Un método objetivo de muestreo de datos de ausencia para mapear la susceptibilidad a deslizamientos de tierra

Aug 21, 2023

Scientific Reports volumen 13, número de artículo: 1740 (2023) Citar este artículo

1270 Accesos

4 citas

Detalles de métricas

La precisión y calidad del mapa de susceptibilidad a deslizamientos de tierra dependen de las ubicaciones de deslizamientos de tierra disponibles y de la estrategia de muestreo para los datos de ausencia (ubicaciones sin deslizamientos de tierra). En este estudio, proponemos un método objetivo para determinar el valor crítico para el muestreo de datos de ausencia basados ​​en distancias de Mahalanobis (DM). Demostramos este método en el mapeo de susceptibilidad a deslizamientos de tierra de tres subdistritos (Upazilas) del distrito de Rangamati, Bangladesh, y comparamos los resultados con el mapa de susceptibilidad a deslizamientos producido con base en el método de muestreo de datos de ausencia basado en pendientes. Utilizando los 15 factores causales del deslizamiento de tierra, incluida la pendiente, la orientación y la curvatura del plano, primero determinamos el valor crítico de 23,69 con base en la distribución Chi-cuadrado con 14 grados de libertad. Este valor crítico se utilizó luego para determinar el espacio de muestreo para 261 datos de ausencias aleatorias. En comparación, elegimos otro conjunto de datos de ausencia basado en un umbral de pendiente de <3°. Luego se generaron mapas de susceptibilidad a deslizamientos utilizando el modelo forestal aleatorio. Se utilizaron las curvas de característica operativa del receptor (ROC) y el índice Kappa para evaluar la precisión, mientras que el índice de área de células de semillas (SCAI) se utilizó para evaluar la consistencia. El mapa de susceptibilidad a deslizamientos de tierra producido utilizando nuestro método propuesto tiene valores de ajuste del modelo (0,87), predicción (0,85) y Kappa (0,77) relativamente altos. Aunque el mapa de susceptibilidad a deslizamientos de tierra producido por el muestreo basado en pendientes también tiene una precisión relativamente alta, los valores SCAI sugieren una menor consistencia. Además, el muestreo basado en pendientes es muy subjetivo; por lo tanto, recomendamos utilizar un muestreo de datos de ausencia basado en MD para mapear la susceptibilidad a deslizamientos de tierra.

Los deslizamientos de tierra son el movimiento de rocas, suelo y tierra a lo largo de una pendiente1 cuando el esfuerzo cortante sobre los materiales de la pendiente excede la resistencia al corte2. Provoca daños a las infraestructuras y pérdida de vidas humanas en todo el mundo3,4,5. El inventario de deslizamientos de tierra y el mapeo de susceptibilidad son críticos para mitigar las pérdidas causadas por deslizamientos2,6,7,8,9. Los documentos de inventario de deslizamientos de tierra ocurrieron previamente10, mientras que la susceptibilidad a los deslizamientos de tierra describe la probabilidad de que se produzcan deslizamientos de tierra en un área11. Los deslizamientos de tierra se ven afectados por varios factores causales, como la pendiente, la curvatura, el uso/cobertura del suelo, la geología y la elevación7,12,13. El inventario de deslizamientos de tierra y su relación con diferentes factores causales se puede utilizar para derivar el mapa de susceptibilidad a deslizamientos de tierra14.

Se han utilizado varios métodos estadísticos para mapear la susceptibilidad a deslizamientos de tierra, incluida la regresión logística, máquinas de vectores de soporte, bosque aleatorio y aumento de gradiente15,16,17. Estos métodos estadísticos utilizan factores causales de deslizamientos de tierra como variables independientes y ubicaciones de deslizamientos de tierra (datos de presencia) y ubicaciones sin deslizamientos de tierra (datos de ausencia) como variables dependientes4. Los datos de presencia provienen principalmente del inventario de deslizamientos. Por el contrario, la ausencia de datos generalmente no está disponible y requiere una estrategia específica para muestrear lugares donde la probabilidad de deslizamientos de tierra es baja7,18. La calidad y precisión de los mapas de susceptibilidad a deslizamientos de tierra dependen no sólo de la calidad de los factores causales y los datos de presencia, sino también del método de muestreo de datos de ausencia y, a veces, la precisión depende de cómo se realiza este muestreo18.

El muestreo aleatorio es el enfoque más común para los datos de ausencia. Considera todos los lugares distintos de los deslizamientos de tierra registrados para los datos de ausencia19,20. Este método requiere un inventario de deslizamientos de tierra representativo de toda el área21. Es adecuado para mapear la susceptibilidad a deslizamientos de tierra en un área relativamente pequeña, pero enfrenta desafíos en un área grande o a escala regional12. La precisión del mapa de susceptibilidad a deslizamientos de tierra basado en un muestreo aleatorio es generalmente baja y está sesgada hacia las ubicaciones conocidas de los deslizamientos21. Se han propuesto varios métodos de muestreo de datos de ausencia para mejorar la precisión y la calidad del mapeo de susceptibilidad a deslizamientos de tierra, incluido el análisis exploratorio de datos previos, el muestreo controlado de zonas de amortiguamiento, medidas basadas en distancia y densidad como la estimación de la densidad del núcleo, la distancia euclidiana, una clase o presencia. único método de clasificación y modelado de distribución de densidad de especies como Bioclim7,8,12,21.

El análisis exploratorio de datos previo determina una zona segura para el muestreo de datos de ausencia en función de las ubicaciones de deslizamientos de tierra disponibles7,8,22. Este método generalmente elige uno de los factores causales más importantes, como la pendiente y la geología, para determinar la zona segura para el muestreo de datos de ausencia8,12. Sin embargo, los resultados generados mediante este método están sesgados hacia el factor seleccionado. Por ejemplo, si la zona segura se determina en función de la pendiente, es probable que el modelo esté sesgado hacia la pendiente8. Yao et al.23 utilizaron un método de muestreo controlado por zonas de amortiguamiento, asumiendo que las áreas cercanas entre sí son más similares que las distantes. La selección de la distancia de amortiguación es subjetiva porque depende del conocimiento experto21. Hong et al.24 propusieron un método de clasificación de una clase o de sólo presencia similar al método de la máquina de vectores de soporte de una clase. En este método, la clasificación como datos de ausencia y presencia no se proporciona en la etapa de entrenamiento del modelo. Sólo los datos de presencia se utilizan para clasificar un área en dos partes: una parte es similar a los datos de presencia o deslizamientos, y la otra tiene diferencias con los deslizamientos. El área con grandes diferencias se utiliza para el muestreo de datos de ausencia.

El muestreo basado en distancia supone que áreas con condiciones ambientales similares (explicadas por los factores causales) experimentan procesos geomórficos similares como deslizamientos de tierra8,21. Se necesita un umbral de distancia, conocido como valor crítico, para determinar el espacio de muestreo para los datos de ausencia19. Aunque se han utilizado varias medidas basadas en la distancia, aún no se ha explicado la determinación de este valor crítico21. Generalmente, los usuarios seleccionan el valor crítico subjetivamente para maximizar la precisión del mapa de susceptibilidad a deslizamientos8. Además, solo se utiliza un método, como el área bajo la curva o el índice continuo de Boyce, para evaluar la precisión del mapeo17,21 sin considerar la consistencia del mapeo17,25. Un modelo de susceptibilidad a deslizamientos de tierra puede lograr una alta precisión aumentando el área bajo zonas altas y muy altas propensas a deslizamientos de tierra. Sin embargo, puede sobreestimar la susceptibilidad a los deslizamientos al asignar áreas libres de deslizamientos como zonas propensas26. Implementar el mapa sobreestimado con fines prácticos es imposible ya que pierde su consistencia17. Zhu et al.21 encontraron que disminuir el espacio de muestreo de los datos de ausencia aumenta la precisión del mapa de susceptibilidad a deslizamientos de tierra, pero puede sobreestimar la susceptibilidad a deslizamientos de tierra8,21. Elegir el valor o umbral crítico es esencial para satisfacer tanto la precisión como la coherencia.

Se han propuesto varios métodos de muestreo y cada uno de ellos tiene algunas deficiencias. El análisis exploratorio de datos previos puede ser un método sesgado. En cuanto al método basado en la distancia, la selección del umbral de distancia tiene un impacto en la precisión del mapa de susceptibilidad a deslizamientos de tierra. Además, para el método basado en pendiente y distancia se pueden aplicar varios umbrales y, en función de la precisión, se selecciona un umbral, lo que reduce la objetividad de estos métodos. En este sentido, existe la necesidad de un método objetivo que sea aplicable a cualquier parte del mundo y que además no dependa de las variables o factores causales de deslizamientos del mapeo de susceptibilidad. Para llenar este vacío, en este trabajo propusimos un método objetivo para determinar el valor crítico del muestreo de datos de ausencia basado en la distribución Chi-cuadrado de la distancia de Mahalanobis y un nivel de confianza especificado por el usuario. Aplicamos este método propuesto al mapeo de susceptibilidad a deslizamientos de tierra en los tres Upazilas (subdistrito) del distrito de Rangamati, Bangladesh, y comparamos el desempeño del modelo con un método basado en pendientes tradicionalmente utilizado para el muestreo de datos de ausencia.

Este estudio empleó la tercera ley de la geografía21 para determinar el espacio de muestreo para el muestreo de datos de ausencia. Según la tercera ley de la geografía, si dos áreas tienen el mismo entorno geográfico, experimentarán los mismos procesos geográficos, como deslizamientos de tierra21. Las características del entorno geográfico utilizado en este estudio son los factores causales de los deslizamientos. Dado que estamos buscando un espacio de muestreo para el muestreo de datos de ausencia (deslizamientos de tierra), debemos encontrar las áreas con las menores similitudes con las ubicaciones de los deslizamientos de tierra. Suponemos que las ubicaciones de los deslizamientos de tierra tendrán un entorno geomórfico definido por los factores causales de los deslizamientos. Por ejemplo, la pendiente es un factor causal de deslizamientos de tierra, y para todas las ubicaciones de deslizamientos de tierra, habrá un valor típico de pendiente (por ejemplo, la pendiente promedio para las ubicaciones de deslizamientos de tierra observadas). Buscamos ubicaciones cuya pendiente posea las mayores diferencias con la pendiente típica de las ubicaciones de deslizamientos. Si tenemos un número n de ubicaciones de deslizamientos de tierra y un número p de factores causales, entonces estos lugares tendrán una condición ambiental media basada en los p factores causales. Las ubicaciones sin deslizamientos de tierra estarán más alejadas de esa condición media. Este estudio emplea la distancia de Mahalanobis para medir la distancia entre la condición media del deslizamiento de tierra y la condición de un sitio potencial para determinar el alcance de su diferencia con las ubicaciones del deslizamiento de tierra.

La distancia de Mahalanobis (MD) es una métrica de distancia que mide la distancia entre la ubicación de un punto de datos y la distribución de conjuntos de datos27,28. MD es una extensión de la métrica de Distancia Euclidiana y puede mejorar los algoritmos de agrupación y clasificación19. La distancia euclidiana mide la distancia entre dos puntos en un espacio p-dimensional. Funciona bien cuando los espacios dimensionales son independientes entre sí28. MD es una generalización de la distancia euclidiana que permite la interdependencia potencial entre los espacios dimensionales dividiendo la distancia euclidiana con la matriz de covarianza19. Más específicamente, la MD de un punto potencial representado por un vector de factores causales X de la representación centroide de una nube de puntos de deslizamiento de tierra con un vector medio m y una matriz de covarianza C es:

Como se ilustra en la ecuación. (1), MD reduce la correlación de variables dividiendo la matriz de distancia por la matriz de covarianza27. MD se ha utilizado generalmente en la detección de valores atípicos y en clasificaciones de clases múltiples28. En el mapeo de susceptibilidad a deslizamientos de tierra, MD se puede utilizar para definir el espacio de muestreo para datos de ausencia. Las ubicaciones registradas de los deslizamientos de tierra sólo cubren una porción muy pequeña del área de estudio. Por lo tanto, gran parte del área no se clasifica como deslizamientos o no deslizamientos28. Con base en la ubicación de los deslizamientos de tierra y la distribución de los factores causales, MD define la similitud de un área con las condiciones de los deslizamientos de tierra. Si la similitud es alta, el área tiene una alta probabilidad de sufrir deslizamientos de tierra y no es adecuada para el muestreo de datos de ausencia.

Sin embargo, es difícil determinar si la similitud de un área es lo suficientemente diferente para el muestreo de datos de ausencia. Algunos estudios utilizaron el valor del quinto cuantil para definir el espacio muestral de ausencia19. Zhu et al.21 probaron un conjunto de umbrales definidos por el usuario para determinar el valor apropiado para el mapeo de susceptibilidad a deslizamientos de tierra. Su trabajo demostró que la reducción continua del espacio de muestreo de ausencia aumenta la precisión, pero sobreestima la susceptibilidad a los deslizamientos de tierra. Sin embargo, esta simple estrategia de prueba no proporciona un medio estadístico para determinar el valor umbral óptimo para el muestreo de datos de ausencia.

Propusimos un enfoque para ofrecer un medio estadístico para determinar el umbral de DM para el muestreo de datos de ausencia. La MD es una cantidad normalizada. Si los factores causales tienen una distribución que la distribución gaussiana de variable p puede aproximarse, la MD sigue una distribución de Chi cuadrado con p-1 grados de libertad. Además, incluso si los factores causales no tienen una distribución gaussiana p-variada aproximada, la MD tiene una distribución Chi-cuadrado aproximada con p-1 grados de libertad, siempre que el número de factores causales sea lo suficientemente grande (Nader et al. .). Con base en esta suposición, se puede determinar un valor crítico para un nivel de significancia específico, como el nivel de significancia comúnmente adoptado de 0,05. Por ejemplo, si utilizamos 15 factores causales en nuestro estudio, el valor crítico de la DM, es decir, una DM más allá de la cual concluiríamos que una ubicación potencial sin deslizamientos es una muestra viable, es 23,69. Es decir, cuando la DM es mayor que este valor crítico, se considera como un valor atípico o suficientemente diferente del resto de los datos27. Por lo tanto, utilizamos dicho valor crítico para determinar las ubicaciones para el muestreo de datos de ausencia.

