地质学论文_基于半监督机器学习的滑坡易发性预 - 遥感学报杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表- 遥感学报

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

地质学论文_基于半监督机器学习的滑坡易发性预

作者:

关键词:

摘要：

文章摘要:为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点，以江西省南康区为例，拟用半监督卡方自交互侦测决策树（SSCHAID）和半监督反向传播神经网络（SSBPNN）进行滑坡易发性预测（LSP）,在已知滑坡样本和随机选取的非滑坡样本基础上，用全监督机器学习将初始LSP划分成不同级别；将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加，筛选一定数量的潜在滑坡栅格单元扩充滑坡样本；从极低易发区选取非滑坡栅格单元组合成新的输出变量；将新的输出变量导入全监督机器学习，获得最终LSP并评价其精度.结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.

文章关键词:

项目基金:《遥感学报》网址: http://www.ygxbzz.cn/qikandaodu/2021/1007/821.html