มากกว่า

เครื่องคิดเลขภาคสนาม ArcGIS: การคำนวณฟิลด์ใหม่โดยใช้หลายฟิลด์ด้วย python

เครื่องคิดเลขภาคสนาม ArcGIS: การคำนวณฟิลด์ใหม่โดยใช้หลายฟิลด์ด้วย python


โดยทั่วไป ฉันมีชุดข้อมูลรูปหลายเหลี่ยมขนาดใหญ่ที่มีข้อมูลดินสำหรับพื้นที่หนึ่งๆ และฉันต้องการกำหนดค่าตัวเลขให้กับข้อมูลตามค่าข้อความพื้นผิวดิน (เช่น SIL=4, CLY=7,… ) อย่างไรก็ตาม เนื้อดินแบ่งออกเป็นสามคอลัมน์ที่แตกต่างกัน: 1) TEXTURE1; 2) พื้นผิว2; และ 3) TEXTURE3. โดยปกติ TEXTURE1 จะให้ข้อมูลที่ฉันต้องการเพื่อกำหนดค่าตัวเลขในฟิลด์ใหม่ แต่ในบางกรณี ค่าสำหรับ TEXTURE1 จะแสดงเป็น N/A และฉันต้องใช้ข้อความจาก TEXTURE2 เพื่อกำหนดตัวเลข เป็นไปได้ไหมที่จะเขียนสคริปต์โดยที่หากข้อความจากฟิลด์ TEXTURE1 ไม่ใช่ N/A ส่งคืน TEXTURE1 มิฉะนั้นจะส่งคืน TEXTURE2 ฟิลด์ใหม่จะเป็นฟิลด์ข้อความ


บางทีบางอย่างเช่นนี้?

บล็อกรหัส:

def GetTexture (Text1, Text2): ถ้า Text1 ไม่มี: ส่งคืน Text2 อื่น: ส่งคืน Text1

ด้วยนิพจน์ NEWTEXTURE = GetTexture(!TEXTURE1!, !TEXTURE2!)


ก่อนอื่น ฉันจะรวบรวมตารางการค้นหาสำหรับ TEXTURE1, TEXTURE2 และ TEXTURE3 โดยใช้สถิติสรุป (เพื่อค้นหาค่าที่ไม่ซ้ำทั้งหมด) สถิติไม่สำคัญว่าคุณต้องการเพียงแต่ละฟิลด์ TEXTURE เป็นฟิลด์ 'กรณี' เพิ่มฟิลด์เพื่อเพิ่มค่าที่คุณต้องการใช้กับตารางสถิติแต่ละตารางเพื่อให้เป็นตารางค้นหา ลบฟิลด์สถิติหากคุณต้องการด้วย ลบฟิลด์ (คุณสามารถทำมากกว่าหนึ่งฟิลด์ในแต่ละครั้ง)

ตอนนี้ส่วนที่น่าเบื่อ แก้ไขตาราง ลบอินสแตนซ์ของไม่มีและโมฆะจากตาราง และใส่ค่าที่คุณต้องการใช้ถัดจากโค้ดในตาราง (ทั้ง 3 แบบอาจแตกต่างกัน)

เริ่มต้นด้วยการเข้าร่วมตารางค้นหาสำหรับ TEXTURE1 โดยเลือก บันทึกที่ตรงกันเท่านั้น และใช้ค่าที่ตรงกันโดยใช้ Field Calculator (ฟิลด์ที่เข้าร่วมควรตั้งชื่อด้วยชื่อตารางแล้วตามด้วยชื่อฟิลด์) จากนั้นลบการรวมและเข้าร่วมตารางการค้นหา TEXTURE2 กับฟิลด์ TEXTURE2 (รวมถึงระเบียนที่ตรงกันเท่านั้น) ตอนนี้ เลือกตารางที่ยังไม่ได้คำนวณ (TargetField เป็น NULL) และคำนวณค่าจากการรวมบน ระเบียนที่เลือกเท่านั้น. ลบการรวมและทำเช่นเดียวกันสำหรับ TEXTURE3

ตอนนี้ ค่า TargetField ทั้งหมดจะถูกเติมโดยมีค่าใน TEXTURE1, TEXTURE2 หรือ TEXTURE3 โดยเรียงลำดับตามความชอบ

มีขั้นตอนที่เกี่ยวข้องเพิ่มเติม แต่เมื่อคุณทำขั้นตอนนี้เสร็จแล้ว เมื่อคุณได้ทราบถึงวิธีการทำงานแล้ว - โปรดเก็บตารางการค้นหาไว้เผื่อในกรณีที่คุณต้องการทำอีกครั้ง


การใช้ข้อมูลรวมใน RST

เป้าหมาย: เป้าหมายของคำแนะนำนี้คือช่วยให้คุณสร้างข้อมูลระดับจุดจำลองโดยใช้อัตราการเสียชีวิตโดยรวมของคุณ

ตรวจสอบและเตรียมข้อมูลของคุณ

  1. ในการจำลองการเสียชีวิตแต่ละรายบนแผนที่ คุณจะต้องนับจำนวนผู้เสียชีวิตต่อหน่วยทางภูมิศาสตร์หรืออัตราคร่าวๆ โดยไม่ต้องปรับอายุหรือปรับให้เรียบตามหมวดหมู่อายุ โปรดตรวจสอบให้แน่ใจว่าตัวแปรผลลัพธ์ของคุณถูกรวมเข้ากับระดับเคาน์ตีหรือระดับทางเดิน ขอตัวเลขสำหรับหน่วย &lsquoข้อมูลไม่เพียงพอ&rsquo ถ้าเป็นไปได้
  2. หากไฟล์ข้อมูลอัตราหรือจำนวนของคุณอยู่ในรูปแบบข้อความหรือ csv อย่าลืมรวมไฟล์ schema.ini เพื่อระบุแต่ละประเภทฟิลด์สำหรับการดำเนินการเข้าร่วม คุณสามารถข้ามขั้นตอนที่ 2, 3 ได้หากข้อมูลของคุณอยู่ในไฟล์ .dbf, .shp หรือ geodatabase ในการสร้างไฟล์สคีมา คุณต้องนำทางตัวเองไปยังโฟลเดอร์ที่ไฟล์ข้อมูลของคุณค้นหา สร้างไฟล์ข้อความใหม่และเปลี่ยนชื่อเป็น schema.ini หากคุณสร้างสำเร็จ คุณจะเห็นไอคอนฟันเฟืองบนแผ่นกระดาษ ในกรณีที่ไอคอนไฟล์ schema.ini ของคุณยังคงดูเหมือนไฟล์ข้อความธรรมดา ให้ไปที่ เริ่มต้น > แผงควบคุม > ตัวเลือกโฟลเดอร์ > มุมมอง แท็บ ภายใต้ ตั้งค่าขั้นสูง ส่วน ยกเลิกการเลือก ซ่อนนามสกุลสำหรับชนิดแฟ้มที่รู้จัก ตัวเลือก.

