文献

J-GLOBAL ID：202102235918246391   整理番号：21A2453579

機械学習に基づく地滑り感受性マッピングにおける空間合意の改善【JST・京大機械翻訳】

Improving Spatial Agreement in Machine Learning-Based Landslide Susceptibility Mapping

著者 (8件)： Adnan Mohammed Sarfaraz Gani (Environmental Change Institute, School of Geography and the Environment, University of Oxford, South Parks Road, Oxford OX13QY, UK) ,  Adnan Mohammed Sarfaraz Gani (Department of Urban and Regional Planning, Chittagong University of Engineering and Technology (CUET), Chittagong 4349, Bangladesh) ,  Rahman Md Salman (Department of Civil Engineering, Chittagong University of Engineering and Technology (CUET), Chittagong 4349, Bangladesh) ,  Ahmed Nahian (Department of Electrical and Computer Engineering, North South University, Bashundhara, Dhaka 1229, Bangladesh) ,  Ahmed Bayes (Institute for Risk and Disaster Reduction (IRDR), University College London (UCL), Gower Street, London WC1E 6BT, UK) ,  Ahmed Bayes (Department of Disaster Science and Management, Faculty of Earth and Environmental Sciences, University of Dhaka, Dhaka 1000, Bangladesh) ,  Rabbi Md. Fazleh (Department of Geography and Environmental Studies, University of Chittagong, Chittagong 4331, Bangladesh) ,  Rahman Rashedur M. (Department of Electrical and Computer Engineering, North South University, Bashundhara, Dhaka 1229, Bangladesh)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 20  ページ： 3347  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 地滑り予測におけるかなりの精度の降伏にもかかわらず,異なる地滑り感受性モデルの成果は空間的不一致の傾向がある。したがって,不確実性。種々の地滑り感受率モデルの結果における不確実性は,この複雑な自然現象を管理するための最も適切な方法の選択に挑戦を創り出す。本研究は,地滑り予測における不確実性を低減するためのアプローチを提案し,機械学習ベースの地滑り感受性マップにおける空間的一致を診断した。第1に,バングラデシュのCoxs Bazar地区の地滑り感受性マップを開発し,4つの機械学習アルゴリズムを適用した:K-最近傍(KNN),Multi-Layer Perceptron(MLP),ランダムフォレスト(RF),およびサポートベクトルマシン(SVM)で,12の地滑り条件付け因子のハイパーパラメータ最適化を特色とするものである。”P.K-Nearest Network(KNN),Multi-Layer Perceptron(MLP),ランダムフォレスト(RF),およびサポートベクトルマシン(SVM)。すべての4つのモデルの結果は非常に高い予測精度をもたらし,曲線下面積(AUC)値は0.93~0.96の範囲であった。地滑り予測の空間一致の評価は,様々なモデル間の地滑り確率のピクセル-ワイズ相関係数が0.69~0.85の範囲であり,それらのかなりの予測精度にもかかわらず,様々なモデルによる予測地滑りの不確実性を示した。不確実性は,従属変数としてバイナリ地滑りインベントリーデータ,独立変数として4つの地滑り感受性モデルの結果として,ロジスティック回帰(LR)モデルを確立することによって対処した。結果は,RFモデルが観察された地滑り位置の予測に最も高い影響を持ち,MLP,SVM,およびKNNモデルが続くことを示した。最後に,複合地滑り感受性マップを,4つの機械学習ベースの地滑り予測の結果を統合することによって開発した。組合せマップは,個々のモデルと比較して,より良い空間一致(相関係数範囲0.88~0.92)とより大きな予測精度(0.97)をもたらした。モデリング手法は,種々の方法の不確実性を最小化し,地滑り予測を改善するのに有用である。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  不確実性 ,  *地滑り ,  相関係数 ,  画素 ,  リモートセンシング ,  *機械学習 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 独立変数 ,  ロジスティック回帰分析 ,  予測精度 ,  ランダムフォレスト ,  目的変数 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (7件)： 地すべり ,  リモートセンシング ,  不確実性 ,  K最近傍 ,  多層パーセプトロン ,  ランダムフォレスト ,  サポートベクトルマシン

分類 (1件)： 自然災害  (RA02030M)

引用文献 (61件)：

• Chen, W.; Peng, J.; Hong, H.; Shahabi, H.; Pradhan, B.; Liu, J.; Zhu, A.-X.; Pei, X.; Duan, Z. Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China. Sci. Total Environ. 2018, 626, 1121-1135.
• Ayalew, L.; Yamagishi, H. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 2005, 65, 15-31.
• Shahabi, H.; Hashim, M. Landslide susceptibility mapping using GIS-based statistical models and Remote sensing data in tropical environment. Sci. Rep. 2015, 5, 1-15.
• Qiao, G.; Lu, P.; Scaioni, M.; Xu, S.; Tong, X.; Feng, T.; Wu, H.; Chen, W.; Tian, Y.; Wang, W. Landslide investigation with remote sensing and sensor network: From susceptibility mapping and scaled-down simulation towards in situ sensor network design. Remote Sens. 2013, 5, 4319-4346.
• Pourghasemi, H.R.; Pradhan, B.; Gokceoglu, C. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran. Nat. Hazards 2012, 63, 965-996.

タイトルに関連する用語 (5件)： 機械学習 ,  地滑り ,  感受性 ,  マッピング ,  合意