Published June 19, 2023
| Version v1
Publication
Open
A new combined approach of neural-metaheuristic algorithms for predicting and appraisal of landslide susceptibility mapping
Description
In this research, to predict landslide susceptibility mapping (LSM), we have studied and optimized an artificial neural network (ANN) by utilizing the backtracking search algorithm (BSA) as well as the Cuckoo optimization algorithm (COA). Multiple research studies have shown that ANN-based techniques can be used to figure out the LSM. Still, ANN computing models have big problems, like slow system learning and getting stuck in their local minimums. Optimization strategies may improve ANN performance results. Existing uses of the BSA and COA models in ANN training have not been used to map landslides, nor have the best ways to set up networks or other factors that affect this problem been examined. Consequently, the present research focuses on predicting landslide susceptibility for hazardous mapping using hybrid BSA and COA-based ANN algorithms (BSA-MLP and COA). A large data set was provided from an area in the province of Kurdistan, west of Iran, to provide training and testing datasets for the algorithms. All of the BSA and COA algorithms' parameters and weights, for instance, were fine-tuned to make the utmost accurate maps of landslide risk. The input dataset consists of elevation, slope angle, slope orientation, NDVI, fault tolerance, profile curvature, plan curvature, distance to the river, rainfall, far from the road, SPI, STI, TRI, TWI, land use, and geology; the output is landslide susceptibility value. In the testing phase, the AUC rose significantly from 0.701 to 0.864 for BSA-MLP and 0.738 to 0.822 for COA-MLP after using the abovementioned techniques. We have used the area under the curve (AUC) to evaluate how well the probabilistic models worked. In addition, the computed AUCs for the BSA-MLP available databases and the actual AUCs were 0.864, 0.857, 0.833, 0.778, 0.777, 0.769, 0.763, 0.758, 0.727, and 0.701 and 0.822, 0.808, 0.807, 0.805, 0.804, 0.777, and 0.769 for the COA-MLP combination. The integrated models can produce beneficial results for this area of research. The results suggest that the BSA-ANN model is better than the COA-ANN in optimizing an artificial neural network model's structure and computational parameters. The collected landslide susceptibility maps are significant for figuring out how dangerous landslides are in the studied area.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذا البحث، للتنبؤ برسم خرائط قابلية الانهيارات الأرضية (LSM)، قمنا بدراسة وتحسين شبكة عصبية اصطناعية (ANN) من خلال استخدام خوارزمية البحث التراجعي (BSA) بالإضافة إلى خوارزمية تحسين الوقواق (COA). أظهرت دراسات بحثية متعددة أنه يمكن استخدام التقنيات القائمة على ANN لمعرفة LSM. ومع ذلك، تواجه نماذج حوسبة آن مشاكل كبيرة، مثل التعلم البطيء للنظام والوقوع في أدنى مستوياتها المحلية. قد تؤدي استراتيجيات التحسين إلى تحسين نتائج أداء ANN. لم يتم استخدام الاستخدامات الحالية لنماذج BSA و COA في تدريب ANN لرسم خرائط الانهيارات الأرضية، كما لم يتم فحص أفضل الطرق لإنشاء الشبكات أو العوامل الأخرى التي تؤثر على هذه المشكلة. وبالتالي، يركز البحث الحالي على التنبؤ بقابلية الانهيارات الأرضية لرسم الخرائط الخطرة باستخدام خوارزميات BSA و ANN الهجينة القائمة على COA (BSA - MLP و COA). تم توفير مجموعة بيانات كبيرة من منطقة في محافظة كردستان، غرب إيران، لتوفير التدريب واختبار مجموعات البيانات للخوارزميات. على سبيل المثال، تم ضبط جميع معلمات وأوزان خوارزميات BSA و COA لصنع خرائط دقيقة للغاية لمخاطر الانهيارات الأرضية. تتكون مجموعة بيانات المدخلات من الارتفاع، وزاوية المنحدر، واتجاه المنحدر، ومؤشر NDVI، وتحمل الخطأ، وانحناء المظهر الجانبي، وانحناء المخطط، والمسافة إلى النهر، وهطول الأمطار، بعيدًا عن الطريق، و SPI، و STI، و TRI، و TWI، واستخدام الأراضي، والجيولوجيا ؛ الناتج هو قيمة قابلية الانهيار الأرضي. في مرحلة الاختبار، ارتفعت المساحة تحت المنحنى بشكل ملحوظ من 0.701 إلى 0.864 لـ BSA - MLP و 0.738 إلى 0.822 لـ COA - MLP بعد استخدام التقنيات المذكورة أعلاه. لقد استخدمنا المنطقة تحت المنحنى (AUC) لتقييم مدى نجاح النماذج الاحتمالية. بالإضافة إلى ذلك، كانت الفروع المحسوبة لقواعد البيانات المتاحة لـ BSA - MLP و AUCs الفعلية 0.864 و 0.857 و 0.833 و 0.778 و 0.777 و 0.769 و 0.763 و 0.758 و 0.727 و 0.701 و 0.822 و 0.808 و 0.807 و 0.805 و 0.804 و 0.777 و 0.769 لمزيج COA - MLP. يمكن للنماذج المتكاملة أن تحقق نتائج مفيدة لهذا المجال من البحث. تشير النتائج إلى أن نموذج BSA - ANN أفضل من COA - ANN في تحسين بنية نموذج الشبكة العصبية الاصطناعية والمعلمات الحسابية. تعد خرائط قابلية الانهيارات الأرضية التي تم جمعها مهمة لمعرفة مدى خطورة الانهيارات الأرضية في المنطقة التي تمت دراستها.Translated Description (French)
Dans cette recherche, pour prédire la cartographie de sensibilité aux glissements de terrain (LSM), nous avons étudié et optimisé un réseau de neurones artificiels (ANN) en utilisant l'algorithme de recherche de retour arrière (BSA) ainsi que l'algorithme d'optimisation de Cuckoo (COA). De multiples études de recherche ont montré que les techniques basées sur l'ANN peuvent être utilisées pour déterminer le LSM. Pourtant, les modèles informatiques ANN ont de gros problèmes, comme l'apprentissage lent du système et le fait de rester coincé dans leurs minimums locaux. Les stratégies d'optimisation peuvent améliorer les résultats de performance ANN. Les utilisations existantes des modèles BSA et COA dans la formation ANN n'ont pas été utilisées pour cartographier les glissements de terrain, et les meilleurs moyens de mettre en place des réseaux ou d'autres facteurs qui affectent ce problème n'ont pas été examinés. Par conséquent, la présente recherche se concentre sur la prédiction de la sensibilité aux glissements de terrain pour la cartographie des dangers à l'aide d'algorithmes hybrides BSA et ANN basés sur COA (BSA-MLP et COA). Un grand ensemble de données a été fourni à partir d'une zone de la province du Kurdistan, à l'ouest de l'Iran, pour fournir des ensembles de données de formation et de test pour les algorithmes. Tous les paramètres et poids des algorithmes BSA et COA, par exemple, ont été affinés pour créer des cartes extrêmement précises du risque de glissement de terrain. L'ensemble de données d'entrée se compose de l'élévation, de l'angle de pente, de l'orientation de la pente, du NDVI, de la tolérance aux failles, de la courbure du profil, de la courbure du plan, de la distance à la rivière, des précipitations, de l'éloignement de la route, du SPI, du STI, du TRI, du TWI, de l'utilisation des terres et de la géologie ; la sortie est la valeur de sensibilité aux glissements de terrain. Dans la phase de test, l'ASC a augmenté de manière significative de 0,701 à 0,864 pour BSA-MLP et de 0,738 à 0,822 pour COA-MLP après avoir utilisé les techniques susmentionnées. Nous avons utilisé l'aire sous la courbe (AUC) pour évaluer le fonctionnement des modèles probabilistes. En outre, les AUC calculées pour les bases de données disponibles BSA-MLP et les AUC réelles étaient de 0,864, 0,857, 0,833, 0,778, 0,777, 0,769, 0,763, 0,758, 0,727 et 0,701 et 0,822, 0,808, 0,807, 0,805, 0,804, 0,777 et 0,769 pour la combinaison COA-MLP. Les modèles intégrés peuvent produire des résultats bénéfiques pour ce domaine de recherche. Les résultats suggèrent que le modèle BSA-ANN est meilleur que le modèle COA-ANN pour optimiser la structure et les paramètres de calcul d'un modèle de réseau neuronal artificiel. Les cartes de susceptibilité aux glissements de terrain collectées sont importantes pour déterminer à quel point les glissements de terrain sont dangereux dans la zone étudiée.Translated Description (Spanish)
En esta investigación, para predecir el mapeo de susceptibilidad a deslizamientos de tierra (LSM), hemos estudiado y optimizado una red neuronal artificial (ANN) utilizando el algoritmo de búsqueda de retroceso (BSA), así como el algoritmo de optimización de cuco (COA). Múltiples estudios de investigación han demostrado que las técnicas basadas en Ann se pueden utilizar para averiguar el LSM. Aún así, los modelos informáticos de ANN tienen grandes problemas, como el aprendizaje lento del sistema y el estancamiento en sus mínimos locales. Las estrategias de optimización pueden mejorar los resultados de rendimiento de ANN. Los usos existentes de los modelos de BSA y COA en la capacitación de ANN no se han utilizado para mapear deslizamientos de tierra, ni se han examinado las mejores formas de establecer redes u otros factores que afectan este problema. En consecuencia, la presente investigación se centra en predecir la susceptibilidad a deslizamientos de tierra para el mapeo peligroso utilizando algoritmos híbridos de BSA y ANN basados en COA (BSA-MLP y COA). Se proporcionó un gran conjunto de datos de un área en la provincia de Kurdistán, al