاک بر ساختار توده جنگلهای بلوط بیش از حد رشد کرده با منشاء شاخهای با sorbus torminalis. Dendrobiology ۲۰۱۴ ، ۷۱ ، ۴۹-۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لیو، L. فراز و نشیب های آمریکای شمالی: ارزیابی نقش توپوگرافی پویا گوشته از زمان مزوزوئیک. کشیش ژئوفیس. ۲۰۱۵ ، ۵۳ ، ۱۰۲۲-۱۰۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ژانگ، اف. چن، LI; منگ، بی. ژائو، اچ. Liu, Z. بررسی مشخصه تغییر شکل سطح و مکانیسم حذف برای شیشه k9 بر اساس نانو خراش با عمق برش متفاوت. جی. مکانیک. مهندس ۲۰۱۶ ، ۵۲ ، ۶۵-۷۱٫ [ Google Scholar ] [ CrossRef ]
- پرهاد، پ. لیخیته، ع. بهات، جی. پیشوه، دی. تأثیر سرعت برش و عمق برش بر زبری سطح در حین ماشینکاری چدن داکتیل آستمپر شده. ترانس. موسسه هندی ملاقات کرد. ۲۰۱۵ ، ۶۸ ، ۹۹-۱۰۸٫ [ Google Scholar ] [ CrossRef ]
- رابینسون، میله های برش کریستال IK و زبری سطح. فیزیک کشیش B Condens. Matter ۱۹۸۶ , ۳۳ , ۳۸۳۰٫ [ Google Scholar ] [ CrossRef ]
- ژائو، جی. Vanmaercke، M. چن، ال. Govers، G. پوشش گیاهی و توپوگرافی به جای اختلالات انسانی، تراکم خندق و تولید رسوب را در فلات لس چین کنترل می کند. ژئومورفولوژی ۲۰۱۶ ، ۲۷۴ ، ۹۲-۱۰۵٫ [ Google Scholar ] [ CrossRef ]
- گوا، ز. یین، ک. گی، ال. لیو، کیو. هوانگ، اف. Wang, T. سیستم هشدار بارندگی منطقه ای برای رانش زمین با تغییر شکل خزشی در سه دره با استفاده از مدل جعبه سیاه آماری. علمی جمهوری ۲۰۱۹ ، ۹ ، ۸۹۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- کانتا، م. میایی، ن. یاماموتو، ام. اوکا، م. اوتسومی، م. شیبا، م. Arita, M. 3d.08: سفتی شریانی و عملکرد عصبی خودمختار بر افزایش فشار خون ارتواستاتیک در بیماران مبتلا به فشار خون بالا. جی هیپرتنز. ۲۰۱۵ ، ۳۳ (ضمیمه ۱)، e42. [ Google Scholar ] [ CrossRef ]
- توبارو، ام. سیاحباسی، ع. ریچی، آر. سیاوللا، م. دی، سی دی; بیسکونتی، سی. فرائولو، جی. دل، PM؛ منونی، م. مونتی، اف. استراتژی تهاجمی اولیه در مقابل استراتژی محافظه کارانه اولیه در سندرم کرونری حاد بدون ارتفاع: یک مطالعه پژوهشی نتیجه. یورو قلب J. قلب حاد. Care ۲۰۱۷ , ۷۶ , ۵۱۱-۵۲۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- لیو، BY; نزدیک شدن، MA; شی، پی جی. جیا، ZW اثرات طول شیب بر از دست دادن خاک برای شیب های تند. علم خاک Soc. صبح. J. ۲۰۰۰ , ۶۴ , ۱۷۵۹-۱۷۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هوانگ، اف. چن، جی. یائو، سی. چانگ، ز. جیانگ، کیو. لی، اس. Guo, Z. Susle: مدل rusle مبتنی بر شیب و بارش فصلی برای پیشبینی کمی منطقهای فرسایش خاک. گاو نر مهندس جئول محیط زیست ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
- ملحی، ع. طرح انتخاب ویژگی مبتنی بر گائو، RX Pca برای طبقه بندی نقص ماشین. IEEE Trans. ساز. Meas. ۲۰۰۴ ، ۵۳ ، ۱۵۱۷-۱۵۲۵٫ [ Google Scholar ] [ CrossRef ]
- الدریج، اس ام. اشبی، دی. Kerry, S. حجم نمونه برای کارآزمایی های تصادفی خوشه ای: تأثیر ضریب تغییرات اندازه خوشه و روش تجزیه و تحلیل. بین المللی J. Epidemiol. ۲۰۰۶ ، ۳۵ ، ۱۲۹۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
- ویس، ای. Milich, L. خطاها در یک روش استاندارد برای تولید تصاویر بین سالانه ndvi ضریب تغییرات (cov). بین المللی J. Remote Sens. ۱۹۹۷ , ۱۸ , ۳۷۴۳-۳۷۴۸٫ [ Google Scholar ] [ CrossRef ]
- Çoşkun، G. مقیاس خطر ایمنی لغزش جدید سنگهای طبیعی با تحلیل خوشهبندی آماری k-means. عرب جی. ژئوشی. ۲۰۱۸ ، ۱۱ ، ۷۹۹٫ [ Google Scholar ] [ CrossRef ]
- مقیمی، ع. خزایی، س. محمدزاده، الف. یک روش تنظیم سطح سریع بهبودیافته با ترکیبی از خوشهبندی k-means و آستانه otsu برای تشخیص تغییر بدون نظارت از تصاویر sar مقداردهی اولیه شده است. عرب جی. ژئوشی. ۲۰۱۷ ، ۱۰ ، ۲۹۳٫ [ Google Scholar ] [ CrossRef ]
- انعام دادن، من. Bishop، CM مخلوطی از تحلیلگرهای مولفه اصلی احتمالی. محاسبات عصبی ۲۰۱۴ ، ۱۱ ، ۴۴۳-۴۸۲٫ [ Google Scholar ] [ CrossRef ]
- ژائو، YN; نیو، RQ; لی، جی. پنگ، ال. Wang, Y. پیش بینی جابجایی زمین لغزش بر اساس تجزیه و تحلیل اجزای اصلی هسته و شبکه عصبی- زنجیره مارکوف. در تحقیقات مواد پیشرفته ; Trans Tech Publ.: Freienbach, Switzerland, 2013; صص ۱۵۱۲-۱۵۲۰٫ [ Google Scholar ]
بدون دیدگاه