栅格单元VS斜坡单元

现在论文都是使用栅格单元来进行深度学习，栅格单元划分简单粗暴，斜坡单元符合地形特征。

为什么使用栅格单元不用斜坡单元的几个原因：
１、空间分辨率统一性：栅格单元具有固定的空间分辨率（如 30m × 30m 或 100m × 100m），这使得在广泛的地理区域内，数据能够统一管理和处理。无论是土地利用、坡度、降水量等数据，它们都可以在相同的栅格坐标系统中对齐，形成一个结构化的数据库，方便后续的分析与建模。
２、标准化输入数据：栅格数据格式标准化且通用，几乎所有的GIS软件和遥感工具都能够直接处理和支持栅格格式，提供高效的空间分析功能。比如 ArcGIS、QGIS、GDAL 等都原生支持栅格数据。
３、简化空间计算：栅格数据结构简化了空间计算的复杂性。例如，进行坡度计算、降水量分布分析、地质灾害易发性分析时，可以直接利用栅格单元的空间数据，进行像素级别的逐一分析。在栅格单元中，每个像素点对应一个特定的空间位置，分析方法可以直接处理每个点的值。
４、高效的空间操作：使用栅格单元可以方便地进行空间叠加、缓冲区分析、空间插值等操作，这些都能够帮助在地质灾害易发性预测模型中更加精确地识别高风险区域。例如，通过栅格数据，可以轻松计算每个区域的坡度、土地利用变化、植被指数等，形成高效的预测输入。
５、与遥感数据的兼容性：许多地质灾害预测因子（如DEM、NDVI、降水量等）都是通过遥感技术获得的，这些数据通常以栅格格式存在。因此，直接使用栅格单元来处理这些数据会更为直接和便捷。

栅格单元	斜坡单元
大范围的地质灾害易发性分析	小范围、高精度的区域分析
深度学习／机器学习	空间分析／物理模型
数据来源多样	聚焦于分析与地质、地形相关的滑坡因子

两种想法：

1、假如使用斜坡单元，每个单元各个维度的数据通过计算斜坡单元包含的栅格单元的数据平均得来。
2、假如使用栅格单元，先预测每个单元的概率，再根据斜坡单元的边界，求这个斜坡单元范围内风险的均值。

历史滑坡点的形式？——点/面

• 点数据：表示的是滑坡事件的发生位置，通常由经纬度坐标表示。如果滑坡事件以点的形式存在，那么您只能得到一个单独的滑坡样本，这个样本对应的栅格单元是滑坡事件发生的地方。通常，点数据只有一个 滑坡样本。

• 面数据：表示的是滑坡事件的影响区域，它是通过多边形或面状边界定义的，覆盖了一个地理区域（如滑坡的滑动范围）。在这种情况下，滑坡事件的影响区域可以覆盖多个栅格单元。因此，面数据的滑坡事件会跨越多个栅格单元，并且每个栅格单元都可以作为一个滑坡样本。

CNN除了做图像分类，还能做别的吗？

现在很多文章上来就开始使用各种模型，或者各种模型的组合，但是没说为啥使用这种模型。

文章《基于 CF⁃CNN⁃LSTM模型的滑坡易发性评价》，看样子是把栅格数据作为输入的，文章是这样说的：

将数据通过输入层输入，利用CNN层进行滑坡重要特征提 取，将提取出的高质量滑坡特征传递给LSTM层，利用LSTM模型进一步对特征进行分析，最后作为CNN⁃LSTM底层结构的全连接层从LSTM接收数据，经过softmax层后得到最终预测结果。

CNN处理一维序列数据，有比其他的模型更好吗？？？CNN除了图像处理也可以处理一维时间序列数据。时间序列——>RNN或LSTM

我们的滑坡编目数据集是一维数据，且是非时间序列的，使用 传统的机器学习算法（如决策树、随机森林、梯度提升树等）或 神经网络（如全连接神经网络），通过特征输入进行滑坡风险预测。

在表格数据上，树模型优于深度学习？

对于像滑坡预测这样的结构化表格数据任务，树模型通常表现很好，尤其是在数据量不大、特征工程较为简单的情况下。对于图像处理、自然语言处理等需要自动特征提取和复杂模式学习的任务，深度学习模型往往能提供更强的性能。

就为了赶上深度学习的风潮，啥都能扯上深度学习是吧，开题开的深度学习，我总不能改成机器学习吧，啥时候能构建出来我需要的数据啊。

别人都是怎样获取滑坡灾害点的？

研究区内结合遥感解译和现 场调查的滑坡共有 976 个。

研究区内共收集到历史滑坡 1590 处，其中包括斜坡变形区，复活历史变形破坏区 和稳定历史变形破坏区[8]。这些滑坡点来自于历史滑坡资料、谷歌地球影像目视解译和 干涉合成孔径雷达（Interferometric Synthetic Aperture Radar，InSAR）技术初步获取，并 经现场调查和铁路部门（中铁二院工程集团有限公司）确认。

历史上的滑坡位置为我们预测未来滑坡的 可能性提供了基本依据，广西壮族自治区地质环境 监测站提供了395个滑坡位置。

本 文通过遥感影像、实地考察、新闻报道、调查报告和中 国地质调查局等途径共编目205处滑坡。

滑坡的识别是通过目视判读完 成的，并在ArcGIS10.6平台上绘制成多边形形式。由 于研究区域内植被覆盖率高，卫星图像成为了描绘山体 滑坡的优选工具。通过这种方法，成功在609 km2的区 域内绘制了552起滑坡事件。