Published September 12, 2019
| Version v1
Publication
Open
A Novel Performance Assessment Approach using Photogrammetric Techniques for Landslide Susceptibility Mapping with Logistic Regression, ANN and Random Forest
- 1. Hacettepe University
Description
Prediction of possible landslide areas is the first stage of landslide hazard mitigation efforts and is also crucial for suitable site selection. Several statistical and machine learning methodologies have been applied for the production of landslide susceptibility maps. However, the performance assessment of such methods have conventionally been carried out by utilizing existing landslide inventories. The purpose of this study is to investigate the performances of landslide susceptibility maps produced with three different machine learning algorithms, i.e., random forest, artificial neural network, and logistic regression, in a recently constructed and activated dam reservoir and assess the external quality of each map by using pre- and post-event photogrammetric datasets. The methodology introduced here was applied using digital surface models generated from aerial photogrammetric flight data acquired before and after the dam construction. Aerial photogrammetric images acquired in 2012 and 2018 (after the dam was filled) were used to produce digital terrain models and orthophotos. The 2012 dataset was used for producing the landslide susceptibility maps and the results were evaluated by comparing the Euclidian distances between the two surface models. The results show that the random forest method outperforms the other two for predicting the future landslides.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التنبؤ بمناطق الانهيارات الأرضية المحتملة المرحلة الأولى من جهود التخفيف من مخاطر الانهيارات الأرضية وهو أمر بالغ الأهمية أيضًا لاختيار الموقع المناسب. تم تطبيق العديد من منهجيات التعلم الإحصائي والآلي لإنتاج خرائط قابلية الانهيارات الأرضية. ومع ذلك، تم إجراء تقييم أداء هذه الأساليب بشكل تقليدي من خلال استخدام قوائم جرد الانهيارات الأرضية الحالية. الغرض من هذه الدراسة هو التحقيق في أداء خرائط قابلية الانهيارات الأرضية التي تم إنتاجها باستخدام ثلاث خوارزميات مختلفة للتعلم الآلي، أي الغابات العشوائية والشبكة العصبية الاصطناعية والانحدار اللوجستي، في خزان سد تم إنشاؤه وتنشيطه مؤخرًا وتقييم الجودة الخارجية لكل خريطة باستخدام مجموعات البيانات التصويرية قبل الحدث وبعده. تم تطبيق المنهجية المقدمة هنا باستخدام نماذج سطح رقمية تم إنشاؤها من بيانات الطيران التصويري الجوي التي تم الحصول عليها قبل وبعد بناء السد. تم استخدام الصور الفوتوغرافية الجوية التي تم الحصول عليها في عامي 2012 و 2018 (بعد ملء السد) لإنتاج نماذج التضاريس الرقمية والصور التقويمية. تم استخدام مجموعة بيانات عام 2012 لإنتاج خرائط قابلية الانهيارات الأرضية وتم تقييم النتائج من خلال مقارنة المسافات الإقليدية بين النموذجين السطحيين. تظهر النتائج أن طريقة الغابة العشوائية تتفوق على الطريقتين الأخريين للتنبؤ بالانهيارات الأرضية المستقبلية.Translated Description (French)
La prévision des zones de glissement de terrain possibles est la première étape des efforts d'atténuation des risques de glissement de terrain et est également cruciale pour une sélection appropriée du site. Plusieurs méthodologies statistiques et d'apprentissage automatique ont été appliquées pour la production de cartes de vulnérabilité aux glissements de terrain. Cependant, l'évaluation des performances de ces méthodes a traditionnellement été réalisée en utilisant les inventaires de glissements de terrain existants. Le but de cette étude est d'étudier les performances des cartes de sensibilité aux glissements de terrain produites avec trois algorithmes d'apprentissage automatique différents, à savoir la forêt aléatoire, le réseau neuronal artificiel et la régression logistique, dans un réservoir de barrage récemment construit et activé et d'évaluer la qualité externe de chaque carte en utilisant des ensembles de données photogrammétriques avant et après l'événement. La méthodologie présentée ici a été appliquée à l'aide de modèles de surface numériques générés à partir de données de vol photogrammétriques aériennes acquises avant et après la construction du barrage. Des images photogrammétriques aériennes acquises en 2012 et 2018 (après le remplissage du barrage) ont été utilisées pour produire des modèles numériques de terrain et des orthophotos. L'ensemble de données de 2012 a été utilisé pour produire les cartes de sensibilité aux glissements de terrain et les résultats ont été évalués en comparant les distances euclidiennes entre les deux modèles de surface. Les résultats montrent que la méthode de la forêt aléatoire surpasse les deux autres pour prédire les futurs glissements de terrain.Translated Description (Spanish)
