文献

J-GLOBAL ID：202202212136660294   整理番号：22A0733529

地滑り感受性マッピングのための空間応答特徴と機械学習分類器の結合【JST・京大機械翻訳】

Combining spatial response features and machine learning classifiers for landslide susceptibility mapping

著者 (6件)： Wei Ruilong (Key Laboratory of Earth Exploration and Information Technology of Ministry of Education, Chengdu University of Technology, Chengdu 610059, China) ,  Ye Chengming (Key Laboratory of Earth Exploration and Information Technology of Ministry of Education, Chengdu University of Technology, Chengdu 610059, China) ,  Sui Tianbo (Key Laboratory of Earth Exploration and Information Technology of Ministry of Education, Chengdu University of Technology, Chengdu 610059, China) ,  Ge Yonggang (Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China) ,  Li Yao (Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China) ,  Li Jonathan (Department of Geography and Environmental Management, University of Waterloo, Waterloo, ON N2L 3G1, Canada)
資料名： International Journal of Applied Earth Observation and Geoinformation  (International Journal of Applied Earth Observation and Geoinformation)
巻： 107  ページ： Null  発行年： 2022年 
JST資料番号： W3181A  ISSN： 1569-8432  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 信頼できる地滑り感受率マッピング(LSM)は,災害防止と緩和に不可欠である。本研究では,空間応答特性と機械学習分類器(SR-ML)を統合する深層学習フレームワークを開発した。この方法は3つのステップを持つ。最初に,深さ方向分離可能畳込み(DSC)は,多因子特徴の混乱を防止するために空間的特徴を抽出する。第二に,空間ピラミッドプール(SPP)は,異なるスケールの下で特徴を得るために,応答特徴を抽出する。第3に,高レベル特徴を,より効果的な特徴分類のために,調製したML分類器に融合した。このフレームワークは,サンプルの異なる次元特徴を効果的に抽出し,利用し,有益な特徴分類のためにML分類器を探索し,固定入力サンプルサイズの制限を通して破壊する。Yarlung Zangbo Grandキャニオン地域において,203の地滑りと11の条件付け因子に関するデータを,アベイラビリティ検証とLSMのために準備した。評価では,提案したSRとSR-MLの受信者動作特性曲線(AUC)下の面積は0.920と0.910を達成し,ランダムフォレスト(RF,ML群の最高AUC)よりも6.6%と5.6%高かった。さらに,64×64サイズの入力を用いたフレームワークは0.01の最低平均誤差を持ち,地滑りスケールを考慮した試料がLSMの性能を改善できることを明らかにした。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  応答特性 ,  データ ,  分類 ,  防災 ,  *地滑り ,  アベイラビリティ ,  空間 ,  計算機アルゴリズム ,  *機械学習 ,  データ融合 ,  フレームワーク【ソフトウェア開発】
準シソーラス用語： ROC曲線 ,  ハイブリッドモデル ,  ランダムフォレスト ,  特徴融合 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 地滑り感受性 ,  特徴融合 ,  ハイブリッドモデル ,  機械学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 地滑り ,  感受性 ,  マッピング ,  応答 ,  機械学習 ,  分類器