  1. เปิดไฟล์ schema.ini ที่สร้างขึ้นใหม่ พยายามค้นหาว่าชื่อไฟล์ของคุณมีอยู่ในรายการแล้วหรือไม่ ตัดชื่อไฟล์เป้าหมายของคุณด้วยนามสกุลในวงเล็บ ระบุรูปแบบตารางที่มีสิทธิ์สำหรับข้อมูลแบบตารางในไฟล์ข้อความ โดยสามารถคั่นด้วยแท็บ เครื่องหมายจุลภาค หรืออักขระที่กำหนดเองอื่นๆ ระบุประเภทฟิลด์สำหรับฟิลด์คีย์ถัดไป คุณต้องการให้แน่ใจว่า ID สำมะโนที่ไม่ซ้ำกันถูกตั้งค่าเป็นฟิลด์ข้อความ ไฟล์สคีมาตัวอย่างสำหรับข้อมูล Atlas เชิงโต้ตอบของ CDC จะมีลักษณะเหมือนรูปภาพที่แสดงด้านล่าง ไฟล์ schema.ini สามารถทำงานได้หลายข้อมูลในโฟลเดอร์เดียวกัน

  1. เพิ่มข้อมูลไปยังโปรเจ็กต์ ArcMap ใหม่ของคุณเพื่อตรวจสอบว่าระบุฟิลด์ถูกต้องหรือไม่ หากต้องการตรวจสอบประเภทฟิลด์ ให้คลิกขวาที่ชั้นข้อมูลแล้วคลิก คุณสมบัติ. ภายใต้ ทุ่งนา คลิกที่แต่ละช่องเพื่อดูว่า ประเภทข้อมูล บนแผงด้านขวาถูกต้อง

จำลองข้อมูล

โปรดตรวจสอบไฟล์ข้อมูลของคุณเพื่อดูว่าคุณมีข้อมูลผลลัพธ์ประเภทใดบ้าง ไปที่ส่วน A) หากคุณมีข้อมูลอัตราตามหน่วยสำมะโน และไปที่ส่วน B) หากคุณมีข้อมูลการนับ

A) จำลองข้อมูลอัตรา

ในการจำลองข้อมูลอัตรา คุณต้องแปลงข้อมูลอัตราเป็นข้อมูลการนับก่อน ส่วนนี้ทั้งหมด A) เป็นคำแนะนำในการแปลงข้อมูลอัตราเป็นจำนวน ดังนั้น เราขอแนะนำให้คุณขอการนับผู้เสียชีวิตหากเป็นไปได้ เพราะคุณสามารถข้ามส่วนทั้งหมดได้ที่นี่

ผม. ดาวน์โหลดข้อมูลดิบและสร้างรายละเอียดประชากรสำหรับหน่วยทางภูมิศาสตร์

  1. ด้วยความช่วยเหลือของเครื่องมือ RST ขั้นตอนที่ 1 คุณสามารถดาวน์โหลดข้อมูลดิบซึ่งรวมถึงรายละเอียดการแจกแจงประชากรสำหรับเขตหรือพื้นที่สำมะโน ข้อมูลดิบที่ดาวน์โหลดของคุณยังสามารถนำมาใช้ในขั้นตอนต่อไปของ RST เพื่อสร้างการปรับอายุหรืออัตราการปรับแบบเบย์ โปรดอ้างอิงคู่มือผู้ใช้สำหรับคำแนะนำในการดาวน์โหลดข้อมูล
  2. หากคุณไม่มีไฟล์รูปร่างระดับเขตหรือสำมะโนในสำมะโน คุณสามารถดาวน์โหลดได้จากสำมะโน TIGER/LINE สำหรับรัฐของคุณ คุณสามารถดาวน์โหลด TIGER/LINE อย่างเป็นทางการได้จากลิงค์นี้: https://www.census.gov/cgi-bin/geo/shapefiles/index.php external icon แตกไฟล์ zip ที่ดาวน์โหลดไปยังโฟลเดอร์ข้อมูลของคุณ
  3. เพิ่ม RateStabilizerTool.tbx ลงใน ArcToolbox ของคุณ หรือนำตัวคุณเองไปยังกล่องเครื่องมือผ่านแค็ตตาล็อก ดับเบิ้ลคลิกที่ (ขั้นตอนที่ 1.5 ไม่บังคับ) รวมข้อมูลประชากรกับคอนเทนเนอร์ เพื่อเปิดเครื่องมือสคริปต์หลาม
  4. เลือกข้อมูลดิบที่ดาวน์โหลดจากขั้นตอนที่ 1 ชื่อข้อมูลดิบจะมีลักษณะเหมือน RawData_stateXX_XXXX โดยมีนามสกุล .data เติม ป้อนข้อมูลรูปร่างไฟล์ ด้วยภูมิศาสตร์การสำรวจสำมะโนประชากรของคุณเองหรือไฟล์ TIGER คุณเพิ่งดาวน์โหลดและระบุ ID ทั่วไปที่คุณจะใช้เพื่อรวมข้อมูลประชากรด้วยรูปร่าง (ในกรณีส่วนใหญ่จะเป็น GEOID) โปรดทราบว่าคุณต้องตรวจสอบให้แน่ใจว่าระดับทางภูมิศาสตร์ของข้อมูลดิบและข้อมูลขอบเขตของคุณควรเหมือนกัน ฯลฯ ผืนเทียบกับผืนหรือเขตเทียบกับเขต ชุด โฟลเดอร์ผลลัพธ์ แล้วป้อนขอบเขตล่างของหมวดหมู่อายุของคุณตามข้อมูลที่คุณมี ตัวอย่างเช่น หากคุณมีอัตราการเสียชีวิตสำหรับ 35+ และ 65+ คุณสามารถกำหนดหมวดหมู่อายุของคุณเป็น 35 และ 65 จากนั้นคลิก ตกลง.
  5. คลิก เพิ่มข้อมูล เพื่อเพิ่มไฟล์ข้อมูลที่สร้างขึ้นใหม่ลงในพื้นที่ทำงาน ไฟล์ที่สร้างขึ้นใหม่จะถูกตั้งชื่อเป็น your_original_shp_name_pop.shp.

ii. รวมข้อมูลอัตราเพื่อแยกย่อยประชากรและแปลงเป็นจำนวน

  1. ขั้นแรก คุณต้องตั้งค่าฟิลด์ใหม่สำหรับหมวดหมู่อายุแต่ละประเภทเพื่อคำนวณจำนวนผู้เสียชีวิต คลิกที่ ตัวเลือกตาราง แล้วเลือก เพิ่มฟิลด์&hellip. ในหน้าต่างป๊อปอัป ชื่อ ฟิลด์ใหม่และตั้งค่าข้อมูล พิมพ์ เช่น จำนวนเต็มยาว และคลิก ตกลง. โปรดเริ่มชื่อฟิลด์ของคุณด้วยตัวอักษรแทนตัวเลขหรืออักขระพิเศษ ทำซ้ำขั้นตอนนี้จนกว่าคุณจะสร้างหมวดหมู่อายุทั้งหมดเป็นฟิลด์เดียว ในกรณีทดสอบตัวอย่าง ชื่อฟิลด์ใหม่จะเป็น cnt_35p และ cnt_65p.

  1. หากคุณมีข้อมูลรูปแบบกว้าง ให้รวมข้อมูลเข้ากับไฟล์รูปร่างการแบ่งกลุ่มโดยตรงโดยใช้ GEOID คลิกขวาที่ไฟล์รูปร่างของคุณ ภายใต้ เข้าร่วมและเกี่ยวข้อง, คลิก เข้าร่วม&hellip. ในหน้าต่างป๊อปอัป เลือกฟิลด์ GEOID (ชื่อจริงอาจแตกต่างกันเล็กน้อย) สำหรับทั้งสองส่วนของการรวม เลือก เก็บบันทึกทั้งหมด และ ตรวจสอบการเข้าร่วม. คลิก ตกลง หากการตรวจสอบสำเร็จ จากนั้นข้ามไปยังขั้นตอนที่ 5

  1. หากข้อมูลของคุณอยู่ในรูปแบบยาว คุณจะต้องแยกไฟล์ข้อมูลตามประเภทอายุ คลิกขวาที่ไฟล์ข้อมูลของคุณไปที่ เปิด ตารางแอตทริบิวต์ คลิก ตัวเลือกตาราง และ เลือกตามคุณสมบัติ&hellip

ในหน้าต่างป๊อปอัป ให้คลิกเพียงครั้งเดียวที่ช่องอายุของคุณแล้วคลิก รับความคุ้มค่า.

ดับเบิลคลิกที่ช่องอายุของคุณ จากนั้นคลิก =แล้วดับเบิลคลิกที่ค่าอายุแรก หน้าต่างแบบสอบถามการเลือกจะมีสมการในลักษณะนี้ในภาพ และคลิก นำมาใช้.

