Suite

Calculateur de champ ArcGIS : calcul d'un nouveau champ à l'aide de plusieurs champs avec python

Calculateur de champ ArcGIS : calcul d'un nouveau champ à l'aide de plusieurs champs avec python


Fondamentalement, j'ai un grand ensemble de données de polygones qui contient des données de sol pour une zone et je souhaite attribuer des valeurs numériques aux données en fonction des valeurs textuelles de la texture du sol (par exemple SIL=4, CLY=7,…). Cependant, la texture du sol est divisée en trois colonnes différentes : 1) TEXTURE1 ; 2) TEXTURE2; et, 3) TEXTURE3. Habituellement, TEXTURE1 me donne les données dont j'ai besoin pour attribuer la valeur numérique dans un nouveau champ, mais dans certains cas, la valeur de TEXTURE1 est répertoriée comme N/A, et je dois utiliser le texte de TEXTURE2 pour attribuer le numéro. Est-il possible d'écrire un script où, si le texte du champ TEXTURE1 n'est PAS N/A, renvoie TEXTURE1, sinon renvoie TEXTURE2 ? Le nouveau champ serait un champ de texte.


Peut-être quelque chose comme ça ?

Bloc de code :

def GetTexture(Text1,Text2) : si Text1 est None : renvoie Text2 else : renvoie Text1

Avec l'expression NEWTEXTURE = GetTexture(!TEXTURE1!, !TEXTURE2!)


Tout d'abord, je compilerais des tables de recherche pour TEXTURE1, TEXTURE2 et TEXTURE3 en utilisant des statistiques récapitulatives (pour trouver toutes les valeurs uniques), les statistiques n'ont pas d'importance, tout ce que vous voulez, c'est chaque champ TEXTURE en tant que champ "cas". Ajouter un champ pour ajouter la valeur que vous souhaitez appliquer à chaque table de statistiques pour en faire une table de recherche, supprimez les champs de statistiques si vous le souhaitez avec Supprimer un champ (vous pouvez créer plusieurs champs à la fois).

Maintenant la partie fastidieuse, éditez la table, supprimez les instances deN / AetNuldu tableau, et placez la valeur que vous souhaitez appliquer à côté du code dans les tableaux (les 3 peuvent être différents).

Commencez par rejoindre la table de recherche pour TEXTURE1, en sélectionnant enregistrements correspondants uniquement et appliquez la valeur correspondante à l'aide du calculateur de champs (les champs joints doivent être nommés avec le nom de la table puis le nom du champ), puis supprimez la jointure et joignez la table de recherche TEXTURE2 au champ TEXTURE2 (également des enregistrements correspondants uniquement). Maintenant, sélectionnez dans le tableau ceux qui n'ont pas été calculés (TargetField est NULL) et calculez les valeurs sur la jointure sur enregistrements sélectionnés uniquement. Supprimez la jointure et faites de même pour TEXTURE3.

Maintenant, toutes les valeurs TargetField sont renseignées là où il y a une valeur dans TEXTURE1, TEXTURE2 ou TEXTURE3, avec un ordre de préférence.

Il y a plus d'étapes impliquées, mais une fois que vous avez terminé cette procédure, une fois que vous aurez une idée de son fonctionnement, conservez également les tables de recherche au cas où vous voudriez recommencer.


Utilisation de données agrégées dans le RST

Buts: L'objectif de cette instruction est de vous aider à générer des données simulées au niveau ponctuel en utilisant votre taux de mortalité brut agrégé.

Vérifiez et préparez vos données

  1. Afin de simuler des cas de décès individuels sur la carte, vous aurez besoin soit du nombre de cas de décès par unité géographique, soit du taux brut sans ajustement selon l'âge ni lissage par catégories d'âge. Veuillez vous assurer que vos variables de résultat sont intégrées au niveau du comté ou du secteur. Si possible, demandez les numéros des unités &lsquundonnées suffisantes&rsquo.
  2. Si votre fichier de données de taux ou de nombre est au format texte ou csv, assurez-vous d'inclure un fichier schema.ini pour spécifier chaque type de champ pour l'opération de jointure. Vous pouvez ignorer les étapes 2, 3 si vos données sont au format .dbf, .shp ou un fichier de géodatabase. Pour créer un fichier de schéma, vous devez vous diriger vers le dossier où se trouvent vos fichiers de données. Créez un nouveau fichier texte et renommez-le en schema.ini. Si vous le créez avec succès, vous verrez une icône de rouage sur une feuille de papier. Si l'icône de votre fichier schema.ini ressemble toujours à un fichier texte brut, accédez à DÉMARRER > Panneau de configuration > Options des dossiers > Affichage languette. Sous Réglages avancés rubrique, décocher Masquer les extensions pour les types de fichiers connus option.

