Более

Калькулятор полей ArcGIS: вычисление нового поля с использованием нескольких полей с помощью Python

Калькулятор полей ArcGIS: вычисление нового поля с использованием нескольких полей с помощью Python


По сути, у меня есть большой набор данных многоугольника, который содержит данные о почве для области, и я хочу присвоить этим данным числовые значения на основе текстовых значений текстуры почвы (например, SIL = 4, CLY = 7,…). Однако текстура почвы разделена на три разных столбца: 1) ТЕКСТУРА1; 2) ТЕКСТУРА2; и 3) ТЕКСТУРА 3. Обычно TEXTURE1 предоставляет мне данные, которые мне нужны для присвоения числового значения в новом поле, но в некоторых случаях значение TEXTURE1 указано как N / A, и мне нужно использовать текст из TEXTURE2, чтобы присвоить номер. Можно ли написать сценарий, в котором, если текст из поля ТЕКСТУРА1 НЕ НЕТ НЕТ, вернуть ТЕКСТУРУ1, иначе вернуть ТЕКСТУРУ2? Новое поле будет текстовым полем.


Возможно, что-то вроде этого?

Блок кода:

def GetTexture (Text1, Text2): если Text1 равно None: вернуть Text2 иначе: вернуть Text1

С выражением NEWTEXTURE = GetTexture (! TEXTURE1 !,! TEXTURE2!)


Сначала я бы составил таблицы поиска для TEXTURE1, TEXTURE2 и TEXTURE3, используя сводную статистику (чтобы найти все уникальные значения), статистика не имеет значения, все, что вам нужно, - это каждое поле TEXTURE как поле «case». Добавить поле, чтобы добавить значение, которое вы хотите применить к каждой таблице статистики, чтобы превратить ее в таблицу поиска, удалите поля статистики, если хотите, с помощью Удалить поле (вы можете использовать более одного поля за раз).

Теперь утомительная часть, отредактируйте таблицу, удалите экземплярыN / AиЗначение NULLиз таблицы и поместите значение, которое вы хотите применить, рядом с кодом в таблицах (все 3 могут быть разными).

Начните с присоединения к таблице поиска для TEXTURE1, выбрав только совпадающие записи и примените соответствующее значение с помощью Калькулятора полей (объединенные поля должны иметь имя с именем таблицы, а затем с именем поля), затем удалите соединение и присоедините таблицу поиска TEXTURE2 к полю TEXTURE2 (также только для совпадающих записей). Теперь выберите в таблице те, которые не были рассчитаны (TargetField имеет значение NULL), и вычислите значения по объединению на только выбранные записи. Удалите соединение и сделайте то же самое для TEXTURE3.

Теперь все значения TargetField заполняются там, где есть значение в TEXTURE1, TEXTURE2 или TEXTURE3, в порядке предпочтения.

Есть и другие шаги, но после того, как вы выполните эту процедуру, как только вы поймете, как она работает, также сохраните таблицы поиска на случай, если вы захотите сделать это снова.


Использование агрегированных данных в RST

Цели: Цель этой инструкции - помочь вам сгенерировать моделированные данные точечного уровня с использованием вашего совокупного грубого коэффициента смертности.

Проверьте и подготовьте свои данные

  1. Чтобы смоделировать отдельные случаи смерти на карте, вам потребуется либо подсчет случаев смерти на географическую единицу, либо приблизительный коэффициент без корректировки по возрасту или сглаживания по возрастным категориям. Убедитесь, что ваши переменные результата интегрированы на уровне округа или района. Если возможно, запросите номера для единиц & lsquoinsufficient data & rsquo.
  2. Если ваш файл данных по скорости или счету имеет текстовый формат или формат CSV, обязательно включите файл schema.ini, чтобы указать каждый тип поля для операции соединения. Вы можете пропустить шаги 2, 3, если ваши данные находятся в .dbf, .shp или файле базы геоданных. Чтобы создать файл схемы, вам необходимо перейти в папку, в которой находятся ваши файлы данных. Создайте новый текстовый файл и переименуйте его в schema.ini. Если вы создадите его успешно, вы увидите значок шестеренки над листом бумаги. Если значок вашего файла schema.ini по-прежнему выглядит как обычный текстовый файл, перейдите в ПУСК & gt Панель управления & gt Параметры папки & gt Просмотр таб. Под Расширенные настройки раздел, снимите флажок Скрывать расширения для известных типов файлов вариант.

  1. Откройте только что созданный файл schema.ini, попробуйте определить, есть ли имя вашего файла в списке. Заключите имя целевого файла с расширением в квадратные скобки. Укажите формат таблицы. Допустимый формат для табличных данных в текстовом файле может быть разделен табуляцией, запятой или любым другим настраиваемым символом. Далее укажите тип поля для ключевых полей. Вы хотите убедиться, что уникальный идентификатор переписи задан как текстовое поле. Образец файла схемы для данных интерактивного атласа CDC будет выглядеть, как показано на рисунке ниже. Файл schema.ini может работать с несколькими данными в одной папке.

  1. Добавьте данные в свой новый проект ArcMap, чтобы проверить, правильно ли указано поле. Чтобы проверить тип поля, щелкните правой кнопкой мыши слой данных и нажмите Характеристики. Под Поля нажмите на каждое поле, чтобы проверить, Тип данных на правой панели правильно.

Имитация данных

Пожалуйста, проверьте свой файл данных, чтобы узнать, какие у вас есть данные о результатах. Перейдите к разделу A), если у вас есть данные о показателях по единицам переписи, и перейдите к разделу B), если у вас есть данные подсчета.

A) Моделирование данных скорости

Чтобы смоделировать данные расхода, вам необходимо сначала преобразовать данные расхода в данные счета. Весь этот раздел A) является инструкцией о том, как преобразовать данные скорости в счетчики. Поэтому мы рекомендуем вам запросить подсчет смертей, если это возможно, потому что вы можете пропустить здесь весь раздел.

я. Загрузите необработанные данные и создайте разбивку населения для географической единицы

  1. С помощью шага 1 инструмента RST вы можете загрузить необработанные данные, включая подробную разбивку населения по округам или участкам переписи. Ваши загруженные необработанные данные также могут быть использованы на будущих этапах RST для создания скорректированного по возрасту или сглаженного байесовского коэффициента. Пожалуйста, обратитесь к руководству пользователя для получения инструкций по загрузке данных.
  2. Если у вас нет шейп-файла на уровне округа или переписного участка, вы можете загрузить его с сайта переписи TIGER / LINE для вашего штата. Вы можете найти официальную загрузку TIGER / LINE по этой ссылке: https://www.census.gov/cgi-bin/geo/shapefiles/index.php external icon. Распакуйте загруженный zip-файл в папку с данными.
  3. Добавьте RateStabilizerTool.tbx в свой ArcToolbox или перейдите к набору инструментов через Каталог. Дважды щелкните на (Шаг 1.5 необязательно) Присоедините данные о населении к контейнеру , чтобы открыть инструмент сценария Python.
  4. Выберите загруженные необработанные данные с шага 1, имя необработанных данных будет выглядеть как RawData_stateXX_XXXX с суффиксом .data. Наполнять Входной шейп-файл с вашей собственной географией переписи или файлом TIGER, который вы только что загрузили, и укажите общий идентификатор, который вы собираетесь использовать для объединения данных о населении с фигурами (в большинстве случаев это & ​​rsquos GEOID). Обратите внимание, что вы должны убедиться, что географический уровень ваших необработанных данных и ваших граничных данных должен быть одинаковым, и т. Д. Участки против участков или округа против округов. Задавать Папки вывода а затем введите нижние границы своих возрастных категорий на основе имеющихся данных. Например, если у вас есть коэффициент смертности для 35+ и 65+, вы можете установить возрастные категории 35 и 65 лет. Затем нажмите хорошо.
  5. Щелкните Добавить данные, чтобы добавить вновь созданный файл данных в рабочую область. Вновь созданный файл будет называться your_original_shp_name_pop.shp.

II. Присоедините данные о скорости к разбивке населения и преобразуйте их в подсчет

  1. Сначала вам нужно предварительно настроить новое поле для КАЖДОЙ возрастной категории, чтобы рассчитать количество смертей. Нажмите на Параметры стола а затем выберите Добавить поле и адлип. Во всплывающем окне Имя новое поле и установите данные Тип в виде Длинное целое и нажмите хорошо. Пожалуйста, начинайте свое имя поля с буквы, а не с цифр или специальных символов. Повторяйте этот шаг, пока все возрастные категории не будут созданы как одно поле. В примере тестового примера новое имя поля будет cnt_35p и cnt_65p.

  1. Если у вас есть данные в широком формате, присоедините их непосредственно к шейп-файлу с разбивкой по населению с помощью GEOID. Щелкните правой кнопкой мыши свой шейп-файл в разделе Присоединяется и связываетнажмите Присоединяйтесь & hellip. Во всплывающем окне выберите поле GEOID (фактическое имя может немного отличаться) для обеих частей соединения. Выбирать Вести все записи и Подтвердить присоединение. Нажмите хорошо если проверка прошла успешно. Затем переходите к шагу 5.

  1. Если ваши данные имеют длинный формат, вам необходимо разделить файл данных по возрастной категории. Щелкните правой кнопкой мыши файл данных, чтобы Открыть таблица атрибутов. Нажмите Параметры стола и Выбрать по атрибутам и хеллипу

Во всплывающем окне нажмите один раз на поле своего возраста, а затем нажмите Получите уникальную ценность.

Дважды щелкните поле своего возраста, а затем щелкните =, а затем дважды щелкните первое значение возраста. В окне запроса выбора будет уравнение, как показано на изображении. И нажмите Применять.

Теперь вы выбрали все подсчеты для 35 лет и старше в этом примере. Щелкните правой кнопкой мыши слой данных под Данные раздел, нажмите на Экспорт и хеллип. Убедитесь, что вы отметили имя выходного файла с выбранной вами возрастной группой.

Повторите этот шаг для каждой возрастной группы. Теперь у вас будет несколько файлов данных, каждый файл данных представляет собой счетчик для каждой переписной единицы для каждой возрастной группы. Теперь у вас есть несколько файлов данных, каждый из которых соответствует одной возрастной группе.

  1. Если ваши данные поступают в несколько файлов, повторите шаг 2, чтобы присоединить каждый файл к шейп-файлу с разбивкой по населению. Теперь ваши данные в широком формате.
  2. Для каждого поля, созданного на шаге 1, щелкните его правой кнопкой мыши и выберите Калькулятор поля. Подсчитайте количество, умножив ставку на соответствующую возрастную категорию. Обратите внимание, что вам может потребоваться суммировать некоторую возрастную категорию, если ваша возрастная группа оценок и оценок не является взаимоисключающей. Уравнение, которое вы зададите для выборочных данных, будет [NC_HD_death_cnty_1315_35p.csv.Value] * ([NC_cnty_2010_join_pop.age35_65] + [NC_cnty_2010_join_pop.age65p]) и [NC_HD_death_cnty_1315_65p.csv.Value] * [NC_cnty_2010_join_pop.age65p].

Б) Моделируйте данные подсчета

Смоделировать данные о количестве смертей сравнительно просто. Другой формат данных приведет к несколько иному процессу моделирования. Если у вас есть данные в длинном формате (каждая географическая единица появляется несколько раз в одной таблице с разной возрастной группой), перейдите к разделу (i). Если ваши данные подсчета были предоставлены в нескольких файлах данных, перейдите к разделу (ii). Если у вас есть данные в широком формате (счетчики для разных возрастных групп хранятся в разных полях), перейдите к разделу (iii).


Я не знаком с ArcMap, поэтому не могу вам напрямую помочь, но вы можете просто изменить свою функцию на генератор как таковой:

def StormDrainIDGenerator (): rec = 0 while (rec & lt 99): rec + = 1 yield "16-I-" '<0:03>'. format (rec)

Если вас это устраивает, настройте генератор так, чтобы он принимал значения Munic и Point, и используйте их в строке форматирования. Вероятно, вам также следует параметризовать конечное значение.

Использование генератора позволит вам вставить его в любое более позднее выражение, которое принимает итерацию, поэтому вы можете создать список, просто сказав list (StormDrainIDGenerator ()).

У вас есть вопрос о том, как ввести значения Munic и Point в идентификатор строки? используя .format ()?


Пример: расчет корреляции NumPy

NumPy имеет множество статистических процедур, включая np.corrcoef (), которые возвращают матрицу коэффициентов корреляции Пирсона. Вы можете начать с импорта NumPy и определения двух массивов NumPy. Это экземпляры класса ndarray. Назовите их x и y:

Здесь вы используете np.arange () для создания массива x целых чисел от 10 (включительно) до 20 (исключая). Затем вы используете np.array () для создания второго массива y, содержащего произвольные целые числа.

Если у вас есть два массива одинаковой длины, вы можете вызвать np.corrcoef () с обоими массивами в качестве аргументов:

corrcoef () возвращает матрицу корреляции, которая представляет собой двумерный массив с коэффициентами корреляции. Здесь & rsquos - упрощенная версия только что созданной корреляционной матрицы:

Значения на главной диагонали корреляционной матрицы (верхний левый и нижний правый) равны 1. Верхнее левое значение соответствует коэффициенту корреляции для x и x, а нижнее правое значение - коэффициент корреляции для y и y. Они всегда равны 1.

Однако обычно вам нужны нижнее левое и верхнее правое значения корреляционной матрицы. Эти значения равны, и оба представляют Коэффициент корреляции Пирсона для x и y. В данном случае оно составляет примерно 0,76.

На этом рисунке показаны точки данных и коэффициенты корреляции для приведенного выше примера:

Красные квадраты - это точки данных. Как видите, на рисунке также показаны значения трех коэффициентов корреляции.


Расчет часового пояса (и перехода на летнее время) (в текстовое поле)

Ниже код формулы, мы должны изменять значения -4 или -5 каждый раз, когда мы вводим или покидаем летнее время из-за того, что SF при извлечении текстовой версии времени делает это в GMT (или это зулусский?). Любые подсказки, как я могу сделать это автоматически? В идеале мы бы изменили ссылку на ТЕКСТ (Событие_Дата_Время__c) чтобы как-то автоматически перекрыть преобразование времени.

Причина не очень удобного кода в том, что мы вставляем его в текстовое поле и устанавливаем 24-часовое время, чтобы он правильно сортируется в отчетах, поэтому мы должны ставить начальный ноль в & lt10 часов.

--- Добавлен 2014-04-02 ---

Я считаю, что до тех пор, пока SF не исправит или не добавит функциональность к этому, так что вызовы TEXT () в поле DateTime НЕ возвращаются к Zulu (ИЛИ, они ПЕРЕВОДЯТ в местный часовой пояс), я могу заставить разработчика написать запланированный вызов Apex, который будет выходить каждый день в час ночи «где-то» и выяснять, какое у нас значение «корректировки» (для восточного времени это либо -5, либо -4, как показано в моем примере кода).

Затем, пока это значение находится в «переменной», которая может быть прочитана ГЛОБАЛЬНО внутри организации (а не только один объект, в данном случае задача / действие), мы решены. Ссылки "-4" в моем коде становятся (без реального примера) "% DSTadjustment%".

ПРОБЛЕМА С ЭТОМ: Записи вне «текущего режима летнего времени» будут отключены на час. В идеале MORE было бы что-то, что оценивает используемую дату и на основе THAT DATE возвращает правильные -4 или -5. (вздох)

--- Добавлено 2015-05-06 ---

Мой новый сотрудник, Аша, был достаточно умен, чтобы найти формулу Excel, которая делает именно то, что нужно, а затем перевел ее на язык SF Formula. Я скоро опубликую его, так как мне нужно включить его несколькими способами (как формула, так и обновление полей), и я хочу посмотреть, смогу ли я вообще его сломать. Все указывает на то, что он прекрасно работает и полностью динамичен в зависимости от даты / времени, в которое его загружают. Woohoo!


1 ответ 1

В GF (2 8) 7 & times 11 = 49. Трюк с дискретным логарифмом отлично работает.

Ваша ошибка состоит в том, что вы полагаете, что умножение поля Галуа работает так же, как обычное целочисленное умножение. В полях простого порядка это на самом деле является более или менее так, за исключением того, что вам нужно уменьшить результат по модулю порядка поля, но в полях непростого порядка правила умножения другие.

Например, сделаем 7 и 11 раз. Учитывая, что 7 = 1112 и 11 = 10112, мы можем вычислить 7 и 11 в двоичном формате как:

Пока все работает так же, как и в обычном целочисленном умножении. Но в то время как в целых числах мы распространяем переносов при выполнении сложения и, таким образом, получаем

в ГФ (2 п ) сложение выполняется побитовое без несет (то есть GF (2 п ) сложение то же самое, что и побитовое исключающее ИЛИ), и, таким образом, мы получаем

(Конечно, если бы результат превысил групповой порядок, нам также пришлось бы уменьшить его по модулю полинома редукции, но в этом случае этого не происходит для п & ge 7.)


7 ответов 7

Для первого наброска поля направления вы можете использовать StreamPlot:

Нет необходимости решать дифференциальное уравнение для создания поля направления. Согласно лемме Википедии о полях уклона вы можете построить вектор <1, (y + Exp [x]) / (x + Exp [y])>:

или, возможно, вы могли бы использовать график потока:

Если вы хотите изучить решения уравнения, я бы предложил пакет EquationTrekker. Посмотрите документацию.

Вот то, что вы можете сделать быстро и дает хорошее представление о поведении для положительных и отрицательных начальных условий:

В самых популярных современных учебниках математического анализа для студентов, в том числе Ларсона и Эдвардса, Стюарта, Рогавски и Адамса и других, поле склонов (также называемый поле направления) представляет собой график коротких линейных сегментов в точках сетки, имеющих одинаковую длину и без стрелки, указывающей направление. Поле наклона указывает только наклон кривой решения в каждой точке сетки только наклоном отрезка линии. Только ответ Уэсли Вульфа подходит к этому методу построения полей уклона на момент написания этой статьи. Я настраиваю пару параметров для VectorPlot [] в его ответе ниже.

Мы предполагаем, что D.E. можно записать в виде $ y '= F (x, y) $, где $ F (x, y) $ - функция только двух переменных $ x $ и $ y $. Затем мы можем построить поле уклона в Mathematica следующее:

В некоторых учебниках предпочитают наносить стрелки на отрезки прямых. Чтобы имитировать этот эффект, измените VectorStyle с «Сегмент» на «Стрелка». Однако этот стиль вводит в заблуждение, и его следует избегать, поскольку стрелки обычно не надо точки в направлении кривых решения по мере их прорисовки. Чтобы взять пример с моей книжной полки, Бойса и Дипримы. Дифференциальные уравнения и краевые задачи., 7-е изд., С. 40-41: Мы рассматриваем $ y '= frac<1-y ^ 2> $, который имеет общее решение $ -x ^ 3 + 3y-y ^ 3 = c $. Они дают поле уклона - со стрелками - на рисунке 2.2.1, но вы можете построить его с помощью Mathematica как у меня, а также несколько кривых решений ниже:

В какой-то момент кто-то должен был возразить против этой мерзости, потому что наконечники стрел исчезли со всех полей склонов в 9-м издании!


Очень простой калькулятор с использованием методов

Я сделал простой калькулятор, используя методы. Это моя первая попытка использовать методы, и я хотел бы посмотреть, смогу ли я улучшить это, поскольку здесь много повторяющегося кода.

Это означает, что это главный кандидат для инкапсуляции в собственный метод. Что-то вроде этого:

Теперь мы можем просто вызывать этот метод всякий раз, когда нам нужно получить числа от пользователя. Намного проще, и мы снизили сложность нашего кода.

Еще одна вещь, которая является избыточной, - это постоянное повторное объявление kb = new Scanner (System.in). На самом деле вам нужно сделать это только один раз. Если бы это был я, я бы использовал его как статическое поле для всего класса, например,

Это основное правило того, как константы определены в Java. Я назвал переменную STDIN, потому что это соглашение для ссылки на поток "стандартного ввода", но SCANNER или что-то в этом роде было бы не хуже.

Некоторые другие мелочи

Вам следует подумать об использовании оператора switch для вашей переменной выбора:

. или вы можете написать все это в строке, если вам так удобнее, поскольку каждый блок действительно делает только одно:

Это также было бы идеальным вариантом использования перечислений, но это было бы слишком сложно для начального проекта.

Небольшое заключительное примечание: Я думаю, у вас ошибка. В строке, где вы показываете результаты, всегда написано «сумма», даже когда вы выполняете деление, умножение или вычитание. :)


СТАНДАРТНОЕ УМЕНЬШЕНИЕ ГРАВИТАЦИИ

Уравнения, описанные в этом разделе, используются в электронной таблице гравитации и соответствуют новым стандартам силы тяжести, установленным Геологической службой США (Hildenbrand et al., 2002) и Рабочей группой стандартов / форматов Североамериканского комитета по базам данных гравитации (Hinze et al. , 2003).

Теоретическая гравитация эллипсоида

Атмосферный эффект

Поправка на высоту теоретической силы тяжести

Сферическая кепка Bouguer


Агдам И.Н., Варзандех М.Х.М., Прадхан Б. (2016) Картирование восприимчивости к оползням с использованием статистического индекса ансамбля (Wi) и модели адаптивной нейро-нечеткой системы вывода (ANFIS) в горах Альборз (Иран). Environ Earth Sci 75: 553. https://doi.org/10.1007/s12665-015-5233-6

Akbaş B, Akdeniz N, Aksay A, Altun İ, Balcı V, Bilginer E, Bilgiç T., Duru M, Ercan T., Gedik İ, Günay Y, Güven İH, Hakyemez HY, Konak N, Papak İ, Pehlivan Ş, Sevin M , Шенел М., Тархан Н., Турхан Н., Тюркекан А., Улу Ю., Угуз М. Ф., Юрцевер А. (1991) Главное управление геологической карты Турции по исследованиям полезных ископаемых и публикациям по геологоразведке. Анкара Турция (В Турции)

Akgün A, Sezer EA, Nefeslioğlu HA, Pradhan B (2012) Простая в использовании программа MATLAB (MamLand) для оценки подверженности оползням с использованием нечеткого алгоритма Мамдани. Comput Geosci 38 (1): 23–34. https://doi.org/10.1016/j.cageo.2011.04.012

Arabameri A, Pradhan B, Rezaei K, Lee CW (2019) Оценка подверженности оползням с использованием интегрированной модели FR-RF на основе статистических данных и искусственного интеллекта и ЦМР с разным разрешением. Пульт дистанционного управления 11: 999. https://doi.org/10.3390/rs11090999

Arca D, Kutolu HŞ, Becek K (2018) Картирование подверженности оползням в районе подземных горных работ с использованием метода многокритериального анализа решений. Оценка состояния окружающей среды 190: 725. https://doi.org/10.1007/s10661-018-7085-5

Баеза С., Короминас Дж. (2001) Оценка восприимчивости неглубоких оползней с помощью многомерных статистических методов. Earth Surf Process Landf 26: 1251–1263. https://doi.org/10.1002/esp.263

Benchelha S, Aoudjehane HC, Hakdaoui M, Hamdouni RE, Mansouri H, Benchelha T, Layelmam M, Alaoui M (2019) Картирование подверженности оползням в муниципалитете Удка, Северное Марокко: сравнение логистической регрессии и моделей искусственных нейронных сетей. Int Arch Photogramm Remote Sens Spat Inf Sci 4: 41–49. https://doi.org/10.5194/isprs-archives-XLII-4-W12-41-2019

Бернар V, Лиенгме (2002) Руководство по Microsoft Excel 2002 для ученых и инженеров, 3-е изд. Издательство Баттерворта-Хайнеманна, Оксфорд

Бонер Дж., Селиге Т. (2006) Пространственное прогнозирование свойств почвы с использованием анализа местности и климатического районирования. В: Boehner J, McCloy KR, Strobl J (eds) SAGA – Analysis and Modeling applications, vol 115. Geographische Abhandlungen, Goettinger, pp 13–27

Бонэм-Картер Г.Ф. (1994) Географические информационные системы для ученых-геологов. Модель GIS Pergamon 13: 398

Bragagnolo L, da Silva RV, Grzybowski JMV (2019) Картирование подверженности оползням с помощью r.landslide: бесплатный интегрированный с ГИС инструмент с открытым исходным кодом, основанный на искусственных нейронных сетях. Программное обеспечение модели Environ 123: 104565. https://doi.org/10.1016/j.envsoft.2019.104565

Брейман Л. (2001) Случайные леса. Mach Learn 45: 5–32. https://doi.org/10.1023/A:1010933404324

Chen W, Xie X, Wang J, Pradhan B, Hong H, Bui DT, Duan Z, Ma J (2017) Сравнительное исследование дерева логистической модели, случайного леса и моделей дерева классификации и регрессии для пространственного прогнозирования подверженности оползням. Катена 151: 147–160. https://doi.org/10.1016/j.catena.2016.11.032

Chen W, Shahabi H, Zhang S, Khosravi K, Shirzadi A, Chapi K, Pham BT, Zhang T, Zhang L, Chai H et al (2018) Моделирование предрасположенности к оползням на основе ГИС и новой ядерной логистической регрессии на основе мешков. Appl Sci 8: 2540. https://doi.org/10.3390/app8122540

Chen W, Zhao X, Shahabi H, Shirzadi A, Khosravi K, Chai H, Zhang S, Zhang L, Ma J, Chen Y et al (2019) Пространственное прогнозирование восприимчивости к оползням путем объединения функции доказательств, логистической регрессии и логистической модели дерево. Geocarto Int 34 (11): 1177–1201. https://doi.org/10.1080/10106049.2019.1588393

Конрад О., Бехтель Б., Бок М., Дитрих Х., Фишер Э., Герлитц Л., Вехберг Дж., Вихманн В., Бёнер Дж. (2015) Система автоматизированного геонаучного анализа (SAGA) v. 2.1.4. Geosci Model Dev 8: 1991–2007. https://doi.org/10.5194/gmd-8-1991-2015

Цуй К., Лу Д., Ли В. (2016) Сравнение карт восприимчивости к оползням на основе статистического индекса, факторов достоверности, веса доказательств и моделей функции доказательной веры. Geocarto Int 32 (9): 935–955. https://doi.org/10.1080/10106049.2016.1195886

Dagdelenler G, Nefeslioglu HA, Gökçeolu C (2016) Модификация стратегии отбора проб семенных клеток для картирования подверженности оползням: приложение из восточной части полуострова Галлиполи (Чанаккале, Турция). Bull Eng Geol Environ 75: 575–590. https://doi.org/10.1007/s10064-015-0759-0

Das HO, Sonmez H, Gökçeolu C, Nefesliolu HA (2013) Влияние сейсмического ускорения на карты подверженности оползням: тематическое исследование из северо-восточной части Турции (долина Келкит). Оползни 10: 433–454. https://doi.org/10.1007/s10346-012-0342-8

Defazio A, Bach F, Lacoste-Julien S (2014) SAGA: метод быстрого постепенного градиента с поддержкой не сильно выпуклых составных объективов. arXiv: 1407.0202v3

Devkota KC, Regmi AD, Pourghasemi HR, Yoshida K, Pradhan B, Ryu IC, Dhital MR, Althuwaynee OF (2013) Картирование подверженности оползням с использованием фактора достоверности, индекса энтропии и моделей логистической регрессии в ГИС и их сравнение на дороге Маглинг-Нараянгхат раздел в Непале Гималаи. Нат Хазардс 65: 135–165. https://doi.org/10.1007/s11069-012-0347-6

Дикшит А., Прадхан Б., Аламри А.М. (2020) Пути и проблемы применения искусственного интеллекта для моделирования геологических опасностей. Гондванские исследования. В печати, исправленное доказательство, доступно онлайн 17 сентября 2020 г. https://doi.org/10.1016/j.gr.2020.08.007

Добесова З. (2011) Язык программирования Python для обработки данных. В: Международная конференция по электротехнике и технике управления (ICECE), IEEE 2011.

Dou J, Yamagishi H, Pourghasemi HR, Yunus AP, Song X, Xu Y, Zhu Z (2015) Интегрированная модель искусственной нейронной сети для оценки подверженности оползням острова Осадо, Япония. Нат Хазардс 78: 1749–1776. https://doi.org/10.1007/s11069-015-1799-2

Dou J, Yunus AP, Bui DT, Merghadi A, Sahana M, Zhu Z, Chen CW, Khosravi K, Yang Y, Pham PT (2019) Оценка расширенных алгоритмов случайного леса и дерева решений для моделирования подверженности оползням, вызванным дождями, в Вулканический остров Идзу-Осима, Япония. Sci Total Environ 662: 332–346. https://doi.org/10.1016/j.scitotenv.2019.01.221

Eibe F, Hall MA, Witten IH (2016) Рабочий стол WEKA. Интернет-приложение «Интеллектуальный анализ данных: практические инструменты и методы машинного обучения», Морган Кауфманн, четвертое издание

Экер Р., Айдын А. (2014) Ormanların heyelan oluşumu üzerindeki etkileri (Влияние лесов на оползни). Турецкий журнал лесного хозяйства. 15: 84-93. https://doi.org/10.18182/tjf.31067. (В Турции)

Эрмини Л., Катани Ф., Касагли Н. (2005) Искусственные нейронные сети, применяемые для оценки подверженности оползням. Геоморфология 66 (1–4): 327–343. https://doi.org/10.1016/j.geomorph.2004.09.025

ESRI (2011) ArcGIS Desktop: выпуск 10. Институт исследования экологических систем, Редлендс

Fan RE, Chang KW, Hsieh CJ, Wang XR, Lin CJ (2008) LIBLINEAR: библиотека для большой линейной классификации. J Mach Learn Res 9 (2008): 1871–1874.

Гекче О, Озден Ş, Демир А (2008) Türkiye’de afetlerin mekansal ve istatistiksel dağılımı afet bilgileri envanteri. Afet İşleri Genel Müdürlüğü Afet Etüt ve Hasar Tespit Daire Başkanlığı, Анкара (В Турции)

Gökçeolu C, Sonmez H, Nefeslioglu HA, Duman T.Y, Can T (2005) Оползень Кузулу 17 марта 2005 г. (Сивас, Турция) и карта подверженности оползням его окрестностей. Eng Geol 81 (1): 65–83. https://doi.org/10.1016/j.enggeo.2005.07.011

Грубер С., Пекхэм С. (2009) Параметры земной поверхности и объекты в гидрологии. В: Hengl T, Reuter HI (ред.) Геоморфометрия: концепции, программное обеспечение, приложения. Эльзевир, Амстердам, стр. 171–194. https://doi.org/10.1016/S0166-2481(08)00007-X

Guzzetti F, Reichenbach P, Ardizzone F, Cardinali M, Galli M (2005) Вероятностная оценка опасности оползней в масштабе бассейна. Геоморфология 72: 272–299. https://doi.org/10.1016/j.geomorph.2005.06.002

Guzzetti F, Mondini AC, Cardinali M, Fiorucci F, Santangelo M, Chang KT (2012) Карты инвентаризации оползней: новые инструменты для решения старой проблемы. Науки о Земле Ред. 112 (1-2): 42–66. https://doi.org/10.1016/j.earscirev.2012.02.001

Hasekioulları GD, Ercanolu M (2012) Новый подход к использованию AHP в картировании подверженности оползням: тематическое исследование в Енице (Карабук, Северо-Западная Турция). Nat Hazards 63: 1157–1179. https://doi.org/10.1007/s11069-012-0218-1

Hong HY, Pradhan B, Xu C, Tien Bui D (2015) Пространственное прогнозирование опасности оползней в районе Ихуан (Китай) с использованием двухклассовой ядерной логистической регрессии, чередующегося дерева решений и опорных векторных машин. Катена 133: 266–281. https://doi.org/10.1016/j.catena.2015.05.019

Хонг Х, Нагиби С.А., Пургасеми Х.Р., Прадхан Б. (2016) Пространственное моделирование оползней на основе ГИС в городе Ганьчжоу, Китай. Араб Дж. Геоши 9 (2): 112. https://doi.org/10.1007/s12517-015-2094-y

Jebur MN, Pradhan B, Shafri HZM, Yusoff ZM, Tehrany MS (2015) Интегрированный удобный инструмент ArcMAP для двумерного статистического моделирования в приложениях геонаук. Geosci Model Dev 8: 881–891. https://doi.org/10.5194/gmd-8-881-2015

Хименес-Пералварес, Дж. Д., Иригарей К., Эль-Хамдуни Р., Чакон Дж. (2009) Построение моделей для автоматического анализа подверженности оползням, картирования и проверки в ArcGIS. Nat Hazards 50 (3): 571–590. https://doi.org/10.1007/s11069-008-9305-8

Джонс Д., Брунсден Д., Гуди А. (1983) Предварительная геоморфологическая оценка части шоссе Каракорум. Q J Eng Geol Hydrogeol 16: 331–355. https://doi.org/10.1144/GSL.QJEG.1983.016.04.10

Ким Дж., Ли С., Юнг Х, Ли С. (2018) Картирование восприимчивости к оползням с использованием случайных лесных и усиленных моделей деревьев в Пхен-Чанге, Корея. Geocarto Int 33 (9): 1000–1015. https://doi.org/10.1080/10106049.2017.1323964

Кезе Д.Д., Тюрк Т. (2019) Полностью автоматический анализ восприимчивости к оползням на основе ГИС с использованием методов веса доказательств и частотного соотношения. Физ. Геогр. 40 (5): 481–501. https://doi.org/10.1080/02723646.2018.1559583

Ли С., Талиб Дж. А. (2005) Вероятностный анализ восприимчивости к оползням и факторного воздействия. Environ Geol 47: 982–990. https://doi.org/10.1007/s00254-005-1228-z

Ли С., Рю Дж., Ким С. (2007) Анализ восприимчивости к оползням и его проверка с использованием отношения правдоподобия, логистической регрессии и моделей искусственных нейронных сетей: тематическое исследование Youngin в Корее. Оползни 4 (4): 327–338. https://doi.org/10.1007/s10346-007-0088-x

Липпманн Р.П. (1987) Введение в вычисления с помощью нейронных сетей. IEEE ASSP Mag 4 (2): 4–22. https://doi.org/10.1109/MASSP.1987.1165576

Ло И, Су Б, Юань Дж, Ли Х, Чжан Кью (2011) Методы ГИС для определения границ водосбора модели SWAT в равнинных польдерах. 2011 3-я Международная конференция по экологическим наукам и прикладным информационным технологиям (ESIAT 2011): 2050-2057. https://doi.org/10.1016/j.proenv.2011.09.321

Maggioni M, Gruber U (2003) Влияние топографических параметров на размер и частоту схода лавины. Cold Reg Sci Technol 37: 407–419. https://doi.org/10.1016/S0165-232X(03)00080-6

Мур И.Д., Грейсон Р.Б., Ладсон А.Р. (1991) Цифровое моделирование местности - обзор гидрологических, геоморфологических и биологических приложений. Гидрол процесс 5: 3–30. https://doi.org/10.1002/hyp.3360050103

Нараянан С., Сивакумар Р. (2018) Разработка специализированного инструмента на основе ArcPy в ГИС для сейсмической информационной системы. Int J Pure Appl Math 118 (22): 377–382.

Нефеслиоглу Х.А., Думан Т.Ю., Дурмаз С. (2008) Картирование подверженности оползням части тектонической долины Келкит (Восточное Причерноморье Турции). Геоморфология 94 (3–4): 401–418. https://doi.org/10.1016/j.geomorph.2006.10.036

Нефеслиоглу Х.А., Сезер Э., Гекчеоглу С., Бозкир А.С., Думан Т.Ю. (2010) Оценка подверженности оползням по деревьям принятия решений в столичном районе Стамбула, Турция. Math Probl Eng 2010: 15. https://doi.org/10.1155/2010/901095

Nohani E, Moharrami M, Sharafi S, Khosravi K, Pradhan B, Pham BT, Lee S, Melesse AM (2019) Картирование подверженности оползням с использованием различных двумерных моделей на основе ГИС. Вода 11 (7): 1402. https://doi.org/10.3390/w11071402

Nourani V, Pradhan B, Ghaffari H, Sharifi SS (2014) Картирование восприимчивости к оползням на равнине Зонуз, Иран, с использованием генетического программирования и сравнения с соотношением частот, логистической регрессией и моделями искусственных нейронных сетей. Nat Hazards 71: 523–547. https://doi.org/10.1007/s11069-013-0932-3

Осна Т., Сезер Е.А., Акгун А. (2014) GeoFIS: интегрированный инструмент для оценки подверженности оползням. Comput Geosci 66: 20–30. https://doi.org/10.1016/j.cageo.2013.12.016

Ozer BC, Mutlu B, Nefeslioglu HA, Sezer EA, Rouai M, Dekayir A, Gokceoglu C (2020) On the use of hierarchical fuzzy inference systems (HFIS) in expert-based landslide susceptibility mapping: the central part of the Rif Mountains (Morocco). Bull Eng Geol Environ 79:551–568. https://doi.org/10.1007/s10064-019-01548-5

Palamakumbure D, Stirling D, Flentje P, Chowdhury R (2015) ArcGIS v.10 landslide susceptibility data mining add-in tool integrating data mining and GIS techniques to model landslide susceptibility. In: Lollino G, Giordian D, Crosta G, Corominas J, Azzam R, Wasowski J, Sciarra N (eds) Engineering geology for society and territory, vol 2. Springer, New York, pp 1191–1194. https://doi.org/10.1007/978-3-319-09057-3_208

Park S, Kim J (2019) Landslide susceptibility mapping based on random forest and boosted regression tree models, and a comparison of their performance. Appl Sci 9:942. https://doi.org/10.3390/app9050942

Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J (2011) Scikit-learn: machine learning in Python. J Mach Learn Res 12:2825–2830

Pham BT, Bui DT, Prakash I, Dholakia MB (2016) Rotation forest fuzzy rule-based classifier ensemble for spatial prediction of landslides using GIS. Nat Hazards 83:97–127. https://doi.org/10.1007/s11069-016-2304-2

Polat A, Erik D (2020) Debris flow susceptibility and propagation assessment in West Koyulhisar, Turkey. J Mt Sci 17:2611–2623. https://doi.org/10.1007/s11629-020-6261-6

Polat A, Gürsoy H (2014) Sayısal yükselti modeli (SYM) verileri yardımıyla 17 Mart 2005 Kuzulu (Koyulhisar, Sivas) heyelanının hacim hesabı. ATAG 18. Muğla, Sıtkı Koçman Üniversitesi. (In Turkish)

Polat A, Tatar O, Gürsoy H, Yalçiner CÇ, Büyüksaraç A (2014) Two-phased evolution of the Suşehri Basin on the North Anatolian Fault Zone Turkey. Geodinamica Acta 25(3–4):132–145. https://doi.org/10.1080/09853111.2013.861997

Pourghasemi HR, Mohammady M, Pradhan B (2012a) Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena 97:71–84. https://doi.org/10.1016/j.catena.2012.05.005

Pourghasemi HR, Pradhan B, Gökçeoğlu C, Moezzi KD (2012b) Landslide susceptibility mapping using a spatial multi criteria evaluation model at Haraz watershed, Iran. In: Pradhan B, Buchroithner M (eds) Terrigenous mass movements. Springer, Berlin, pp 23–49. https://doi.org/10.1007/978-3-642-25495-6_2

