Performance of logistic regression and support vector machine conjunction with the GIS and RS in the landslide susceptibility assessment: Case study in Nakhon Si Thammarat, southern Thailand
Description
The occurrence of landslides has risen in the past few decades, particularly in mountainous regions worldwide, including Nakhon Si Thammarat, southern Thailand. Despite various methods being employed for the initial management of landslide disasters, none have proven universally effective. The goal of this research is to create and assess landslide susceptibility maps (LSMs) within this area by employing support vector machine (SVM) and logistic regression, together with Geographic Information System (GIS) and Remote Sensing (RS) techniques. Eleven factors contributing to landslides were identified as topographic, environmental, and geological influences. The 365 landslides in the past were aimlessly selected into training (70%) and testing (30%) datasets. The four LSMs indicated that approximately 13%–20% of this study area exhibit a high susceptibility to landslides corresponding to the regions of high elevation with relatively steep slope angles. To evaluate and compare LSM models, the AUC value for training dataset were 0.977, 0.975, 0.958, and 0.967 and testing dataset were 0.973, 0.969, 0.956, and 0.964 for SVM with the radial basis function (rbf) kernel, SVM with polynomial deg 2, SVM with linear kernel and logistic regression models, respectively. Among these models, SVMs with rbf demonstrated the highest prediction rate. However, it requires a significant amount of time to choose the best parameters for achieving the highest accuracy prediction. In summary, these maps are applicable at the regional level to enhance the management of landslide hazards.
Translated Descriptions
Translated Description (Arabic)
ارتفع حدوث الانهيارات الأرضية في العقود القليلة الماضية، لا سيما في المناطق الجبلية في جميع أنحاء العالم، بما في ذلك ناخون سي ثامارات، جنوب تايلاند. على الرغم من الأساليب المختلفة المستخدمة للإدارة الأولية لكوارث الانهيارات الأرضية، لم يثبت أي منها فعاليته عالميًا. الهدف من هذا البحث هو إنشاء وتقييم خرائط قابلية الانهيارات الأرضية (LSMs) داخل هذه المنطقة من خلال استخدام آلة ناقلات الدعم (SVM) والانحدار اللوجستي، جنبًا إلى جنب مع تقنيات نظام المعلومات الجغرافية (GIS) والاستشعار عن بعد (RS). تم تحديد أحد عشر عاملاً يساهم في الانهيارات الأرضية على أنها تأثيرات طبوغرافية وبيئية وجيولوجية. تم اختيار 365 انهيارا أرضيا في الماضي دون هدف في التدريب (70 ٪) واختبار (30 ٪) مجموعات البيانات. أشارت LSMs الأربعة إلى أن ما يقرب من 13٪ -20 ٪ من منطقة الدراسة هذه تظهر قابلية عالية للانهيارات الأرضية المقابلة لمناطق الارتفاع العالي بزوايا انحدار شديدة الانحدار نسبيًا. لتقييم ومقارنة نماذج LSM، كانت قيمة AUC لمجموعة بيانات التدريب 0.977 و 0.975 و 0.958 و 0.967 وكانت مجموعة بيانات الاختبار 0.973 و 0.969 و 0.956 و 0.964 لـ SVM مع نواة دالة الأساس الشعاعي (rbf)، SVM مع درجة متعددة الحدود 2، SVM مع نواة خطية ونماذج الانحدار اللوجستي، على التوالي. من بين هذه النماذج، أظهرت SVMs مع RBF أعلى معدل للتنبؤ. ومع ذلك، فإنه يتطلب قدرا كبيرا من الوقت لاختيار أفضل المعلمات لتحقيق أعلى دقة التنبؤ. باختصار، هذه الخرائط قابلة للتطبيق على المستوى الإقليمي لتعزيز إدارة مخاطر الانهيارات الأرضية.Translated Description (French)
La fréquence des glissements de terrain a augmenté au cours des dernières décennies, en particulier dans les régions montagneuses du monde entier, y compris Nakhon Si Thammarat, dans le sud de la Thaïlande. Malgré diverses méthodes employées pour la gestion initiale des catastrophes liées aux glissements de terrain, aucune ne s'est révélée universellement efficace. L'objectif de cette recherche est de créer et d'évaluer des cartes de sensibilité aux glissements de terrain (LSM) dans cette zone en utilisant la machine à vecteurs de soutien (SVM) et la régression logistique, ainsi que des techniques de système d'information géographique (SIG) et de télédétection (RS). Onze facteurs contribuant aux glissements de terrain ont été identifiés comme étant des influences topographiques, environnementales et géologiques. Les 365 glissements de terrain du passé ont été sélectionnés sans but dans des ensembles de données de formation (70 %) et de test (30 %). Les quatre LSM ont indiqué qu'environ 13 % à 20 % de cette zone d'étude présentent une forte sensibilité aux glissements de terrain correspondant aux régions de haute altitude avec des angles de pente relativement raides. Pour évaluer et comparer les modèles LSM, la valeur de l'ASC pour l'ensemble de données d'entraînement était de 0,977, 0,975, 0,958 et 0,967 et l'ensemble de données de test était de 0,973, 0,969, 0,956 et 0,964 pour la SVM avec le noyau de la fonction de base radiale (rbf), la SVM avec le polynôme DEG 2, la SVM avec le noyau linéaire et les modèles de régression logistique, respectivement. Parmi ces modèles, les SVM avec rbf ont démontré le taux de prédiction le plus élevé. Cependant, il faut beaucoup de temps pour choisir les meilleurs paramètres pour obtenir la prédiction la plus précise. En résumé, ces cartes sont applicables au niveau régional pour améliorer la gestion des risques de glissement de terrain.Translated Description (Spanish)