ตอนนี้คุณได้เลือกการนับทั้งหมดซึ่งหมายถึงอายุ 35 ปีขึ้นไปในตัวอย่าง คลิกขวาที่ชั้นข้อมูล ภายใต้ ข้อมูล ส่วนคลิกที่ ส่งออก&hellip. ตรวจสอบให้แน่ใจว่าคุณทำเครื่องหมายชื่อไฟล์ผลลัพธ์ด้วยกลุ่มอายุที่คุณเลือก

ทำซ้ำขั้นตอนนี้สำหรับทุกกลุ่มอายุ คุณจะมีไฟล์ข้อมูลหลายไฟล์ ไฟล์ข้อมูลแต่ละไฟล์หมายถึงการนับหน่วยสำมะโนแต่ละหน่วยสำหรับแต่ละกลุ่มอายุ ตอนนี้คุณมีไฟล์ข้อมูลหลายไฟล์และแต่ละไฟล์ย่อมาจากกลุ่มอายุเดียว

  1. หากข้อมูลของคุณมีหลายไฟล์ ให้ทำขั้นตอนที่ 2 ซ้ำเพื่อรวมแต่ละไฟล์เข้ากับไฟล์รูปร่างแบบแบ่งกลุ่มประชากร ตอนนี้ข้อมูลของคุณอยู่ในรูปแบบกว้าง
  2. สำหรับแต่ละฟิลด์ที่คุณสร้างในขั้นตอนที่ 1 ให้คลิกขวาและเลือก เครื่องคิดเลขภาคสนาม. คำนวณการนับโดยคูณอัตราตามหมวดหมู่อายุที่เกี่ยวข้อง โปรดทราบว่าคุณอาจต้องสรุปหมวดหมู่อายุบางประเภทหากกลุ่มอายุของราคาไม่ได้แยกจากกัน สมการที่คุณจะใส่สำหรับข้อมูลตัวอย่างจะเป็น [NC_HD_death_cnty_1315_35p.csv.Value] * ([NC_cnty_2010_join_pop.age35_65] + [NC_cnty_2010_join_pop.age65p]) และ [NC_HD_death_cnty_1315_65p.csv.Value] * [NC_cnty_2010_join_pop.age65p].

B) จำลองข้อมูลการนับ

จำลองข้อมูลจำนวนผู้เสียชีวิตค่อนข้างตรงไปตรงมา รูปแบบข้อมูลที่แตกต่างกันจะส่งผลให้กระบวนการจำลองแตกต่างกันเล็กน้อย หากคุณมีข้อมูลรูปแบบยาว (แต่ละหน่วยทางภูมิศาสตร์ปรากฏหลายครั้งในตารางเดียวกันกับกลุ่มอายุที่ต่างกัน) โปรดไปที่ส่วน (i) หากข้อมูลการนับของคุณมีอยู่ในไฟล์ข้อมูลหลายไฟล์ โปรดไปที่ส่วน (ii) หากคุณมีข้อมูลรูปแบบกว้าง (นับสำหรับการจัดเก็บกลุ่มอายุที่แตกต่างกันในฟิลด์ต่างๆ) โปรดไปที่ส่วน (iii)


ฉันไม่คุ้นเคยกับ ArcMap ดังนั้นจึงไม่สามารถช่วยคุณได้โดยตรง แต่คุณสามารถเปลี่ยนฟังก์ชันของคุณเป็นตัวสร้างได้ดังนี้:

def StormDrainIDGenerator(): rec = 0 while (rec < 99): rec += 1 Yield "16-I-" '<0:03>'.format(rec)

หากคุณตกลงกับสิ่งนั้น ให้กำหนดพารามิเตอร์ตัวสร้างเพื่อยอมรับค่า Munic และ Point และใช้ในสตริงการจัดรูปแบบของคุณ คุณควรกำหนดพารามิเตอร์ของค่าสิ้นสุดด้วยเช่นกัน

การใช้ตัวสร้างจะช่วยให้คุณวางมันลงในนิพจน์ภายหลังที่ยอมรับ iterable ดังนั้นคุณสามารถสร้างรายการของสิ่งนั้นได้ง่ายๆ โดยพูด list(StormDrainIDGenerator())

คำถามของคุณเกี่ยวกับวิธีการรับค่า Munic และ Point ลงใน string ID หรือไม่? ใช้ .format()?


ตัวอย่าง: การคำนวณสหสัมพันธ์ NumPy

NumPy มีรูทีนทางสถิติมากมาย รวมถึง np.corrcoef() ที่ส่งคืนเมทริกซ์ของสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน คุณสามารถเริ่มต้นด้วยการนำเข้า NumPy และกำหนดอาร์เรย์ NumPy สองชุด นี่คือตัวอย่างของคลาส ndarray เรียกพวกเขาว่า x และ y :

ที่นี่ คุณใช้ np.arange() เพื่อสร้างอาร์เรย์ x ของจำนวนเต็มระหว่าง 10 (รวม) และ 20 (ไม่รวม) จากนั้นคุณใช้ np.array() เพื่อสร้างอาร์เรย์ที่สอง y ที่มีจำนวนเต็มตามอำเภอใจ

เมื่อคุณมีสองอาร์เรย์ที่มีความยาวเท่ากัน คุณสามารถเรียก np.corrcoef() โดยมีทั้งสองอาร์เรย์เป็นอาร์กิวเมนต์:

corrcoef() ส่งกลับเมทริกซ์สหสัมพันธ์ ซึ่งเป็นอาร์เรย์สองมิติที่มีค่าสัมประสิทธิ์สหสัมพันธ์ นี่คือเวอร์ชันที่เรียบง่ายของเมทริกซ์สหสัมพันธ์ที่คุณเพิ่งสร้างขึ้น:

ค่าบนเส้นทแยงมุมหลักของเมทริกซ์สหสัมพันธ์ (ซ้ายบนและขวาล่าง) เท่ากับ 1 ค่าบนซ้ายสอดคล้องกับสัมประสิทธิ์สหสัมพันธ์สำหรับ x และ x ในขณะที่ค่าขวาล่างคือค่าสัมประสิทธิ์สหสัมพันธ์สำหรับ y และ y พวกมันจะเท่ากับ 1 เสมอ

อย่างไรก็ตาม สิ่งที่คุณต้องการโดยทั่วไปคือค่าล่างซ้ายและค่าบนขวาของเมทริกซ์สหสัมพันธ์ ค่าเหล่านี้เท่ากันและทั้งสองเป็นตัวแทนของ ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน สำหรับ x และ y ในกรณีนี้ จะอยู่ที่ประมาณ 0.76

รูปนี้แสดงจุดข้อมูลและสัมประสิทธิ์สหสัมพันธ์สำหรับตัวอย่างข้างต้น:

สี่เหลี่ยมสีแดงเป็นจุดข้อมูล ดังที่คุณเห็น รูปยังแสดงค่าของสัมประสิทธิ์สหสัมพันธ์ทั้งสาม


การคำนวณเขตเวลา (และการปรับเวลาตามฤดูกาล) (ไปยังช่องข้อความ)

ด้านล่าง รหัสสูตรเราต้องเปลี่ยนค่า -4 หรือ -5 ทุกครั้งที่เราป้อนหรือออกจากเวลาออมแสง (Daylight Savings time) เนื่องจาก SF เมื่อดึงเวอร์ชัน Text ของ Time เป็น GMT (หรือเป็น Zulu?) มีเงื่อนงำใดที่ฉันจะทำให้สิ่งนี้จัดการโดยอัตโนมัติ ?? ตามหลักการแล้ว เราจะเปลี่ยนการอ้างอิงเป็น TEXT( Event_Date_Time__c ) เพื่อให้ครอบคลุมการแปลงเวลาโดยอัตโนมัติ

สาเหตุของรหัสที่ไม่เป็นมิตรคือการที่เราใส่มันลงในช่องข้อความ และทำให้เป็น 24 ชั่วโมง เพื่อให้เรียงลำดับอย่างถูกต้องในรายงาน ดังนั้นเราจึงต้องใส่ศูนย์นำหน้าใน <10 ชั่วโมง

