מבוא

אינטליגנציה מלאכותית (AI) מוכרת יותר ויותר ככוח טרנספורמטיבי על פני דיסציפלינות מדעיות, והגאו-מדעים אינם יוצאים מן הכלל.בין היישומים המשפיעים ביותר בתחום זה הוא מיפוי רגישות מפלה (LSM), תהליך המזהההה אזורים התורמים לכשלונות מדרדרדרדרים במהירות.פולת אדמה מציבה איומים משמעותיים לחיים, תשתיות ומערכות אקולוגיות – תוך שימוש במיליארדים של דולרים של נזק ואלפי הרוגים, על ידי שיטות למידה מורכבות, אשר מתפתחות, כגון שיטות למידה, בעיקר על ידי מודלים של אינטליגנציה מלאכותית, וגילויים, שיטות למידה, כגון שיטות למידה, וגילוי מהיר, וגילויים, וגילוי של שיטות למידה, וגילוי של בינה מלאכותית, בעיקר על ידי מודלים מורכבים, וגילוי של שיטות למידה, וגילוי של בינה מלאכותית, וגילוי של שיטות למידה, וגילוי של שיטות למידה, בעיקר על ידי מודלים של שיטות למידה, וגילוי של שיטות למידה, אשר מעורבים, כגון מודלים של שיטות למידה מורכבות, שיטות למידה, וגילוי של שיטות למידה, באופן ישיר של שיטות למידה, שיטות למידה, באופן ישיר, כגון שיטות למידה, באופן ישיר, שיטות למידה, כגון שיטות למידה, שיטות למידה, אשר מעורבים, אשר מעורבים, באופן ישיר של שיטות למידה, כגון שיטות למידה, באופן

הבנה של Landslide Susceptibility Mapping

מיפוי רגישות לנפולת הוא תהליך של הערכת מקום שבו מפולות אדמה צפויים להתרחש בעתיד בהתבסס על חלוקת המרחב של מפולות קודמות ומערך של גורמי התניה.זה שונה ממיפוי סיכונים, אשר משלב גם הסתברות זמנית, וממיפוי סיכונים, הכולל חשיפה ופגיעות.הרעיון הליבה הוא לייצר ציון רגיש מתמשך או סיכון קטגוריאלי לכל פיקסל או יחידת מחקר בשטח.

גישות LSM מסורתיות כוללות את heuristics (דעת ⁇ ), סטטיסטית (למשל, רגרסיה לוגיסטית, יחס תדירות), ומודלים ⁇ סטיים (מבוססים מבחינה פיזית) הם סובייקטיביים ולא ניתן להתחדשות בקלות.מודלים סטטיסטיים מניחים יחסים ליניאריים ולעתים קרובות דורשים בחירה משתנה זהירה. מודלים דיטרנטימיים צריכים פרמטרים גיאוטכניים מפורטים כי הם לעתים רחוקות זמינים בקנה מידה אזורי.

גורמי המיזוג הנפוצים ב-LSM כוללים:

  • (FLT:0) תכונות טופוגרפיים: זווית מדרון 1 (FLT:1), היבט, רפידות, גובה, אינדקס רטובות טופוגרפית (TWI), אינדקס כוח הזרקור (SPI).
  • (ב) [15] גורמים גיאולוגיים: 1FLT:1 לימוזינה (סוג סלע), צפיפות לקויה, דרגת מזג אוויר.
  • (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] גורמים הינדרולוגיים: FLT:1, גשם שנתי, עוצמת גשם, מרחק לניקוז.
  • (FLT:0) גורמים אנתרופוגניים:FLT:1rea Road צפיפות רשת, חיתוך מדרונות, פעילות כרייה.

כל גורם תורם באופן שונה בהתאם לדגם הגיאוגרפיה והאקלים המקומי.איי.איי.איי.איי.איי.איי.איי.איי.איי.איי.איי.איי.איי.איי. לומד באופן אוטומטי את התרומות הללו מהנתונים של אימון, אשר בדרך כלל מורכב ממפות מלאי מפולות (נקודות או פוליגון) ואת השכבות השייכות.