La ocurrencia de deslizamientos de tierra ha aumentado en las últimas décadas, particularmente en regiones montañosas de todo el mundo, incluida Nakhon Si Thammarat, en el sur de Tailandia. A pesar de que se emplean varios métodos para la gestión inicial de los desastres de deslizamientos de tierra, ninguno ha demostrado ser universalmente efectivo. El objetivo de esta investigación es crear y evaluar mapas de susceptibilidad a deslizamientos de tierra (LSM, por sus siglas en inglés) dentro de esta área mediante el empleo de máquinas de vectores de soporte (SVM, por sus siglas en inglés) y regresión logística, junto con técnicas de Sistema de Información Geográfica (GIS, por sus siglas en inglés) y Teledetección (RS, por sus siglas en inglés). Se identificaron once factores que contribuyen a los deslizamientos de tierra como influencias topográficas, ambientales y geológicas. Los 365 deslizamientos de tierra en el pasado se seleccionaron sin rumbo fijo en conjuntos de datos de capacitación (70%) y pruebas (30%). Los cuatro LSM indicaron que aproximadamente el 13%–20% de esta área de estudio exhibe una alta susceptibilidad a los deslizamientos de tierra correspondientes a las regiones de gran altitud con ángulos de pendiente relativamente pronunciados. Para evaluar y comparar los modelos de LSM, el valor de AUC para el conjunto de datos de entrenamiento fue de 0.977, 0.975, 0.958 y 0.967 y el conjunto de datos de prueba fue de 0.973, 0.969, 0.956 y 0.964 para SVM con el núcleo de la función de base radial (rbf), SVM con polinomio grado 2, SVM con núcleo lineal y modelos de regresión logística, respectivamente. Entre estos modelos, las SVM con rbf demostraron la tasa de predicción más alta. Sin embargo, se requiere una cantidad significativa de tiempo para elegir los mejores parámetros para lograr la predicción de mayor precisión. En resumen, estos mapas son aplicables a nivel regional para mejorar la gestión de los peligros de deslizamientos de tierra.Additional details
Additional titles
- Translated title (Arabic)
- أداء الانحدار اللوجستي وآلة ناقلات الدعم بالتزامن مع نظم المعلومات الجغرافية و RS في تقييم قابلية الانهيار الأرضي: دراسة حالة في ناخون سي ثامارات، جنوب تايلاند
- Translated title (French)
- Réalisation de la régression logistique et de la machine vectorielle de soutien en conjonction avec le SIG et la RS dans l'évaluation de la sensibilité aux glissements de terrain : étude de cas à Nakhon Si Thammarat, dans le sud de la Thaïlande
- Translated title (Spanish)
- Realización de regresión logística y máquina de vectores de apoyo junto con el SIG y RS en la evaluación de susceptibilidad a deslizamientos de tierra: Estudio de caso en Nakhon Si Thammarat, sur de Tailandia
Identifiers
- Other
- https://openalex.org/W4399731177
- DOI
- 10.1016/j.jksus.2024.103306
References
- https://openalex.org/W1983631475
- https://openalex.org/W1987477800
- https://openalex.org/W1993310267
- https://openalex.org/W2013689201
- https://openalex.org/W2024475704
- https://openalex.org/W2050513806
- https://openalex.org/W2065836225
- https://openalex.org/W2065949495
- https://openalex.org/W2077292227
- https://openalex.org/W2090091295
- https://openalex.org/W2093813203
- https://openalex.org/W2127170577
- https://openalex.org/W2128964295
- https://openalex.org/W2320987650
- https://openalex.org/W2496370326
- https://openalex.org/W2565656421
- https://openalex.org/W2592104387
- https://openalex.org/W2773213923
- https://openalex.org/W2775745878
- https://openalex.org/W278480961
- https://openalex.org/W2789555074
- https://openalex.org/W2791545891
- https://openalex.org/W2792546905
- https://openalex.org/W2793831793
- https://openalex.org/W2897555073
- https://openalex.org/W2903342651
- https://openalex.org/W2903721734
- https://openalex.org/W3006515831
- https://openalex.org/W3016556330
- https://openalex.org/W4200108305
- https://openalex.org/W4235358519
- https://openalex.org/W4243125832
- https://openalex.org/W4282559859
- https://openalex.org/W4285804235
- https://openalex.org/W4290511197
- https://openalex.org/W4307204273
- https://openalex.org/W4310506828
- https://openalex.org/W4366498041
- https://openalex.org/W4385348479
- https://openalex.org/W4389137779
- https://openalex.org/W4390929621
- https://openalex.org/W4391804647
- https://openalex.org/W562801