BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  24,183,238
  • Công bố khoa học và công nghệ Việt Nam

36

Trắc địa học và bản đồ học

Đỗ Minh Hiển(1), Nguyễn Vãn Hoàng, Mai Lê Dũng, Ngô Thị Hương, Lương Hữu Dũng, Nguyễn Bình Phong

Sử dụng phương pháp tỷ sô tần suất và các phương pháp học máy để thành lập bản đồ nhạy cảm trượt lở. khu vực thử nghiệm: xã phìn ngan, tỉnh lào cai

Landslide susceptibility mapping by using frequency ratio method and machine learning models: A case study of Phin Ngan Commune, Lao Cai Province, Vietnam

Khoa học Tài nguyên và Môi trường

2022

42

150-166

0866-7608

Bản đồ tính nhạy cảm trượt lở, Tỷ lệ tần suất, Hồi quy logistic, Mạng bayes, Máy vectơ hỗ trợ.

Landslide susceptibility mapping, Frequency ratio, Logistic regression, Bayesian network, Support vector machines.

Đánh giá tính nhạy cảm với tai biến trượt lở khu vực xã Phin Ngan, tỉnh Lào Cai, Việt Nam đã được thực hiện bằng cách áp dụng ba mô hình học máy là hồi quy logic (LR), mạng Bayes (BN), máy véc tơ hỗ trợ (SVM) và phương pháp thống kê tỷ số tần suất (FR) mà FR được sử dụng đế tính toán các giá trị trọng sổ của mỗi lớp tham số trong các bản đồ tác nhân. Các bản đồ có trọng số này sau đó được kết hợp với bản đồ trượt lở để đánh giá mối quan hệ không gian của chúng. Tiếp theo, các mô hĩnh học mảy sẽ được áp dụng để tính toán mức độ quan trọng của từng bản đồ tác nhân gây trượt lở. Hiệu suất của các mô hĩnh học máy đã được đánh giá bằng cách sử dụng đường cong đặc tính hoạt động thu được (ROC) và diện tích dưới đường cong (AUC).
Phân tích và so sánh kết quả cho thấy cả 3 mô hĩnh đều cho kết quả tốt khỉ đánh giá tỉnh nhạy cảm với trượt lở đất (AUC = 87,2 - 97,5 %). Tuy nhiên, mô hình BN (AUC = 97,5 %) có hiệu suất tốt nhất so với các mô hình trượt lở khác, tiếp theo là mô hình LR (AUC = 94,6 %) và mô hình SVM (AUC = 87,2 %). Ket quả chỉ ra rằng các mô hình đã cho kết quả đầu ra với khả năng dự báo tốt. Chúng cũng rất hữu ích trong việc hỗ trợ lập kế hoạch sử dụng đất, phòng ngừa và giảm thiếu rủi ro do sạt lở đẩt trong khu vực nghiên cứu.

Landslide susceptibility assessment in Phin Ngan commune, Lao Cai province, Vietnam has been carried out by applying three machine learning (ML) models (Logistic Regression - LR, Bayesian Network - BN and Support Vector Machines - SVM), and the Frequency Ratio (FR) method. First, FR was applied to calculate the weighting values o f each parameter classes in the factor maps. Second, ML models were applied to calculate the importance o f each landslide related factor map. Then, the landslide susceptibility index (LSI) maps were generated by combining the importance values of factor maps obtained from ML models and the parameter classes that was assigned the weighting values o f factor maps created by FR model. Next, the performance of these ML methods has been evaluated using receiver operating characteristic (ROC) curve and area under the curve (AUC). Analysis and comparison of the results showed that all three ML models performed well for landslide susceptibility assessment (AUC = 87.2 % - 97.5 %). The BNmodel (AUC = 97.5 %) showed the best performance in comparison to other landslide models (LR model: AUC = 94.6 % and the SVM model: AUC = 87.2 %). The results indicated that the models have given outputs with good forecasting ability. They are also very useful in supporting land - use planning, the prevention and mitigation o f risks due to landslides in the research area.

TTKHCNQG, CVv 456

Xem toàn văn