Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  14,874,504

2

Kỹ thuật môi trường và địa chất, địa kỹ thuật

Vũ Cao Đạt, Nguyễn Đức Đảm, Phạm Thái Bình; Nguyễn Đức Đảm(1)

Xây dựng bản đồ phân vùng nguy cơ sạt lở đất tại huyện Mường Chà, tỉnh Điện Biên sử dụng các kỹ thuật phân loại K-Nearest-Neighbor và Gradient Boosting

Landslide susceptibility mapping at Muong Cha district, Dien Bien Province, Vietnam province using machine learning classifiers K-Nearest-Neighbor and Gradient Boosting

Khí tượng Thủy văn

2022

744-1

81-90

2525-2208

Bản đồ phân vùng; Nguy cơ; Sạt lở đất; Kỹ thuật phân loại; K-Nearest-Neighbor; Gradient Boosting

Landslide; K–Nearest–Neighbor; Gradient Boosting; Dien Bien; Vietnam.

Tiến hành xây dựng bản đồ phân vùng nguy cơ sạt lở đất tại Huyện Mường Chà, tỉnh Điện Biên sử dụng các kỹ thuật phân loại K-Nearest-Neighbor (KNN) và Gradient Boosting (GB) - là những kỹ thuật học máy có khả năng phân tích và khai phá dữ liệu lịch sử để phân loại và dự báo. Dữ liệu không gian được xây dựng bao gồm 206 vị trí sạt lở đất xảy ra trong quá khứ và 10 tham số điều kiện gây ra sạt lở đất được thu thập. Để kiểm chứng và so sánh các mô hình, các chỉ tiêu đánh giá định lượng bao gồm đường cong ROC, độ chính xác (%) đươc sử dụng. Kết quả đánh giá và so sánh cho thấy cả hai mô hình KNN và GB có năng lực dự báo không gian sạt lở đất cao; trong đó, mô hình GB có năng lực dự báo cao hơn so với mô hình KNN. Bản đồ phân vùng nguy cơ sạt lở đất xây dựng từ mô hình GB có độ chính xác cao có thể được sử dụng vào mục đích lập quy hoạch sử dụng đất, phục vụ phòng và chống những tác hại gây ra bởi sạt lở đất.

In this research, the main objective is to build landslide susceptibility map at Muong Cha, Dien Bien province using classifiers such as K-Nearest-Neighbor (KNN) and Gradient Boosting (GB) - machine learning (artificial intelligence) techniques. Databese used in this study includes 206 past and present landslide locations and 10 landslide conditioning factors collected from various sources. To validate and compare the models, quantitative indicators including ROC curve and accuracy (%) were used. The results  showed that both KNN and GB performed well for landslide susceptibility modeling and mapping but the GB model outperforms the KNN model. Landslide susceptibility map constructed from the GB model with high performance can be used for effective land use planning and better landslide hazard management at the study area.

TTKHCNQG, CVt 39