--- เพิ่มเมื่อ 2014-04-02 ---

ความรู้สึกของฉันเกี่ยวกับเรื่องนี้คือจนกว่า SF จะแก้ไขหรือเพิ่มฟังก์ชันการทำงานเพื่อให้ TEXT() เรียกใช้ฟิลด์ DateTime ไม่ได้เปลี่ยนกลับเป็น Zulu (หรือแปลเป็นเขตเวลาท้องถิ่น) คือฉันสามารถให้นักพัฒนาเขียนได้ การโทร Apex ตามกำหนดการ ซึ่งจะออกทุกวันเวลา 01.00 น. "ที่ไหนสักแห่ง" และค้นหาว่าค่า "การปรับ" ของเราคืออะไร (สำหรับเวลาตะวันออกคือ -5 หรือ -4 ตามที่เห็นในตัวอย่างโค้ดของฉัน)

จากนั้น ตราบใดที่ค่านั้นอยู่ใน "ตัวแปร" ที่สามารถอ่านได้ทั่วโลกภายในองค์กร (ไม่ใช่เพียงวัตถุเดียว ในกรณีนี้คือ งาน/กิจกรรม) เราก็ได้รับการแก้ไขแล้ว การอ้างอิง "-4" ในโค้ดของฉันกลายเป็น "%DSTadjustment%" (ขาดตัวอย่างจริง)

ปัญหาที่เกิดขึ้น: บันทึกนอก "โหมด DST ปัจจุบัน" จะถูกปิดหนึ่งชั่วโมง MORE น่าจะเป็นสิ่งที่ประเมินวันที่ที่ใช้ และอิงตาม THAT DATE จะส่งกลับค่า -4 หรือ -5 ที่เหมาะสม (ถอนหายใจ)

--- ที่เพิ่ม 2015-05-06 ---

Asha เพื่อนร่วมงานคนใหม่ของฉัน ฉลาดพอที่จะออกไปค้นหาสูตร Excel ที่ทำสิ่งที่จำเป็นจริงๆ แล้วแปลเป็น SF Formula-speak ฉันจะโพสต์ในไม่ช้านี้ เนื่องจากฉันต้องรวมมันไว้ในหลายๆ วิธี (ทั้งการอัปเดตสูตรและภาคสนาม) และฉันต้องการดูว่าฉันสามารถทำลายมันได้หรือไม่ ข้อบ่งชี้ทั้งหมดคือมันทำงานได้อย่างยอดเยี่ยมและเป็นไดนามิกอย่างสมบูรณ์สำหรับวันที่/เวลาที่มันถูกป้อน วู้ฮู!


1 คำตอบ 1

ใน GF(2 8 ), 7 × 11 = 49 เคล็ดลับลอการิทึมที่ไม่ต่อเนื่องนั้นใช้ได้ดี

ความผิดพลาดของคุณคือการสมมติว่าการคูณฟิลด์กาโลอิสทำงานเหมือนกับการคูณจำนวนเต็มปกติ ในช่องไพร์มออร์เดอร์ อันที่จริงแล้วสิ่งนี้ เป็น กรณีมากหรือน้อย ยกเว้นว่าคุณจำเป็นต้องลดผลลัพธ์แบบโมดูโล ลำดับของฟิลด์ แต่ในฟิลด์ที่ไม่ใช่ลำดับเฉพาะ กฎการคูณจะแตกต่างกัน

ลองทำ 7 &คูณ 11 กัน. สังเกตว่า 7 = 1112 และ 11 = 10112, เราสามารถคำนวณ 7 &คูณ 11 ในไบนารีเป็น:

จนถึงตอนนี้ ทุกอย่างทำงานเหมือนกับการคูณจำนวนเต็มธรรมดา แต่ในขณะที่เป็นจำนวนเต็ม เราจะกระจายตัวดำเนินการในขณะที่ทำการบวก และจบลงด้วย

ใน GF(2 NS ) การบวกทำได้ในระดับบิต ปราศจาก อุ้ม (เช่น GF(2 NS ) การบวกเหมือนกับ XOR ระดับบิต) ดังนั้นเราจึงได้

(แน่นอนว่าถ้าผลออกมาเกินลำดับของกลุ่ม เราก็จะต้องลดมันแบบมอดูโลพหุนามการรีดักชันด้วย แต่ในกรณีนี้ จะไม่เกิดขึ้นสำหรับ NS &อายุ 7)


7 คำตอบ 7

สำหรับการร่างแรกของฟิลด์ทิศทาง คุณอาจใช้ StreamPlot :

ไม่จำเป็นต้องแก้สมการอนุพันธ์เพื่อสร้างสนามทิศทาง ตามบทแทรก Wikipedia บนฟิลด์ความชัน คุณสามารถพล็อตเวกเตอร์ <1, (y + Exp[x])/(x + Exp[y])>:

หรือบางทีคุณอาจใช้พล็อตสตรีม:

หากคุณต้องการสำรวจคำตอบของสมการ ฉันขอแนะนำแพ็คเกจ EquationTrekker ไปดูเอกสารกันเลย

นี่คือสิ่งที่คุณสามารถทำได้อย่างรวดเร็วและให้ความเข้าใจที่ดีเกี่ยวกับพฤติกรรมสำหรับเงื่อนไขเริ่มต้นที่เป็นบวกและลบ:

ในตำราแคลคูลัสระดับปริญญาตรีร่วมสมัยที่ได้รับความนิยมมากที่สุด รวมถึงหนังสือของลาร์สันและเอ็ดเวิร์ดส สจ๊วต โรกอว์สกี้และอดัมส์ และอื่นๆ สนามลาด (เรียกอีกอย่างว่า สนามทิศทาง) เป็นแผนภาพของส่วนของเส้นสั้นที่จุดกริดทั้งหมดมีความยาวเท่ากันและไม่มีหัวลูกศรระบุทิศทาง ฟิลด์ความชันจะระบุเฉพาะความชันของเส้นโค้งโซลูชันที่จุดกริดแต่ละจุดโดยความชันของส่วนของเส้นเท่านั้น คำตอบของ Wesley Wolfe เท่านั้นที่เข้าใกล้วิธีการนี้ในการวางแผนเขตข้อมูลความชันในขณะที่เขียนนี้ ฉันปรับตัวเลือกสองสามอย่างเป็น VectorPlot[] ในคำตอบของเขาด้านล่าง

เราคิดว่า D.E. สามารถเขียนได้ในรูปแบบ $y'=F(x,y)$ โดยที่ $F(x, y)$ เป็นฟังก์ชันของตัวแปรสองตัวเท่านั้น $x$ และ $y$ จากนั้นเราสามารถพลอตสนามความชันใน คณิตศาสตร์ ดังนี้

มีหนังสือเรียนบางเล่มที่ชอบใส่ลูกศรบนส่วนของเส้นตรง หากต้องการจำลองเอฟเฟกต์นี้ ให้เปลี่ยน VectorStyle จาก "Segment" เป็น "Arrow" อย่างไรก็ตามรูปแบบนี้ทำให้เข้าใจผิดและควรหลีกเลี่ยงตามลูกศรโดยทั่วไป อย่า ชี้ไปในทิศทางของเส้นโค้งของสารละลายขณะที่ลากเส้นออก ยกตัวอย่างจากชั้นวางหนังสือของฉัน Boyce และ DiPrima's สมการเชิงอนุพันธ์และปัญหาค่าขอบเขต, ฉบับที่ ๗., น. 40-41: เราถือว่า $y'=frac<1-y^2>$ ซึ่งมีคำตอบทั่วไป $-x^3+3y-y^3=c$ พวกมันให้สนามลาด—พร้อมหัวลูกศร—ในรูปที่ 2.2.1 แต่คุณสามารถพล็อตมันด้วย คณิตศาสตร์ ตามที่ฉันมีพร้อมกับเส้นโค้งวิธีแก้ปัญหาด้านล่าง:

เมื่อถึงจุดหนึ่งต้องมีคนคัดค้านสิ่งที่น่ารังเกียจนี้เพราะหัวลูกศรหายไปจากทุ่งลาดทั้งหมดในฉบับที่ 9!