התפקיד של אינטליגנציה מלאכותית

AI, במיוחד למידת מכונה (ML) ולמידה עמוקה (DL), מתייחס לאתגרים הליבה של LSM: חללים בעלי תכונות גבוהות, אינטראקציות לא לינאריות, ואת הצורך בעיבודים מקיפים ואוטומטיים על אזורים גדולים. במקום להגדיר באופן ידני כללי כללי החלטות, מודלים AI מאומן על דוגמאות מתוייגות - פיקסלים מפולת ולא מפולת קרקעיים - כדי ללמוד מיפוי מגורמי התניה להסתברות של נתונים אלה יש כמה יתרונות:

  • גילוי:0 (FLT) גילויי פטטר: 1 AI יכול לזהות אינטראקציות מורכבות בין גורמים שאנליסטים אנושיים עלולים להחמיץ.
  • (ב) ⁇ :0) ⁇ : 1:1 לאחר אימון, ניתן ליישם מודלים על אזורים שלמים או אומות ללא הזנת מומחה נוסף.
  • (ב) ,0) אי-וודאות של טיהור: FLT:1 תפוקה פרובביליסטית מאפשרת למקבלי ההחלטות להבין רמות ביטחון.
  • (FLT:0) אינטגרציה של נתונים רב-מקור: OVAFLT:1) AI יכול למזג תמונות לוויין, מודלים של גובה דיגיטלי (DEMs), מפות אדמה ורשתות גשם לתוך חיזוי אחיד.
[ה]ההצלחה של AI ב-LSM תלויה באיכות ובייצוג של נתוני אימון.

מפתח Machine Learning Algorithms

אלגוריתמים רבים של ML כבר מוחלים ל-LSM, כל אחד מהם עם נקודות חוזק וחולשות נפרדות.

  • (FLT:0Logistic Regression (LR): ההרחבה הליניבית פשוטה, ההערכות הן ההסתברות להתרחשות מפולת קרקע.הוא משמש כבסיס אבל לעתים קרובות תחת חומרים על נתונים מורכבים.
  • (ד) [ד]ב]: [ה] [ה] [ה]] מודל דמוי עץ שבו משתמשים בתכונות כדי לחלק את הנתונים לקבוצות הומוגניות.קל לפרש אך נוטה לחלחל ללא ריצה.
  • (FLT:0Random Forest (RF): ההרחבה של עצי החלטות רבים שהוכשרו על דגימות מפוספסות נעליים ותכונות אקראיות תת-קרקעיות.RF הוא חזק, מטפל בנתונים חסרים היטב, ומספק ציונים חשובים.
  • (FLT:0) מכונות Vector (SVMori): FLT:1 מטיפוס מפלה מוצא את העודף האופטימלי הפרדה מפולת קרקע ולא מפולת קרקעיות.SVM עובד טוב במרחבים עתיריים, אך דורש בחירה זהירה של הקרנל (למשל, פונקציה קורנלית).
  • (FLT:0)Gradient Boosting Machines (GBMori): הרכב המאפיין 1:1, אשר בונה עצים לתקן שגיאות של עצים קודמים. XGBoost ו LightGBM הם גרסאות פופולריות המציעות דיוק גבוה ומהיר, אם כי הם רגישים יותר ליפרפרפרפרמטר.
  • רשתות ניאל מלאכותיות (ANN): ראטל 1 ( Multi-layer perceptrons) עם שכבה אחת או יותר מוסתרת. ANNs יכול מודל יחסים לא לינאריים אבל דורש נתונים גדולים וכוונון זהיר כדי להימנע מהתאמה.

במחקרים השוואתיים, RF ו- ⁇ מגבירים לעתים קרובות את דיוק החיזוי הגבוה ביותר (AUC > 0.85-0.95) על פני שטח מגוון רחב.עם זאת, אין אלגוריתם יחיד הוא הטוב ביותר; הבחירה תלויה בגודל נתונים, סוגי תכונה וצרכים הפרשות.

