CAS滑坡数据集入门指南：从数据获取到模型训练的全流程解析

1次阅读

没有评论

共计 2250 个字符，预计需要花费 6 分钟才能阅读完成。

CAS 滑坡数据集是一个专门用于滑坡预测和地质风险分析的开源数据集。它包含了多种地理和气象特征，如坡度、降雨量、土壤类型等，以及对应的滑坡发生标签。这个数据集的特点是：

多源数据融合：结合了遥感影像、地质调查和气象观测数据
时空标记明确：每个样本都有精确的地理位置和时间戳
类别不平衡：正样本 (滑坡发生) 占比通常较小

该数据集适用于构建滑坡预警系统、地质风险评估模型等应用场景。

CAS 滑坡数据集可以通过以下途径获取：

官方 GitHub 仓库：https://github.com/cas-landslide/dataset
科研数据共享平台（如 Figshare）
通过邮件向 CAS 地质研究所申请

数据集采用 CC BY-NC-SA 4.0 许可，允许非商业用途下的自由使用和修改，但需署名并保持相同许可方式。

import pandas as pd
import numpy as np

# 加载数据集
data = pd.read_csv('cas_landslide_dataset.csv')

# 查看数据结构
print(data.head())
print(f"数据集形状: {data.shape}")
print(f"特征列表: {data.columns.tolist()}")

# 检查缺失值
print("缺失值统计:")
print(data.isnull().sum())

# 处理缺失值
# 对于数值特征，使用中位数填充
data.fillna(data.median(), inplace=True)

# 对于类别特征，使用众数填充
categorical_cols = ['soil_type', 'land_cover']
for col in categorical_cols:
    data[col].fillna(data[col].mode()[0], inplace=True)

from sklearn.preprocessing import StandardScaler

# 分离特征和标签
X = data.drop('landslide_occurrence', axis=1)
y = data['landslide_occurrence']

# 数值特征标准化
numeric_cols = ['slope', 'rainfall', 'elevation']
scaler = StandardScaler()
X[numeric_cols] = scaler.fit_transform(X[numeric_cols])

# 类别特征独热编码
X = pd.get_dummies(X, columns=['soil_type', 'land_cover'])

from sklearn.model_selection import train_test_split

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

print(f"训练集大小: {X_train.shape}")
print(f"测试集大小: {X_test.shape}")

下面使用 Scikit-learn 构建一个简单的随机森林分类器：

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 初始化模型
model = RandomForestClassifier(
    n_estimators=100,
    max_depth=5,
    random_state=42,
    class_weight='balanced'  # 处理类别不平衡
)

# 训练模型
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))