文章摘要
本文针对复杂区域缺乏滑坡历史数据导致的评估难题,引入了一种新的迁移学习方法MDACNN。背景方面,传统基于单源域的迁移学习在面对区域滑坡类型和诱发机制多样化的复杂目标区域时,易出现性能下降。研究目的是通过整合多源域的滑坡知识,消除不同区域间的特征偏移,提升“无样本”目标区的滑坡易发性预测精度。结论显示,MDACNN能有效减小域间偏移,平均MMD差异仅0.04,域对齐性能比TCA提高41.22%;在目标区,准确率、精确率、召回率和AUC分别达到0.89、0.84、0.92和0.93,表现优于其他模型;生成的易发性图能准确揭示滑坡风险空间分布,为灾害管理提供了有效工具。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者速来电或来函联系。
京公网安备 11010802042870号
京ICP备2023020795号-1
