2026-08-17已发表
基于 SBAS-InSAR 和多模型机器学习的地面塌陷易发性评价地面塌陷以阳泉市郊区采煤塌陷区为研究区,用 24 景 Sentinel-1A 影像反演时序形变,与 12 个评价因子一起训练基础/增强两组共 8 个机器学习模型,定量证明 InSAR 形变信息对塌陷易发性识别的增益作用。
SBAS-InSAR机器学习XGBoostSHAP易发性评价
READDETAIL→
真正参与的科研工作——与学习笔记区分开。每项研究记录背景、数据、方法、实验与成果。
共 3 项 · 生态安全格局 / InSAR / 机器学习
以阳泉市郊区采煤塌陷区为研究区,用 24 景 Sentinel-1A 影像反演时序形变,与 12 个评价因子一起训练基础/增强两组共 8 个机器学习模型,定量证明 InSAR 形变信息对塌陷易发性识别的增益作用。
以阳泉市郊区采煤塌陷区为研究区,用 24 景 Sentinel-1A 影像反演时序形变,与 12 个评价因子一起训练基础/增强两组共 8 个机器学习模型,定量证明 InSAR 形变信息对塌陷易发性识别的增益作用。
以阳泉市为研究区,用 MSPA + 景观连通性识别 32 个生态源地,AHP 阻力面 + 电路理论提取 82 条廊道,再把网络抽象为加权图模拟三种攻击下的韧性衰减,设计低度/低介数两种定向增边策略并定量验证优化效果。