La Figura 1 muestra el diagrama de flujo de nuestro método propuesto. Como se indicó anteriormente, n representa el número de ubicaciones de deslizamientos de tierra disponibles y p representa el número de factores causales. Un valor crítico se determina basándose en los p-1 grados de libertad. Este valor crítico determina si un nuevo punto o ubicación es un candidato potencial para el muestreo de datos de ausencia. Para cualquier nueva ubicación candidata, la DM se calculó con base en el valor medio y la matriz de covarianza de la distribución de los factores causales de las n ubicaciones de deslizamientos. Una ubicación o punto con un valor MD mayor que el valor crítico se designa como zona segura para el muestreo de datos de ausencia.

Diagrama de flujo del muestreo de datos de ausencia basado en MD.

Para demostrar la eficiencia de este método propuesto, lo aplicamos al mapeo de susceptibilidad a deslizamientos de tierra en tres Upazilas del distrito de Rangamati, Bangladesh, y comparamos su mapa de susceptibilidad a deslizamientos de tierra derivado con el mapa producido con base en un método tradicional basado en pendientes para datos de ausencia. muestreo.

Este estudio se centró en tres Upazilas del distrito de Rangamati, Bangladesh: Rangamati Sadar, Kaptai y Kawkhali (Fig. 2). Rangamati Sadar es la ciudad más grande de esta zona. En junio de 2017, más de 100 personas murieron por deslizamientos de tierra (Fig. 3) en este distrito, y estas tres Upazilas fueron las zonas más afectadas29. Este distrito cubre 1145 km230 con un rango de elevación de 7 a 576 m sobre el nivel medio del mar y una pendiente de 0° a 52°. La parte occidental del área tiene una pendiente comparativamente suave, mientras que las regiones occidental y central son relativamente empinadas. El lecho rocoso de esta zona comprende varias formaciones geológicas, incluidas Dihing, Dupitila, Girujan Clay, Bhuban, Bokabil y Tipam Sandstone31. La mayor parte del área está cubierta por vegetación natural o campos agrícolas de plantaciones. La agricultura de plantación y los cambios no planificados en el uso y la cobertura del suelo crean condiciones propicias, y las lluvias intensas provocan deslizamientos de tierra en esta zona6,25.

Área de estudio: ubicaciones de tres Upazilas (Rangamati Sadar Kaptai y Kawkhali).

Imágenes de algunos de los deslizamientos de tierra en el área de estudio (Las fotografías fueron tomadas por los investigadores durante julio de 2017).

Se registraron un total de 261 ubicaciones de deslizamientos de tierra (Fig. 2) desde enero de 2001 hasta enero de 2019. Estos deslizamientos de tierra fueron recopilados por 32 con base en el campo integrado y el mapeo de Google Earth, y Rabby et al. 31 con base en el mapeo de Google Earth.

Utilizamos 15 factores causales de deslizamientos de tierra para el mapeo de susceptibilidad a deslizamientos (Figs. 4 y 5) según la disponibilidad de datos y la literatura previa29,33. Los mapas ráster de estos factores fueron preparados por Abedin et al.29, y modificamos los mapas usando Arcmap 10.8. La Tabla 1 enumera los factores, resoluciones, tipos y fuentes de datos de estos mapas ráster. Dado que la resolución de la mayoría de los factores es de 30 m, seleccionamos 30 m como resolución para el mapeo de susceptibilidad a deslizamientos de tierra.

Factores causales de deslizamientos de tierra: (a) elevación; (b) pendiente; (c) curvatura en planta; (d) curvatura del perfil; (e) aspecto; (f) TWI; g) SPI; h) Distancia a la red de carreteras; (i) distancia de la red de drenaje; (j) distancia desde las líneas de falla (modificado de 25).

Factores causales de deslizamientos de tierra: (a) Geología; b) precipitaciones; (c) NDVI; d) Uso/cobertura del suelo; (e) cambio de uso/cobertura del suelo (modificado de 25).

Calculamos los valores de MD para todas las ubicaciones de deslizamientos de tierra en función de los 15 factores causales. Los valores de MD oscilaron entre 1,2 y 200,8 (Fig. 6). El grado de libertad para la distribución aproximada de Chi-cuadrado de los valores MD basados ​​en estos 15 factores es 14, lo que da como resultado un valor crítico de 23,69 para el nivel de significancia de 0,05. Calculamos el valor MD para cada ubicación con base en la matriz de media y covarianza derivada de las ubicaciones de los deslizamientos de tierra. Luego aplicamos este valor crítico para determinar el espacio de muestreo para los datos de ausencia de (Fig. 6). Específicamente, las ubicaciones cuyos valores MD son mayores que el umbral se utilizan para el muestreo de datos de ausencia para generar 261 datos de ausencia al azar.

Distribución espacial de la distancia de Mahalanobis (MD) y el espacio de muestreo (los mapas se produjeron utilizando ArcMap 10.8).

A modo de comparación, también utilizamos un muestreo basado en pendientes para determinar el área de baja probabilidad de deslizamientos de tierra para los datos de ausencia34. El umbral de pendiente se determina basándose en el conocimiento y el juicio de expertos. Adnan et al.29 utilizaron el umbral de pendiente de < 2° para el muestreo de datos de ausencia en el distrito de Cox's Bazar en Bangladesh. Ali et al.37 determinaron áreas con pendiente < 3° para el muestreo de datos de ausencia en su estudio en la cuenca del río Kysuca en Eslovaquia. Utilizamos un umbral de pendiente <3 ° para muestrear aleatoriamente los 261 datos de ausencia (Fig. 7).

Área de muestreo de datos de ausencia basada en diferentes umbrales de pendiente (los mapas se produjeron utilizando ArcMap 10.8).

Utilizamos el modelo de bosque aleatorio para producir los mapas de susceptibilidad a deslizamientos de tierra. El modelo de bosque aleatorio propuesto por Breiman38 es un método de aprendizaje conjunto39. La agregación Bootstrap se emplea en RF para seleccionar subconjuntos de observaciones. Genera un conjunto de árboles de decisión21 y descorrelaciona los árboles39. Los conjuntos de árboles de decisión decidieron la pertenencia a clase de las variables dependientes en función del mayor número de votos40. Mientras entrena el modelo, en lugar de utilizar todos los predictores, RF utiliza una muestra aleatoria de predictores39. Puede haber un par de predictores sólidos en un estudio y, al dividir los árboles, estos predictores tendrán influencia. RF utiliza un subconjunto de predictores para superar este problema21. Dado que no todos los conjuntos de datos se utilizan en el modelado, los datos no utilizados se conocen como out-of-bag (OOB)40,41. Estos conjuntos de datos no seleccionados se utilizan para determinar el error y la importancia de los predictores en el modelo39. Utilizamos el paquete "randomForest" en R para desarrollar el modelo de RF para el mapeo de susceptibilidad a deslizamientos de tierra42.

Como se describió anteriormente, generamos la misma cantidad de ubicaciones sin deslizamientos de tierra (261). Esto produjo un conjunto de datos de 522 (261: datos de presencia; 261 datos de ausencia). Dividimos el conjunto de datos en conjuntos de datos de entrenamiento (391: 75%) y de validación (130:25%) para el mapeo de susceptibilidad a deslizamientos de tierra. En el método de muestreo basado en MD, utilizamos los 15 factores para el mapeo de susceptibilidad a deslizamientos de tierra. No incluimos la pendiente en el mapeo de susceptibilidad a deslizamientos de tierra para el método basado en pendientes porque los datos de ausencia se muestrearon en función del umbral de pendiente.

