Evaluación de enfoques basados en aprendizaje automático en la cartografía de susceptibilidad a la subsidencia del terreno
Autores: Hosseinzadeh, Elham; Anamaghi, Sara; Behboudian, Massoud; Kalantari, Zahra
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluación de enfoques basados en aprendizaje automático en la cartografía de susceptibilidad a la subsidencia del terreno
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Hundimiento de tierras
Mapeo de peligros
Enfoques de aprendizaje automático
Mapas de susceptibilidad al hundimiento de tierras
Variables de entrada
Método BRT
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El hundimiento del terreno (LS) debido a fuerzas naturales y humanas (por ejemplo, terremotos y sobreexplotación de aguas subterráneas) tiene impactos perjudiciales e irreversibles en los aspectos ambientales, económicos y sociales de la vida humana. Por lo tanto, la cartografía, el monitoreo y la predicción del riesgo de LS son importantes para científicos y tomadores de decisiones. Este estudio evaluó el rendimiento de siete enfoques de aprendizaje automático (MLAs), que comprenden seis enfoques de clasificación y un enfoque de regresión, a saber: (1) árboles de clasificación y regresión (CARTs), (2) árbol de regresión aumentado (BRT), (3) regresión lineal bayesiana (BLR), (4) máquina de soporte vectorial (SVM), (5) bosque aleatorio (RF), (6) regresión logística (LogR) y (7) regresión lineal múltiple (MLR), en la generación de mapas de susceptibilidad a LS y en la predicción de LS en dos estudios de caso (llano de Semnan y llano de Kashmar en Irán) con características intrínsecas y puntos de datos disponibles variables. Se utilizaron múltiples variables de entrada (pendiente, aspecto, descenso de aguas subterráneas, distancia del río, distancia de la falla, litología, uso del suelo, índice de humedad topográfica (TWI) e índice de vegetación de diferencia normalizada (NDVI)) como predictores. El BRT superó a los otros enfoques de clasificación en ambos estudios de caso, con tasas de precisión del 75% y 74% para los llanos de Semnan y Kashmar, respectivamente. El enfoque MLR arrojó un error cuadrático medio (MSE) de 0.25 para el llano de Semnan y 0.32 para el llano de Kashmar. Según el enfoque BRT, las variables que desempeñaron el papel más significativo en LS en el llano de Semnan fueron el descenso de aguas subterráneas (20.31%), la distancia del río (17.11%), el uso del suelo (14.98%), NDVI (12.75%) y litología (11.93%). Además, los tres factores más importantes en LS en el llano de Kashmar fueron el descenso de aguas subterráneas (35.31%), la distancia del río (23.1%) y el uso del suelo (12.98%). Los resultados sugieren que el método BRT no se ve significativamente afectado por el tamaño del conjunto de datos, pero aumentar el número de puntos de datos del conjunto de entrenamiento en MLR resulta en una disminución de la tasa de error.
Descripción
El hundimiento del terreno (LS) debido a fuerzas naturales y humanas (por ejemplo, terremotos y sobreexplotación de aguas subterráneas) tiene impactos perjudiciales e irreversibles en los aspectos ambientales, económicos y sociales de la vida humana. Por lo tanto, la cartografía, el monitoreo y la predicción del riesgo de LS son importantes para científicos y tomadores de decisiones. Este estudio evaluó el rendimiento de siete enfoques de aprendizaje automático (MLAs), que comprenden seis enfoques de clasificación y un enfoque de regresión, a saber: (1) árboles de clasificación y regresión (CARTs), (2) árbol de regresión aumentado (BRT), (3) regresión lineal bayesiana (BLR), (4) máquina de soporte vectorial (SVM), (5) bosque aleatorio (RF), (6) regresión logística (LogR) y (7) regresión lineal múltiple (MLR), en la generación de mapas de susceptibilidad a LS y en la predicción de LS en dos estudios de caso (llano de Semnan y llano de Kashmar en Irán) con características intrínsecas y puntos de datos disponibles variables. Se utilizaron múltiples variables de entrada (pendiente, aspecto, descenso de aguas subterráneas, distancia del río, distancia de la falla, litología, uso del suelo, índice de humedad topográfica (TWI) e índice de vegetación de diferencia normalizada (NDVI)) como predictores. El BRT superó a los otros enfoques de clasificación en ambos estudios de caso, con tasas de precisión del 75% y 74% para los llanos de Semnan y Kashmar, respectivamente. El enfoque MLR arrojó un error cuadrático medio (MSE) de 0.25 para el llano de Semnan y 0.32 para el llano de Kashmar. Según el enfoque BRT, las variables que desempeñaron el papel más significativo en LS en el llano de Semnan fueron el descenso de aguas subterráneas (20.31%), la distancia del río (17.11%), el uso del suelo (14.98%), NDVI (12.75%) y litología (11.93%). Además, los tres factores más importantes en LS en el llano de Kashmar fueron el descenso de aguas subterráneas (35.31%), la distancia del río (23.1%) y el uso del suelo (12.98%). Los resultados sugieren que el método BRT no se ve significativamente afectado por el tamaño del conjunto de datos, pero aumentar el número de puntos de datos del conjunto de entrenamiento en MLR resulta en una disminución de la tasa de error.