基于元学习中间表示的小样本分块滑坡易发性预测
机器学习
2023-08-24 v2 人工智能
摘要
预测滑坡易发性图（LSM）对于风险识别和灾害预防至关重要。尽管数据驱动方法在 LSM 预测中已成功应用，大多数方法通常采用单一全局模型来预测整个目标区域的 LSM。然而，在环境变化显著的大尺度区域中，该区域各部分具有不同的诱发滑坡环境，因此应使用各自模型进行预测。本研究首先将目标场景分割为块以进行独立分析。随后，关键问题在于每个块中样本有限，难以训练并测试模型以获得满意的 LSM 预测，尤其在滑坡勘测昂贵的危险山区。为解决该问题，我们通过元学习范式训练了一个中间表示，其在从 LSM 任务中捕获有益于小样本适应的信息方面具有优势。我们假设存在更通用且关键的有关滑坡成因的概念，并对输入特征的变化敏感。因此，我们可以利用极少样本从中间表示快速对小样本适应模型，以用于不同块甚至未见过任务。在两个研究区的实验结果证明了我们的分块分析在大规模场景中的有效性，并揭示了所提方法顶尖的小样本适应性能。
引用
@article{arxiv.2110.04922,
title = {Meta-learning an Intermediate Representation for Few-shot Block-wise Prediction of Landslide Susceptibility},
author = {Li Chen and Yulin Ding and Saeid Pirasteh and Han Hu and Qing Zhu and Haowei Zeng and Haojia Yu and Qisen Shang and Yongfei Song},
journal= {arXiv preprint arXiv:2110.04922},
year = {2023}
}