(吾愛(ài))React18+TS 通用后臺(tái)管理系統(tǒng)解決方案落地實(shí)戰(zhàn)
(吾愛(ài))React18+TS 通用后臺(tái)管理系統(tǒng)解決方案落地實(shí)戰(zhàn)
download：https://www.51xuebc.com/thread-599-1-1.html
山體滑坡的發(fā)作遭到多種要素的綜合影響，如地形、坡度、土壤、巖石等物質(zhì)特征，以及氣候、降雨、水文等環(huán)境條件。因而，相關(guān)預(yù)測(cè)不斷以來(lái)都十分艱難。通常狀況下，地質(zhì)學(xué)家運(yùn)用物理和統(tǒng)計(jì)模型來(lái)估量滑坡發(fā)作的風(fēng)險(xiǎn)。固然這些模型能夠提供相當(dāng)精確的預(yù)測(cè)，但鍛煉物理模型需求大量的時(shí)間和資源，并不合適大范圍應(yīng)用。
近年來(lái)，研討人員不斷在鍛煉機(jī)器學(xué)習(xí)模型用于預(yù)測(cè)山體滑坡，特別是深度神經(jīng)網(wǎng)絡(luò) (Deep Neural Network, DNN)。DNN 作為一個(gè)高精度預(yù)測(cè)模型，在圖像辨認(rèn)、語(yǔ)音辨認(rèn)、自然言語(yǔ)處置、計(jì)算生物、金融大數(shù)據(jù)等多個(gè)范疇效果顯著，但它輸入層和輸出層之外有多層躲藏構(gòu)造，缺乏可解釋性，這種黑盒問(wèn)題不斷攪擾著研討人員。
近期，加利福尼亞大學(xué)洛杉磯分校 (UCLA) 的研討人員開(kāi)發(fā)了一種可疊加神經(jīng)網(wǎng)絡(luò) (Superposable Neural Network，SNN)。與 DNN 不同，SNN 能夠?qū)⒉煌瑪?shù)據(jù)輸入的結(jié)果分開(kāi)，更好地剖析自然災(zāi)禍中的影響要素。SNN 模型在性能上優(yōu)于物理和統(tǒng)計(jì)模型，并且到達(dá)了與最先進(jìn) DNN 類(lèi)似的性能。目前，該研討成果已發(fā)表在《Communications Earth & Environment》期刊上，標(biāo)題為《Landslide susceptibility modeling by interpretable neural network》。
選取喜馬拉雅山最東部滑坡數(shù)據(jù)
研討人員經(jīng)過(guò)數(shù)據(jù)剖析發(fā)現(xiàn)，2004-2016 年山體滑坡形成人員傷亡的狀況集中發(fā)作在亞洲。喜馬拉雅山最東部地域極易發(fā)作陡坡滑坡、極端降水、洪水等事情。?研討人員經(jīng)過(guò)將手動(dòng)劃定滑坡區(qū)域與半自動(dòng)檢測(cè)算法相分離，生成了喜馬拉雅山最東部的滑坡清單（滑坡事情的記載或數(shù)據(jù)集）。在整個(gè) 4.19?×?109?平方米的研討區(qū)域內(nèi)，測(cè)繪滑坡總數(shù)為 2,289 處，面積范圍為 900 至 1.96?×?106 平方米。
顏色代表海拔，黃色框表示 N-S (Dibang)、NW-SE（range front）和 E-W (Lohit) 方向的研討區(qū)域。
插圖表示喜馬拉雅東部地域，黑框表示研討區(qū)域，深灰色線(xiàn)表示國(guó)度邊境（右上角）。
如上圖所示，研討人員在喜馬拉雅山最東部選擇了 3 個(gè)環(huán)境條件不同的地域（Dibang, Lohit 和 range front）測(cè)試 SNN 模型的性能和應(yīng)用。下文中，Dibang、Lohit 和 range front 地域分別被稱(chēng)為 N-S、E-W 和 NW-SE。
模型開(kāi)發(fā)：6 步鍛煉一個(gè) SNN
本研討中，為了在保證準(zhǔn)確度的同時(shí)，躲避 DNN 缺乏可解釋性問(wèn)題，研討人員分離模型提取 (model extraction) 和基于特征的辦法，生成了一種完整可解釋的 additive ANN 優(yōu)化框架。?Additive ANN 是廣義加性模型 (generalized additive models, GAM) 的一種。模型提取辦法旨在鍛煉一個(gè)可解釋的 student 模型來(lái)模擬 teacher 模型?；谔卣鞯霓k法旨在剖析和量化每個(gè)輸入特征的影響。