เครื่องคิดเลขพื้นฐานมากโดยใช้วิธีการ

ฉันได้สร้างเครื่องคิดเลขพื้นฐานโดยใช้วิธีการต่างๆ นี่เป็นความพยายามครั้งแรกของฉันในการใช้วิธีต่างๆ และต้องการดูว่าฉันสามารถปรับปรุงสิ่งนี้ได้หรือไม่ เนื่องจากมีโค้ดซ้ำกันเยอะมาก

นั่นหมายความว่านี่เป็นตัวเลือกหลักสำหรับการห่อหุ้มด้วยวิธีการของตัวเอง บางอย่างเช่นนี้:

ตอนนี้เราสามารถเรียกวิธีนี้ได้ทุกเมื่อที่ต้องการรับหมายเลขจากผู้ใช้ ง่ายกว่ามาก และเราได้ลดความซับซ้อนของโค้ดของเราลง

อีกสิ่งหนึ่งที่ซ้ำซ้อนคือการประกาศซ้ำอย่างต่อเนื่องของ kb = new Scanner(System.in) คุณต้องทำสิ่งนี้เพียงครั้งเดียวเท่านั้น ถ้าเป็นฉัน ฉันจะให้เป็นฟิลด์คงที่สำหรับทั้งชั้นเรียน เช่น

นี่คือกฎพื้นฐานสำหรับวิธีการ ค่าคงที่ ถูกกำหนดไว้ใน Java ฉันตั้งชื่อตัวแปร STDIN เพราะนี่เป็นแบบแผนสำหรับการอ้างถึงสตรีม "อินพุตมาตรฐาน" แต่ SCANNER หรืออะไรซักอย่างก็น่าจะดีเหมือนกัน

สิ่งเล็กน้อยอื่น ๆ

คุณควรพิจารณาใช้คำสั่ง switch กับตัวแปรที่คุณเลือก:

. หรือคุณอาจเขียนทั้งหมดในบรรทัด ถ้ามันดูดีกว่าสำหรับคุณ เนื่องจากแต่ละบล็อกทำสิ่งเดียวเท่านั้น:

นี่อาจเป็นกรณีการใช้งานที่สมบูรณ์แบบสำหรับ enums แต่การที่ฉันจะซับซ้อนเกินไปเล็กน้อยสำหรับโครงการเริ่มต้น

บันทึกย่อสุดท้ายขนาดเล็ก: ฉันคิดว่าคุณมีข้อบกพร่อง บรรทัดที่คุณแสดงผลจะระบุว่า "ผลรวม" เสมอ แม้ว่าคุณจะทำการหาร การคูณ หรือการลบก็ตาม :)


การลดแรงโน้มถ่วงมาตรฐาน

สมการที่อธิบายไว้ในส่วนนี้ใช้ในสเปรดชีตแรงโน้มถ่วงและสอดคล้องกับมาตรฐานแรงโน้มถ่วงใหม่ที่กำหนดโดย USGS (Hildenbrand et al., 2002) และคณะทำงานมาตรฐาน/รูปแบบของคณะกรรมการฐานข้อมูลแรงโน้มถ่วงของอเมริกาเหนือ (Hinze et al. , 2546).

แรงโน้มถ่วงทฤษฎีวงรี

ผลกระทบบรรยากาศ

การแก้ไขความสูงเพื่อความโน้มถ่วงตามทฤษฎี

หมวกทรงกลม Bouguer


Aghdam IN, Varzandeh MHM, Pradhan B (2016) การทำแผนที่ความไวต่อดินถล่มโดยใช้ดัชนีทางสถิติทั้งมวล (Wi) และแบบจำลองระบบอนุมาน neuro-fuzzy แบบปรับตัว (ANFIS) ที่เทือกเขา Alborz (อิหร่าน) วิทยาศาสตร์สิ่งแวดล้อมโลก 75:553. https://doi.org/10.1007/s12665-015-5233-6

Akbaş B, Akdeniz N, Aksay A, Altun İ, Balcı V, Bilginer E, Bilgiç T, Duru M, Ercan T, Gedik İ, Günay Y, Güven İH, Hakyemez HY, Konak N, Papak İ, Pehlivan Ş, Sevin M , Şenel M, Tarhan N, Turhan N, Türkecan A, Ulu Ü, Uğuz MF, Yurtsever A (1991) แผนที่ธรณีวิทยาของตุรกี ผู้อำนวยการทั่วไปของงานวิจัยแร่และสิ่งพิมพ์สำรวจ อังการา ตุรกี (ในภาษาตุรกี)

Akgün A, Sezer EA, Nefeslioğlu HA, Pradhan B (2012) โปรแกรม MATLAB ที่ใช้งานง่าย (MamLand) สำหรับการประเมินความอ่อนไหวของดินถล่มโดยใช้อัลกอริทึมแบบคลุมเครือ Mamdani คอมพิวเตอร์ Geosci 38(1):23–34. https://doi.org/10.1016/j.cageo.2011.04.012

Arabameri A, Pradhan B, Rezaei K, Lee CW (2019) การประเมินความอ่อนไหวต่อดินถล่มโดยใช้แบบจำลองบูรณาการ FR-RF ที่ใช้สถิติและปัญญาประดิษฐ์และ DEM แบบหลายความละเอียด รีโมทเซนส์ 11:999 https://doi.org/10.3390/rs11090999

Arca D, Kutoğlu HŞ, Becek K (2018) การทำแผนที่ความไวต่อดินถล่มในพื้นที่ของการขุดใต้ดินโดยใช้วิธีการวิเคราะห์การตัดสินใจแบบหลายเกณฑ์ สิ่งแวดล้อม Monit ประเมิน 190:725. https://doi.org/10.1007/s10661-018-7085-5

Baeza C, Corominas J (2001) การประเมินความไวต่อการเกิดดินถล่มตื้นโดยใช้เทคนิคทางสถิติหลายตัวแปร กระบวนการ Earth Surf Landf 26:1251–1263 https://doi.org/10.1002/esp.263

Benchelha S, Aoudjehane HC, Hakdaoui M, Hamdouni RE, Mansouri H, Benchelha T, Layelmam M, Alaoui M (2019) การทำแผนที่ความไวต่อดินถล่มในเขตเทศบาลเมือง Oudka ทางตอนเหนือของโมร็อกโก: การเปรียบเทียบระหว่างการถดถอยโลจิสติกและแบบจำลองโครงข่ายประสาทเทียม Int Arch Photogramm รีโมท Sens Spat Inf Sci 4:41–49 https://doi.org/10.5194/isprs-archives-XLII-4-W12-41-2019

Bernard V, Liengme (2002) คู่มือ Microsoft excel 2002 สำหรับนักวิทยาศาสตร์และวิศวกร ฉบับที่ 3 สำนักพิมพ์ Butterworth-Heinemann, Oxford

Boehner J, Selige T (2006) การทำนายเชิงพื้นที่ของคุณลักษณะของดินโดยใช้การวิเคราะห์ภูมิประเทศและการปรับสภาพอากาศให้เป็นภูมิภาค ใน: Boehner J, McCloy KR, Strobl J (eds) SAGA–Analysis and modeling applications, vol 115. Geographische Abhandlungen, Goettinger, pp 13–27

Bonham-Carter GF (1994) ระบบข้อมูลทางภูมิศาสตร์สำหรับนักธรณีวิทยา รุ่น GIS Pergamon 13:398

Bragagnolo L, da Silva RV, Grzybowski JMV (2019) การทำแผนที่ความไวต่อดินถล่มด้วย r.landslide: เครื่องมือฟรีที่รวม GIS แบบโอเพ่นซอร์สที่ใช้เครือข่ายประสาทเทียม สภาพแวดล้อมรุ่น Softw 123:104565. https://doi.org/10.1016/j.envsoft.2019.104565

Breiman L (2001) ป่าสุ่ม มัคเรียนรู้ 45:5–32 https://doi.org/10.1023/A:1010933404324

Chen W, Xie X, Wang J, Pradhan B, Hong H, Bui DT, Duan Z, Ma J (2017) การศึกษาเปรียบเทียบต้นไม้แบบจำลองลอจิสติกส์ ป่าสุ่ม และแบบจำลองต้นไม้การจำแนกและการถดถอยสำหรับการทำนายเชิงพื้นที่ของความไวต่อดินถล่ม คาเตนา 151:147–160. https://doi.org/10.1016/j.catena.2016.11.032