Utilizamos medidas estadísticas basadas en índices: tasa de verdaderos positivos (TPR) (sensibilidad), tasa de verdaderos negativos (TNR) (especificidad) e índice Kappa. TPR es la proporción de ubicaciones de deslizamientos de tierra que el modelo clasificó correctamente como ubicaciones de deslizamientos de tierra. TNR es la proporción de datos de ausencia que el modelo clasifica correctamente como datos de ausencia7. El índice kappa (ecuación 2) es la relación entre la concordancia observada y esperada, que representa la confiabilidad del modelo7,40.

donde Pobs = tasa de clasificación correcta observada, Pexp = tasa de clasificación correcta esperada

donde TP = verdaderos positivos (lugares de deslizamientos de tierra clasificados como lugares de deslizamientos por el modelo); TN = verdaderos negativos (lugares sin deslizamientos de tierra clasificados como lugares sin deslizamientos por el modelo); FN = falsos negativos (lugares de deslizamientos de tierra clasificados como lugares sin deslizamientos por el modelo); FP = falsos positivos (lugares sin deslizamientos de tierra clasificados como lugares de deslizamientos de tierra por el modelo); n = proporción de píxeles que están clasificados correctamente; N = el número total de lugares de capacitación; El índice Kappa varía de 0 a 1, donde 0 indica que el acuerdo se produjo debido a una conjetura aleatoria, mientras que 1 indica un acuerdo perfecto.

Las medidas estadísticas basadas en índices anteriores se calculan utilizando un valor de umbral posterior de 0,5. Es decir, si la probabilidad posterior estimada de que un lugar sea un lugar de deslizamiento de tierra, dados los valores observados de los factores causales, excede 0,5, entonces el modelo lo clasifica como un lugar de deslizamiento de tierra. En caso contrario, lo clasifica como lugar sin deslizamientos. Sin embargo, un valor umbral de 0,5 podría ser excesivo y estas métricas no son ideales para perfilar el riesgo de ubicaciones de deslizamientos de tierra. Por esta razón, también utilizamos la curva de características operativas del receptor (ROC) para evaluar el rendimiento del modelo. La curva ROC es una representación gráfica del rendimiento de clasificación de un modelo en diferentes valores de umbral de probabilidad posterior35. Se produce trazando las tasas de falsos positivos (FPR) en el eje X y las tasas de verdaderos positivos (TPR) en el eje y obtenidas de una cuadrícula de valores de umbral de probabilidad posterior. Para comparar los modelos utilizamos el área bajo las curvas ROC (AUC), que muestra el área en términos de porcentaje del área bajo el gráfico43. El conjunto de datos de entrenamiento se utilizó para evaluar el rendimiento de ajuste del modelo, mientras que el conjunto de datos de validación se utilizó para evaluar el rendimiento de predicción del modelo17. Los valores AUC para la curva ROC varían de 0 a 1. Cuanto mayor sea el valor, mejor será el modelo en el perfil de riesgo de ubicaciones de deslizamientos de tierra. Generalmente, AUC > 0,7 se considera un modelo justo y AUC < 0,5 indica que el modelo clasifica los datos de forma aleatoria13,44.

Para evaluar la consistencia de los modelos se utilizó el índice de área de células de semillas (SCAI) propuesto por Suzen y Doyuran45. SCAI es la relación entre la extensión área de las clases de susceptibilidad y el porcentaje de deslizamientos de tierra que ocurrieron en las clases de susceptibilidad y puede describirse como la Ec. (5).

donde Ni = porcentaje de área bajo la clase de susceptibilidad i; ni = porcentaje de deslizamientos de tierra bajo la clase de susceptibilidad i.

El valor SCAI varía de 0 a ∞. Cuanto menor sea el valor SCAI, más consistente será el modelo. El valor de SCAI disminuyó de las zonas de baja a alta susceptibilidad46. Este índice determina si las ubicaciones de los deslizamientos de tierra o los píxeles se distribuyen en una extensión de área conservadora47. Puede identificar si un modelo sobreestima la susceptibilidad a deslizamientos de tierra. Un mapa de susceptibilidad a deslizamientos de tierra sobreestimado tiende a clasificar la mayoría de las áreas como zonas de alta susceptibilidad (el porcentaje de zonas de alta susceptibilidad es comparativamente mayor que el de otras zonas).

La importancia de la variable muestra qué factores causales tienen el mayor poder predictivo en un modelo forestal aleatorio8. En nuestro método de muestreo basado en MD propuesto (Fig. 8), la elevación (100,0) es el factor causal más importante, seguido de la distancia desde la red de drenaje (75,7), la distancia desde las fallas (66,1), la pendiente (61,6) y geología (50.1). Factores como la curvatura del perfil (0,0) y el NDVI (11,0) tienen la menor importancia en el modelo.

Gráfico de importancia variable del modelo de bosque aleatorio. Factores causales de CF, importancia de la variable VI, curvatura del perfil PR, curvatura del plan PL, cambio de uso del suelo/cobertura del suelo LULCC, uso del suelo/cobertura del suelo LULC, distancia DRN a la red de carreteras, distancia DFF a las líneas de falla, distancia DDN a la red de drenaje.

En el muestreo basado en pendientes (Fig. 8), TWI (100,0) es el factor causal más importante, seguido por la distancia desde la red de carreteras (86,8) y la elevación (49,7). TWI es un índice relacionado con la pendiente. Se convierte en el factor causal más importante porque los datos de ausencia fueron determinados por el umbral de pendiente y el factor de pendiente se eliminó del modelo de susceptibilidad a deslizamientos de tierra. Factores como el aspecto (0,0), SPI (9,3) y PR (17,4) fueron los factores causales menos críticos. El SPI es otro índice relacionado con la pendiente; Como el TWI ya se ha convertido en un factor causal esencial, es probable que otro índice relacionado con la pendiente sea menos importante en el modelo. La comparación de los dos métodos indica que diferentes métodos de muestreo dan como resultado diferentes significados de las variables. En el muestreo basado en MD, la elevación es el factor causal más importante, mientras que es el tercer factor causal más importante en el método de muestreo basado en pendientes. En el muestreo basado en MD, se utilizaron áreas comparativamente más pequeñas para el muestreo de datos de ausencia, pero el espacio de muestreo se extendió por toda el área. Por otro lado, en el muestreo basado en pendientes, sólo el lago Kaptai, sus áreas cercanas y las áreas con pendientes suaves en el suroeste fueron designadas para el muestreo de datos de ausencia. Incluso con las mismas ubicaciones de deslizamientos de tierra, el uso de diferentes métodos de muestreo de datos de ausencia produce diferentes mapas de susceptibilidad a deslizamientos de tierra.

Cada mapa de susceptibilidad a deslizamientos de tierra proporciona probabilidades de deslizamientos de 0,0 a 1,0. Utilizamos un método de ruptura natural para clasificar las probabilidades de deslizamientos de tierra en cinco zonas de susceptibilidad (Fig. 9): muy baja, baja, moderada, alta y muy alta.

Mapas de susceptibilidad a deslizamientos de tierra basados ​​en el modelo forestal aleatorio utilizando: (a) muestreo de datos de ausencia basado en la distancia de Mahalanobis; (b) Muestreo de datos de ausencia basado en la pendiente (los mapas se produjeron utilizando Arcmap 10.8).

