滑坡易发性的流程

滑坡易发性的流程

指标分级

在学习滑坡易发性的过程中，发现存在很多小问题。传统的方法认为影响因素很大，在进行指标分级时，客观性即经验存在很大影响，不同的人对指标分级存在差异，导致结果会有很大的差别。
个人觉得指标分级的过程不外乎是个加大两级分化即将信息量大（对滑坡影响较大）的分级归为一类，加大这一区域的影响，缩小其余区域的影响，导致低易发区和高易发区之间差值明显，用尽可能小的区域去包含尽可能多的已知滑坡，即滑坡比率最大，证明结果的可靠性。这一分级过程类似聚类分析的思想，将信息量大的区域聚合在一起，形成较强的区域去影响滑坡，信息量小的区域聚合在一起，表明对滑坡影响较小。
我使用的是k-means分类，代码我就不贴了，感觉还有点小问题，目前我是固定分级数，后续考虑根据算法来自我选择分级数，可能会更好，完全实现自动化。

计算方法

指标分级完了之后用最传统的信息量法或深度学习其中的方法也行，如随机森林、神经网络、逻辑回归、SVM等都可以。

流程图

这是我自己画的流程图，可能不是很规范，大概就是这样的一个意思，因此实现易发性评价的全自动化是很有可能的，以及在WEB端与用户进行交互也是存在可能的。

后续

后面可能会学习前端怎么调用本地文件进行处理，调用python是可行的，但是每个人的电脑不一样，如果要调用用户电脑的数据，在前端怎么实现才好，暂时没有接触过这些。