論文の概要: Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model

• arxiv url: http://arxiv.org/abs/2304.06054v1
• Date: Wed, 12 Apr 2023 10:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 16:47:52.769824
• Title: Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model
• Title（参考訳）: 自己遮蔽深層学習モデルに基づく地すべり感受性予測モデル
• Authors: Li Zhu, Lekai Liu, Changshi Yu
• Abstract要約: 本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。 環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
• 参考スコア（独自算出の注目度）: 9.7723814375467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landslide susceptibility prediction has always been an important and challenging content. However, there are some uncertain problems to be solved in susceptibility modeling, such as the error of landslide samples and the complex nonlinear relationship between environmental factors. A self-screening graph convolutional network and long short-term memory network (SGCN-LSTM) is proposed int this paper to overcome the above problems in landslide susceptibility prediction. The SGCN-LSTM model has the advantages of wide width and good learning ability. The landslide samples with large errors outside the set threshold interval are eliminated by self-screening network, and the nonlinear relationship between environmental factors can be extracted from both spatial nodes and time series, so as to better simulate the nonlinear relationship between environmental factors. The SGCN-LSTM model was applied to landslide susceptibility prediction in Anyuan County, Jiangxi Province, China, and compared with Cascade-parallel Long Short-Term Memory and Conditional Random Fields (CPLSTM-CRF), Random Forest (RF), Support Vector Machine (SVM), Stochastic Gradient Descent (SGD) and Logistic Regression (LR) models.The landslide prediction experiment in Anyuan County showed that the total accuracy and AUC of SGCN-LSTM model were the highest among the six models, and the total accuracy reached 92.38 %, which was 5.88%, 12.44%, 19.65%, 19.92% and 20.34% higher than those of CPLSTM-CRF, RF, SVM, SGD and LR models, respectively. The AUC value reached 0.9782, which was 0.0305,0.0532,0.1875,0.1909 and 0.1829 higher than the other five models, respectively. In conclusion, compared with some existing traditional machine learning, the SGCN-LSTM model proposed in this paper has higher landslide prediction accuracy and better robustness, and has a good application prospect in the LSP field.
• Abstract（参考訳）: 地すべりの感受性予測は、常に重要かつ困難なコンテンツである。 しかし, 地すべり試料の誤差や環境要因間の複雑な非線形関係など, 不確実性モデリングにおいて解決すべき問題がいくつかある。 本稿では,地すべり感受性予測の課題を克服するために,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 SGCN-LSTMモデルは広い幅と優れた学習能力の利点がある。 自己スクリーニングネットワークにより、設定しきい値区間外の誤差が大きい地すべりサンプルを除去し、空間ノードと時系列の両方から環境要因間の非線形関係を抽出でき、環境要因間の非線形関係をよりよくシミュレートすることができる。 The SGCN-LSTM model was applied to landslide susceptibility prediction in Anyuan County, Jiangxi Province, China, and compared with Cascade-parallel Long Short-Term Memory and Conditional Random Fields (CPLSTM-CRF), Random Forest (RF), Support Vector Machine (SVM), Stochastic Gradient Descent (SGD) and Logistic Regression (LR) models.The landslide prediction experiment in Anyuan County showed that the total accuracy and AUC of SGCN-LSTM model were the highest among the six models, and the total accuracy reached 92.38 %, which was 5.88%, 12.44%, 19.65%, 19.92% and 20.34% higher than those of CPLSTM-CRF, RF, SVM, SGD and LR models, respectively. AUCの値は 0.9782 に達し、0.0305,0.0532,0.1875,0.1909, 0.1829 であった。 従来の機械学習と比較して,本論文で提案するSGCN-LSTMモデルは地すべり予測精度が高く,ロバスト性も良好であり,LSP分野への応用可能性も高い。

関連論文リスト

• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Multi-fidelity Fourier Neural Operator for Fast Modeling of Large-Scale Geological Carbon Storage [0.0]
  本稿では,大規模炭素貯蔵問題の解決にFNO(Multi-fidelity Fourier Neural operator)を提案する。 我々はまず,GCS貯水池モデル上で110kの格子セルに離散化されたモデルの有効性を検証した。 マルチ忠実度モデルは、同じ量の高忠実度データを81%のコストでトレーニングした高忠実度モデルに匹敵する精度で予測できる。
  論文  参考訳（メタデータ） (2023-08-17T17:44:59Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
  火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。 LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。 その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
  論文  参考訳（メタデータ） (2021-10-27T17:11:33Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Prediction in ungauged regions with sparse flow duration curves and input-selection ensemble modeling [0.0]
  エンコーダを用いて, LSTMネットワークを用いて, スパースフロー持続時間曲線(FDC)データを移動・同化できることを実証した。 厳密な地域ベースのホールドアウトテストでは、米国データセットのKling-Gupta効率(KGE)は0.62で、これまでの最先端のグローバルスケールの未掘削盆地試験よりもかなり高かった。
  論文  参考訳（メタデータ） (2020-11-26T16:40:22Z)
• High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
  このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。 LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
  論文  参考訳（メタデータ） (2020-02-07T00:38:03Z)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。