גישה למידה עמוקה

למידה עמוקה מרחיבה רשתות עצביות עם שכבות נסתרות רבות וארכיטקטורה מיוחדת עבור נתונים מרחביים או שבריריים. ב- LSM, רשתות עצביות מהפכתיות (CNN) מבטיחות במיוחד כי הם יכולים לעבד ישירות תמונות של raster (למשל, DEM, להקות לווייניות) ללא מיצוי ידני.- CNN לומד תכונות מרחביות היררכיות - מרקמים, ודפוסי קרקע - הם מאוד רלוונטיים עבור מחקרים עדכניים / רזולוציה גבוהה.

רשתות עצביות חוזרות ונשנות (RNN) וזיכרון לטווח קצר ארוך (LSTM) הוחלו גם בנתונים של סדרות זמן, כגון רצפי גשם המובילים לאירוע מפולת אדמה.שלב CNN ו-LSTM במודל היברידי מאפשר ניתוח בו זמנית של גורמים מרחביים וזמניים, שיפור תחזיות רגישות לאורך זמן עונתי.

למרות כוחם, מודלים למידה עמוקה דורשים נתונים מתוייגים נרחב (עשרות אלפי דגימות) ומשאבים חישוביים משמעותיים. עבור אזורים רבים, ממציאים כאלה אינם זמינים, ביצוע למידה - שבו מודל מוגבל על שטח אחד הוא היטב על אזור מחקר פעיל אחר.

מקורות נתונים וקידום

נתונים באיכות גבוהה של קלט הוא הבסיס של כל פרויקט LSM מבוסס AI. מקורות משותפים כוללים:

  • (FLT:0Digital Elevation Models (DEMs): FLT:1 SRTM (30 מ'), ALOS World 3D (30 מ'), או LiDAR-derived DEMs (1-5 מ') מספקים נגזרות טופוגרפיות גבוהות יותר משפר את זיהוי של כשלונות מדרונות מקומיים.
  • (FLT:0) לנדפול ממציאים: FLT:1 אירועים היסטוריים מפות מפרשנות צילום אווירי, תמונה לוויין שינוי זיהוי, או סקרי שדה.
  • יחידות ה-FLT:0Geological Maps: 1FLT:1 Lithology הן לעתים קרובות הגורם החזק ביותר לשליטה. יחידות משמעת בדרך כלל מקודדות כמשתנים קטגוריאליים.
  • (ב) ויקרא י"א: ויקרא י"ד: ויקרא י"א, סנטינל 2, או תמונות מאוד גבוהות של רזולוציה (VHR) מספקות כיסוי קרקע, NDVI וגילוי שלאחר event.
  • (FLT:0)Rainfall Datarov: 1FLT:1 גרידנדד מוצרי משקעים (למשל, CHIRPS, TRMM, GPM) מציעים ממוצעים ארוכי טווח או צושמים.

פעולות עיבוד כוללות:

  1. (ב) יש לתאם את אותה החלטה מרחבית (למשל 30 מ') ולתאם את המערכת.
  2. (FLT:0)Normalization או Standardization:FIRLT:1 תכונות רציף מופחתים לאפס משמעות וחלופה יחידה כדי לעזור אלגוריתמים של ML להתלכד.
  3. [ה]העדר ערכים: [ה] יראים [=ה]: [ה], [ה], [=ה],] מבדילים בין בני אדם ובין אם כן,] יכולים למלא פערים, אך אזורים חסרים גדולים עשויים לדרוש הדרה.
  4. חוסר איזון קלפי: מפולות אדמה> הן אירועים נדירים (בדרך כלל <5% מהשטח) טכניקות כמו תת-מפרק אקראי של מפולות לא-יבשות, oversampling of Landslides (SMOTE), או התאמת משקלי מעמד בפונקציה אובדן משמשים.
  5. (FLT:0) בחירה של Feature: FLT:1 Multicol לינאריות (למשל, מתאם גבוה בין מדרדרון ו-TWI) יכול לפגוע בדגמים מסוימים.

מודל אימון ואימות

בניית מודל בינה מלאכותית אמין ל-LSM דורשת פרוטוקולים אימונים ואימות קפדניים.

