Luận án Một số kỹ thuật phân loại dữ liệu và ứng dụng trong thành lập bản đồ nguy cơ cháy rừng, sạt lở đất

Tên luận án:

MỘT SỐ KỸ THUẬT PHÂN LOẠI DỮ LIỆU VÀ ỨNG DỤNG TRONG THÀNH LẬP BẢN ĐỒ NGUY CƠ CHÁY RỪNG, SẠT LỞ ĐẤT

Ngành:

HỆ THỐNG THÔNG TIN

Tóm tắt nội dung tài liệu:

Luận án tập trung nghiên cứu và ứng dụng các kỹ thuật phân loại dữ liệu tiên tiến để thành lập bản đồ nguy cơ cháy rừng và sạt lở đất tại Việt Nam, nhằm đối phó với những thách thức do thiên tai và biến đổi khí hậu gây ra. Công trình được hoàn thành tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam.

Mục tiêu chính của nghiên cứu là xây dựng các mô hình học máy hiệu quả để dự đoán và thành lập bản đồ phân vùng nguy cơ thiên tai. Để đạt được mục tiêu này, luận án đã tiến hành thu thập, tiền xử lý dữ liệu từ nhiều nguồn khác nhau cho hai khu vực nghiên cứu cụ thể: dữ liệu cháy rừng tại tỉnh Gia Lai và dữ liệu sạt lở đất tại huyện Than Uyên, tỉnh Lai Châu. Các lý thuyết cơ bản về học máy, các phương pháp phân loại dữ liệu và các vấn đề liên quan đến xây dựng bản đồ phân vùng nguy cơ đã được tìm hiểu kỹ lưỡng.

Luận án đề xuất và chứng minh hiệu quả của hai mô hình chính: mô hình Deep-NC được áp dụng cho dự báo nguy cơ cháy rừng tại Gia Lai và mô hình BBO-DE-StreeEns cho bản đồ khả năng sạt lở đất tại Than Uyên, Lai Châu. Mô hình Deep-NC, sử dụng thuật toán tối ưu Adam, đã cho thấy hiệu suất vượt trội so với các mô hình tham chiếu như RVMs, SVMs và Random Forest. Đối với sạt lở đất, mô hình BBO-DE-StreeEns, kết hợp Cây SPAARC và tối ưu hóa hybrid BBO-DE, cũng thể hiện hiệu suất vượt trội, đồng thời xác định độ dốc và khoảng cách đến đường là những yếu tố ảnh hưởng quan trọng nhất. Cả hai mô hình đều chứng minh được khả năng phân lớp nguy cơ hiệu quả, với BBO-DE-StreeEns còn nổi bật về tốc độ đào tạo và độ chính xác cao.

Các đóng góp chính của luận án bao gồm việc đề xuất một số kỹ thuật tổng hợp, xử lý, phân loại dữ liệu phục vụ phân vùng nguy cơ cháy rừng và sạt lở đất, cùng với việc sử dụng các kết quả phân loại này để thành lập các bản đồ phân vùng nguy cơ tại các địa điểm nghiên cứu. Hướng nghiên cứu trong tương lai đề xuất tối ưu hóa cấu trúc mô hình, bổ sung dữ liệu, kiểm định khả năng áp dụng rộng rãi của các mô hình trên các khu vực và kịch bản khác nhau, cũng như tích hợp các phương pháp học kết hợp hoặc học đa nhiệm.

Mục lục chi tiết:

• GIỚI THIỆU

  • 1. Tính cấp thiết của đề tài nghiên cứu
  • 2. Mục tiêu nghiên cứu
  • 3. Nội dung nghiên cứu
  • 4. Đóng góp của luận án
  • 5. Cấu trúc luận án

• CHƯƠNG 1 TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU

  • 1.1 Lý thuyết cơ bản
    • 1.1.1 Học sâu
    • 1.1.2 Học kết hợp
  • 1.2 Một số mô hình học máy
    • 1.2.1 Máy vector hỗ trợ (SVM)
    • 1.2.2 Máy vector liên quan (RVM)
    • 1.2.3 Rừng ngẫu nhiên (RF)
    • 1.2.4 Hồi quy logistic (LR)
    • 1.2.5 Mạng nơ-ron perceptron đa lớp (MLP)
    • 1.2.6 Bộ phân loại giảm điểm và thuộc tính chia (SPAARC)
  • 1.3 Các thuật toán tối ưu
    • 1.3.1 Stochastic Gradient Descent (SGD)
    • 1.3.2 RMSProp
    • 1.3.3 Thuật toán Ước lượng moment thích ứng (Adam)
    • 1.3.4 Thuật toán tối ưu Adadelta
    • 1.3.5 Tối ưu hóa dựa trên Địa sinh học (BBO)
    • 1.3.6 Tiến hóa vi phân
  • 1.4 Cấu trúc nghiên cứu
    • 1.4.1 Quy trình của nghiên cứu
    • 1.4.2 Công tác chuẩn bị dữ liệu
      • 1.4.2.1 Thu thập dữ liệu đối với bộ dữ liệu cháy rừng của tỉnh Gia Lai
      • 1.4.2.2 Thu thập dữ liệu sạt lở đất của huyện Than Uyên
      • 1.4.2.3 Tiền xử lý dữ liệu
  • 1.5 Đánh giá mô hình
    • 1.5.1 Các phương pháp đánh giá
    • 1.5.2 Các chỉ số đánh giá

• CHƯƠNG 2 MÔ HÌNH XÂY DỰNG BẢN ĐỒ PHÂN VÙNG NGUY CƠ CHÁY RỪNG Ở TỈNH GIA LAI SỬ DỤNG DEEP-NC

  • 2.1 Bộ dữ liệu cháy rừng của tỉnh Gia Lai
    • 2.1.1 Mô tả khu vực nghiên cứu
    • 2.1.2 Dữ liệu cháy rừng
    • 2.1.3 Các yếu tố ảnh hưởng
    • 2.1.4 Xây dựng Geodatabase về cháy rừng tại tỉnh Gia Lai
  • 2.2 Mô hình Deep-NC
    • 2.2.1 Lựa chọn mô hình
    • 2.2.2 Đánh giá tầm quan trọng của các yếu tố
    • 2.2.3 Hàm mục tiêu huấn luyện mô hình Deep-NC
    • 2.2.4 Kiến trúc mô hình Deep-NC
  • 2.3 Đánh giá mô hình
  • 2.4 Đánh giá mô hình Deep-NC với các thuật toán tối ưu hoá khác nhau
  • 2.5 Thành lập bản đồ phân vùng nguy cơ cháy rừng

• CHƯƠNG 3 MÔ HÌNH THÀNH LẬP BẢN ĐỒ PHÂN VÙNG NGUY CƠ SẠT LỞ ĐẤT SỬ DỤNG CÂY TỔNG HỢP BBO-DE SPAARCTREE ENSEMBLE

  • 3.1 Tập dữ liệu sạt lở đất của huyện Than Uyên, tỉnh Lai Châu
    • 3.1.1 Mô tả khu vực nghiên cứu
    • 3.1.2 Dữ liệu trượt lở lịch sử
    • 3.1.3 Các yếu tố ảnh hưởng
    • 3.1.4 Xây dựng Geodatabase cho sạt lở đất tại huyện Than Uyên
  • 3.2 Mô hình lai BBO-DE-StreeEns tối ưu hóa BBO-DE
    • 3.2.1 Đề xuất mô hình
    • 3.2.2 Quy trình thành lập bản đồ nhạy cảm nguy cơ sạt lở đất bằng mô hình BBO-DE-StreeEns
    • 3.2.3 Tác động của các yếu tố ảnh hưởng đến sạt lở đất
    • 3.2.4 Hàm chi phí và các siêu tham số
    • 3.2.5 Kết quả đánh giá
  • 3.3.6 Tạo bản đồ phân vùng nguy cơ sạt lở đất cho huyện Than Uyên

• KẾT LUẬN

• HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI