5 Landslide hazard analysis using t

5 Landslide hazard analysis using the artificial neural network

Before running the artificial neural network program, the training site should be selected. So, the landslide-prone (occurrence) area and the landslide-not-prone area were selected as training sites. Cells from each of the two classes were randomly selected as training cells, with 327 cells denoting areas where landslide did not occur or occurred. First, areas where the landslide did not occur were classified as “areas not prone to landslide” and areas where landslide was known to exist were
assigned to an “areas prone to landslide” training set.
The back-propagation algorithm was then applied to calculate the weights between the input layer and the hidden layer, and between the hidden layer and the output layer, by modifying the number of hidden node and the learning rate. Three-layered feed-forward network was implemented using the MATLAB software package. Here, “feed-forward” denotes that the interconnections between the layers propagate forward to the next layer. The number of hidden layers and the number of nodes in a hidden layer required for a particular classification problem are not easy to deduce. In this study, a 9
× 19 × 2 structure was selected for the network, with input data normalized in the range of 0.1–0.9. The nominal and interval class group data were converted to continuous values ranging between 0.1 and 0.9. Therefore, the continuous values were not ordinal data, but nominal data, and the numbers denote the classification of the input data.
The learning rate was set to 0.01, and the initial weights were randomly selected to values between 0.1 and 0.3. The weights calculated from 10 test cases were compared to determine whether the variation in the final weights was dependent on the selection of the initial weights. The

back-propagation algorithm was used to minimize the error between the predicted output values and the calculated output values. The algorithm propagated the error backwards, and iteratively adjusted the weights. The number of epochs was set to 2000, and the root mean square error (RMSE) value used for the stopping criterion was set to 0.01. Most of the training data sets met the 0.01 RMSE goal. However, if the RMSE value was not achieved, then the maximum number of iterations was terminated at 2000 epochs. When the latter case occurred, the maximum RMSE value was 0.213. The final weights between layers acquired during training of the neural network and the contribution or importance of each of the nine factors used to predict landslide hazard are shown in Table 2.
