Nghiên cứu khả năng của mô hình học máy GB và SVR trong thành lập bản đồ nguy cơ lún đất khu vực bán đảo Cà Mau, Việt Nam

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Hà Phong Doãn, Trung Khiên Hà, Thành Đông Khúc, Thanh Nghị Lê, Hồng Hạnh Trần, Vân Anh Trần

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Khí tượng Thủy văn, 2024

Mô tả vật lý: tr.60-73

Bộ sưu tập: Metadata

ID: 347513

Thêm vào giỏ Liên kết toàn văn

Nghiên cứu này tập trung vào khảo sát khả năng của hai mô hình học máy là Gradient Boosting (GB) và Suport Vector Regression (SVR) trong thành lập bản đồ nguy cơ lún đất cho khu vực bán đảo Cà Mau. Tám lớp dữ liệu là: Độ cao, địa chất, đất, lớp phủ bề mặt, NDVI, độ sâu mực nước ngầm, khoảng cách đến giao thông, khoảng cách đến sông suối được coi là các yếu tố ảnh hưởng nhiều đến lún đất ở khu vực này. Hai mô hình được huấn luyện trên một tập dữ liệu bao gồm 40 điểm mẫu được cung cấp bởi cục Đo đạc, Bản đồ và Thông tin địa lý Việt Nam và các điểm đo lún còn lại được xử lý bằng phương pháp PSInSAR trên tập ảnh Sentinel-1 từ tháng 11 năm 2014 đến tháng 1 năm 2019. Tổng số điểm mẫu đưa vào mô hình là 1001 điểm được chia thành hai tập dự liệu là huấn luyện (70%) và kiểm tra (30%). Công cụ để xây dựng mô hình là nền tảng điện toán đám mấy Google Earth Engine. Hai bản đồ nguy cơ lún đất đã được xây dựng từ tập huấn luyện. Diện tích dưới đường cong AUC đã được sử dụng để đánh giá hiệu suất của mô hình trên cả tập huấn luyện và tập kiểm tra. Kết quả nghiên cứu này chỉ ra rằng mô hình GB tạo ra bản đồ nguy cơ lún đất có độ chính xác tốt hơn mô hình SVR.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR