机器学习和深度学习的_滑坡自动识别和滑坡易发性制图基于滑坡自动识别和滑坡易发性制图的完整实现-CSDN博客

本文链接：https://blog.csdn.net/2401_88440984/article/details/147572522

机器学习和深度学习的_滑坡自动识别和滑坡易发性制图基于滑坡自动识别和滑坡易发性制图的完整实现

文章目录

以下文字及代码仅供参考。

滑坡自动识别和滑坡易发性制图在这里插入图片描述

机器学习和深度学习实现
语言：Python
软件：Arcgis，Jupyter notebook或Pycharm
模型：随机森林，支持向量机，神经网络
过程：1. 数据集制作（自己准备影像和滑坡标注，本人提供影像是有偿的）2. 代码（数据读取、数据划分、模型训练、应用模型、绘制ROC曲线、精度评价、预测结果输出）3. 结果制图。

基于滑坡自动识别和滑坡易发性制图的完整实现流程，使用 Python 和 ArcGIS、Jupyter Notebook 或 PyCharm 环境。我数据集制作、代码实现（包括随机森林、支持向量机和神经网络模型）、结果制图等步骤。

1. 数据集制作

1.1 数据来源

影像数据：卫星影像（如 Sentinel-2、Landsat）或高分辨率 DEM 数据。
滑坡标注数据：手动标注滑坡区域（可使用 ArcGIS 或 QGIS 标注）。

1.2 数据预处理

使用 ArcGIS 或 QGIS 提取以下特征：
- 地形因子：坡度、坡向、高程变化率等。
- 植被指数：NDVI、NDWI。
- 水文因子：河流密度、流域面积。
- 土壤因子：土壤类型、渗透性。
- 地质因子：岩性、断层距离。

1.3 数据格式

将影像和标注数据导出为栅格文件（如 .tif）。
标注数据应为二值化标签（0 表示非滑坡，1 表示滑坡）。

2. 代码实现

2.1 数据读取与处理

import numpy as np
import rasterio
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import roc_curve, auc, accuracy_score
import matplotlib.pyplot as plt

# 读取影像数据
def read_raster(file_path):
    with rasterio.open(file_path) as src:
        data = src.read()
        profile = src.profile
    return data, profile

# 加载数据
image, profile = read_raster('path/to/image.tif')
labels, _ = read_raster('path/to/labels.tif')

# 展平数据
image = image.reshape(image.shape[0], -1).T
labels = labels.flatten()

# 去除无效值（如 NaN）
valid_mask = ~np.isnan(labels)
X = image[valid_mask]
y = labels[valid_mask]

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

2.2 模型训练

随机森林模型

# 训练随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 预测
y_pred_rf = rf_model.predict(X_test)
y_prob_rf = rf_model.predict_proba(X_test)[:, 1]

支持向量机模型

# 训练支持向量机模型
svm_model = SVC(probability=True, random_state=42)
svm_model.fit(X_train, y_train)

# 预测
y_pred_svm = svm_model.predict(X_test)
y_prob_svm = svm_model.predict_proba(X_test)[:, 1]

神经网络模型

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

# 构建神经网络模型
nn_model = Sequential([
    Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    Dropout(0.5),
    Dense(32, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

nn_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
nn_model.fit(X_train, y_train, epochs=20, batch_size=32, validation_split=0.2, verbose=1)

# 预测
y_prob_nn = nn_model.predict(X_test).flatten()
y_pred_nn = (y_prob_nn > 0.5).astype(int)

2.3 绘制 ROC 曲线

# 计算 ROC 曲线和 AUC
fpr_rf, tpr_rf, _ = roc_curve(y_test, y_prob_rf)
auc_rf = auc(fpr_rf, tpr_rf)

fpr_svm, tpr_svm, _ = roc_curve(y_test, y_prob_svm)
auc_svm = auc(fpr_svm, tpr_svm)

fpr_nn, tpr_nn, _ = roc_curve(y_test, y_prob_nn)
auc_nn = auc(fpr_nn, tpr_nn)

# 绘制 ROC 曲线
plt.figure(figsize=(8, 6))
plt.plot(fpr_rf, tpr_rf, label=f'Random Forest (AUC = {auc_rf:.2f})')
plt.plot(fpr_svm, tpr_svm, label=f'SVM (AUC = {auc_svm:.2f})')
plt.plot(fpr_nn, tpr_nn, label=f'Neural Network (AUC = {auc_nn:.2f})')
plt.plot([0, 1], [0, 1], 'k--', label='Random Guess')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend()
plt.show()

2.4 精度评价

# 计算精度
accuracy_rf = accuracy_score(y_test, y_pred_rf)
accuracy_svm = accuracy_score(y_test, y_pred_svm)
accuracy_nn = accuracy_score(y_test, y_pred_nn)

print(f'Random Forest Accuracy: {accuracy_rf:.2f}')
print(f'SVM Accuracy: {accuracy_svm:.2f}')
print(f'Neural Network Accuracy: {accuracy_nn:.2f}')

2.5 预测结果输出

# 使用随机森林模型进行预测
predicted_labels = rf_model.predict(image)

# 将预测结果保存为栅格文件
output_profile = profile.copy()
output_profile.update(dtype=rasterio.float32, count=1)
with rasterio.open('path/to/predicted_labels.tif', 'w', **output_profile) as dst:
    dst.write(predicted_labels.reshape(profile['height'], profile['width']).astype(np.float32), 1)