For easy interpretation, the average values were calculated, and these values were divided by the average of the weights of some factor that had a minimum value. The land use value was the minimum value, 1.00, and the slope value was the maximum value, 3.123. Finally, the weights were applied to the entire study area, and the landslide hazard map was created (Fig. 4). The values were classified by equal areas and grouped into four classes for visual interpretation. The possibility was classified into four classes (highest 10%, second 10%, third 20% and reminding 60%) based on area for visual and easy interpretation. The minimum value is 0.0121 and maximum value is 0.9976. The mean value is 0.3945 and the standard deviation value is 0.3060.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์อันตรายถล่มทลาย 5 ที่ใช้เครือข่ายประสาทเทียมก่อนที่จะรันโปรแกรมโครงข่ายประสาทเทียม ควรเลือกสถานที่ฝึก ดังนั้น ในพื้นที่เสี่ยงแผ่นดินถล่ม (เหตุการณ์) และบริเวณแนวโน้มถล่มทลายไม่ถูกเลือกเป็นเว็บไซต์ฝึกอบรม เซลล์จากแต่ละชั้นสองถูกสุ่มเลือกเป็นอบรมเซลล์ เซลล์ 327 ลิปดาพื้นที่ที่ไม่ได้เกิดแผ่นดินถล่ม หรือเกิด ครั้งแรก พื้นที่ที่เกิดดินไหลที่ไม่ได้เกิดถูกจัดประเภทเป็น "พื้นที่ไม่เสี่ยงแผ่นดินถล่ม" และมีพื้นที่ที่เรียกว่าถล่มทลายอยู่กำหนดให้ชุดการฝึกอบรม "พื้นที่เสี่ยงแผ่นดินถล่ม"อัลกอริทึมการเผยแพร่กลับนำมาใช้ในการคำนวณน้ำหนักระหว่างชั้นอินพุตชั้นที่ซ่อนอยู่ และ ระหว่างชั้นซ่อนและชั้นเอาต์พุต โดยการปรับเปลี่ยนหมายเลขของโหนดที่ซ่อนอยู่และอัตราการเรียนรู้ เครือข่ายส่งต่อฟีด 3 ชั้นได้ดำเนินการโดยใช้โปรแกรม MATLAB ที่นี่ "ฟีดไป" แสดงว่า การเชื่อมโยงระหว่างชั้นไปเผยแพร่ไปยังชั้นถัดไป ไม่ง่ายคาดเดาจำนวนชั้นซ่อนและจำนวนโหนดในชั้นซ่อนสำหรับปัญหาประเภทใด ในการศึกษานี้ 9โครงสร้าง× 19 × 2 เลือกเครือข่าย ข้อมูลการป้อนเข้าตามปกติในช่วงของ 0.1-0.9 กำหนดและช่วงระดับกลุ่มข้อมูลที่ถูกแปลงเป็นค่าต่อเนื่องตั้งแต่ 0.1 ถึง 0.9 ดังนั้น ค่าต่อเนื่องไม่ลำดับข้อมูล แต่ข้อมูลน้อย และตัวเลขแสดงการจัดประเภทของข้อมูลอินพุตอัตราการเรียนรู้การตั้งค่าเป็น 0.01 และน้ำหนักเริ่มต้นถูกสุ่มค่า 0.1 ถึง 0.3 น้ำหนักที่คำนวณจากกรณีทดสอบ 10 ถูกเมื่อเทียบกับการตรวจสอบว่า การเปลี่ยนแปลงในน้ำหนักสุดท้ายคือขึ้นอยู่กับการเลือกของน้ำหนักเริ่มต้น การ อัลกอริทึมการเผยแพร่กลับถูกใช้เพื่อลดข้อผิดพลาดระหว่างค่าคาดการณ์ผลผลิตและผลลัพธ์จากการคำนวณค่า อัลกอริทึมแพร่กระจายข้อผิดพลาดย้อนหลัง และปรับปรุงต้นปรับน้ำหนัก จำนวน epochs ตั้ง 2000 และกำหนดค่าผิดพลาด (RMSE) สแควร์หมายถึงรากที่ใช้สำหรับเกณฑ์หยุดถึง 0.01 มากที่สุดของชุดข้อมูลการฝึกอบรมตามเป้าหมาย RMSE 0.01 อย่างไรก็ตาม ถ้าค่า RMSE ไม่สำเร็จ แล้วจำนวนการเกิดซ้ำสูงสุดถูกยกเลิกที่ 2000 epochs เมื่อเกิดกรณีหลัง ค่า RMSE ที่สูงสุดคือ 0.213 น้ำหนักสุดท้ายระหว่างชั้นที่ได้รับในระหว่างการฝึกอบรมของเครือข่ายประสาท และผลงานหรือความสำคัญของแต่ละปัจจัยเก้าใช้ทำนายอันตรายจากแผ่นดินถล่มจะแสดงในตารางที่ 2สำหรับตีง่าย คำนวณค่าเฉลี่ย และค่าเหล่านี้ถูกแบ่งออก โดยเฉลี่ยน้ำหนักของปัจจัยบางอย่างที่มีค่าต่ำสุด ค่าใช้ที่ดินค่าต่ำสุด 1.00 และค่าความชันเป็นค่าสูงสุด 3.123 ในที่สุด น้ำหนักใช้พื้นที่ศึกษาทั้งหมด และสร้างแผนที่อันตรายจากแผ่นดินถล่ม (4 รูป) ค่าจำแนกตามพื้นที่เท่ากัน และจัดกลุ่มเป็นสี่ชั้นเรียนสำหรับตีความภาพ ความเป็นไปได้ถูกแบ่งออกเป็นสี่ชั้นเรียน (สูงสุด 10%, 10% ที่สอง สาม 20% และเตือน 60%) ตามพื้นที่สำหรับตีง่าย และภาพ 0.0121 เป็นค่าต่ำสุด และค่าสูงสุดคือ 0.9976 0.3945 คือค่าเฉลี่ย และค่าส่วนเบี่ยงเบนมาตรฐานคือ 0.3060