研討人員將這種 additive ANN 架構(gòu)稱(chēng)為 Superposable Neural Network (SNN) 優(yōu)化。?不同于 DNN 是經(jīng)過(guò)不同層之間的銜接來(lái)樹(shù)立特征之間的互相依賴(lài)關(guān)系，SNN 是經(jīng)過(guò)原始輸入特征的乘積函數(shù)來(lái)樹(shù)立特征之間的互相依賴(lài)關(guān)系，兩者間的比照如下圖所示：
x1，x2，…，xn 表示一組 n 個(gè)原始特征，χ1，χ2，…，χM 表示一組 M 個(gè)組合特征，Y 和 St 分別指 DNN 和 SNN 中的易發(fā)性結(jié)果。
在傳統(tǒng) DNN 中，特征經(jīng)過(guò)網(wǎng)絡(luò)中的銜接來(lái)表示和學(xué)習(xí)，這種依賴(lài)關(guān)系嚴(yán)密嵌入在網(wǎng)絡(luò)構(gòu)造中，非常復(fù)雜并且難以別離。而在 SNN 中，研討人員事前找到并明白地將有助于輸出的特征獨(dú)立輸入，每個(gè)神經(jīng)元僅與一個(gè)輸入相連。
圖中顯現(xiàn)，研討人員采用了兩個(gè)主要辦法， 特征選擇模型 (feature-selection model) 和多階段鍛煉 (multistage training)。?特征選擇模型用于選擇最相關(guān)的特征停止后續(xù)剖析和建模；多階段鍛煉則指鍛煉過(guò)程分為多個(gè)階段，每個(gè)階段都有特定目的和鍛煉戰(zhàn)略，逐漸優(yōu)化模型性能。
鍛煉流程可總結(jié)為以下步驟：
多元多項(xiàng)式展開(kāi) (Multivariate polynomial expansion)：?生成復(fù)合特征。
錦標(biāo)排名 (Tournament ranking)：?一種自動(dòng)特征選擇辦法，用于找出與模型最相關(guān)的特征。
多階段鍛煉 (MST)：?一種二階深度學(xué)習(xí)技術(shù)，用于生成高性能的 teacher 網(wǎng)絡(luò)。
分?jǐn)?shù)學(xué)問(wèn)蒸餾 (Fractional knowledge distillation)：?用于別離每個(gè)特征對(duì)最終輸出的奉獻(xiàn)。
并行學(xué)問(wèn)蒸餾 (Parallel knowledge distillation)：?將規(guī)范的學(xué)問(wèn)蒸餾技術(shù)單獨(dú)應(yīng)用于與每個(gè)特征對(duì)應(yīng)的網(wǎng)絡(luò)。
網(wǎng)絡(luò)疊加 (Network superposition)：?將與每個(gè)特征對(duì)應(yīng)的單層網(wǎng)絡(luò)兼并成一個(gè) SNN。
實(shí)驗(yàn)結(jié)果
SNN 最高精確率超 99%
依據(jù)模型鍛煉中運(yùn)用的最高級(jí)別的復(fù)合特征，研討人員將 SNN 分為 3 個(gè)不同級(jí)別的模型，即 Level-1、Level-2 和 Level-3。?實(shí)驗(yàn)標(biāo)明，Level-3 SNN 精確率能到達(dá) SOTA teacher DNN 的 99% 以上，Level-2 SNN 精確率則超越 98%。思索到兩者間精確率的差距很小，研討人員假定 Level-2 SNN 的可解釋性關(guān)于剖析來(lái)說(shuō)是足夠的。
接下來(lái)研討人員將 Level-1 和 Level-2 SNN 與 SOTA DNN teacher 模型（MST，基于二階優(yōu)化的 DNN），以及傳統(tǒng)辦法（LogR 及 LR）停止比擬，?一切辦法均應(yīng)用于相同的區(qū)域并運(yùn)用相同的數(shù)據(jù)，結(jié)果如下圖所示。
MST:?SOTA DNN Teacher 模型
LogR:?邏輯回歸 （傳統(tǒng)辦法）
LR:?似然比（傳統(tǒng)辦法）
如圖所示，SNN 與 MST 模型性能相當(dāng)，且優(yōu)于常用的傳統(tǒng)模型。?3 個(gè)研討區(qū)域的均勻值計(jì)算，Level-1 和 Level-2 SNN 的 AUROC 分別為 0.856 和 0.890。Level-2 SNN 的 AUROC 比 LogR (AUROC = 0.848) 和 LR (AUROC = 0.823) 高出約 8%。
AUROC (area under the receiver operating characteristic): 用于評(píng)價(jià)分類(lèi)模型的性能指標(biāo)。AUROC 越接近 1，模型性能越好。
SNN 具備完整可解釋性
SNN 是一個(gè)完整可解釋的模型，其可解釋性程度可與線(xiàn)性回歸相媲美。
