Nghiên cứu ứng dụng thuật toán của Breiman tích hợp trong phương pháp Random Forest để xác định mức độ quan trọng của các yếu tố tới tai biến trượt lở đất trên địa bàn tỉnh Sơn La

  • Cơ quan:

    1 Đại học Xây dựng Hà Nội, Hà Nội, Việt Nam
    2 Trường chính trị tỉnh Quảng Nam, Quảng Nam, Việt Nam
    3 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 10-10-2023
  • Sửa xong: 08-01-2024
  • Chấp nhận: 15-01-2024
  • Ngày đăng: 01-02-2024
Trang: 22 - 36
Lượt xem: 2148
Lượt tải: 534
Yêu thích: 1.1, Số lượt: 80
Bạn yêu thích

Tóm tắt:

Các bản đồ dự báo trượt lở đất không chỉ là những công cụ hiệu quả, trực quan trong quản lý tai biến thiên nhiên mà còn góp phần giúp giảm thiểu thiệt hại thiên tai bởi những thông tin không gian cụ thể được cung cấp. Tuy nhiên, độ chính xác của những bản đồ dự báo này lại phụ thuộc rất lớn vào số lượng và mức độ quan trọng của các yếu tố được đưa vào đánh giá. Việc xác định mức độ quan trọng và thứ tự ảnh hưởng của các biến đầu vào thường ít được quan tâm trong các nghiên cứu dự báo trượt lở đất. Thuật toán của Breiman (2001) tích hợp sẵn trong phương pháp rừng ngẫu nhiên (Random Forest) cho phép xác định mức độ quan trọng và thứ tự ảnh hưởng của các biến đầu vào một cách đầy đủ, toàn diện dựa trên việc xem xét mối quan hệ tương quan giữa hiện trạng tai biến trượt lở đất với các yếu tố này. Chính vì vậy, nghiên cứu này đề xuất sử dụng thuật toán của Breiman (2001) tích hợp sẵn trong phương pháp Random Forest để xác định mức độ quan trọng của 16 yếu tố đầu vào, đây là những yếu tố có ảnh hưởng tới sự hình thành tai biến trượt lở đất trên địa bàn tỉnh Sơn La. Kết quả của nghiên cứu này là cơ sở cho việc lựa chọn các yếu tố đầu vào phù hợp nhằm phục vụ cho việc xây dựng và nâng cao độ chính xác của các bản đồ dự báo trượt lở đất trên địa bàn tỉnh, đặc biệt là trong bối cảnh biến đổi khí hậu đang diễn biến ngày càng phức tạp.

Trích dẫn
Lưu Thị Diệu Chinh, Hà Thị Hằng, Bùi Duy Quỳnh, Dương Công Hiểu, Trần Ngọc Nhiều, Văn Tiến Luật, Trần Hồng Hạnh và Nguyễn Viết Nghĩa, 2024. Nghiên cứu ứng dụng thuật toán của Breiman tích hợp trong phương pháp Random Forest để xác định mức độ quan trọng của các yếu tố tới tai biến trượt lở đất trên địa bàn tỉnh Sơn La, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 65, kỳ 1, tr. 22-36.
Tài liệu tham khảo

Breiman, L. (2001). Random Forests [journal article]. Machine learning, 45(1), 5-32. https://doi.org/https://doi.org/10.1023/a:1010933404324 

Bui, Q. D., Ha, H., Khuc, D. T., Nguyen, D. Q., von Meding, J., Nguyen, L. P., and Luu, C. (2023). Landslide susceptibility prediction mapping with advanced ensemble models: Son La province, Vietnam. Natural Hazards, 116(2), 2283-2309. https://doi.org/10.1007/s11069-022-05764-3 

Bui, T. D., Bui, Q. T., Nguyen, Q. P., Pradhan, B., Nampak, H., and Trinh, P. T. (2017). A hybrid artificial intelligence approach using GIS-based neural-fuzzy inference system and particle swarm optimization for forest fire susceptibility modeling at a tropical area. Agricultural and Forest Meteorology, 233, 32-44. https://doi.org/https://doi.org/10.1016/ j.agrformet.2016.11.002.

Catani, F., Lagomarsino, D., Segoni, S., and Tofani, V. (2013). Landslide susceptibility estimation by random forests technique: sensitivity and scaling issues. Natural Hazards and Earth System Sciences, 13(11), 2815-2831. https:// doi.org/10.5194/nhess-13-2815-2013 

Cheng, Y. S., Yu, T. T., and Son, N. T. (2021). Random forests for landslide prediction in tsengwen river watershed, central taiwan. Remote Sensing, 13(2), 199. https://doi.org/10.3390/ rs13020199 

Dang, V. H., Hoang, N. D., Nguyen, L. M. D., Bui, D. T., and Samui, P. (2020). A novel GIS-based random forest machine algorithm for the spatial prediction of shallow landslide susceptibility. Forests, 11(1), 118. https://doi. org/10.3390/f11010118 

