熱帯環境における機械学習アルゴリズムとリモートセンシングデータを用いた地すべり感受性マッピング

Landslide Susceptibility Mapping Using Machine Learning Algorithms and Remote Sensing Data in a Tropical Environment.

• Viet-Ha Nhu
• Ayub Mohammadi
• Himan Shahabi
• Baharin Bin Ahmad
• Nadhir Al-Ansari
• Ataollah Shirzadi
• John J Clague
• Abolfazl Jaafari
• Wei Chen
• Hoang Nguyen

抄録

マレーシアのキャメロン高地の地すべりを空間的に予測するために、AdaBoost(AB)、交互決定木(ADTree)、およびそれらの組み合わせをアンサンブルモデル(AB-ADTree)として使用した。モデルは、合成開口レーダ干渉計、Google Earth画像、現地調査を用いて作成された152の地すべりのデータベースと、17の条件付け要素（斜面、アスペクト、標高、道路までの距離、河川までの距離、断層への近接度、道路密度、河川密度、正規化差植生指数、降雨量、土地被覆、岩相、土壌タイプ、曲率、プロファイル曲率、流力指数、地形湿潤指数）を用いて学習された。我々は、受信機動作特性曲線下面積（AUC）と、正の予測値、負の予測値、感度、特異度、精度、二乗平均誤差、FriedmanおよびWilcoxonの符号ランク検定を含むいくつかのパラメトリックおよびノンパラメトリックな性能指標を用いて検証プロセスを実施した。ABモデル（AUC = 0.96）は、アンサンブルAB-ADTreeモデル（AUC = 0.94）よりも優れた性能を示し、地すべり感受性の予測においてADTreeモデル（AUC = 0.59）よりも優れた性能を示した。この結果は、地すべり災害を軽減するための意思決定者や土地利用管理者が使用できる、より効率的で正確な地すべり予測モデルを開発するための洞察を提供するものである。

We used AdaBoost (AB), alternating decision tree (ADTree), and their combination as an ensemble model (AB-ADTree) to spatially predict landslides in the Cameron Highlands, Malaysia. The models were trained with a database of 152 landslides compiled using Synthetic Aperture Radar Interferometry, Google Earth images, and field surveys, and 17 conditioning factors (slope, aspect, elevation, distance to road, distance to river, proximity to fault, road density, river density, normalized difference vegetation index, rainfall, land cover, lithology, soil types, curvature, profile curvature, stream power index, and topographic wetness index). We carried out the validation process using the area under the receiver operating characteristic curve (AUC) and several parametric and non-parametric performance metrics, including positive predictive value, negative predictive value, sensitivity, specificity, accuracy, root mean square error, and the Friedman and Wilcoxon sign rank tests. The AB model (AUC = 0.96) performed better than the ensemble AB-ADTree model (AUC = 0.94) and successfully outperformed the ADTree model (AUC = 0.59) in predicting landslide susceptibility. Our findings provide insights into the development of more efficient and accurate landslide predictive models that can be used by decision makers and land-use managers to mitigate landslide hazards.