Chen W, Shahabi H, Zhang S, Khosravi K, Shirzadi A, Chapi K, Pham BT, Zhang T, Zhang L, Chai H et al (2018) แบบจำลองความไวต่อดินถล่มตาม GIS และการถดถอยโลจิสติกของเคอร์เนลที่ใช้ถุงใหม่ Appl วิทย์ 8:2540. https://doi.org/10.3390/app8122540

Chen W, Zhao X, Shahabi H, Shirzadi A, Khosravi K, Chai H, Zhang S, Zhang L, Ma J, Chen Y et al (2019) การทำนายเชิงพื้นที่ของความอ่อนไหวต่อดินถล่มโดยการรวมฟังก์ชันความเชื่อที่เป็นหลักฐาน การถดถอยโลจิสติก และแบบจำลองโลจิสติก ต้นไม้. Geocarto Int 34(11):1177–1201. https://doi.org/10.1080/10106049.2019.1588393

Conrad O, Bechtel B, Bock M, Dietrich H, Fischer E, Gerlitz L, Wehberg J, Wichmann V, Böhner J (2015) ระบบสำหรับการวิเคราะห์ทางธรณีวิทยาอัตโนมัติ (SAGA) v. 2.1.4 Geosci รุ่น Dev 8:1991–2007 https://doi.org/10.5194/gmd-8-1991-2015

Cui K, Lu D, Li W (2016) การเปรียบเทียบการทำแผนที่ความไวต่อการเกิดดินถล่มตามดัชนีทางสถิติ ปัจจัยความแน่นอน น้ำหนักของหลักฐาน และแบบจำลองฟังก์ชันความเชื่อที่เป็นหลักฐาน Geocarto Int 32(9):935–955. https://doi.org/10.1080/10106049.2016.1195886

Dagdelenler G, Nefeslioglu HA, Gökçeoğlu C (2016) การปรับเปลี่ยนกลยุทธ์การสุ่มตัวอย่างเซลล์เมล็ดสำหรับการทำแผนที่ความไวต่อดินถล่ม: แอปพลิเคชันจากภาคตะวันออกของคาบสมุทร Gallipoli (Canakkale, ตุรกี) สภาพแวดล้อม Bull Eng Geol 75:575–590 https://doi.org/10.1007/s10064-015-0759-0

Das HO, Sonmez H, Gökçeoğlu C, Nefeslioğlu HA (2013) อิทธิพลของการเร่งความเร็วของแผ่นดินไหวในแผนที่ความไวต่อดินถล่ม: กรณีศึกษาจาก NE Turkey (หุบเขา Kelkit) ดินถล่ม 10:433–454. https://doi.org/10.1007/s10346-012-0342-8

Defazio A, Bach F, Lacoste-Julien S (2014) SAGA: วิธีการไล่ระดับสีแบบเพิ่มหน่วยอย่างรวดเร็วพร้อมการสนับสนุนสำหรับวัตถุประสงค์คอมโพสิตที่ไม่นูนแรงมาก arXiv:1407.0202v3

Devkota KC, Regmi AD, Pourghasemi HR, Yoshida K, Pradhan B, Ryu IC, Dhital MR, Althuwaynee OF (2013) การทำแผนที่ความไวต่อดินถล่มโดยใช้ปัจจัยความเชื่อมั่น ดัชนีของเอนโทรปีและแบบจำลองการถดถอยโลจิสติกใน GIS และการเปรียบเทียบที่ถนน Mugling–Narayanghat ส่วนในประเทศเนปาลหิมาลัย แนท ฮาซาร์ดส์ 65:135–165. https://doi.org/10.1007/s11069-012-0347-6

Dikshit A, Pradhan B, Alamri AM (2020) เส้นทางและความท้าทายของการประยุกต์ใช้ปัญญาประดิษฐ์กับการสร้างแบบจำลอง geohazards การวิจัย Gondwana. ในสื่อ หลักฐานที่ถูกต้อง พร้อมใช้งานออนไลน์ 17 กันยายน 2563 https://doi.org/10.1016/j.gr.2020.08.007

Dobesova Z (2011) ภาษาการเขียนโปรแกรม Python สำหรับการประมวลผลข้อมูล ใน: การประชุมนานาชาติด้านวิศวกรรมไฟฟ้าและการควบคุม (ICECE), IEEE 2011

Dou J, Yamagishi H, Pourghasemi HR, Yunus AP, Song X, Xu Y, Zhu Z (2015) โมเดลโครงข่ายประสาทเทียมแบบบูรณาการสำหรับการประเมินความไวต่อดินถล่มของเกาะ Osado ประเทศญี่ปุ่น แนท ฮาซาร์ดส์ 78:1749–1776. https://doi.org/10.1007/s11069-015-1799-2

Dou J, Yunus AP, Bui DT, Merghadi A, Sahana M, Zhu Z, Chen CW, Khosravi K, Yang Y, Pham PT (2019) การประเมินป่าสุ่มขั้นสูงและอัลกอริธึมต้นไม้ตัดสินใจสำหรับการสร้างแบบจำลองความไวต่อดินถล่มที่เกิดจากน้ำฝนใน เกาะภูเขาไฟอิซุ-โอชิมะ ประเทศญี่ปุ่น Sci Total Environ 662:332–346. https://doi.org/10.1016/j.scitotenv.2019.01.221

Eibe F, Hall MA, Witten IH (2016) โต๊ะทำงานของ WEKA ภาคผนวกออนไลน์สำหรับ “การทำเหมืองข้อมูล: เครื่องมือและเทคนิคการเรียนรู้ของเครื่องที่ใช้งานได้จริง”, Morgan Kaufmann, ฉบับที่สี่

Eker R, Aydın A (2014) Ormanların heyelan oluşumu üzerindeki etkileri (ผลกระทบของป่าไม้ต่อดินถล่ม). วารสารป่าไม้ตุรกี. 15:84-93. https://doi.org/10.18182/tjf.31067 (ในภาษาตุรกี)

Ermini L, Catani F, Casagli N (2005) โครงข่ายประสาทเทียมที่ใช้กับการประเมินความไวต่อดินถล่ม ธรณีสัณฐานวิทยา 66(1–4):327–343. https://doi.org/10.1016/j.geomorph.2004.09.025

ESRI (2011) ArcGIS Desktop: Release 10. Environmental Systems Research Institute, Redlands

Fan RE, Chang KW, Hsieh CJ, Wang XR, Lin CJ (2008) LIBLINEAR: ห้องสมุดสำหรับการจำแนกประเภทเชิงเส้นขนาดใหญ่ J Mach เรียนรู้ Res 9(2008):1871–1874

Gökçe O, Özden Ş, Demir A (2008) Türkiye’de afetlerin mekansal ve istatistiksel dağılımı afet bilgileri envanteri. Afet İşleri Genel Müdürlüğü Afet Etüt ve Hasar Tespit Daire Başkanlığı อังการา (ในภาษาตุรกี)

Gökçeoğlu C, Sonmez H, Nefeslioglu HA, Duman TY, Can T (2005) 17 มีนาคม 2548 ดินถล่มคูซูลู (ซิวาส ประเทศตุรกี) และแผนที่ความไวต่อดินถล่มในบริเวณใกล้เคียง อิง กอล 81(1):65–83. https://doi.org/10.1016/j.enggeo.2005.07.011

Gruber S, Peckham S (2009) พารามิเตอร์พื้นผิวดินและวัตถุในอุทกวิทยา ใน: Hengl T, Reuter HI (eds) Geomorphometry: concepts, software, applications. Elsevier, Amsterdam, หน้า 171–194 https://doi.org/10.1016/S0166-2481(08)00007-X

Guzzetti F, Reichenbach P, Ardizzone F, Cardinali M, Galli M (2005) การประเมินอันตรายจากดินถล่มที่น่าจะเป็นในระดับลุ่มน้ำ ธรณีสัณฐานวิทยา 72:272–299. https://doi.org/10.1016/j.geomorph.2005.06.002