Dung, N. V., Hieu, N., Phong, T. V., Amiri, M., Costache, R., Al-Ansari, N., Prakash, I., Le, H. V., Nguyen, H. B. T., and Pham, B. T. (2021). Exploring novel hybrid soft computing models for landslide susceptibility mapping in Son La hydropower reservoir basin. Geomatics, Natural Hazards and Risk, 12(1), 1688-1714. https://doi.org/10.1080/19475705.2021.1943544 

Gregorutti, B., Michel, B., and Saint-Pierre, P. (2017). Correlation and variable importance in random forests. Statistics and Computing, 27, 659-678. https://doi.org/10.1007/s11222-016-9646-1 

Ha, M. C., Vu, P. L., Nguyen, H. D., Hoang, T. P., Dang, D. D., Dinh, T. B. H., Şerban, G., Rus, I., and Brețcan, P. (2022). Machine learning and remote sensing application for extreme climate evaluation: example of flood susceptibility in the Hue Province, Central Vietnam Region. Water, 14(10), 1617. https://doi.org/10. 3390/w14101617 

Hà, T. H., Khúc, T. Đ., Nguyễn, T. P., Đỗ, T.P.T. (2023). Nghiên cứu ứng dụng phương pháp tỷ số tần suất kết hợp GIS trong xây dựng bản đồ nguy cơ trượt lở đất huyện Pác Nặm-tỉnh Bắc Kạn. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD)-ĐHXDHN, 17(1V), 75-90. https:// doi.org/10.31814/10.31814/stce.huce(nuce)2023-17(1V)-07.

IFRC. (2021). Viet Nam, Flooding, Landslide and Whirlwinds in Son La Province (24 Aug 2021)https://reliefweb.int/report/viet-nam/ viet-nam-flooding-landslide-and-whirlwinds-son-la-province-24-aug-2021. Accessed 25 August 2022. 

Intrieri, E., and Gigli, G. (2016). Landslide forecasting and factors influencing predictability. Natural Hazards and Earth System Sciences, 16(12), 2501-2510. https://doi.org/10.5194/nhess-16- 2501-2016.

Jadda, M., Shafri, H. Z., Mansor, S. B., Sharifikia, M., and Pirasteh, S. (2009). Landslide susceptibility evaluation and factor effect analysis using probabilistic-frequency ratio model. European Journal of Scientific Research, 33(4), 654-668. 

Joshi, V., and Kumar, K. (2006). Extreme rainfall events and associated natural hazards in Alaknanda valley, Indian Himalayan region. Journal of Mountain Science, 3, 228-236. https://doi.org/10.1007/s11629-006-0228-0 

Khuc, D. T., Ha, H. T., Bui, P. D., Truong, Q. X., Van Tran, A., Pham, H. Q., Tran, T. D., Nguyen, C. C., and Thi, H. (2023). Comparison analytical hierarchy process (AHP) and frequency ratio (FR) method in assessment of landslide susceptibility. A case study in Van Yen district, Yen Bai province. Journal of Mining and Earth Sciences. Vol, 64(2), 79-90. https://doi.org/ 10.46326/JMES.2023.64(2).08

Lam, C. N., Niculescu, S., and Bengoufa, S. (2023). Monitoring and mapping floods and floodable areas in the Mekong Delta (Vietnam) using time-series sentinel-1 images, convolutional neural Network, multi-layer perceptron, and random forest. Remote Sensing, 15(8), 2001. https://doi.org/10.3390/rs15082001 

Meten, M., PrakashBhandary, N., and Yatabe, R. (2015). Effect of landslide factor combinations on the prediction accuracy of landslide susceptibility maps in the Blue Nile Gorge of Central Ethiopia. Geoenvironmental Disasters, 2, 1-17. https://doi.org/10.1186/s40677-015 -0016-7 

Nadim, F., Kjekstad, O., Peduzzi, P., Herold, C., and Jaedicke, C. (2006). Global landslide and avalanche hotspots. Landslides, 3, 159-173. https://doi.org/10.1007/s10346-006-0036-1 

Nguyen, N. T., Ngo, B. T., Pham, X. C., P., Nguyen, T. H., Nguyen, T. H., Hoang, N. D. and Bui, T. D. (2018). Spatial pattern assessment of tropical forest fire danger at Thuan Chau area (Vietnam) using GIS-based advanced machine learning algorithms: A comparative study. Ecological Informatics, 46, 74-85. https://doi. org/https://doi.org/10.1016/j.ecoinf.2018.05.009.

Nguyễn, Q. H., and Trần, V. Q. (2020). Ứng dụng trí tuệ nhân tạo trong dự đoán sức chống cắt của đất sau biến dạng. Tạp chí Khoa học và Công nghệ Thủy lợi, 60, 106-113. 