La predicción de posibles áreas de deslizamientos de tierra es la primera etapa de los esfuerzos de mitigación de riesgos de deslizamientos de tierra y también es crucial para la selección adecuada del sitio. Se han aplicado varias metodologías estadísticas y de aprendizaje automático para la producción de mapas de susceptibilidad a deslizamientos de tierra. Sin embargo, la evaluación del rendimiento de dichos métodos se ha llevado a cabo convencionalmente utilizando los inventarios de deslizamientos de tierra existentes. El propósito de este estudio es investigar el rendimiento de los mapas de susceptibilidad a deslizamientos de tierra producidos con tres algoritmos de aprendizaje automático diferentes, es decir, bosque aleatorio, red neuronal artificial y regresión logística, en un embalse de presa recientemente construido y activado, y evaluar la calidad externa de cada mapa mediante el uso de conjuntos de datos fotogramétricos previos y posteriores al evento. La metodología aquí introducida se aplicó utilizando modelos digitales de superficie generados a partir de datos de vuelo fotogramétricos aéreos adquiridos antes y después de la construcción de la presa. Las imágenes fotogramétricas aéreas adquiridas en 2012 y 2018 (después de que se llenó la presa) se utilizaron para producir modelos digitales del terreno y ortofotos. El conjunto de datos de 2012 se utilizó para producir los mapas de susceptibilidad a deslizamientos de tierra y los resultados se evaluaron comparando las distancias euclidianas entre los dos modelos de superficie. Los resultados muestran que el método de bosque aleatorio supera a los otros dos para predecir los futuros deslizamientos de tierra.Files
pdf.pdf
Files
(16.6 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:f2e1e22ca060096db1aed8f4df36d1f8
|
16.6 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج جديد لتقييم الأداء باستخدام التقنيات التصويرية لرسم خرائط قابلية الانهيارات الأرضية مع الانحدار اللوجستي و ANN والغابات العشوائية
- Translated title (French)
- Une nouvelle approche d'évaluation des performances utilisant des techniques photogrammétriques pour la cartographie de la sensibilité aux glissements de terrain avec régression logistique, ANN et forêt aléatoire
- Translated title (Spanish)
- Un nuevo enfoque de evaluación del rendimiento utilizando técnicas fotogramétricas para el mapeo de susceptibilidad a deslizamientos de tierra con regresión logística, ANN y bosque aleatorio
Identifiers
- Other
- https://openalex.org/W2972972597
- DOI
- 10.3390/s19183940
References
- https://openalex.org/W1697040052
- https://openalex.org/W1968979926
- https://openalex.org/W1979486410
- https://openalex.org/W1990748933
- https://openalex.org/W1997659744
- https://openalex.org/W2003275689
- https://openalex.org/W2012118327
- https://openalex.org/W2012853691
- https://openalex.org/W2013177343
- https://openalex.org/W2017388337
- https://openalex.org/W2021693202
- https://openalex.org/W2029533748
- https://openalex.org/W2058469568
- https://openalex.org/W2092062749
- https://openalex.org/W2127739279
- https://openalex.org/W2143192068
- https://openalex.org/W2143296882
- https://openalex.org/W2147357873
- https://openalex.org/W2155653793
- https://openalex.org/W2218451952
- https://openalex.org/W2259343653
- https://openalex.org/W2287278712
- https://openalex.org/W2318342863
- https://openalex.org/W2417137833
- https://openalex.org/W2437658050
- https://openalex.org/W2528753685
- https://openalex.org/W2567326027
- https://openalex.org/W2584860397
- https://openalex.org/W2616018644
- https://openalex.org/W2738399372
- https://openalex.org/W2758350461
- https://openalex.org/W2790826728
- https://openalex.org/W2793831793
- https://openalex.org/W2890865225
- https://openalex.org/W2900274454
- https://openalex.org/W2901225872
- https://openalex.org/W2906593901
- https://openalex.org/W2911084988
- https://openalex.org/W2911424673
- https://openalex.org/W2911964244
- https://openalex.org/W2948196949
- https://openalex.org/W2959500497
- https://openalex.org/W4210949798