En el mapa de susceptibilidad a deslizamientos de tierra elaborado utilizando nuestro muestreo basado en MD propuesto, los valles en las áreas sureste (Fig. 9) cerca del lago Rangamati se clasificaron como zonas de susceptibilidad baja o muy baja. En los alrededores de los lugares de los deslizamientos de tierra se extienden zonas de alta y muy alta susceptibilidad. Las zonas de alta susceptibilidad en el noroeste del área de estudio contienen la carretera Chittagong-Rangamati porque la distancia desde la red de carreteras tiene una mayor importancia variable en el modelo. La elevación y la pendiente son los otros dos factores causales importantes. Como resultado, las áreas con mayores elevaciones y pendientes más pronunciadas se clasificaron como zonas de alta o muy alta susceptibilidad. La distancia a las líneas de falla es otro factor causal con alta importancia variable en el modelo. Las fallas en esta zona se extienden de noroeste a suroeste; por lo tanto, las áreas cercanas a esas fallas se clasificaron como zonas de alta o muy alta susceptibilidad.

Por otro lado, para el muestreo de datos de ausencia basado en pendientes, el lago Kaptai, sus áreas cercanas y algunos parches pequeños en el sureste se clasificaron como zonas de susceptibilidad muy baja o baja. La comparación visual de los mapas de susceptibilidad a deslizamientos de tierra generados por los métodos basados ​​en pendientes y MD muestra que, comparativamente, se clasificaron más áreas como zonas de susceptibilidad alta o muy alta para el método de muestreo basado en pendientes que para el método de muestreo basado en MD. Algunas áreas en el sureste del área fueron clasificadas como zonas de susceptibilidad baja o moderada para el método de muestreo basado en MD. Aún así, las mismas áreas fueron clasificadas como zonas de alta o muy alta susceptibilidad en el método de muestreo basado en pendientes. Las áreas cercanas a las líneas de falla se clasificaron como zonas de susceptibilidad alta o muy alta en el método de muestreo basado en pendientes, pero solo algunos parches en estas áreas se clasificaron como zonas de susceptibilidad muy alta y alta en el método de muestreo basado en MD.

El rendimiento de los mapas de susceptibilidad a deslizamientos de tierra basados ​​en MD y en pendientes utilizando la curva ROC se muestra en la Fig. 10. Las AUC para el conjunto de datos de entrenamiento (Fig. 10a) para MD y muestreo basado en pendientes fueron 0,87 y 0,89, respectivamente. Las AUC para conjuntos de datos de validación (Fig. 10b) para MD y muestreo basado en pendientes fueron 0,85 y 0,86, respectivamente. Parece que el método de muestreo basado en pendientes supera ligeramente al muestreo basado en MD. No obstante, las AUC para ambos métodos de muestreo son similares y se encuentran en la categoría buena de 0,8 a 0,944. La comparación visual indica que el mapa del método de muestreo basado en pendientes clasificó un poco más de áreas como zonas de susceptibilidad alta o muy alta. Sin embargo, no logró diferenciar las zonas de baja susceptibilidad de las de alta susceptibilidad y clasificó la mayoría de las áreas como zonas de alta susceptibilidad, sobreestimando la susceptibilidad a deslizamientos de tierra.

Curvas ROC para mapas de susceptibilidad basados ​​en MD y pendientes: (a) conjunto de datos de entrenamiento (basado en pendientes, AUC = 0,89; AUC basado en MD = 0,87); (b) conjunto de datos de validación (AUC basado en pendiente = 0,86; AUC basado en MD = 0,85).

Los valores TPR y TNR del mapa producido por el muestreo basado en MD (Tabla 2) son 0,93 y 0,90, respectivamente, para los datos de entrenamiento, lo que indica que este mapa tiene una precisión similar para diferenciar los datos de ausencia y presencia de deslizamientos de tierra. Estos dos valores se reducen a 0,88 y 0,89, respectivamente, para el conjunto de datos de validación, lo que indica un rendimiento similar al distinguir la ausencia y la presencia de deslizamientos de tierra para el conjunto de datos desconocido. Los valores de Kappa son > 0,8 para el conjunto de datos de entrenamiento, lo que representa un acuerdo fuerte, y se reducen a 0,77 para el conjunto de datos de validación, lo que representa un acuerdo moderado.

En el muestreo basado en pendientes para el conjunto de datos de entrenamiento, TPR y TNR (Tabla 2) fueron 0,97 y 0,82, respectivamente. A diferencia del método de muestreo basado en MD, el método de muestreo basado en pendientes mostró un mejor rendimiento en la detección de deslizamientos de tierra que las ubicaciones sin deslizamientos de tierra. Este modelo clasificó algunas ubicaciones sin deslizamientos como deslizamientos de tierra o dio falsas alarmas. Los índices kappa para el conjunto de datos de validación del entrenamiento fueron 0,79 y 0,78, respectivamente. Los valores de AUC para el modelo basado en pendientes fueron mejores que los del modelo basado en MD. Pero el valor Kappa fue mejor para el modelo basado en MD. Ocurrió porque el muestreo basado en pendientes tuvo una TNR comparativamente más baja que el muestreo basado en MD. El modelo basado en MD fue eficiente para detectar datos tanto de presencia como de ausencia, mientras que el muestreo basado en pendientes mostró un bajo rendimiento en la detección de datos de ausencia. La TPR fue comparativamente mayor para el modelo basado en pendientes que para el modelo basado en MD.

SCAI evalúa la consistencia del modelo de susceptibilidad a deslizamientos de tierra. Un modelo altamente consistente tendría valores bajos de SCAI con el menor porcentaje del área clasificada como zonas de alta susceptibilidad, pero la mayoría de los deslizamientos de tierra existentes caen dentro de estas zonas.

Para el mapa generado utilizando el muestreo basado en MD, alrededor del 58,0 % del área de estudio se clasificó como zonas de susceptibilidad muy baja y baja y aproximadamente el 35,0 % del área de estudio se clasificó como zonas de susceptibilidad alta y muy alta que contienen alrededor del 78,0 % de los deslizamientos de tierra existentes. Los valores de SCAI disminuyeron de 28,21 a 0,13 desde zonas de muy baja a muy alta susceptibilidad. Estos resultados indican que el mapa de susceptibilidad es consistente y clasificó una porción significativa del área como zonas de muy baja y baja susceptibilidad. Los valores SCAI son 0,13 para zonas de alta susceptibilidad, lo que indica que el modelo clasificó muy pocos porcentajes del área como zonas de muy alta susceptibilidad.

alrededor del 42,0% (Tabla 3) del área de estudio se clasificó como zona de susceptibilidad baja o muy baja en función de la pendiente. Por el contrario, alrededor del 46,0% del área de estudio se clasificó como zona de susceptibilidad alta o muy alta. En comparación con el muestreo basado en MD, el muestreo basado en pendientes clasificó casi dos veces más áreas como zonas de susceptibilidad alta y muy alta. Tanto el muestreo basado en pendiente como el basado en MD dieron una precisión similar. Aún así, la susceptibilidad a deslizamientos de tierra basada en un muestreo basado en pendientes clasificó a casi la mitad del área como zonas de susceptibilidad alta y muy alta. Indica una sobreestimación de la susceptibilidad a deslizamientos de tierra por parte del modelo. Con el cambio de susceptibilidad, el valor de SCAI disminuyó. En la zona de muy alta susceptibilidad, el valor de SCAI fue 0,43, que es tres veces el valor de SCAI en esa zona de susceptibilidad en el muestreo basado en MD. Por lo tanto, el mapa de susceptibilidad a deslizamientos de tierra producido utilizando árboles jóvenes basados ​​en pendientes no es tan consistente y deseable como el muestreo de datos de ausencia basado en MD.