研討人員將研討區(qū)域分為滑坡 (ld) 和非滑坡 (nld) 區(qū)域。SNN 提供了個(gè)體特征對(duì)易發(fā)性確實(shí)切奉獻(xiàn)，使量化各特征對(duì)滑坡易發(fā)性的影響成為可能。經(jīng)過(guò)計(jì)算個(gè)體特征在 ld 與 nld 區(qū)域間的差別，能夠肯定滑坡的主要控制要素及其相對(duì)奉獻(xiàn)。
MAP_Slope（均勻年降水量和斜坡的乘積）、NEE_Slope（極端降雨事情數(shù)量和斜坡的乘積）、Asp*Relief（坡向和部分送風(fēng)的乘積）及 Asp（坡向）在一切三個(gè)區(qū)域中都有較大的影響。
(a, d): N-S 研討區(qū)域；(b, e): NW-SE 研討區(qū)域；(c, f): E-W 研討區(qū)域。
(a–c) 中的條形圖按降序表示各特征在滑坡 (ld) 和非滑坡 (nld) 區(qū)域中的差別大??；(d–f) 中的餅圖表示各特征對(duì)滑坡 (ld) 和非滑坡 (nld) 區(qū)域的均勻影響。
均勻年降水量 (MAP)、極端降雨事情數(shù)量 (NEE)、坡向 (Asp)、海拔 (Elev)、均勻曲率 (CurvM)、到河道的間隔 (DistC)、一切斷層 (DistF) 和主鋒面逆沖和裂痕帶 (DistMFT)，以及部分送風(fēng) (Relief)。
星號(hào) * 表示兩個(gè)特征的代數(shù)乘法。
由于 SNN 獨(dú)有的才能，研討人員能夠別離出主要控制特征的空間散布及其部分影響。
a-c: 主要特征的空間散布。
d-f: 氣候與坡度對(duì)易發(fā)性的影響。
(a, d): N-S 研討區(qū)域；(b, e): NW-SE 研討區(qū)域；(c, f): E-W 研討區(qū)域。
氣候影響較大的中央呈藍(lán)色，坡度影響較大的中央呈紅色。
均勻年降水量 (MAP)、極端降雨事情數(shù)量 (NEE)、坡向 (Asp)、海拔 (Elev)、均勻曲率 (CurvM)、部分送風(fēng) (Relief)。
星號(hào) * 表示兩個(gè)特征的代數(shù)乘法。
如上圖 d-f 所示，在 N-S、NW-SE 及 E-W 區(qū)域中，分別大約 74%、54% 和 54% 的地點(diǎn)受氣候特征（如極端降雨事情數(shù)量、均勻年降水量和坡向）的影響水平大于坡度的影響水平，在圖中表現(xiàn)為藍(lán)色面積大于紅色，標(biāo)明了氣候特征在控制喜馬拉雅最東部地域山體滑坡的重要性。?由于沿喜馬拉雅山脈向東降水率逐步增加，喜馬拉雅山脈東部地域垂直氣候變化顯著。這種氣候梯度很可能影響喜馬拉雅山脈東部地域的滑坡易發(fā)性。
SNN 打破滑坡預(yù)測(cè)難題
本研討作者 Louis Bouchard 和 Seulgi Moon 都是 UCLA 的副教授，Khalid Youssef 在 UCLA 停止博士后研討，Kevin Shao 為 UCLA 地球、行星和空間科學(xué)博士研討生。
Kevin Shao 談到?「深度神經(jīng)網(wǎng)絡(luò) (DNN) 能夠提供精確的滑坡發(fā)作可能性，但無(wú)法肯定哪些詳細(xì)的變量會(huì)惹起滑坡發(fā)作及其緣由?！构餐谝蛔髡?Khalid Youssef 指出?「問(wèn)題在于 DNN 的各個(gè)網(wǎng)絡(luò)層在學(xué)習(xí)過(guò)程中不時(shí)互相影響，因而將其結(jié)果剖析分明是不可能的。該研討希望可以分明地將不同數(shù)據(jù)輸入的結(jié)果別離出來(lái)，使其在肯定影響自然災(zāi)禍的最重要要素方面愈加有用。」
「相似于用尸檢來(lái)肯定死因，肯定滑坡確實(shí)切觸發(fā)要素總是需求田野丈量和土壤、水文和氣候條件的歷史記載，如降雨量和強(qiáng)度，這些數(shù)據(jù)在像喜馬拉雅山脈這樣的偏僻地域很難獲取。但是 SNN 能夠肯定關(guān)鍵變量并量化它們對(duì)滑坡易發(fā)性的奉獻(xiàn)?！?Seulgi Moon 教授說(shuō)到。Louis Bouchard 則表示?「不像 DNN 需求強(qiáng)大的計(jì)算機(jī)效勞器來(lái)停止鍛煉，SNN 的體積小到能夠在蘋(píng)果手表上運(yùn)轉(zhuǎn)?！?/p>
研討人員方案將他們的工作拓展到世界上其他容易發(fā)作滑坡的地域，例如加利福尼亞州。?在加州，頻繁的山火和地震招致滑坡風(fēng)險(xiǎn)加劇，而 SNN 能夠協(xié)助開(kāi)發(fā)早期預(yù)警系統(tǒng)，綜合思索多種信號(hào)并預(yù)測(cè)其他一系列地表風(fēng)險(xiǎn)。