  1. Ouvrez votre fichier schema.ini nouvellement créé, essayez de localiser si votre nom de fichier est déjà dans la liste. Enveloppez votre nom de fichier cible avec l'extension entre crochets. Spécifiez le format de tableau Le format éligible pour les données tabulaires dans un fichier texte peut être délimité par une tabulation, une virgule ou tout autre caractère personnalisé. Spécifiez ensuite le type de champ pour les champs clés. Vous voulez vous assurer que l'ID de recensement unique est défini comme champ de texte. Un exemple de fichier de schéma pour les données de l'atlas interactif CDC ressemblera à l'image affichée ci-dessous. Un fichier schema.ini peut fonctionner pour plusieurs données dans le même dossier.

  1. Ajoutez des données à votre nouveau projet ArcMap pour vérifier si le champ est correctement spécifié. Pour vérifier le type de champ, faites un clic droit sur la couche de données et cliquez sur Propriétés. Sous Des champs onglet, cliquez sur chaque champ pour voir si Type de données sur le panneau de droite est correct.

Simuler des données

Veuillez vérifier votre fichier de données pour voir quels types de données de résultats vous avez. Allez à la section A) si vous avez des données sur les taux par unité de recensement, et allez à la section B) si vous avez des données sur les dénombrements.

A) Simuler les données de taux

Pour simuler les données de taux, vous devez d'abord convertir les données de taux en données de comptage. Toute cette section A) est l'instruction sur la façon de convertir les données de taux en nombres. Nous vous recommanderons donc de demander le décompte des décès si possible, car vous pouvez sauter toute la section ici.

je. Télécharger les données brutes et générer la répartition de la population pour l'unité géographique

  1. À l'aide de l'outil RST étape 1, vous pouvez télécharger des données brutes comprenant la répartition détaillée de la population pour les comtés ou les secteurs de recensement. Vos données brutes téléchargées peuvent également être utilisées dans les étapes futures de RST pour générer un taux ajusté selon l'âge ou lissé bayésien. Veuillez vous référer au manuel d'utilisation pour les instructions de téléchargement des données.
  2. Si vous n'avez pas de fichier de forme au niveau du comté ou du secteur de recensement, vous pouvez le télécharger à partir du recensement TIGER/LINE pour votre état. Vous pouvez trouver le téléchargement officiel de TIGER/LINE à partir de ce lien : https://www.census.gov/cgi-bin/geo/shapefiles/index.php icône externe . Extrayez le fichier zip téléchargé dans votre dossier de données.
  3. Ajoutez RateStabilizerTool.tbx à votre ArcToolbox ou dirigez-vous vers la boîte à outils via Catalogue. Double-cliquez sur (Étape 1.5 facultative) Joindre les données de population au conteneur pour ouvrir l'outil de script python.
  4. Sélectionnez les données brutes téléchargées à l'étape 1, le nom des données brutes ressemblera à RawData_stateXX_XXXX avec le suffixe .data. Remplir Fichier de formes d'entrée avec votre propre géographie de recensement ou fichier TIGER que vous venez de télécharger et spécifiez l'ID commun que vous allez utiliser pour joindre les données de population avec des formes (c'est GEOID dans la plupart des cas). Notez que vous devez vous assurer que le niveau géographique de vos données brutes et de vos données de limites doit être le même, etc. tracts vs tracts ou comtés vs comtés. Régler Dossier de sortie puis entrez les limites inférieures de vos catégories d'âge en fonction de vos données disponibles. Par exemple, si vous avez un taux de mortalité pour 35+ et 65+, vous pouvez définir vos catégories d'âge comme 35 et 65. Et puis cliquez sur d'accord.
  5. Cliquez sur Ajouter des données pour ajouter le fichier de données nouvellement créé dans l'espace de travail. Le fichier nouvellement créé sera nommé comme your_original_shp_name_pop.shp.

ii. Joindre les données de taux à la répartition de la population et convertir en nombre

  1. Vous devez d'abord prédéfinir un nouveau champ pour CHAQUE catégorie d'âge afin de calculer le nombre de décès. Cliquer sur Options de tableau puis sélectionnez Ajouter un champ&hellip. Dans la fenêtre contextuelle Nom le nouveau champ et définissez les données Taper comme Entier long et cliquez d'accord. Veuillez commencer votre nom de champ par une lettre au lieu de chiffres ou de caractères spéciaux. Répétez cette étape jusqu'à ce que toutes les catégories d'âge soient créées en tant que champ unique. Dans l'exemple de scénario de test, le nouveau nom de champ sera cnt_35p et cnt_65p.

  1. Si vous disposez de données grand format, joignez les données directement au fichier de formes de répartition de la population à l'aide de GEOID. Faites un clic droit sur votre shapefile, sous Jointures et relations, Cliquez sur Rejoindre&hellip. Dans la fenêtre contextuelle, sélectionnez le champ GEOID (le nom réel peut légèrement différer) pour les deux parties de la jointure. Sélectionner Conserver tous les enregistrements et Valider l'adhésion. Cliquez sur d'accord si la validation est réussie. Passez ensuite à l'étape 5.

  1. Si vos données sont au format long, vous devrez diviser le fichier de données par catégorie d'âge. Faites un clic droit sur votre fichier de données pour Ouvert table attributaire. Cliquez sur Options de tableau et Sélectionner par attributs&hellip

Dans la fenêtre contextuelle, cliquez une fois sur votre champ d'âge, puis cliquez sur Obtenez une valeur unique.

Double-cliquez sur votre champ d'âge, puis cliquez sur =, puis double-cliquez sur la première valeur d'âge. La fenêtre de requête de sélection aura une équation qui ressemble à ceci dans l'image. Et cliquez Appliquer.

Maintenant, vous avez sélectionné tous les comptes pour 35 ans et plus dans l'exemple. Cliquez avec le bouton droit sur la couche de données, sous Données rubrique, cliquez sur Exporter&hellip. Assurez-vous d'avoir marqué le nom du fichier de sortie avec la tranche d'âge que vous avez sélectionnée.

Répétez cette étape pour chaque groupe d'âge. Vous aurez maintenant plusieurs fichiers de données, chaque fichier de données représente un dénombrement pour chaque unité de recensement pour chaque groupe d'âge. Vous disposez maintenant de plusieurs fichiers de données et chacun correspond à un groupe d'âge.

  1. Si vos données proviennent de plusieurs fichiers, répétez l'étape 2 pour joindre chaque fichier au fichier de formes de répartition de la population. Vos données sont désormais au format large.
  2. Pour chaque champ que vous avez créé à l'étape 1, faites un clic droit dessus et sélectionnez Calculateur de champ. Calculez les comptes en multipliant le taux par la catégorie d'âge correspondante. Notez que vous devrez peut-être additionner une catégorie d'âge si votre groupe d'âge de taux n'est pas mutuellement exclusif. L'équation que vous mettrez pour les données d'échantillon sera [NC_HD_death_cnty_1315_35p.csv.Value] * ([NC_cnty_2010_join_pop.age35_65] + [NC_cnty_2010_join_pop.age65p]) et [NC_HD_death_cnty_1315_65p.csv.Value] * [NC_cnty_2010_join_pop.age65p].

B) Simuler les données de comptage

Simuler les données sur le nombre de décès est relativement simple. Un format de données différent entraînera un processus de simulation légèrement différent. Si vous avez des données au format long (chaque unité géographique apparaît plusieurs fois dans le même tableau avec un groupe d'âge différent), veuillez passer à la section (i). Si vos données de comptage ont été fournies dans plusieurs fichiers de données, veuillez passer à la section (ii). Si vous disposez de données grand format (comptes pour différents groupes d'âge dans différents domaines), veuillez passer à la section (iii).


Je ne connais pas ArcMap, je ne peux donc pas vous aider directement, mais vous pouvez simplement changer votre fonction en générateur en tant que tel :

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

Si cela vous convient, paramétrez le générateur pour accepter les valeurs Munic et Point et utilisez-les dans votre chaîne de formatage. Vous devriez probablement également paramétrer la valeur de fin.

L'utilisation d'un générateur vous permettra de le déposer dans toute expression ultérieure qui accepte un itérable, vous pouvez donc en créer une liste simplement en disant list(StormDrainIDGenerator()).

Votre question est-elle sur la façon d'obtenir les valeurs Munic et Point dans l'ID de chaîne ? en utilisant .format()?


Exemple : calcul de la corrélation NumPy

NumPy possède de nombreuses routines statistiques, y compris np.corrcoef() , qui renvoient une matrice de coefficients de corrélation de Pearson. Vous pouvez commencer par importer NumPy et définir deux tableaux NumPy. Ce sont des instances de la classe ndarray . Appelez-les x et y :

Ici, vous utilisez np.arange() pour créer un tableau x d'entiers compris entre 10 (inclus) et 20 (exclusif). Ensuite, vous utilisez np.array() pour créer un deuxième tableau y contenant des entiers arbitraires.

Une fois que vous avez deux tableaux de même longueur, vous pouvez appeler np.corrcoef() avec les deux tableaux comme arguments :

corrcoef() renvoie la matrice de corrélation, qui est un tableau à deux dimensions avec les coefficients de corrélation. Voici une version simplifiée de la matrice de corrélation que vous venez de créer :

Les valeurs sur la diagonale principale de la matrice de corrélation (en haut à gauche et en bas à droite) sont égales à 1. La valeur en haut à gauche correspond au coefficient de corrélation pour x et x , tandis que la valeur en bas à droite est le coefficient de corrélation pour y et y . Ils sont toujours égaux à 1.

Cependant, ce dont vous avez généralement besoin, ce sont les valeurs inférieure gauche et supérieure droite de la matrice de corrélation. Ces valeurs sont égales et représentent toutes les deux le Coefficient de corrélation de Pearson pour x et y. Dans ce cas, il est d'environ 0,76.

Cette figure montre les points de données et les coefficients de corrélation pour l'exemple ci-dessus :

Les carrés rouges sont les points de données. Comme vous pouvez le voir, la figure montre également les valeurs des trois coefficients de corrélation.


Calculs de fuseau horaire (et d'heure d'été) (vers un champ de texte)

Dans le ci-dessous code de formule, nous devons modifier les valeurs -4 ou -5 chaque fois que nous entrons ou que nous quittons l'heure d'été en raison du fait que SF, lors de l'extraction de la version texte de l'heure, le fait en GMT (ou est-ce du zoulou ?). Des indices sur la façon dont je pourrais faire en sorte que cela le gère automatiquement ?? Idéalement, nous modifierions la référence à TEXTE( Event_Date_Time__c ) pour couvrir en quelque sorte automatiquement la conversion de temps.

La raison de ce code pas si convivial est que nous le collons dans un champ de texte et le faisons sur 24 heures, afin qu'il soit trié correctement dans les rapports, nous devons donc mettre un zéro non significatif sur les <10 heures.

--- Ajouté le 02/04/2014 ---

Mon sentiment à ce sujet est que jusqu'à ce que SF corrige ou ajoute des fonctionnalités à cela afin que les appels TEXT () au champ DateTime ne reviennent PAS au zoulou (OU, ils se traduisent dans le fuseau horaire local), c'est que je peux demander à un développeur d'écrire un appel Apex programmé, qui sortirait tous les jours à 1h du matin "quelque part" et découvrirait quelle est notre valeur "d'ajustement" (pour l'heure de l'Est, c'est -5 ou -4 comme on le voit dans mon exemple de code).

Ensuite, tant que cette valeur est dans une "variable" qui peut être lue GLOBALEMENT au sein de l'organisation (pas seulement un objet, dans ce cas Tâche/Activité), alors nous sommes résolus. Les références "-4" dans mon code deviennent (à défaut d'exemple réel) "%DSTadjustment%".

PROBLÈME AVEC CELA: Les enregistrements en dehors du "mode DST actuel" seraient décalés d'une heure. PLUS, idéalement, serait quelque chose qui évalue la date utilisée et, sur la base de CETTE DATE, renvoie le bon -4 ou -5. (soupir)

--- Ajouté le 2015-05-06 ---

Un de mes nouveaux collègues, Asha, a été assez intelligent pour sortir et trouver une formule Excel qui fait exactement ce qui est nécessaire, puis l'a traduite en SF Formula-speak. Je le publierai bientôt, car j'ai besoin de l'incorporer de plusieurs manières (à la fois des mises à jour de formules et de champs), et je veux voir si je peux le casser du tout. Tout indique qu'il fonctionne à merveille et qu'il est complètement dynamique quelle que soit la date et l'heure auxquelles il est alimenté. Waouh !


1 réponse 1

Dans GF(2 8 ), 7 &fois 11 = 49. L'astuce du logarithme discret fonctionne très bien.

Votre erreur est de supposer que la multiplication du champ de Galois fonctionne de la même manière que la multiplication normale des nombres entiers. Dans les champs d'ordre premier, cela est plus ou moins le cas, sauf que vous devez réduire le résultat modulo l'ordre du champ, mais dans les champs d'ordre non premier les règles de multiplication sont différentes.

Faisons 7 &fois 11, par exemple. Notant que 7 = 1112 et 11 = 10112, on peut calculer 7 &fois 11 en binaire comme :

Jusqu'à présent, tout fonctionne de la même manière que dans la multiplication d'entiers ordinaires. Mais alors que dans les nombres entiers que nous propagerions en faisant l'addition, nous finirions par

en RDC(2 m ) l'addition se fait au niveau du bit sans pour autant porte (c'est-à-dire GF(2 m ) l'addition est la même que XOR au niveau du bit), et nous obtenons ainsi

(Bien sûr, si le résultat dépassait l'ordre du groupe, il faudrait aussi le réduire modulo le polynôme de réduction, mais dans ce cas cela n'arrive pas pour m &ge 7.)


7 réponses 7

Pour une première esquisse du champ de direction, vous pouvez utiliser StreamPlot :

Pas besoin de résoudre l'équation différentielle pour générer un champ de direction. Selon le lemme Wikipedia sur les champs de pente, vous pouvez tracer le vecteur <1, ​​(y + Exp[x])/(x + Exp[y])> :

ou peut-être pourriez-vous utiliser un tracé de flux :

Si vous souhaitez explorer les solutions d'une équation, je suggérerais le package EquationTrekker. Jetez un œil à la documentation.

Voici quelque chose que vous pouvez faire rapidement et qui donne une bonne compréhension du comportement pour des conditions initiales positives et négatives :

Dans les manuels de calcul de premier cycle contemporains les plus populaires, y compris ceux de Larson et Edwards, Stewart, Rogawski et Adams, et d'autres, un champ de pente (aussi appelé un champ de direction) est un tracé de segments de ligne courts à des points de grille ayant tous la même longueur et sans pointe de flèche indiquant la direction. Un champ de pente indique uniquement la pente de la courbe de solution à chaque point de grille par la pente du segment de ligne uniquement. Seule la réponse de Wesley Wolfe aborde cette méthode de tracé des champs de pente au moment de la rédaction de cet article. J'ajuste quelques options à VectorPlot[] dans sa réponse ci-dessous.

Nous supposons que le D.E. peut s'écrire sous la forme $y'=F(x,y)$, où $F(x, y)$ n'est fonction que de deux variables $x$ et $y$. Ensuite, nous pouvons tracer le champ de pente dans Mathématique comme suit:

Certains manuels préfèrent mettre des flèches sur les segments de ligne. Pour émuler cet effet, changez VectorStyle de "Segment" à "Arrow" . Cependant, ce style est trompeur et doit être évité, car les flèches sont généralement ne pas pointer dans la direction des courbes de solution au fur et à mesure qu'elles sont tracées. Pour prendre un exemple de ma bibliothèque, Boyce et DiPrima's Équations différentielles et problèmes de valeurs aux limites, 7e édition., p. 40-41 : On considère $y'=frac<1-y^2>$ qui a pour solution générale $-x^3+3y-y^3=c$. Ils donnent le champ de pente—avec des pointes de flèches—dans la figure 2.2.1, mais vous pouvez le tracer avec Mathématique comme je l'ai avec quelques courbes de solution ci-dessous:

À un moment donné, quelqu'un a dû s'opposer à cette abomination, car les pointes de flèches ont disparu de tous les champs de pente dans la 9e édition !


Calculatrice très basique utilisant des méthodes

J'ai fait une calculatrice de base en utilisant des méthodes. C'est ma première tentative d'utilisation de méthodes et j'aimerais voir si je peux améliorer cela car il y a beaucoup de code répété.

Cela signifie qu'il s'agit d'un candidat de choix pour l'encapsulation dans sa propre méthode. Quelque chose comme ça:

Maintenant, nous pouvons simplement appeler cette méthode chaque fois que nous avons besoin d'obtenir des nombres de l'utilisateur. Beaucoup plus facile, et nous avons réduit la complexité de notre code.

Une autre chose redondante est votre re-déclaration constante de kb = new Scanner(System.in) . Vous n'avez vraiment besoin de le faire qu'une seule fois. Si c'était moi, je l'aurais comme champ statique pour toute la classe, par exemple,

C'est la règle de base pour savoir comment constantes sont définis en Java. J'ai nommé la variable STDIN car il s'agit d'une convention pour faire référence au flux "d'entrée standard", mais SCANNER ou quelque chose serait tout aussi bien.

Quelques autres petites choses

Vous devriez envisager d'utiliser une instruction switch sur votre variable de choix :

. ou vous pouvez tout écrire en ligne, si cela vous semble mieux, puisque chaque bloc ne fait qu'une seule chose :

Ce serait également un cas d'utilisation parfait pour les énumérations, mais cela devient un peu trop compliqué pour un projet de départ.

Petite note finale : Je pense que tu as un bug. La ligne sur laquelle vous affichez les résultats indique toujours "somme", même lorsque vous effectuez une division, une multiplication ou une soustraction. :)


RÉDUCTION DE LA GRAVITÉ NORMALISÉE

Les équations décrites dans cette section sont utilisées dans le tableur de gravité et sont conformes aux nouvelles normes de gravité définies par l'USGS (Hildenbrand et al. , 2003).

Gravité théorique ellipsoïde

Effet atmosphérique

Correction de la hauteur par rapport à la gravité théorique

Calotte Bouguer


Aghdam IN, Varzandeh MHM, Pradhan B (2016) Cartographie de la susceptibilité aux glissements de terrain à l'aide d'un indice statistique d'ensemble (Wi) et d'un modèle de système d'inférence neuro-floue adaptatif (ANFIS) dans les montagnes d'Alborz (Iran). 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 , Şenel M, Tarhan N, Turhan N, Türkecan A, Ulu Ü, Uğuz MF, Yurtsever A (1991) Turquie carte géologique direction générale des publications de recherche et d'exploration minérales. Ankara Turquie (En Turquie)

Akgün A, Sezer EA, Nefeslioğlu HA, Pradhan B (2012) Un programme MATLAB facile à utiliser (MamLand) pour l'évaluation de la susceptibilité aux glissements de terrain à l'aide de l'algorithme flou de Mamdani. 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) Évaluation de la susceptibilité aux glissements de terrain à l'aide d'un modèle intégré FR-RF basé sur des statistiques et de l'intelligence artificielle et de MNE multirésolutions. Télédétection 11:999. https://doi.org/10.3390/rs11090999

Arca D, Kutoğlu HŞ, Becek K (2018) Cartographie de la susceptibilité aux glissements de terrain dans une zone d'exploitation minière souterraine à l'aide de la méthode d'analyse décisionnelle multicritère. Environ Monit Évaluer 190:725. https://doi.org/10.1007/s10661-018-7085-5

Baeza C, Corominas J (2001) Évaluation de la susceptibilité aux glissements de terrain peu profonds au moyen de techniques statistiques multivariées. 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) Cartographie de la susceptibilité aux glissements de terrain dans la municipalité d'Oudka, au nord du Maroc : une comparaison entre les modèles de régression logistique et de réseaux de neurones artificiels Int Arch Photogramm Remote Sens Spat Inf Sci 4:41–49. https://doi.org/10.5194/isprs-archives-XLII-4-W12-41-2019

Bernard V, Liengme (2002) Un guide de Microsoft Excel 2002 pour les scientifiques et les ingénieurs, 3e éd. Éditions Butterworth-Heinemann, Oxford

Boehner J, Selige T (2006) Prédiction spatiale des attributs du sol à l'aide de l'analyse du terrain et de la régionalisation du climat. Dans : Boehner J, McCloy KR, Strobl J (eds) SAGA – Applications d'analyse et de modélisation, vol 115. Geographische Abhandlungen, Goettinger, pp 13-27

Bonham-Carter GF (1994) Systèmes d'information géographique pour les géo-scientifiques. Modèle SIG Pergame 13:398

Bragagnolo L, da Silva RV, Grzybowski JMV (2019) Cartographie de la susceptibilité aux glissements de terrain avec r.landslide : un outil gratuit et open source intégré au SIG basé sur des réseaux de neurones artificiels. Environ Model Softw 123:104565. https://doi.org/10.1016/j.envsoft.2019.104565

Breiman L (2001) Forêts aléatoires. Mach Apprendre 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). Catena 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) Modélisation de la sensibilité aux glissements de terrain basée sur le SIG et une nouvelle régression logistique du noyau basée sur l'ensachage. 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) Prédiction spatiale de la susceptibilité aux glissements de terrain en combinant la fonction de croyance probante, la régression logistique et le modèle logistique arbre. Geocarto Int 34(11):1177-1201. https://doi.org/10.1080/10106049.2019.1588393

Conrad O, Bechtel B, Bock M, Dietrich H, Fischer E, Gerlitz L, Wehberg J, Wichmann V, Böhner J (2015) Système d'analyses géoscientifiques automatisées (SAGA) v. 2.1.4. Geosci Model Dev 8:1991-2007. https://doi.org/10.5194/gmd-8-1991-2015

Cui K, Lu D, Li W (2016) Comparaison de la cartographie de la susceptibilité aux glissements de terrain basée sur l'indice statistique, les facteurs de certitude, les poids de la preuve et les modèles de fonction de croyance probante. Geocarto Int 32(9) : 935-955. https://doi.org/10.1080/10106049.2016.1195886

Dagdelenler G, Nefeslioglu HA, Gökçeoğlu C (2016) Modification de la stratégie d'échantillonnage des cellules de graines pour la cartographie de la sensibilité aux glissements de terrain : une application de la partie orientale de la péninsule de Gallipoli (Canakkale, Turquie). Bull Eng Geol Environ 75 : 575–590. https://doi.org/10.1007/s10064-015-0759-0

Das HO, Sonmez H, Gökçeoğlu C, Nefeslioğlu HA (2013) Influence de l'accélération sismique sur les cartes de sensibilité aux glissements de terrain : une étude de cas du nord-est de la Turquie (la vallée de Kelkit). Glissements de terrain 10:433-454. https://doi.org/10.1007/s10346-012-0342-8

Defazio A, Bach F, Lacoste-Julien S (2014) SAGA : une méthode de gradient incrémental rapide avec prise en charge des objectifs composites non fortement convexes. arXiv:1407.0202v3

Devkota KC, Regmi AD, Pourghasemi HR, Yoshida K, Pradhan B, Ryu IC, Dhital MR, Althuwaynee OF (2013) Cartographie de la susceptibilité aux glissements de terrain utilisant le facteur de certitude, l'indice d'entropie et les modèles de régression logistique dans les SIG et leur comparaison sur la route Mugling-Narayanghat section au Népal Himalaya. Nat Hazards 65 : 135-165. https://doi.org/10.1007/s11069-012-0347-6

Dikshit A, Pradhan B, Alamri AM (2020) Voies et défis de l'application de l'intelligence artificielle à la modélisation des géorisques. Recherche Gondwana. Sous presse, épreuve corrigée, disponible en ligne le 17 septembre 2020. https://doi.org/10.1016/j.gr.2020.08.007

Dobesova Z (2011) Langage de programmation Python pour le traitement de données. Dans : La conférence internationale sur l'ingénierie électrique et de contrôle (ICECE), IEEE 2011

Dou J, Yamagishi H, Pourghasemi HR, Yunus AP, Song X, Xu Y, Zhu Z (2015) Un modèle de réseau de neurones artificiels intégré pour l'évaluation de la sensibilité aux glissements de terrain de l'île d'Osado, au Japon. Nat Hazards 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) Île volcanique d'Izu-Oshima, Japon. Sci Total Environ 662:332-346. https://doi.org/10.1016/j.scitotenv.2019.01.221

Eibe F, Hall MA, Witten IH (2016) L'établi WEKA. Annexe en ligne pour « Exploration de données : outils et techniques pratiques d'apprentissage automatique », Morgan Kaufmann, quatrième édition

Eker R, Aydın A (2014) Ormanların heyelan oluşumu üzerindeki etkileri (Les effets des forêts sur les glissements de terrain). Journal turc de foresterie. 15:84-93. https://doi.org/10.18182/tjf.31067. (En Turquie)

Ermini L, Catani F, Casagli N (2005) Réseaux de neurones artificiels appliqués à l'évaluation de la susceptibilité aux glissements de terrain. Géomorphologie 66(1–4) :327–343. https://doi.org/10.1016/j.geomorph.2004.09.025

ESRI (2011) ArcGIS Desktop : version 10. Environmental Systems Research Institute, Redlands

Fan RE, Chang KW, Hsieh CJ, Wang XR, Lin CJ (2008) LIBLINEAR: a library for large linear classification. J Mach Learn Res 9(2008):1871-1874

Gökçe O, Özden Ş, Demir A (2008) Türkiye'de afetlerin mekansal ve isstatistiksel dağılımı afet bilgileri envanteri. Afet İşleri Genel Müdürlüğü Afet Etüt ve Hasar Tespit Daire Başkanlığı, Ankara (En Turquie)

Gökçeoğlu C, Sonmez H, Nefeslioglu HA, Duman TY, Can T (2005) Le glissement de terrain de Kuzulu du 17 mars 2005 (Sivas, Turquie) et la carte de sensibilité aux glissements de terrain de son voisinage proche. Eng Geol 81(1):65-83. https://doi.org/10.1016/j.enggeo.2005.07.011

Gruber S, Peckham S (2009) Paramètres et objets de la surface terrestre en hydrologie. In : Hengl T, Reuter HI (eds) Géomorphométrie : concepts, logiciels, applications. Elsevier, Amsterdam, pp 171-194. https://doi.org/10.1016/S0166-2481(08)00007-X

Guzzetti F, Reichenbach P, Ardizzone F, Cardinali M, Galli M (2005) Évaluation probabiliste de l'aléa de glissement de terrain à l'échelle du bassin. Géomorphologie 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) Cartes d'inventaire des glissements de terrain : de nouveaux outils pour un problème ancien. Earth Sci Rev 112(1-2):42-66. https://doi.org/10.1016/j.earscirev.2012.02.001

Hasekioğulları GD, Ercanoğlu M (2012) Une nouvelle approche pour utiliser l'AHP dans la cartographie de la sensibilité aux glissements de terrain : une étude de cas à Yenice (Karabuk, NW de la Turquie). Nat Hazards 63:1157-1179. https://doi.org/10.1007/s11069-012-0218-1

Hong HY, Pradhan B, Xu C, Tien Bui D (2015) Prédiction spatiale du risque de glissement de terrain dans la région de Yihuang (Chine) à l'aide d'une régression logistique à noyau à deux classes, d'un arbre de décision alterné et de machines à vecteurs de support. Catena 133:266-281. https://doi.org/10.1016/j.catena.2015.05.019

Hong H, Naghibi SA, Pourghasemi HR, Pradhan B (2016) Modélisation spatiale des glissements de terrain basée sur SIG dans la ville de Ganzhou, Chine. Arabe J Geosci 9(2):112. https://doi.org/10.1007/s12517-015-2094-y

Jebur MN, Pradhan B, Shafri HZM, Yusoff ZM, Tehrany MS (2015) Un outil ArcMAP intégré et convivial pour la modélisation statistique bivariée dans les applications géoscientifiques. Modèle Geosci Dev 8:881–891. https://doi.org/10.5194/gmd-8-881-2015

Jimenez-Peralvarez JD, Irigaray C, El Hamdouni R, Chacon J (2009) Construction de modèles pour l'analyse automatique de la sensibilité aux glissements de terrain, la cartographie et la validation dans ArcGIS. Nat Hazards 50(3):571-590. https://doi.org/10.1007/s11069-008-9305-8

Jones D, Brunsden D, Goudie A (1983) Une évaluation géomorphologique préliminaire d'une partie de la route du Karakoram. Q J Eng Geol Hydrogeol 16:331-355. https://doi.org/10.1144/GSL.QJEG.1983.016.04.10

Kim J, Lee S, Jung H, Lee S (2018) Cartographie de la susceptibilité aux glissements de terrain à l'aide de modèles de forêts aléatoires et d'arbres amplifiés à Pyeong-Chang, en Corée. Geocarto Int 33(9) : 1000-1015. https://doi.org/10.1080/10106049.2017.1323964

Köse DD, Turk T (2019) Analyse de sensibilité aux glissements de terrain entièrement automatique basée sur SIG par des méthodes de poids de la preuve et de rapport de fréquence. Phys Geogr 40(5):481-501. https://doi.org/10.1080/02723646.2018.1559583

Lee S, Talib JA (2005) Susceptibilité probabiliste aux glissements de terrain et analyse des effets factoriels. Environ Geol 47:982-990. https://doi.org/10.1007/s00254-005-1228-z

Lee S, Ryu J, Kim S (2007) Analyse de sensibilité aux glissements de terrain et sa vérification à l'aide de modèles de rapport de vraisemblance, de régression logistique et de réseaux de neurones artificiels : étude de cas de Young en Corée. Glissements de terrain 4(4):327-338. https://doi.org/10.1007/s10346-007-0088-x

Lippmann RP (1987) Une introduction à l'informatique avec des réseaux de neurones. IEEE ASSP Mag 4(2) :4–22. https://doi.org/10.1109/MASSP.1987.1165576

Luo Y, Su B, Yuan J, Li H, Zhang Q (2011) Techniques SIG pour la délimitation des bassins versants du modèle SWAT dans les polders de la plaine. 2011 3e Conférence internationale sur les sciences de l'environnement et les technologies d'application de l'information (ESIAT 2011) : 2050-2057. https://doi.org/10.1016/j.proenv.2011.09.321

Maggioni M, Gruber U (2003) L'influence des paramètres topographiques sur la dimension et la fréquence du déclenchement des avalanches. Cold Reg Sci Technol 37:407-419. https://doi.org/10.1016/S0165-232X(03)00080-6

Moore ID, Grayson RB, Ladson AR (1991) Modélisation numérique du terrain - un examen des applications hydrologiques géomorphologiques et biologiques. Processus Hydrol 5:3-30. https://doi.org/10.1002/hyp.3360050103

Narayanan S, Sivakumar R (2018) Développement d'un outil personnalisé basé sur ArcPy dans le SIG pour le système d'information sismique. Int J Mathématiques Appliquées Pures 118(22):377-382

Nefeslioglu HA, Duman TY, Durmaz S (2008) Cartographie de la susceptibilité aux glissements de terrain pour une partie de la vallée tectonique de Kelkit (région orientale de la mer Noire en Turquie). Géomorphologie 94 (3–4) : 401–418. https://doi.org/10.1016/j.geomorph.2006.10.036

Nefeslioglu HA, Sezer E, Gökçeoğlu C, Bozkir AS, Duman TY (2010) Évaluation de la susceptibilité aux glissements de terrain par des arbres de décision dans la zone métropolitaine d'Istanbul, Turquie. 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) Cartographie de la susceptibilité aux glissements de terrain à l'aide de différents modèles bivariés SIG. Eau 11(7) : 1402. https://doi.org/10.3390/w11071402

Nourani V, Pradhan B, Ghaffari H, Sharifi SS (2014) Cartographie de la susceptibilité aux glissements de terrain dans la plaine de Zonouz, en Iran, à l'aide de la programmation génétique et de la comparaison avec le rapport de fréquence, la régression logistique et les modèles de réseaux de neurones artificiels. Nat Hazards 71:523-547. https://doi.org/10.1007/s11069-013-0932-3

Osna T, Sezer EA, Akgun A (2014) GeoFIS : un outil intégré pour l'évaluation de la susceptibilité aux glissements de terrain. Calculez 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


Voir la vidéo: Jukka Kuoppamäki - Kultaa tai kunniaa 1973