基于Eclat算法的八字门滑坡变形因素关联性分析

针对滑坡监测数据库数据量大,进行关联规则分析需要多次扫描数据库导致运行时间长的问题,将Eclat关联规则算法引入滑坡监测数据挖掘中,通过K-means聚类法和Eclat算法对八字门滑坡的变形进行了分析。通过综合研究,选择了降雨量监测值和库水位监测值中的6种因素进行数据挖掘分析。分别挖掘了3种降雨因子和3种库水位因子与八字门滑坡多测点位移的关联性,并从八字门滑坡时空监测大数据挖掘出的全部关联规则中选择8个具有较高的置信水平的关联规则进行分析,发现降雨和库水位因素影响八字门滑坡运动的有效信息。结果表明,这种数据挖掘方法及其在监测数据研究中的高精度,有望广泛应用于库区堆积滑坡的数据分析和预测。

基于Apriori算法的滑坡监测数据关联规则挖掘研究

滑坡是一种常见的自然灾害,对人类生命和财产安全造成严重威胁,为了得到海量滑坡监测数据中隐藏的有价值信息,基于关联规则的数据挖掘技术在滑坡监测领域得到了广泛应用。本文以2016~2019年藏东南扎木弄巴滑坡观测数据作为研究对象,通过挖掘滑坡监测数据中的关联规则,识别出不同变量之间的关联性,并利用这些关联规则进行滑坡的监测和预测。首先介绍了Apriori算法的原理,然后使用K-means算法对滑坡监测数据中几类数据进行聚类处理,并将Apriori算法应用在研究数据集上,进行规则挖掘及分析,发现降雨量和地下水位的变化与滑坡的相关性,最终获得有意义的规则信息,了解滑坡发生的机理和规律,帮助我们更好地理解和应对滑坡灾害。

基于遥感影像的滑坡图像检测方法的研究

滑坡是全球主要的自然灾害之一,危害极大,其影响不可忽视。深度学习进行滑坡检测的进程不断发展,Faster RCNN有较大的贡献,但仍存在检测速率慢和精度低的问题。对Faster RCNN模型进行改进,首先,在Faster RCNN模型中增加inception模块,增加网络的宽度及深度,使模型能充分提取遥感影像的特征;再次,在Faster RCNN模型中增加残差注意力网络,加深网络,提高图像检测精度,从而优化算法检测效果。采用毕节市公开的滑坡数据集进行测试,结果表明,对于同一测试数据,改进的Faster RCNN算法模型与现有的Faster RCNN、VGG16、inception v3模型相比,在精度、召回率、准确率等方面有2%~5%的提升。由此可得出,改进后的算法模型能够准确有效地对遥感影像中的滑坡区域进行检测。