Pradhan B (2013) A comparative study on the predictive ability of the decision tree support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Comput Geosci 51:350–365. https://doi.org/10.1016/j.cageo.2012.08.023

Regmi NR, Giardino JR, McDonald EV, Vitek JD (2014) A comparison of logistic regression-based models of susceptibility to landslides in western Colorado, USA. Landslides 11(2):247–262. https://doi.org/10.1007/s10346-012-0380-2

Riley SJ, DeGloria SD, Elliot R (1999) Index that quantifies topographic heterogeneity. Intermountain J Sci 5(1–4):23–27

Rozycka M, Migoń P, Michniewicz A (2016) Topographic Wetness Index and Terrain Ruggedness Index in geomorphic characterisation of landslide terrains, on examples from the Sudetes, SW Poland. Zeitschrift für Geomorphol Suppl Issues 61(2):61–80. https://doi.org/10.1127/zfg_suppl/2016/0328

Rumelhart DE, Hinton GE, Williams RJ (1986) Learning internal representations by error propagation. In: Rumelhart DE, McClelland JL (eds) Parallel distributed processing, vol 1. Springer, New York, pp 318–362

Sahin EK, Colkesen I, Kavzoglu T (2020) A comparative assessment of canonical correlation forest, random forest, rotation forest and logistic regression methods for landslide susceptibility mapping. Geocarto Int 35(4):341–363. https://doi.org/10.1080/10106049.2018.1516248

Schmidt M, Roux NL, Bach F (2017) Minimizing finite sums with the stochastic average gradient. Math Program 162:83–112. https://doi.org/10.1007/s10107-016-1030-6

Sevgen E, Kocaman S, Nefeslioglu HA, Gökçeoğlu C (2019) A novel performance assessment approach using photogrammetric techniques for landslide susceptibility mapping with logistic regression, ANN and random forest. Sensors 19(18):3940. https://doi.org/10.3390/s19183940

Sezer EA, Nefeslioglu HA, Osna T (2016) An expert-based landslide susceptibility mapping (LSM) module developed for Netcad Architect Software. Comput Geosci 98:26–37. https://doi.org/10.1016/j.cageo.2016.10.001

Song Y, Gong J, Gao S, Wang D, Cui T, Li Y, Wei B (2012) Susceptibility assessment of earthquake-induced landslides using Bayesian network: a case study in Beichuan China. Comput Geosci 42:189–199. https://doi.org/10.1016/j.cageo.2011.09.011

Sorensen R, Zinko U, Seibert J (2006) On the calculation of the topographic wetness index: evaluation of different methods based on field observations. Hydrol Earth Syst Sci 10:101–112. https://doi.org/10.5194/hess-10-101-2006

Taalab K, Cheng T, Zhang Y (2018) Mapping landslide susceptibility and types using random forest. Big Earth Data 2(2):159–178. https://doi.org/10.1080/20964471.2018.1472392

Tatar O, Gursoy H, Kocbulut F, Mesci BL (2005) Active fault zones and landslides: the 17 March 2005 Kuzulu (Koyulhisar) landslide. Cumhuriyet Bilim Teknik Dergisi 941:5–6

Tien Bui D, Pradhan B, Lofman O, Revhaug I (2012) Landslide susceptibility assessment in Vietnam using support vector machines, decision tree, and Naive Bayes models. Math Probl Eng 2012:26. https://doi.org/10.1155/2012/974638

Tien Bui D, Tuan TA, Klempe H, Pradhan B, Revhaug I (2015) Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Landslides 13:361–378. https://doi.org/10.1007/s10346-015-0557-6

Torizin J (2012) Landslide susceptibility assessment tools for ArcGIS 10 and their application. In: Proceedings of 34th IGC, Brisbane, Australia, pp 5–10

Ulusay R, Aydan Ö, Kılıc R (2007) Geotechnical assessment of the 2005 Kuzulu landslide (Turkey). Eng Geol 89(1–2):112–128. https://doi.org/10.1016/j.enggeo.2006.09.020

Umar Z, Pradhan B, Ahmad A, Jebur MN, Tehrany MS (2014) Earthquake induced landslide susceptibility mapping using an integrated ensemble frequency ratio and logistic regression models in West Sumatera province, Indonesia. Catena 118:124–135. https://doi.org/10.1016/j.catena.2014.02.005

Van Westen CJ, Rengers N, Terlien MTJ, Soeters R (1997) Prediction of the occurrence of slope instability phenomena through GIS-based hazard zonation. Geol Rundsch 86:404–414. https://doi.org/10.1007/s005310050149

Xu C, Xu XW, Dai FC, Saraf AK (2012) Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China. Comput Geosci 46:317–329. https://doi.org/10.1016/j.cageo.2012.01.002

Yeşilnacar E, Topal T (2005) Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study Hendek region (Turkey). Eng Geol 79:251–266. https://doi.org/10.1016/j.enggeo.2005.02.002

Yin KL, Yan TZ (1988) Statistical prediction model for slope instability of metamorphosed rocks. In: Proceedings of 5th international symposium on landslides, Lausanne, Switzerland vol 2, pp 1269–1272

Zare M, Pourghasemi HR, Vafakhah M, Pradhan B (2013) Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arab J Geosci 6:2873–2888. https://doi.org/10.1007/s12517-012-0610-x

Zhang X, Song W, Liu L (2014) An implementation approach to store GIS spatial data on NoSQL database. In: The 22nd International conference on geoinformatics, Kaohsiung, pp 1–5. https://doi.org/10.1109/GEOINFORMATICS.2014.6950846

Zhu Z (2010) An earthquake-induced landslide risk assessment model using the model builder of ArcGIS. In: The 18th International conference on geoinformatics, Beijing, pp 1–4. https://doi.org/10.1109/GEOINFORMATICS.2010.5567701


Смотреть видео: QGIS 2 - 19. Калькулятор полей