Propusimos un método objetivo de muestreo de datos de ausencia basado en MD y lo comparamos con el método basado en pendientes para mapear la susceptibilidad a deslizamientos de tierra. Se supuso que los valores de DM seguían la distribución Chi-cuadrado. Luego, el umbral para el muestreo de datos de ausencia se determinó mediante el grado de libertad de la distribución Chi-cuadrado y un nivel de confianza específico. Nuestros resultados indican que el espacio de muestreo de ausencia se extiende por toda el área de estudio para nuestro método propuesto, evitando el sesgo de muestreo hacia ubicaciones específicas de deslizamientos de tierra. Aunque se han utilizado otras matrices basadas en la distancia, como el índice de similitud21, el valor crítico se ha determinado subjetivamente para el muestreo de datos de ausencia. Nuestro método propuesto proporciona un medio objetivo y estadísticamente sólido para determinar el valor crítico basado en la distribución Chi-cuadrado de los valores MD de las ubicaciones de deslizamientos de tierra y un nivel de confianza especificado por el usuario.

El muestreo basado en pendientes se utiliza comúnmente en el mapeo de susceptibilidad a deslizamientos de tierra12,19,48. Aunque la pendiente se utiliza para determinar la zona segura para el muestreo de datos de ausencia, se utiliza como factor en el modelo. La pendiente juega el papel más crucial en la determinación de la susceptibilidad a deslizamientos de tierra de un área. Sin embargo, a diferencia del muestreo basado en MD, es imposible determinar el valor crítico para el muestreo basado en pendientes según nuestro método propuesto porque el grado de libertad es cero. En nuestro estudio comparativo, el tamaño del espacio de muestreo basado en el umbral de pendiente < 3° fue comparativamente mayor que el muestreo basado en MD, pero el espacio de muestreo estaba más agrupado en el lago Kaptia y su área cercana. Por lo tanto, los datos de ausencia se tomaron como muestra sólo de estas áreas agrupadas. El muestreo basado en pendientes clasificó la mayoría de las áreas como zonas de susceptibilidad muy alta o muy baja. También clasificó algunas zonas libres de deslizamientos como zonas vulnerables, sobreestimando la susceptibilidad a los deslizamientos8. Además, notamos que algunos estudios también han incluido la pendiente en el modelo, aunque ya se ha utilizado para el muestreo de datos de ausencia12,13. El uso de la pendiente tanto en el muestreo de datos de ausencia como en el modelado de susceptibilidad a deslizamientos de tierra probablemente produce un modelo sesgado a la pendiente. . Recomendamos excluir la pendiente en el modelo de susceptibilidad a deslizamientos de tierra si se utiliza para el muestreo de datos de ausencia.

Las curvas ROC y las medidas estadísticas se han utilizado ampliamente para evaluar la precisión, mientras que la consistencia y conveniencia del mapa comúnmente se ignoran12,21,25,31. Se deben evaluar tanto la precisión como la consistencia para el mapeo de susceptibilidad a deslizamientos de tierra porque un mapa puede perder su consistencia al aumentar continuamente las áreas clasificadas de zonas de susceptibilidad alta y muy alta para lograr una alta precisión26. Nuestro estudio demostró que nuestro método de muestreo basado en MD propuesto produce el mapa de susceptibilidad a deslizamientos de tierra con precisión y consistencia satisfactorias. Por el contrario, el muestreo basado en pendientes puede dañar la coherencia al clasificar la mayoría de las áreas como zonas de alta susceptibilidad12,25.

Como se mencionó, el muestreo aleatorio es el método más común para el muestreo de datos de ausencia20. Pero en ese caso, existe una alta probabilidad de que los datos de ausencia se muestreen en un área que es altamente propensa a deslizamientos de tierra o en áreas donde se produjeron deslizamientos de tierra anteriormente. Además, requiere un inventario de deslizamientos de tierra muy detallado y en algunas zonas, como el mundo en desarrollo, no se dispone de un inventario detallado. Para tal área, nuestro método propuesto será útil ya que antes de ejecutar el modelo estadístico o de aprendizaje automático basado en MD, determinamos un área segura para el muestreo de datos de ausencia.

Nuestro método propuesto reduce la subjetividad en la elección del umbral al comparar los valores de MD con la distribución Chi-cuadrado y aplicar un nivel de confianza estadística ampliamente utilizado. Por el contrario, la determinación del umbral de pendiente es subjetiva. Por lo tanto, nuestro método propuesto es más robusto estadísticamente y científicamente viable que el muestreo basado en pendientes.

Este estudio propuso un método objetivo de muestreo de datos de ausencia basado en MD para mapear la susceptibilidad a deslizamientos de tierra. Comparamos nuestro método propuesto con un muestreo de datos de ausencia basado en pendientes comúnmente utilizado para producir mapas de susceptibilidad a deslizamientos de tierra basados ​​en un modelo forestal aleatorio. Nuestros resultados indican que el mapa de susceptibilidad a deslizamientos de tierra producido utilizando el método basado en MD es satisfactorio en cuanto a precisión y consistencia. Nuestro enfoque propuesto es menos subjetivo porque el valor crítico se determinó en función de una distribución de Chi-cuadrado y un nivel de significancia especificado por el usuario. Por otro lado, el muestreo basado en la pendiente es subjetivo y da como resultado un modelo sesgado hacia la pendiente. Recomendamos excluir la pendiente del modelo si se utiliza en el muestreo de datos de ausencia. Aunque el método basado en pendientes produce una precisión casi similar para el mapa de susceptibilidad a deslizamientos de tierra en términos de AUC, los valores SCAI indicaron que este método sobreestima la susceptibilidad a deslizamientos de tierra. Además, los valores de Kappa también mostraron que el muestreo de datos de ausencia basado en MD proporciona un mejor rendimiento. El método de muestreo de datos de ausencia basado en pendientes depende del criterio del investigador y se basa en un factor causal de deslizamientos de tierra. Por el contrario, en el muestreo de datos de ausencia basado en MD se utilizan múltiples factores para determinar el espacio de muestreo. Por lo tanto, nuestro método de muestreo basado en MD propuesto es más objetivo y estadísticamente robusto que el método basado en pendientes. Puede usarse para mapear la susceptibilidad a deslizamientos de tierra en otras áreas, especialmente donde el inventario de deslizamientos de tierra no es representativo de toda la región.

A solicitud de los autores, el código para el método de distancia de Mahalanobis está disponible en https://github.com/yrabby/Mahalanobis-Distance-for-Raster-Files. https://doi.org/10.3390/data5010004.

Cruden, DM & Varnes, DJ Deslizamientos de tierra: investigación y mitigación. Capítulo 3-Tipos y procesos de deslizamientos de tierra. Informe especial de la Junta de Investigación del Transporte (247) (1996).

Ahmed, B. & Dewan, A. Aplicación de técnicas estadísticas bivariadas y multivariadas en el modelado de susceptibilidad a deslizamientos de tierra en la corporación de la ciudad de Chittagong, Bangladesh. Sensores remotos 9(4), 304 (2017).

