利用深度学习模型进行城市内涝影响分析

城市内涝是当前典型的一类城市自然灾害，影响着居民的生活质量。以城市内涝点作为研究对象，综合考虑内涝对城市居民工作和生活等方面造成的影响，筛选出与影响程度相关的21类空间数据。同时，基于深度学习原理构建栈式自编码神经网络模型，结合层次分析法获取的内涝点影响程度标签，剖析21类空间数据与内涝点对居民工作生活影响程度的关系，实现城市内涝对居民工作和生活影响的定量分析。实验表明，栈式自编码神经网络模型能准确地描述内涝点周围的系列空间数据与内涝影响程度之间的关系，可有效预测潜在内涝点对居民工作和生活的影响程度大小，可用于城市防洪排涝方案的制定和排水管网的优化设计。     

基于Landsat年际序列影像的武汉市不透水面遥感监测

城市化进程的加速发展导致不透水面大规模扩张,逐渐影响了城市生态环境,并制约了城市的可持续发展。基于Landsat年际序列影像数据,利用支持向量机方法进行不透水面提取。选取武汉市作为实验区,以连续10 a的Landsat卫星遥感影像为数据源,监测了武汉市不透水面的变化趋势,并与最大似然法进行比较,验证了支持向量机分类方法的准确性。