Guzzetti F, Mondini AC, Cardinali M, Fiorucci F, Santangelo M, Chang KT (2012) แผนที่สินค้าคงคลังดินถล่ม: เครื่องมือใหม่สำหรับปัญหาเก่า Earth Sci Rev 112(1–2):42–66. https://doi.org/10.1016/j.earscirev.2012.02.001

Hasekioğulları GD, Ercanoğlu M (2012) แนวทางใหม่ในการใช้ AHP ในการทำแผนที่ความไวต่อการเกิดดินถล่ม: กรณีศึกษาที่ Yenice (คาราบัก ทางตะวันตกเฉียงเหนือของตุรกี) แนท ฮาซาร์ดส์ 63:1157–1179. https://doi.org/10.1007/s11069-012-0218-1

Hong HY, Pradhan B, Xu C, Tien Bui D (2015) การคาดคะเนเชิงพื้นที่ของอันตรายจากดินถล่มที่พื้นที่ Yihuang (จีน) โดยใช้การถดถอยโลจิสติกเคอร์เนลแบบสองคลาส แผนผังการตัดสินใจแบบสลับกัน และเครื่องเวกเตอร์สนับสนุน คาเตนา 133:266–281. https://doi.org/10.1016/j.catena.2015.05.019

Hong H, Naghibi SA, Pourghasemi HR, Pradhan B (2016) แบบจำลองพื้นที่ดินถล่มตาม GIS ในเมือง Ganzhou ประเทศจีน อาหรับ เจ จีโอซี 9(2):112. https://doi.org/10.1007/s12517-015-2094-y

Jebur MN, Pradhan B, Shafri HZM, Yusoff ZM, Tehrany MS (2015) เครื่องมือ ArcMAP ที่เป็นมิตรกับผู้ใช้แบบบูรณาการสำหรับการสร้างแบบจำลองทางสถิติแบบสองตัวแปรในแอปพลิเคชันธรณีศาสตร์ Geosci รุ่น Dev 8:881–891 https://doi.org/10.5194/gmd-8-881-2015

Jimenez-Peralvarez JD, Irigaray C, El Hamdouni R, Chacon J (2009) การสร้างแบบจำลองสำหรับการวิเคราะห์ความไวต่อดินถล่มอัตโนมัติ การทำแผนที่ และการตรวจสอบใน ArcGIS แนท ฮาซาร์ดส์ 50(3):571–590. https://doi.org/10.1007/s11069-008-9305-8

Jones D, Brunsden D, Goudie A (1983) การประเมินทางธรณีสัณฐานเบื้องต้นของส่วนหนึ่งของทางหลวง Karakoram คิว เจ เอง กอล ไฮโดรเจล 16:331–355. https://doi.org/10.114/GSL.QJEG.1983.016.04.10

Kim J, Lee S, Jung H, Lee S (2018) การทำแผนที่ความไวต่อดินถล่มโดยใช้ป่าแบบสุ่มและแบบจำลองต้นไม้ที่ได้รับการส่งเสริมใน Pyeong-Chang ประเทศเกาหลี Geocarto Int 33(9):1000–1015. https://doi.org/10.1080/10106049.2017.1323964

Köse DD, Turk T (2019) การวิเคราะห์ความอ่อนไหวของดินถล่มโดยอัตโนมัติโดยใช้ GIS โดยวิธีน้ำหนักของหลักฐานและอัตราส่วนความถี่ ฟิสิกส์ Geogr 40(5):481–501. https://doi.org/10.1080/02723646.2018.1559583

Lee S, Talib JA (2005) ความอ่อนไหวต่อการเกิดดินถล่มที่น่าจะเป็นและการวิเคราะห์ผลกระทบของปัจจัย สิ่งแวดล้อมกอล 47:982–990. https://doi.org/10.1007/s00254-005-1228-z

Lee S, Ryu J, Kim S (2007) การวิเคราะห์ความอ่อนไหวต่อดินถล่มและการตรวจสอบโดยใช้อัตราส่วนความน่าจะเป็น การถดถอยโลจิสติก และแบบจำลองโครงข่ายประสาทเทียม: กรณีศึกษาของ Youngin Korea ดินถล่ม 4(4):327–338. https://doi.org/10.1007/s10346-007-0088-x

Lippmann RP (1987) ความรู้เบื้องต้นเกี่ยวกับการคำนวณด้วยโครงข่ายประสาท IEEE ASSP Mag 4(2):4–22. https://doi.org/10.1109/MASSP.1987.1165576

Luo Y, Su B, Yuan J, Li H, Zhang Q (2011) เทคนิค GIS สำหรับการแยกลุ่มน้ำของแบบจำลอง SWAT ใน Plain Polders การประชุมนานาชาติครั้งที่ 3 ด้านวิทยาศาสตร์สิ่งแวดล้อมและเทคโนโลยีการประยุกต์ใช้สารสนเทศ (ESIAT 2011): 2050-2057 https://doi.org/10.1016/j.proenv.2011.09.321

Maggioni M, Gruber U (2003) อิทธิพลของพารามิเตอร์ภูมิประเทศต่อมิติและความถี่ของการปล่อยหิมะถล่ม Cold Reg Sci Technol 37:407–419. https://doi.org/10.1016/S0165-232X(03)00080-6

Moore ID, Grayson RB, Ladson AR (1991) การสร้างแบบจำลองภูมิประเทศแบบดิจิทัล—การทบทวนการใช้งานธรณีสัณฐานวิทยาและอุทกวิทยา กระบวนการไฮโดร 5:3–30 https://doi.org/10.1002/hyp.3360050103

Narayanan S, Sivakumar R (2018) การพัฒนาเครื่องมือปรับแต่งตาม ArcPy ใน GIS สำหรับระบบข้อมูลแผ่นดินไหว Int J Pure Appl Math 118(22):377–382

Nefeslioglu HA, Duman TY, Durmaz S (2008) การทำแผนที่ความไวต่อดินถล่มสำหรับส่วนหนึ่งของเปลือกโลก Kelkit Valley (ภูมิภาคทะเลดำตะวันออกของตุรกี) ธรณีสัณฐานวิทยา 94(3–4):401–418. https://doi.org/10.1016/j.geomorph.2006.10.036

Nefeslioglu HA, Sezer E, Gökçeoğlu C, Bozkir AS, Duman TY (2010) การประเมินความอ่อนไหวต่อดินถล่มโดยต้นไม้ตัดสินใจในเขตนครอิสตันบูล ประเทศตุรกี ปัญหาคณิตศาสตร์ Eng 2010:15. https://doi.org/10.1155/2010/901095

Nohani E, Moharrami M, Sharafi S, Khosravi K, Pradhan B, Pham BT, Lee S, Melesse AM (2019) การทำแผนที่ความไวต่อดินถล่มโดยใช้แบบจำลองสองตัวแปรตาม GIS ที่แตกต่างกัน น้ำ 11(7):1402. https://doi.org/10.3390/w11071402

Nourani V, Pradhan B, Ghaffari H, Sharifi SS (2014) การทำแผนที่ความไวต่อดินถล่มที่ Zonouz Plain ประเทศอิหร่านโดยใช้การเขียนโปรแกรมทางพันธุกรรมและเปรียบเทียบกับอัตราส่วนความถี่ การถดถอยโลจิสติก และแบบจำลองโครงข่ายประสาทเทียม แนท ฮาซาร์ดส์ 71:523–547. https://doi.org/10.1007/s11069-013-0932-3

Osna T, Sezer EA, Akgun A (2014) GeoFIS: เครื่องมือแบบบูรณาการสำหรับการประเมินความไวต่อดินถล่ม คอมพิวเตอร์ Geosci 66:20–30. https://doi.org/10.1016/j.cageo.2013.12.016

Ozer BC, Mutlu B, Nefeslioglu HA, Sezer EA, Rouai M, Dekayir A, Gokceoglu C (2020) On the use of hierarchical fuzzy inference systems (HFIS) in expert-based landslide susceptibility mapping: the central part of the Rif Mountains (Morocco). Bull Eng Geol Environ 79:551–568. https://doi.org/10.1007/s10064-019-01548-5