ADS del artículo Google Scholar

Guzzetti, F. Evaluación del peligro y evaluación del riesgo de deslizamientos de tierra: límites y perspectivas. En Actas de la 4ª Conferencia EGS Plinius 2–4 (2002).

Yilmaz, I. Mapeo de susceptibilidad a deslizamientos de tierra utilizando índice de frecuencia, regresión logística, redes neuronales artificiales y su comparación: un estudio de caso de deslizamientos de tierra de Kat (Tokat, Turquía). Computadora. Geociencias. 35(6), 1125–1138 (2009).

ADS del artículo Google Scholar

Yilmaz, I. Comparación de metodologías de mapeo de susceptibilidad a deslizamientos de tierra para Koyulhisar, Turquía: probabilidad condicional, regresión logística, redes neuronales artificiales y máquina de vectores de soporte. Reinar. Ciencia de la Tierra. 61(4), 821–836 (2010).

Artículo CAS ADS Google Scholar

Ahmed, B. Modelado de susceptibilidad a deslizamientos de tierra aplicando ponderación definida por el usuario y técnicas estadísticas basadas en datos en el municipio de Cox's Bazar, Bangladesh. Nat. Peligros 79(3), 1707–1737 (2015).

Artículo de Google Scholar

Chen, W. y col. Modelado de susceptibilidad a deslizamientos de tierra utilizando técnicas de aprendizaje automático basadas en SIG para el condado de Chongren, provincia de Jiangxi, China. Ciencia. Medio ambiente total. 626, 1121-1135 (2018).

Artículo CAS ADS Google Scholar

Hong, H. y col. Mapeo de susceptibilidad a deslizamientos de tierra utilizando J48 Decision Tree con conjuntos AdaBoost, Bagging y Rotation Forest en el área de Guangchang (China). CATENA 163, 399–413 (2018).

Artículo de Google Scholar

Ahmed, B. y otros. Desarrollo de un sistema dinámico de alerta temprana de deslizamientos de tierra basado en SIG en la web para el área metropolitana de Chittagong, Bangladesh. ISPRS Int. J. Geo-Inf. 7(12), 485 (2018).

Artículo de Google Scholar

Guzzetti, F., Reichenbach, P., Ardizzone, F., Cardinali, M. y Galli, M. Estimación de la calidad de los modelos de susceptibilidad a deslizamientos de tierra. Geomorfología 81(1–2), 166–184 (2006).

ADS del artículo Google Scholar

Sterlacchini, S., Ballabio, C., Blahut, J., Masetti, M. y Sorichetta, A. Concordancia espacial de patrones predichos en mapas de susceptibilidad a deslizamientos de tierra. Geomorfología 125 (1), 51–61 (2011).

ADS del artículo Google Scholar

Althuwaynee, OF, Pradhan, B., Park, HJ y Lee, JH Un conjunto novedoso de función de creencia evidencial estadística bivariada con proceso de jerarquía analítica basado en el conocimiento y regresión logística estadística multivariada para mapeo de susceptibilidad a deslizamientos de tierra. CATENA 114, 21–36 (2014).

Artículo de Google Scholar

Althuwaynee, OF, Pradhan, B. & Lee, S. Un novedoso modelo integrado para evaluar el mapeo de susceptibilidad a deslizamientos de tierra utilizando la comparación por pares de CHAID y AHP. En t. J. Remote Sens. 37 (5), 1190–1209 (2016).

Artículo de Google Scholar

Reichenbach, P., Mondini, AC y Rossi, M. La influencia del cambio de uso de la tierra en la zonificación de la susceptibilidad a deslizamientos de tierra: el sitio de prueba de la cuenca de Briga (Messina, Italia). Reinar. Administrar. 54(6), 1372–1384 (2014).

Artículo CAS ADS Google Scholar

Ayalew, L. & Yamagishi, H. La aplicación de regresión logística basada en SIG para mapear la susceptibilidad a deslizamientos de tierra en las montañas Kakuda-Yahiko, Japón central. Geomorfología 65(1–2), 15–31 (2005).

ADS del artículo Google Scholar

Vakhshoori, V. & Zare, M. Mapeo de susceptibilidad a deslizamientos de tierra mediante la comparación del peso de la evidencia, la lógica difusa y los métodos de relación de frecuencia. Geomat. Nat. Haz. Riesgo 7(5), 1731–1752 (2016).

Artículo de Google Scholar

Reichenbach, P., Rossi, M., Malamud, BD, Mihir, M. y Guzzetti, F. Una revisión de modelos de susceptibilidad a deslizamientos de tierra con base estadística. Ciencia de la Tierra. Rev. 180, 60–91 (2018).

ADS del artículo Google Scholar

Zhu, AX y col. Un enfoque experto basado en el conocimiento para mapear la susceptibilidad a deslizamientos de tierra utilizando SIG y lógica difusa. Geomorfología 214, 128-138 (2014).

ADS del artículo Google Scholar

Tsangaratos, P. & Benardos, A. Estimación de la susceptibilidad a deslizamientos de tierra mediante un clasificador de redes neuronales artificiales. Nat. Peligros 74 (3), 1489-1516 (2014).

Artículo de Google Scholar

Regmi, AD et al. Aplicación de modelos de índice de frecuencia, índice estadístico y ponderación de la evidencia y su comparación en el mapeo de susceptibilidad a deslizamientos de tierra en el Himalaya de Nepal central. Árabe. J. Geosci. 7(2), 725–742 (2014).

Artículo de Google Scholar

Zhu, AX y col. Un enfoque basado en similitudes para muestrear datos de ausencia para mapear la susceptibilidad a deslizamientos de tierra utilizando métodos basados ​​en datos. CATENA 183, 104188 (2019).

Artículo de Google Scholar

Adnan, MSG y cols. Mejora de la concordancia espacial en el mapeo de susceptibilidad a deslizamientos de tierra basado en aprendizaje automático. Sensores remotos 12(20), 3347 (2020).

ADS del artículo Google Scholar

Yao, X., Tham, LG & Dai, FC Mapeo de susceptibilidad a deslizamientos de tierra basado en una máquina de vectores de soporte: un estudio de caso en pendientes naturales de Hong Kong, China. Geomorfología 101 (4), 572–582 (2008).

ADS del artículo Google Scholar

Hong, H., Miao, Y., Liu, J. & Zhu, AX Explorando los efectos del diseño y la cantidad de datos de ausencia en el desempeño del mapeo aleatorio de susceptibilidad a deslizamientos de tierra en bosques. CATENA 176, 45–64 (2019).

Artículo de Google Scholar

Abedini, M. & Tulabi, S. Evaluación de los modelos LNRF, FR y AHP en el índice de mapeo de susceptibilidad a deslizamientos de tierra: un estudio comparativo de la cuenca de Nojian en la provincia de Lorestan, Irán. Reinar. Ciencia de la Tierra. 77(11), 1-13 (2018).

Artículo de Google Scholar

Schicker, R. & Moon, V. Comparación de enfoques estadísticos bivariados y multivariados en el mapeo de susceptibilidad a deslizamientos de tierra a escala regional. Geomorfología 161, 40–57 (2012).

ADS del artículo Google Scholar

Nader, P., Honeine, P. y Beauseroy, P. Clasificación de una clase basada en Mahalanobis. En 2014, Taller internacional IEEE sobre aprendizaje automático para procesamiento de señales (MLSP) 1–6. IEEE (2014).