  1. (FLT:0)Sampling: FLT:1 פיקסלים מפולת הם 1; פיקסלים שאינם מפולנים כמו 0. Common בפועל הוא לבחור באופן אקראי מספר שווה של נקודות לא מפולות מתחומים נמוכים (למשל, שטח שטוח) כדי ליצור נקודת נתונים מאוזנת.
  2. (FLT:0)Train-Test פיצול:FLT:1 The labeled Dataset מחולק לאימון (70–80%) ובדיקה (20–30%) קובע, לעתים קרובות באמצעות מעבר מרחבי (למשל, k-fold או Leave-one-area-out) כדי להימנע מטיה של כלי רכב מרחביים.
  3. (FLT:0) Hyperparameter Tuning:FreaLT:1 ; חיפוש גריידי, חיפוש אקראי, או אופטימיזציה Bayesian למצוא פרמטרים אופטימליים (למשל, עומק עץ, שיעור למידה).
  4. (ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  5. (FLT:0)Confusion Matrix:FLT:1 דיוק, זיכרון, F1-score. Recall (הקצב החיובי האמיתי) חשוב במיוחד למזער מפולות אדמה מפספסות.
  6. (ב) ,0) ,Kappa Coefficient: הסכם 1FLT מעבר לסיכוי.
  7. (FLT:0) חיזוי חיזוי פניות: FLT:1, המודל המאומנים מוחל על כל רשת אזור המחקר, יצירת מפת רגישות (הסתברות מ 0 עד 1), המפה לעתים קרובות מסווג מחדש לשיעורים רגישים (למשל, נמוך מאוד עד גבוה מאוד) באמצעות הפסקות טבעיות או קוונטיות.

Overfitting הוא סיכון קבוע.שימוש בתכונות רבות מדי או מודלים מורכבים מדי (למשל, רשתות עמוקות עם נתונים לא מספיקים) יכול להניב דיוק הכשרה גבוהה אבל הכללה גרועה.

מקרה מחקרים

אזור ההימלאיה (India / Nepal)

החוקרים הגישו את היער ואת SVM כדי למפות רגישות בהמלאיה Garhwal באמצעות מדרון, היבט, ליתולוגיה, שימוש בקרקע, וגשם.RF השיג AUC= 0.92, Outperforming SVM (0.88).המפה המתקבלת הדגישה כי מעל 30% מהאזור נופל לתוך גבוה או גבוה מאוד רגיש, המנחה את הבנייה והתכנון של כביש:0(Kuür al.FLT)

קליפורניה, ארה"ב

באזור מפרץ סן פרנסיסקו, רשת עצבית עמוקה מגובשת הוכשרה על 1 m LiDAR DEM ו-UthoPhotos כדי לחזות מפולות אדמה רדומות שנגרמו על ידי סערות.ה- CNN זיהה נכון 85% של כישלונות ידועים וצמצם חיובי כוזבים ב-40% בהשוואה לבסיס תוקפנות לוגיסטי:0(USS Landslide Hazards Program, 2022) LTF1:1:1.

דרום איטליה (Campania)

XGBoost בשילוב עם נתוני לחות קרקעיים מדרבנים השתפרו מיפוי רגישים באזורים עם שינוי מהיר הקרקע.המודל תפס וריאציות עונתיות, מראה כי שריפות קיץ להגדיל באופן משמעותי את הרגישות בסתיו הבא.המחקר הדגיש את החשיבות של גורמי התניה דינמיים (FLT:0(Guzzetti et al., 2021) LT:1.

מחקרים אלה מראים כי LSM מבוסס בינה מלאכותית לא רק משחקים, אלא לעתים קרובות עולה על שיטות מסורתיות דיוק, במיוחד כאשר נתונים ברזולוציה גבוהה זמינים.

יתרונות ומגבלות

יתרונות

  • (FLT:0) דיוקנות: מודלים של AI1 להשיג באופן שגרתי ערכי AUC מעל 0.85, למעט שיטות סטטיסטיות קונבנציונליות.
  • (ב) ,0) ,Automation: 1FLT 1 לאחר אימון, ניתן ליישם מודלים על יבשות שלמות, להאיץ הערכות שכבר עברו חודשים.
  • (FLT:0) שילוב של קוד-מור: FLT:1 AI ממזג בצורה חלקה את הרסטר, וקטור, ונתונים זמניים למסגרת אחת.
  • (FLT:0) תפוקה פרובביליסטית: FLT:1 מפות הסתברות רציפה מאפשרות סף גמיש המבוסס על סובלנות סיכון.
  • (FLT:0)-העברה: מודלים מאומנים מראש יכולים להיות מותאמים לאזורים חדשים עם נתונים מוגבלים באמצעות למידה העברה.

הגבלות

  • (FLT:0) תלויות בנתונים: ביצועים 1FLT קשורים ישירות לשלימות המלאי ולאיכות המפה של המפה.
  • טבע הקופסה השחורה: 1FLT 1 מודלים רבים של בינה מלאכותית (במיוחד רשתות עמוקות) מציעים מעט הפרשנות.טכניקות של AI (XAI) כמו SHAP או LIME נדרשים להבין אילו גורמים מניעים תחזיות.
  • (ב) ,0) סיכון מתאים: מודלים מורכבים של 1FLT עשויים להפריז ברעש במקום להכללה, במיוחד במאגרי נתונים קטנים.
  • (ב) עלות גבוהה:0) חישובית: 1FLT:1ve למידה עמוקה דורש משאבי GPU ועומס יתר נרחב.
  • (FLT:0) יציבות טמפל: 1 (מפת ההסתברות) הם סטטיים, אבל גורמים מפולנים (למשל, גשם) הם דינמיים. coupling AI עם ניטור בזמן אמת נשאר אתגר.

כיוונים עתידיים

התחום נע במהירות לעבר מגמות חזקות יותר ומבצעיות של AI-oriented LSM. Key כוללות:

  • (FLT:0) Ensemble Learning:FLT:1irשלב אלגוריתמים מרובים (למשל, RF + XGBoost + רשת עצבית) לעתים קרובות מניב תחזיות טובות ויציבות יותר מכל מודל יחיד.
  • (FLT:0) למידה והתאמה: FLT:1 מודלים של שימוש מאומן באזורים עשירים בנתונים (למשל אירופה) למיפוי מפוספס באזורי איסוף נתונים (למשל, מרכז אפריקה).
  • (FLT:0) אינטגרציה עם חיישנים בזמן אמת: איורים 1 AI מעודכנים על ידי נתונים של IoT (למשל, הטיהמטרים, מד הגשמים) יכול להשתנות מרגישויות סטטית לחיזוי סיכונים דינמיים.
  • (FLT:0) הסבירות AI (XAI): כלים כמו חשיבות, תלות חלקית, מפות סלנסיות יגדילו את האמון והקבלה הרגולטורית.
  • (FLT:0Cloud-based Platforms:FLT:1ir Services like Google Earth Engine עכשיו מארחת ספריות ML (למשל, TensorFlow, XGBoost) שיכולות לעבד נתונים גלובליים ללא הורדת טרה-בייט של נתונים.
  • (FLT:0) Multi-Hazard Frameworks:BuildFLT:1) מודלים AI כי במקביל לחזות מפולות אדמה, שיטפונות, רעידות אדמה יכול לתמוך טוב יותר בהפחתה של אסון משולב.

מסקנה

אינטליגנציה מלאכותית יש מיפוי רגישויות מתקדם ביסודו, המאפשרת הערכה מדויקת יותר, מדרגית ואוטומטית יותר מאי פעם אלגוריתמי למידת מכונה, מ-random Forest ועד לרשתות אבולוציוניות עמוקות, ללמוד ישירות מהנתונים הסביבתיים לייצר משטחים סיכון רב-תחומיים שיכולים להנחות את השימוש הקרקעי בתכנון, מערכות התראה מוקדמות ופיתוח תשתיות.

(ב) [ה]] [ה]] [ה]], [ה], [ה], [ה], [ה]], [ה], [ה], [ה]], [ה]], [ה'], [ה'], [ה'], [ה'], [ה']']'[ה']']']'[ה'[ה']']']']']']']'[ה'[ה']'[ה'[ה']'[ה'[ה'[ה'[ה']']']'[ה']']'[ה'[ה']']']']']']'[ה'[ה'[ה']']']']']']'[ה'[ה']']'[ה'[ה']'[ה']']'[ה']']']'[ה'[ה']'[ה']'[ה']']']'[ה'[ה'[ה'[ה'[