Técnica de Ensamblaje por Apilamiento Usando Modelos de Aprendizaje Automático Optimizados con Selección de Características Boruta-XGBoost para el Mapeo de Susceptibilidad a Deslizamientos de Tierra: Un Caso de la Provincia de Kermanshah, Irán
Autores: Yousefi, Zeynab; Alesheikh, Ali Asghar; Jafari, Ali; Torktatari, Sara; Sharif, Mohammad
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Técnica de Ensamblaje por Apilamiento Usando Modelos de Aprendizaje Automático Optimizados con Selección de Características Boruta-XGBoost para el Mapeo de Susceptibilidad a Deslizamientos de Tierra: Un Caso de la Provincia de Kermanshah, Irán
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Deslizamientos de tierra
Aprendizaje automático
LSM
Optimización
Técnica de conjunto
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los deslizamientos de tierra causan pérdidas humanas y financieras significativas en diferentes regiones del mundo. Se requiere un mapa de susceptibilidad a deslizamientos de tierra (LSM) de alta precisión para reducir los efectos adversos de los deslizamientos. El aprendizaje automático (ML) es una herramienta robusta para la creación de LSM. Los modelos de ML requieren grandes cantidades de datos para predecir los deslizamientos con precisión. Este estudio ha desarrollado una técnica de ensamblaje por apilamiento basada en ML y optimización para mejorar la precisión de un LSM considerando conjuntos de datos pequeños. Se utilizó la selección de características Boruta-XGBoost para determinar la combinación óptima de características. Luego, se realizó un análisis inteligente y preciso para preparar el LSM utilizando un enfoque dinámico e híbrido basado en el Sistema de Inferencia Difusa Adaptativa (ANFIS), la Máquina de Aprendizaje Extremo (ELM), la Regresión por Vectores de Soporte (SVR) y nuevos algoritmos de optimización (Optimización de Escarabajo Dama [LBO] y Optimización de Forrajeo de Anguila Eléctrica [EEFO]). Después de la optimización del modelo, se utilizó una técnica de aprendizaje por ensamblaje por apilamiento para ponderar los modelos y combinar las salidas del modelo para aumentar la precisión y fiabilidad del LSM. Las combinaciones de pesos de los modelos se optimizaron utilizando LBO y EEFO. Se utilizaron los parámetros de Error Cuadrático Medio (RMSE) y Área Bajo la Curva de la Característica Operativa del Receptor (AUC-ROC) para evaluar el rendimiento de estos modelos. Se utilizó un conjunto de datos de deslizamientos de tierra de la provincia de Kermanshah, Irán, y 17 factores influyentes para evaluar el enfoque propuesto. El inventario de deslizamientos de tierra fue de 116 puntos, y se aplicó el método combinado de Voronoi y entropía para el muestreo de puntos no deslizantes. Los resultados mostraron una mayor precisión de la técnica de ensamblaje por apilamiento con los algoritmos EEFO y LBO, con valores de AUC-ROC del 94.81% y 94.84% y valores de RMSE de 0.3146 y 0.3142, respectivamente. El enfoque propuesto puede ayudar a los gerentes y planificadores a preparar LSM precisos y fiables y, como resultado, reducir las pérdidas humanas y financieras asociadas con los eventos de deslizamientos de tierra.
Descripción
Los deslizamientos de tierra causan pérdidas humanas y financieras significativas en diferentes regiones del mundo. Se requiere un mapa de susceptibilidad a deslizamientos de tierra (LSM) de alta precisión para reducir los efectos adversos de los deslizamientos. El aprendizaje automático (ML) es una herramienta robusta para la creación de LSM. Los modelos de ML requieren grandes cantidades de datos para predecir los deslizamientos con precisión. Este estudio ha desarrollado una técnica de ensamblaje por apilamiento basada en ML y optimización para mejorar la precisión de un LSM considerando conjuntos de datos pequeños. Se utilizó la selección de características Boruta-XGBoost para determinar la combinación óptima de características. Luego, se realizó un análisis inteligente y preciso para preparar el LSM utilizando un enfoque dinámico e híbrido basado en el Sistema de Inferencia Difusa Adaptativa (ANFIS), la Máquina de Aprendizaje Extremo (ELM), la Regresión por Vectores de Soporte (SVR) y nuevos algoritmos de optimización (Optimización de Escarabajo Dama [LBO] y Optimización de Forrajeo de Anguila Eléctrica [EEFO]). Después de la optimización del modelo, se utilizó una técnica de aprendizaje por ensamblaje por apilamiento para ponderar los modelos y combinar las salidas del modelo para aumentar la precisión y fiabilidad del LSM. Las combinaciones de pesos de los modelos se optimizaron utilizando LBO y EEFO. Se utilizaron los parámetros de Error Cuadrático Medio (RMSE) y Área Bajo la Curva de la Característica Operativa del Receptor (AUC-ROC) para evaluar el rendimiento de estos modelos. Se utilizó un conjunto de datos de deslizamientos de tierra de la provincia de Kermanshah, Irán, y 17 factores influyentes para evaluar el enfoque propuesto. El inventario de deslizamientos de tierra fue de 116 puntos, y se aplicó el método combinado de Voronoi y entropía para el muestreo de puntos no deslizantes. Los resultados mostraron una mayor precisión de la técnica de ensamblaje por apilamiento con los algoritmos EEFO y LBO, con valores de AUC-ROC del 94.81% y 94.84% y valores de RMSE de 0.3146 y 0.3142, respectivamente. El enfoque propuesto puede ayudar a los gerentes y planificadores a preparar LSM precisos y fiables y, como resultado, reducir las pérdidas humanas y financieras asociadas con los eventos de deslizamientos de tierra.