09. NGHIÊN CỨU ỨNG DỤNG KỸ THUẬT HỌC MÁY KẾT HỢP HỆ THỐNG THÔNG TIN ĐỊA LÝ ĐỂ XÂY DỰNG BẢN ĐỒ NHẠY CẢM SẠT LỞ ĐẤT

Biên Trần Xuân, Dương Lưu Thùy

Giới thiệu

Sạt lở đất hàng năm đã gây thiệt hại lớn về tài sản, cơ sở hạ tầng và con người ở nhiều vùng miền núi của Việt Nam. Các nghiên cứu về sạt lở đất đã được quan tâm trong công tác quản lý, phòng chống thiên tai. Nghiên cứu này trình bày phương pháp học máy, đó là phân loại hàm cơ sở xuyên tâm (RBFC) để tạo bản đồ nhạy cảm sạt lở đất tại huyện Mường Chà của tỉnh Điện Biên thuộc vùng núi Tây Bắc, nơi thường xuyên bị ảnh hưởng bởi hệ thống đứt gãy kiến tạo phát triển rất mạnh mẽ. Trong các nghiên cứu mô hình, 12 yếu tố ảnh hưởng đã được lựa chọn dựa trên địa hình và điều kiện địa của khu vực. Để xác nhận hiệu suất của mô hình, các chỉ số thống kê bao gồm đường cong ROC/AUC và các chỉ số thống kê khác nhau được sử dụng. Kết quả nghiên cứu cho thấy rằng các mô hình phân loại hàm cơ sở xuyên tâm (RBFC) có độ chính xác cao trong xây dựng bản đồ dự báo không gian sạt lở đất, với AUCđào tạo = 0,931, AUCkiểm chứng = 0,857. Nghiên cứu này hữu ích cho việc xây dựng bản đồ nhạy cảm sạt lở đât với mục tiêu xác định các khu vực, vùng dễ bị sạt lở đất để quản lý rủi ro.

Toàn văn bài báo

Được tạo từ tệp XML

Trích dẫn

[1]. Haque, U, Da Silva, P.F, et al. (2019). The human cost of global warming: Deadly landslides and their triggers (1995 - 2014). Science of the Total Environment, 682.
[2]. Reichenbach, P, Rossi, M, et al. (2018). A review of statistically - based landslide susceptibility models. Earth - science reviews, 180.
[3]. Flentje, P. N, Miner, A, et al. (2007). Guidelines for landslide susceptibility, hazard and risk zoning for land use planning.
[4]. Darema, F (2004). Dynamic data driven applications systems: A new paradigm for application simulations and measurements. in International conference on computational science. Springer.
[5]. Agatonovic - Kustrin, S, Beresford, R. (2000). Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of Pharmaceutical and Biomedical analysis, 22(5).
[6]. Wang, H, Hu, D. (2005). Comparison of SVM and LS - SVM for regression. International conference on neural networks and brain. IEEE.
[7]. Pham, B. T, Tien Bui, D. and Prakash, I. (2017). Landslide susceptibility assessment using bagging ensemble based alternating decision trees, logistic regression and J48 decision trees methods: A comparative study. Geotechnical and Geological Engineering, 35(6).
[8]. Karaboga, D, Kaya, E. (2019). Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey. Artificial Intelligence Review, 52(4).
[9]. Pham, B. T, Phong, T. V et al. (2020). A comparative study of kernel logistic regression, radial basis function classifier, multinomial naïve bayes and logistic model tree for flash flood susceptibility mapping. Water, 12(1).
[10]. Van Westen, C, Van Asch, T. W and Soeters, R. (2006). Landslide hazard and risk zonation - why is it still so difficult? Bulletin of Engineering geology and the Environment, 65(2).
[11]. Bui, K - T. T, Tien Bui, D et al. (2018). A novel hybrid artificial intelligent approach based on neural fuzzy inference model and particle swarm optimization for horizontal displacement modeling of hydropower dam. Neural Computing and Applications, 29(12).
[12]. Luu, C, Nguyen, D. D et al. (2022). Using decision tree J48 based machine learning algorithm for flood susceptibility mapping: A case study in Quang Binh province, Vietnam. In CIGOS 2021, Emerging Technologies and Applications for Green Infrastructure. Springer. p. 1927 - 1935.
[13]. Tran, H. T, Campbell, J. B et al. (2017). Monitoring drought vulnerability using multispectral indices observed from sequential remote sensing (Case study: Tuy Phong, Binh Thuan, Vietnam). GIScience & Remote Sensing, 54(2).
[14]. Phong, T. V, Pham, B. T et al. (2021). Groundwater potential mapping using GIS ‐ based hybrid artificial intelligence methods. Groundwater, 59(5).
[15]. Bui, D.T, Lofman, O et al. (2011). Landslide susceptibility analysis in the Hoa Binh province of Vietnam using statistical index and logistic regression. Natural hazards, 59(3).
[16]. Chen, W, Fan, L et al. (2019). Spatial prediction of landslides using hybrid integration of artificial intelligence algorithms with frequency ratio and index of entropy in nanzheng county, china. Applied Sciences, 10(1)
[17]. Chapi, K, Singh, V. P et al. (2017). A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental modelling & software, 95.
[18]. Tien Bui, D, Shirzadi, A et al. (2019). A novel ensemble artificial intelligence approach for gully erosion mapping in a semi - arid watershed (Iran). Sensors, 19(11).
[19]. Danh, N.T, Ngọ, Đ.V, Dũng, T. Q. (2017). Ứng dụng phương pháp hồi quy logistic xác định tổ hợp tối ưu các yếu tố ảnh hưởng và xây dựng bản đồ tai biến trượt lở đất huyện Khánh Vĩnh, tỉnh Khánh Hòa. Science and Technology Development Journal, 20(K4 - 2017).
[20]. Pham, B.T, Nguyen, M. D et al. (2019). A novel artificial intelligence approach based on multi - layer perceptron neural network and biogeography - based optimization for predicting coefficient of consolidation of soil. Catena, 173.

Các tác giả

Biên Trần Xuân
txbien.ph@hunre.edu.vn (Liên hệ chính)
Dương Lưu Thùy
Trần Xuân, B., & Lưu Thùy, D. (2022). 09. NGHIÊN CỨU ỨNG DỤNG KỸ THUẬT HỌC MÁY KẾT HỢP HỆ THỐNG THÔNG TIN ĐỊA LÝ ĐỂ XÂY DỰNG BẢN ĐỒ NHẠY CẢM SẠT LỞ ĐẤT. Tạp Chí Khoa học Tài Nguyên Và Môi trường, (42), 90–101. Truy vấn từ https://tapchikhtnmt.hunre.edu.vn/index.php/tapchikhtnmt/article/view/433
##submission.license.notAvailable##

Chi tiết bài viết

Các bài báo tương tự

<< < 1 2 3 4 5 > >> 

Bạn cũng có thể bắt đầu một tìm kiếm tương tự nâng cao cho bài báo này.

Các bài báo được đọc nhiều nhất của cùng tác giả