Nhu, O. L., Thuy, N. T. T., Wilderspin, I., and Coulier, M. (2011). A preliminary analysis of flood and storm disaster data in Vietnam. Hanoi

Okamoto, T., Sakurai, M., Tsuchiya, S., Yoshimatsu, H., Ogawa, K., and Wang, G. (2013). Secondary hazards associated with coseismic landslide. Earthquake-Induced Landslides: Proceedings of the International Symposium on Earthquake-Induced Landslides, Kiryu, Japan, 2012, 

Pourghasemi, H. R., and Kerle, N. (2016). Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environmental earth sciences, 75, 1-17. https://doi.org/10. 1007/s12665-015-4950-1

Reichenbach, P., Rossi, M., Malamud, B. D., Mihir, M., and Guzzetti, F. (2018). A review of statistically-based landslide susceptibility models. Earth-Science Reviews, 180, 60-91. https://doi.org/https://doi.org/10.1016/j.earscirev.2018.03.001 

Schuster, R. L., and Wieczorek, G. F. (2018). Landslide triggers and types. In Landslides (pp. 59-78). 

Shao, X.-y., Xu, C., Ma, S.-y., Xu, X.-w., Shyu, J. B. H., and Zhou, Q. (2021). Calculation of landslide occurrence probability in Taiwan region under different ground motion conditions. Journal of Mountain Science, 18(4), 1003-1012. https://doi.org/10.1007/s11629-020-6540-2 

Sun, D., Wen, H., Wang, D., and Xu, J. (2020). A random forest model of landslide susceptibility mapping based on hyperparameter optimization using Bayes algorithm. Geomorphology, 362, 107201. https://doi.org/https://doi.org/10.1016/j.geomorph.2020.107201 

Taalab, K., Cheng, T., and Zhang, Y. (2018). Mapping landslide susceptibility and types using Random Forest. Big Earth Data, 2(2), 159-178. https://doi.org/10.1080/20964471.2018.1472392 

Tehrany, M. S., Jones, S., Shabani, F., Martínez-Álvarez, F., and Tien Bui, D. (2019). A novel ensemble modeling approach for the spatial prediction of tropical forest fire susceptibility using LogitBoost machine learning classifier and multi-source geospatial data. Theoretical and Applied Climatology, 137, 637-653. https://doi.org/10.1007/s00704-018-2628-9 

Trigila, A., Iadanza, C., Esposito, C., and Scarascia-Mugnozza, G. (2015). Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy). Geomorphology, 249, 119-136. https://doi. org/https://doi.org/10.1016/j.geomorph.2015.06.001 

Truong, X. Q., Tran, N. D., Dang, N. H. D., Do, T. H., Nguyen, Q. D., Yordanov, V., Brovelli, M. A., Duong, A. Q., and Khuc, T. D. (2022). WebGIS and Random Forest Model for Assessing the Impact of Landslides in Van Yen District, Yen Bai Province, Vietnam. International Conference on Geo-Spatial Technologies and Earth Resources, (pp. 445-464). Cham: Springer International Publishing.

Van Tran, A., Nguyen, B. A., Dinh, T., Nguyen, Y. H. T., and Le, N. T. (2020). Landslides detection in Bat Xat district, Lao Cai province, Vietnam using the Alos PalSAR time-series imagery by the SBAS method. Journal of Mining and Earth Sciences. Vol 61(4), 1-10. https://doi.org/ 10.46326/JMES.2020.61(4).01

Van Westen, C. (2004). Geo-information tools for landslide risk assessment: an overview of recent developments. Landslides: evaluation and stabilization, 1, 39-56. 

Van Westen, C. J., Castellanos, E., and Kuriakose, S. L. (2008). Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview. Engineering Geology, 102(3-4), 112-131. https://doi.org/ 10.1016/j.enggeo.2008.03.010 

Vu, V. T., Nguyen, H. D., Vu, P. L., Ha, M. C., Bui, V. D., Nguyen, T. O., Hoang, V. H., and Nguyen, T. K. H. (2023). Predicting land use effects on flood susceptibility using machine learning and remote sensing in coastal Vietnam. Water Practice and Technology. https://doi.org/ 10.2166/wpt.2023.088 

Wang, H., Zhang, L., Yin, K., Luo, H., and Li, J. (2021). Landslide identification using machine learning. Geoscience Frontiers, 12(1), 351-364. https://doi.org/https://doi.org/10.1016/j. gsf.2020.02.012 

Zhang, W., Wu, C., Zhong, H., Li, Y., and Wang, L. (2021). Prediction of undrained shear strength using extreme gradient boosting and random forest based on Bayesian optimization. Geoscience Frontiers, 12(1), 469-477. https:// doi.org/https://doi.org/10.1016/j.gsf.2020.03.007

Zhang, Y., Wu, W., Qin, Y., Lin, Z., Zhang, G., Chen, R., Song, Y., Lang, T., Zhou, X., and Huangfu, W. (2020). Mapping landslide hazard risk using random forest algorithm in Guixi, Jiangxi, China. ISPRS International Journal of Geo-Information, 9(11), 695. https://doi.org/10. 3390/ijgi9110695 .

Các bài báo khác