oeste de Irán, para proporcionar conjuntos de datos de capacitación y pruebas para los algoritmos. Todos los parámetros y pesos de los algoritmos BSA y COA, por ejemplo, se ajustaron para hacer los mapas más precisos del riesgo de deslizamiento de tierra. El conjunto de datos de entrada consiste en elevación, ángulo de pendiente, orientación de pendiente, NDVI, tolerancia a fallas, curvatura del perfil, curvatura del plano, distancia al río, lluvia, lejos de la carretera, SPI, STI, TRI, twi, uso de la tierra y geología; la salida es el valor de susceptibilidad a deslizamientos de tierra. En la fase de prueba, el AUC aumentó significativamente de 0.701 a 0.864 para BSA-MLP y de 0.738 a 0.822 para COA-MLP después de usar las técnicas mencionadas anteriormente. Hemos utilizado el área bajo la curva (AUC) para evaluar qué tan bien funcionaron los modelos probabilísticos. Además, las AUC calculadas para las bases de datos disponibles de BSA-MLP y las AUC reales fueron 0.864, 0.857, 0.833, 0.778, 0.777, 0.769, 0.763, 0.758, 0.727 y 0.701 y 0.822, 0.808, 0.807, 0.805, 0.804, 0.777 y 0.769 para la combinación COA-MLP. Los modelos integrados pueden producir resultados beneficiosos para esta área de investigación. Los resultados sugieren que el modelo BSA-ANN es mejor que el COA-ANN para optimizar la estructura y los parámetros computacionales de un modelo de red neuronal artificial. Los mapas de susceptibilidad a deslizamientos de tierra recolectados son importantes para determinar qué tan peligrosos son los deslizamientos de tierra en el área estudiada.Files
latest.pdf.pdf
Files
(1.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:92afd6ede3a69d669b3b14ae4f97349b
|
1.8 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج مدمج جديد للخوارزميات الميتاهورية العصبية للتنبؤ برسم خرائط قابلية الانهيارات الأرضية وتقييمها
- Translated title (French)
- Une nouvelle approche combinée d'algorithmes neuronaux-métaheuristiques pour la prédiction et l'évaluation de la cartographie de la sensibilité aux glissements de terrain
- Translated title (Spanish)
- Un nuevo enfoque combinado de algoritmos neuronales-metaheurísticos para predecir y evaluar el mapeo de susceptibilidad a deslizamientos de tierra
Identifiers
- Other
- https://openalex.org/W4381185938
- DOI
- 10.1007/s11356-023-28133-4
References
- https://openalex.org/W1979156432
- https://openalex.org/W1987092188
- https://openalex.org/W2007898191
- https://openalex.org/W2090105324
- https://openalex.org/W2314050564
- https://openalex.org/W2314349081
- https://openalex.org/W2597690924
- https://openalex.org/W2724849267
- https://openalex.org/W2768643127
- https://openalex.org/W2783628520
- https://openalex.org/W2789432241
- https://openalex.org/W2888955873
- https://openalex.org/W2999015335
- https://openalex.org/W3000398335
- https://openalex.org/W3011171922
- https://openalex.org/W3013650099
- https://openalex.org/W3014864081
- https://openalex.org/W3035167547
- https://openalex.org/W3049181801
- https://openalex.org/W3070954567
- https://openalex.org/W3096599404
- https://openalex.org/W3112585178
- https://openalex.org/W3128751005
- https://openalex.org/W3187795624
- https://openalex.org/W3204547172
- https://openalex.org/W3208905291
- https://openalex.org/W3212067766
- https://openalex.org/W3213394127
- https://openalex.org/W3215122403
- https://openalex.org/W4200226729
- https://openalex.org/W4206538949
- https://openalex.org/W4210516638
- https://openalex.org/W4211011291
- https://openalex.org/W4212996187
- https://openalex.org/W4223610633
- https://openalex.org/W4225006746
- https://openalex.org/W4280518473
- https://openalex.org/W4283163653
- https://openalex.org/W4283368507
- https://openalex.org/W4283750094
- https://openalex.org/W4284709614
- https://openalex.org/W4285081908
- https://openalex.org/W4285390093
- https://openalex.org/W4293246595
- https://openalex.org/W4295532895
- https://openalex.org/W4296967084
- https://openalex.org/W4309265093
- https://openalex.org/W4311511747
- https://openalex.org/W4312075186
- https://openalex.org/W4312697249
- https://openalex.org/W4313257360
- https://openalex.org/W4315853225
- https://openalex.org/W4318455797
- https://openalex.org/W4319302318
- https://openalex.org/W4361266101
- https://openalex.org/W4362508959
- https://openalex.org/W4362662204
- https://openalex.org/W4362723282
- https://openalex.org/W4377098808