基于无监督学习算法的滑坡易发性评价的实施（k聚类、谱聚类、Hier聚类）

本文主要是介绍基于无监督学习算法的滑坡易发性评价的实施（k聚类、谱聚类、Hier聚类），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

基于无监督学习算法的滑坡易发性评价的实施

1. k均值聚类
2. 谱聚类
3. Hier聚类
4. 基于上述聚类方法的易发性实施

本研究中的数据集和代码可从以下链接下载：

数据集
实施代码

1. k均值聚类

K-Means 聚类是一种矢量量化方法，最初来自信号处理，旨在将 N 个观测值划分为 K 个聚类，其中每个观测值都属于具有最接近均值的聚类（聚类中心或聚类质心），作为聚类的原型。这导致将数据空间划分为 Voronoi 单元。k-means 聚类最小化了聚类内方差（欧几里得距离的平方），但不能最小化正则欧几里得距离，这将是更困难的韦伯问题：均值优化平方误差，而只有几何中位数最小化欧几里得距离。例如，使用 k 中位数和 k-中位数可以找到更好的欧几里得解。
在这里插入图片描述

2. 谱聚类

在多元统计中，谱聚类技术利用数据相似性矩阵的谱（特征值）在聚类到较少的维度之前执行降维。相似性矩阵作为输入提供，包括对数据集中每对点的相对相似度的定量评估。

在图像分割的应用中，光谱聚类被称为基于分割的对象分类。

聚类前
在这里插入图片描述
聚类后

3. Hier聚类

在数据挖掘和统计中，分层聚类（也称为分层聚类分析或 HCA）是一种聚类分析方法，旨在构建聚类层次结构。分层聚类的策略通常分为两类：

聚集：这是一种“自下而上”的方法：每个观测点从其自己的聚类开始，随着聚类的向上移动，成对的聚类会合并。
除法：这是一种“自上而下”的方法：所有观察值都从一个聚类开始，当一个聚类向下移动时，以递归方式执行拆分。
一般来说，合并和拆分是以贪婪的方式确定的。分层聚类[1]的结果通常以树状图的形式呈现。

分层聚类具有明显的优势，即可以使用任何有效的距离度量。事实上，观测本身并不是必需的：所使用的只是一个距离矩阵。另一方面，除了单联动距离的特殊情况外，其他算法可以保证找到最佳解决方案。

聚类前
在这里插入图片描述
聚类后

4. 基于上述聚类方法的易发性实施

数据集见链接：埕岛海域数据集

通过gis数据处理得到同一投影坐标系下的海底滑坡相关的因子

在这里插入代码片

因子——水深、坡度、坡向、沉积物类型、波致剪应力
在这里插入图片描述
2. 对数据进行重分类，采用Arcgis空间分析中的重分类工具

#数据探索
import rasterio
rs1=rasterio.open(r'Sea_mct_560_evaluate\Reclass_560\Rebathy.tif')
result1=rs1.read(masked=True)
rs2=rasterio.open(r'Sea_mct_560_evaluate\Reclass_560\Reslope.tif')
result2=rs2.read(masked=True)
rs3=rasterio.open(r'Sea_mct_560_evaluate\Reclass_560\Reaspect.tif')
result3=rs3.read(masked=True)
rs4=rasterio.open(r'Sea_mct_560_evaluate\Reclass_560\Resediment.tif')
result4=rs4.read(masked=True)
rs5=rasterio.open(r'Sea_mct_560_evaluate\Reclass_560\Reshear.tif')
result5=rs5.read(masked=True)
import matplotlib.pyplot as plt
from rasterio.plot import show
from matplotlib import colors,cm
fig,ax=plt