Palamakumbure D, Stirling D, Flentje P, Chowdhury R (2015) ArcGIS v.10 landslide susceptibility data mining add-in tool integrating data mining and GIS techniques to model landslide susceptibility. In: Lollino G, Giordian D, Crosta G, Corominas J, Azzam R, Wasowski J, Sciarra N (eds) Engineering geology for society and territory, vol 2. Springer, New York, pp 1191–1194. https://doi.org/10.1007/978-3-319-09057-3_208

Park S, Kim J (2019) Landslide susceptibility mapping based on random forest and boosted regression tree models, and a comparison of their performance. Appl Sci 9:942. https://doi.org/10.3390/app9050942

Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J (2011) Scikit-learn: machine learning in Python. J Mach Learn Res 12:2825–2830

Pham BT, Bui DT, Prakash I, Dholakia MB (2016) Rotation forest fuzzy rule-based classifier ensemble for spatial prediction of landslides using GIS. Nat Hazards 83:97–127. https://doi.org/10.1007/s11069-016-2304-2

Polat A, Erik D (2020) Debris flow susceptibility and propagation assessment in West Koyulhisar, Turkey. J Mt Sci 17:2611–2623. https://doi.org/10.1007/s11629-020-6261-6

Polat A, Gürsoy H (2014) Sayısal yükselti modeli (SYM) verileri yardımıyla 17 Mart 2005 Kuzulu (Koyulhisar, Sivas) heyelanının hacim hesabı. ATAG 18. Muğla, Sıtkı Koçman Üniversitesi. (In Turkish)

Polat A, Tatar O, Gürsoy H, Yalçiner CÇ, Büyüksaraç A (2014) Two-phased evolution of the Suşehri Basin on the North Anatolian Fault Zone Turkey. Geodinamica Acta 25(3–4):132–145. https://doi.org/10.1080/09853111.2013.861997

Pourghasemi HR, Mohammady M, Pradhan B (2012a) Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena 97:71–84. https://doi.org/10.1016/j.catena.2012.05.005

Pourghasemi HR, Pradhan B, Gökçeoğlu C, Moezzi KD (2012b) Landslide susceptibility mapping using a spatial multi criteria evaluation model at Haraz watershed, Iran. In: Pradhan B, Buchroithner M (eds) Terrigenous mass movements. Springer, Berlin, pp 23–49. https://doi.org/10.1007/978-3-642-25495-6_2

Pradhan B (2013) A comparative study on the predictive ability of the decision tree support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Comput Geosci 51:350–365. https://doi.org/10.1016/j.cageo.2012.08.023

Regmi NR, Giardino JR, McDonald EV, Vitek JD (2014) A comparison of logistic regression-based models of susceptibility to landslides in western Colorado, USA. Landslides 11(2):247–262. https://doi.org/10.1007/s10346-012-0380-2

Riley SJ, DeGloria SD, Elliot R (1999) Index that quantifies topographic heterogeneity. Intermountain J Sci 5(1–4):23–27

Rozycka M, Migoń P, Michniewicz A (2016) Topographic Wetness Index and Terrain Ruggedness Index in geomorphic characterisation of landslide terrains, on examples from the Sudetes, SW Poland. Zeitschrift für Geomorphol Suppl Issues 61(2):61–80. https://doi.org/10.1127/zfg_suppl/2016/0328

Rumelhart DE, Hinton GE, Williams RJ (1986) Learning internal representations by error propagation. In: Rumelhart DE, McClelland JL (eds) Parallel distributed processing, vol 1. Springer, New York, pp 318–362

Sahin EK, Colkesen I, Kavzoglu T (2020) A comparative assessment of canonical correlation forest, random forest, rotation forest and logistic regression methods for landslide susceptibility mapping. Geocarto Int 35(4):341–363. https://doi.org/10.1080/10106049.2018.1516248

Schmidt M, Roux NL, Bach F (2017) Minimizing finite sums with the stochastic average gradient. Math Program 162:83–112. https://doi.org/10.1007/s10107-016-1030-6

Sevgen E, Kocaman S, Nefeslioglu HA, Gökçeoğlu C (2019) A novel performance assessment approach using photogrammetric techniques for landslide susceptibility mapping with logistic regression, ANN and random forest. Sensors 19(18):3940. https://doi.org/10.3390/s19183940

Sezer EA, Nefeslioglu HA, Osna T (2016) An expert-based landslide susceptibility mapping (LSM) module developed for Netcad Architect Software. Comput Geosci 98:26–37. https://doi.org/10.1016/j.cageo.2016.10.001

Song Y, Gong J, Gao S, Wang D, Cui T, Li Y, Wei B (2012) Susceptibility assessment of earthquake-induced landslides using Bayesian network: a case study in Beichuan China. Comput Geosci 42:189–199. https://doi.org/10.1016/j.cageo.2011.09.011

Sorensen R, Zinko U, Seibert J (2006) On the calculation of the topographic wetness index: evaluation of different methods based on field observations. Hydrol Earth Syst Sci 10:101–112. https://doi.org/10.5194/hess-10-101-2006

Taalab K, Cheng T, Zhang Y (2018) Mapping landslide susceptibility and types using random forest. Big Earth Data 2(2):159–178. https://doi.org/10.1080/20964471.2018.1472392

Tatar O, Gursoy H, Kocbulut F, Mesci BL (2005) Active fault zones and landslides: the 17 March 2005 Kuzulu (Koyulhisar) landslide. Cumhuriyet Bilim Teknik Dergisi 941:5–6

Tien Bui D, Pradhan B, Lofman O, Revhaug I (2012) Landslide susceptibility assessment in Vietnam using support vector machines, decision tree, and Naive Bayes models. Math Probl Eng 2012:26. https://doi.org/10.1155/2012/974638

Tien Bui D, Tuan TA, Klempe H, Pradhan B, Revhaug I (2015) Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Landslides 13:361–378. https://doi.org/10.1007/s10346-015-0557-6

Torizin J (2012) Landslide susceptibility assessment tools for ArcGIS 10 and their application. In: Proceedings of 34th IGC, Brisbane, Australia, pp 5–10

Ulusay R, Aydan Ö, Kılıc R (2007) Geotechnical assessment of the 2005 Kuzulu landslide (Turkey). Eng Geol 89(1–2):112–128. https://doi.org/10.1016/j.enggeo.2006.09.020

Umar Z, Pradhan B, Ahmad A, Jebur MN, Tehrany MS (2014) Earthquake induced landslide susceptibility mapping using an integrated ensemble frequency ratio and logistic regression models in West Sumatera province, Indonesia. Catena 118:124–135. https://doi.org/10.1016/j.catena.2014.02.005

Van Westen CJ, Rengers N, Terlien MTJ, Soeters R (1997) Prediction of the occurrence of slope instability phenomena through GIS-based hazard zonation. Geol Rundsch 86:404–414. https://doi.org/10.1007/s005310050149

Xu C, Xu XW, Dai FC, Saraf AK (2012) Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China. Comput Geosci 46:317–329. https://doi.org/10.1016/j.cageo.2012.01.002

Yeşilnacar E, Topal T (2005) Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study Hendek region (Turkey). Eng Geol 79:251–266. https://doi.org/10.1016/j.enggeo.2005.02.002

Yin KL, Yan TZ (1988) Statistical prediction model for slope instability of metamorphosed rocks. In: Proceedings of 5th international symposium on landslides, Lausanne, Switzerland vol 2, pp 1269–1272

Zare M, Pourghasemi HR, Vafakhah M, Pradhan B (2013) Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arab J Geosci 6:2873–2888. https://doi.org/10.1007/s12517-012-0610-x

Zhang X, Song W, Liu L (2014) An implementation approach to store GIS spatial data on NoSQL database. In: The 22nd International conference on geoinformatics, Kaohsiung, pp 1–5. https://doi.org/10.1109/GEOINFORMATICS.2014.6950846

Zhu Z (2010) An earthquake-induced landslide risk assessment model using the model builder of ArcGIS. In: The 18th International conference on geoinformatics, Beijing, pp 1–4. https://doi.org/10.1109/GEOINFORMATICS.2010.5567701


ดูวิดีโอ: GIS Tools: ArcMapArcGIS Tool for counting inside features. points