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์อันตราย 5 ดินถล่มโดยใช้โครงข่ายประสาทเทียมก่อนจะใช้งานโปรแกรมโครงข่ายประสาทเทียม , อบรมเว็บไซต์ ควรที่จะเลือก ดังนั้น ดินถล่มได้ง่าย ( การเกิด ) และพื้นที่เสี่ยงดินถล่มในพื้นที่ไม่ได้ถูกเลือกให้เป็นสถานที่ฝึกอบรม . เซลล์จากแต่ละของทั้งสองชั้นเรียนสุ่มเป็นเซลล์การฝึกอบรมกับ 327 เซลล์ถึงพื้นที่ดินถล่ม ไม่เกิดขึ้น หรือเกิดขึ้น แรก พื้นที่ดินถล่มไม่ได้เกิดขึ้นถูกจัดเป็น " พื้นที่ที่ไม่เสี่ยงต่อดินถล่มและพื้นที่ที่เป็นที่รู้จักกันคือ ดินถล่ม อยู่ได้รับมอบหมายให้เป็น " พื้นที่เสี่ยงดินถล่มชุดฝึกอบรม "การประยุกต์ขั้นตอนวิธี back-propagation จากนั้นคำนวณน้ำหนักระหว่างข้อมูลชั้นและชั้นซ่อน และระหว่างชั้นซ่อนและแสดงเลเยอร์ โดยการปรับเปลี่ยนจำนวน Hidden Node และอัตราการเรียนรู้ 3 ชั้นเครือข่าย feed-forward ถูกดำเนินการโดยใช้โปรแกรมซอฟต์แวร์แพคเกจ ที่นี่ " feed-forward " แสดงว่า เชื่อมต่อระหว่างชั้นเผยแพร่ส่งต่อไปยังชั้นต่อไป จำนวนชั้นซ่อนและจำนวนโหนดในชั้นซ่อนที่จำเป็นสำหรับปัญหาการจำแนกประเภทโดยเฉพาะจะไม่ง่ายที่จะตัดสินใจ ในการศึกษานี้ , 919 ×× 2 โครงสร้าง คือ เลือกเครือข่าย กับข้อมูลปกติในช่วง 0.1 - 0.9 ในช่วงเวลาเรียนและข้อมูลกลุ่มที่ถูกแปลงเป็นค่าต่อเนื่องในช่วงระหว่าง 0.1 และ 0.9 ดังนั้นคุณค่าอย่างต่อเนื่องไม่ใช่ข้อมูลสำคัญ แต่ข้อมูลที่ระบุ และตัวเลขที่แสดงประเภทของข้อมูลเริ่มต้นอัตราการเรียนรู้ได้ตั้ง 0.01 และน้ำหนักเริ่มต้นสุ่มค่าระหว่าง 0.1 และ 0.3 น้ำหนักที่คำนวณจาก 10 กรณีทดสอบเปรียบเทียบเพื่อตรวจสอบว่า การเปลี่ยนแปลงในการยกน้ําหนัก สุดท้ายก็ขึ้นอยู่กับการเลือกของน้ำหนักเริ่มต้น ที่ขั้นตอนวิธี back-propagation ถูกใช้เพื่อลดข้อผิดพลาดระหว่างคาดการณ์ผลผลิตค่าและคำนวณผลค่า ขั้นตอนวิธีการรวบรวมข้อผิดพลาดถอยหลัง และซ้ำปรับน้ำหนัก หมายเลขของยุคสมัยที่ถูกตั้งไว้ 2000 และรากของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) ค่าที่ใช้สำหรับหยุดเกณฑ์ตั้งไว้ที่ 0.01 ที่สุดของข้อมูลชุดการฝึกเจอ 0.01 RMSE เป้าหมาย แต่ถ้าค่า RMSE ไม่สำเร็จ จำนวนสูงสุดของการทำซ้ำถูกยกเลิกที่ 2000 epochs . เมื่อกรณีหลังเกิดขึ้น ค่า RMSE สูงสุด 0.213 น้ำหนักสุดท้ายระหว่างชั้นได้รับในระหว่างการฝึกอบรมของโครงข่ายประสาทเทียมและ มีส่วนร่วม หรือความสำคัญของแต่ละเก้าปัจจัยที่ใช้ทำนายพิบัติภัยจะแสดงในตารางที่ 2สำหรับการตีความง่าย ค่าเฉลี่ยที่คำนวณ และค่านิยมเหล่านี้ถูกแบ่งออกโดยเฉลี่ยของน้ำหนักของปัจจัยบางอย่างที่มีค่าต่ำสุด การใช้ที่ดินค่าคือค่าต่ำสุด 1.00 และค่าความชันเป็นคุณค่าสูงสุด 3.123 . ในที่สุด น้ำหนักการประยุกต์ใช้กับพื้นที่ศึกษาทั้งหมด และดินถล่มแผนที่อันตรายถูกสร้างขึ้น ( รูปที่ 4 ) ค่าจำแนกตามพื้นที่ที่เท่ากัน และแบ่งออกเป็นสี่ชั้นเรียนสำหรับภาพและการตีความ อาจจำแนกออกเป็นสี่ชั้นเรียน ( สูงสุด 10% อีก 10% , 3 20% และเตือน 60% ) ขึ้นอยู่กับพื้นที่ภาพได้ง่ายและการตีความ ค่าต่ำสุด ค่าสูงสุด และเป็น 0.0121 เป็น 0.9976 . ค่าเฉลี่ยและค่าส่วนเบี่ยงเบนมาตรฐานเป็น 0.3945 เป็น 0.3060 .