| 1 |
2026/08/05 22:19 |
侯*旭 |
本人正在开展滑坡位移预测算法研究，需复现 Engineering Geology 论文 LiteTransNet 中的三峡库区滑坡位移预测流程，并在此基础上研究轻量注意力模型与门控增强方法。所需数据仅用于非商业学术研究、模型训练与论文复现实验。
|
| 2 |
2026/08/02 22:46 |
张*伦 |
用于硕士期间小论文期刊，目前正在做实验，关于多模态融合+物理信息网络的研究。
|
| 3 |
2026/08/03 18:08 |
李* |
基于源域迁移的神经ODE-状态转移网络滑坡阶梯状位移预测方法
摘要：滑坡累计位移序列通常呈现明显的阶梯状演化特征，同时伴随观测时间不规则、阶梯持续时长变化以及目标滑坡早期样本不足等问题，给预测建模带来较大挑战。针对上述问题，本文提出一种面向滑坡阶梯状位移预测的源域迁移混合建模框架。该方法首先基于真实监测位移序列计算位移增量、速度、加速度及速度突变等动态特征，并结合源域滑坡降雨信息提取季节性活跃先验，实现基于局部突变证据和季节先验软约束的阶梯边界检测与序列分段；随后，在阶梯内部引入神经常微分方程（Neural ODE），刻画累计位移与速度组成的连续状态变量随真实不规则时间坐标的演化过程，并构建阶梯间状态转移网络，学习相邻阶梯之间由上一阶梯末端状态到下一阶梯初始状态的衔接关系，形成“阶梯内连续演化 + 阶梯间状态转移”的组合预测框架。本文以新滩滑坡作为源域，以白水河滑坡作为目标域，在目标域已知比例为20%的少样本条件下开展迁移学习与微调实验；其中，白水河前20%数据用于目标域归一化、阶梯边界检测和 Neural ODE 微调，后80%数据作为严格独立测试段，仅用于最终预测评价。实验结果表明，所提出方法能够在少样本目标域条件下实现白水河未来累计位移预测，并在RMSE、MAE、MAPE和R²等指标上取得较好的综合表现。本文研究为不规则监测条件下滑坡阶梯状位移预测提供了一种结合连续动力系统建模、阶梯状态转移学习与跨滑坡迁移的实现路径。（硕士论文）
|
| 4 |
2026/07/22 05:43 |
陈* |
准备发表期刊论文，论文主题是采用深度学习方法进行滑坡监测和预测，使用本数据进行模型训练，导师为武汉理工钱闯副教授。希望可以接受申请。
|
| 5 |
2026/03/21 23:24 |
马* |
因参加统计建模比赛时需要数据集中数据进行完成比赛的相关内容，特此申请。
|
| 6 |
2025/12/25 03:11 |
卢*洋 |
论文题目：基于机器学习滑坡位移预测
数据在研究中的作用：作为机器学习模型的训练集和验证集
论文类型：科研论文
导师姓名：田斌
|
| 7 |
2025/12/22 00:50 |
屈*锋 |
Paper title：Landslide displacement prediction based on the CEEMDAN method and Transformer model. Paper abstract：Landslides are a typical geological disaster and pose a great challenge to land use management. However, traditional landslide displacement models often neglect the impact of random displacements. To address this issue, this paper proposes a deep learning model based on the Transformer architecture. The model innovatively applies the CEEMDAN method to decompose landslide displacements and employs the GRA-MIC fusion correlation calculation method to identify the influencing factors of displacement. Finally, the Transformer model is used for prediction. By leveraging the self-attention mechanism, the constructed Transformer model comprehensively captures the long-term global dependencies of displacement sequences for landslide displacement prediction. Two new concepts for evaluating landslide states and landslide trends are introduced to further enhance the predictive performance of the model. Subsequently, we discuss the predictive performance of the Transformer model under four different input conditions and compare it with seven other predictive models (including CNN-BiLSTM). The experimental results demonstrate that the proposed model has strong applicability in landslide-prone areas, providing solid support for disaster prevention, mitigation, and land use management. Keywords: land use management; landslide displacement prediction; complete ensemble empirical mode decomposition with adaptive noise; transformer Paper type：研究型论文 Tutor 任青阳
|
| 8 |
2025/12/20 17:16 |
马*婷 |
论文题目：基于历史记录的长江三峡库区滑坡灾害时空演变分析
数据在研究中的作用：用于数据研究分析作为支撑
论文类型：本科毕业论文
导师姓名：查小春
|
| 9 |
2025/11/01 21:47 |
贺*翔 |
申请用于项目研究学习，研究内容：利用大模型对滑坡等灾害实现预警
|
| 10 |
2025/10/22 23:06 |
樊*龙 |
本人为南昌大学水利工程博士研究生樊成龙，指导教师为姚池教授，为构建人工神经网络数据集以预测边坡变形特此申请下载数据，在后续的大小论文中将严格按照学术规范引用数据来源，感谢！
|
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
CSTR:11738.11.ncdc.Sanxia.2020.80
10.12072/sanxia.012.2017.db