Prabhakaran, S., 2020. Distancia de Mahalanobis: comprensión de las matemáticas con ejemplos (python) - ML+.[en línea] ML+. https://www.machinelearningplus.com/statistics/mahalanobis-distance/ [Consultado el 8 de abril de 2020].

Abedin, J., Rabby, YW, Hasan, I. & Akter, H. Una investigación de las características, causas y consecuencias de los deslizamientos de tierra del 13 de junio de 2017 en el distrito de Rangamati Bangladesh. Geoentorno. Desastre. 7(1), 1–19 (2020).

Artículo de Google Scholar

Oficina de Estadísticas de Bangladesh (BBS). Censo de Población 2011 (Ministerio de Planificación, 2011).

Google Académico

Rabby, YW, Hossain, MB y Abedin, J. Mapeo de susceptibilidad a deslizamientos de tierra en tres Upazilas del distrito de Rangamati Hill en Bangladesh: aplicación y comparación de métodos de aprendizaje automático basados ​​en SIG 1–24 (Geocarto International, 2020).

Google Académico

Rabby, YW & Li, Y. Un enfoque integrado para mapear deslizamientos de tierra en áreas montañosas de Chittagong, Bangladesh, utilizando Google Earth y mapeo de campo. Deslizamientos de tierra 16(3), 633–645 (2019).

Artículo de Google Scholar

Rahman, MS, Ahmed, B. & Di, L. Modelado de susceptibilidad de inicio y agotamiento de deslizamientos de tierra en el contexto de corte de colinas y urbanización rápida: un enfoque combinado de ponderaciones de evidencia y criterios múltiples espaciales. J. Monte Sci. 14(10), 1919-1937 (2017).

Artículo de Google Scholar

Kanwal, S., Atif, S. & Shafiq, M. Mapeo de susceptibilidad a deslizamientos de tierra basado en SIG de las áreas del norte de Pakistán, un estudio de caso de las cuencas de Shigar y Shyok. Geomat. Nat. Haz. Riesgo 8(2), 348–366 (2017).

Artículo de Google Scholar

Chen, W. y col. Novedoso enfoque híbrido de inteligencia artificial de clasificador de regresión logística de kernel bivariado basado en métodos estadísticos para el modelado de susceptibilidad a deslizamientos de tierra. Toro. Ing. Geol. sobre 78(6), 4397–4419 (2019).

Artículo de Google Scholar

Althuwaynee, OF, Pradhan, B., Park, HJ & Lee, JH Una novedosa detección de interacción automática de Chi-cuadrado (CHAID) basada en un árbol de decisión conjunto y modelos de regresión logística multivariados en el mapeo de susceptibilidad a deslizamientos de tierra. Deslizamientos de tierra 11(6), 1063–1078 (2014).

Artículo de Google Scholar

Ali, SA y cols. Modelado de susceptibilidad a deslizamientos de tierra basado en SIG: una comparación entre algoritmos difusos de criterios múltiples y de aprendizaje automático. Geociencias. Frente. 12(2), 857–876 (2021).

Artículo de Google Scholar

Breiman, L. Bosques aleatorios. Mach. Aprender. 45(1), 5–32 (2001).

Artículo MATEMÁTICAS Google Scholar

James, G., Witten, D., Hastie, T. y Tibshirani, R. Introducción al aprendizaje estadístico vol. 112, 18 (Springer, 2013).

Libro MATEMÁTICAS Google Scholar

Pham, BT y cols. Un novedoso enfoque híbrido para modelar la susceptibilidad a deslizamientos de tierra utilizando conjuntos de bosques de rotación y diferentes clasificadores de base. Geocarto Int. 35(12), 1267–1292 (2020).

Artículo de Google Scholar

Youssef, AM, Pourghasemi, HR, Pourtaghi, ZS & Al-Katheeri, MM Mapeo de susceptibilidad a deslizamientos de tierra utilizando bosque aleatorio, árbol de regresión potenciado, árbol de clasificación y regresión, y modelos lineales generales y comparación de su desempeño en la cuenca de Wadi Tayyah, región de Asir, Arabia Saudita. Deslizamientos de tierra 13(5), 839–856 (2016).

Artículo de Google Scholar

Liaw, A. & Wiener, M. Clasificación y regresión por randomForest. R Noticias 2 (3), 18-22 (2002).

Google Académico

Kissell, R. & Poserina, J. Matemáticas, estadística y fantasía deportivas óptimas (Academic Press, 2017).

Google Académico

Rasyid, AR, Bhandary, NP y Yatabe, R. Rendimiento del modelo de relación de frecuencia y regresión logística en la creación de un mapa de susceptibilidad a deslizamientos de tierra basado en SIG en la montaña Lompobattang, Indonesia. Geoentorno. Desastre. 3(1), 19 (2016).

Artículo de Google Scholar

Süzen, ML & Doyuran, V. Una comparación de los métodos de evaluación de la susceptibilidad a deslizamientos de tierra basados ​​en SIG: multivariado versus bivariado. Reinar. Geol. 45(5), 665–679 (2004).

Artículo de Google Scholar

Arabameri, A. y col. Comparación de modelos de aprendizaje automático para el mapeo de susceptibilidad a la erosión de barrancos. Geociencias. Frente. 11(5), 1609-1620 (2020).

Artículo de Google Scholar

Sdao, F., Lioi, DS, Pascale, S., Caniani, D. & Mancini, IM Evaluación de la susceptibilidad a deslizamientos de tierra mediante el uso de un modelo neurodifuso: un estudio de caso en la zona rica en patrimonio rupestre de Matera. Nat. Peligros Sistema Tierra 13(2), 395–407 (2013).

ADS del artículo Google Scholar

Budimir, MEA, Atkinson, PM y Lewis, HG Una revisión sistemática del mapeo de probabilidad de deslizamientos de tierra mediante regresión logística. Deslizamientos de tierra 12(3), 419–436 (2015).

Artículo de Google Scholar

Descargar referencias

Este proyecto fue financiado por los programas de becas McClure y Penley Thomas de la Universidad de Tennessee, Knoxville.

Departamento de Ingeniería, Universidad Wake Forest, Winston-Salem, Carolina del Norte, EE. UU.

Yasin Wahid Rabino

Departamento de Geografía y Sostenibilidad, Universidad de Tennessee, Knoxville, EE. UU.

Yingkui Li

Departamento de Estadísticas y Análisis Empresariales, Universidad de Tennessee, Knoxville, EE. UU.

Haileab Hilafu

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

YWR: Conceptualización, Metodología, Redacción-Preparación del borrador original; YL: Supervisión, Redacción-Revisión y Edición; HH: Supervisión, Redacción-Revisión y Edición.

Correspondencia a Yasin Wahid Rabby.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Rabby, YW, Li, Y. & Hilafu, H. Un método de muestreo de datos de ausencia objetiva para el mapeo de susceptibilidad a deslizamientos de tierra. Informe científico 13, 1740 (2023). https://doi.org/10.1038/s41598-023-28991-5

Descargar cita

Recibido: 06 de enero de 2022

Aceptado: 27 de enero de 2023

Publicado: 31 de enero de 2023

DOI: https://doi.org/10.1038/s41598-023-28991-5

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Boletín de Ingeniería Geología y Medio Ambiente (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.