文献

J-GLOBAL ID：202202279640486234   整理番号：22A1174552

深層学習,サポートベクトルマシンおよびロジスティック回帰を用いた地震時地滑り感受性マッピングのための新しいマークベースサンプリング戦略の有効性【JST・京大機械翻訳】

Effectiveness of Newmark-based sampling strategy for coseismic landslide susceptibility mapping using deep learning, support vector machine, and logistic regression

著者 (7件)： Xi Chuanjie (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China) ,  Han Mei (School of Mathematics, Southwest Jiaotong University, Chengdu, China) ,  Hu Xiewen (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China) ,  Liu Bo (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China) ,  He Kun (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China) ,  Luo Gang (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China) ,  Cao Xichao (Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu, China)
資料名： Bulletin of Engineering Geology and the Environment  (Bulletin of Engineering Geology and the Environment)
巻： 81  号： 5  ページ： 174  発行年： 2022年 
JST資料番号： W4126A  ISSN： 1435-9529  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 非地滑りサンプルは地滑り感受性マッピング(LSM)において決定的役割を果たすが,不適当なサンプリング法は予測モデルの性能を低下させる可能性がある。本研究の主要な目的は,モデル性能に対する従来のバッファ制御サンプリング法の影響を調査し,地震時地滑りに対するNewmarkベースサンプリングアプローチを提案することである。中国のJiuzhaigou地震地域を研究領域として選択した。6つのサンプルデータセットを,3つの機械学習モデル,すなわち,深いニューラルネットワーク(DNN),ロジスティック回帰(LR),およびサポートベクトルマシン(SVM)のために構築する。試料は2つのシナリオ,すなわちシナリオ-BZ,異なる緩衝距離を用いて作成した一連の試料,およびシナリオ-LD,Newmarkベース法により作られた非地滑り試料のセット,をカバーした。興味深いことに,結果は,曲線下面積(AUC)が,シナリオ-BZ(DNN:0.894-0.979,SVM:0.894-0.981,LR:0.797-0.889)における緩衝距離と正相関しているが,緩衝帯における穏やかな谷は,保存的感受性値に割り当てられ,一方,緩衝帯外の急峻な山岳における地滑りの確率は,過小評価されていることを示した。対照的に,すべてのモデルは,シナリオ-LD(DNN,LR,およびSVMモデルに対して,それぞれ,0.969,および0.931のAUC値)において,より妥当な感受性値を割り当てる。これらの結果は,従来のバッファ制御方法で得られた地滑り感受性が,優れた性能を達成する予測モデルにもかかわらず不正確であるかもしれないことを示唆する。したがって,提案した手法は,他の地震地域における地震時地滑り感受率への洞察を提供することができる。Copyright Springer-Verlag GmbH Germany, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 確率 ,  時間 ,  ニューラルネットワーク ,  *地震 ,  *地滑り ,  感受性 ,  制御方式 ,  山岳 ,  順相 ,  血中濃度-時間曲線下面積 ,  機械学習 ,  予測モデル ,  *サポートベクトルマシン
準シソーラス用語： *ロジスティック回帰分析 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 地震時地滑り ,  深層学習 ,  感受性マッピング ,  Newmarkモデル

分類 (1件)： 自然災害  (RA02030M)

タイトルに関連する用語 (9件)： 深層学習 ,  サポートベクトルマシン ,  ロジスティック回帰 ,  地震 ,  地滑り ,  感受性 ,  マッピング ,  戦略 ,  有効性