Giriş Giriş Giriş

Yapay zeka (AI) giderek bilimsel disiplinler boyunca dönüştürücü bir güç olarak kabul edilir ve geosciences, bu alanda en etkili AI uygulamaları arasında, özellikle de uzman heuristics veya basit istatistiksel modeller temelinde, insan hayatına, altyapıya ve ekosistemlere yönelik önemli tehditler ortaya koyar - yıllık olarak hasar ve binlerce ölümcül alan öğrenme yöntemlerine neden olur.

Arazileri anlamak Susceptability Mapping

Araziler, arazilerin maruz kalma ve kırılganlık içeren bir çalışma alanı için sürekli olarak gerçekleşen tehlike haritası ile ilgili olarak gelecekte meydana gelme olasılığı yüksektir. Landslide susceptability mapping, which also includesmating where landlides are likely to occur in the future based on the space distribution of past landlides and a set of production factors.It different from the disaster mapping, which also include the disaster and vulnerabilities.

Geleneksel LSM yaklaşımları heuristik (uzman görüşü), istatistiksel (örneğin, lojistik regresyon, frekans oranı), ve determinist (fiziksel olarak temel) modellerdir. Heuristic yöntemleri özneldir ve doğrusal olmayan ilişkileri varsayar ve genellikle dikkatli bir değişken seçimi gerektirir.Deterministic modeller nadiren bölgesel ölçeklerde mevcut olan geoteknik parametrelere ihtiyaç duyar.Bu kısıtlamalar araştırmacılara karşı yüksek boyutlu, doğrusal olmayan ilişkilerle başa çıkabilir.

LSM'de kullanılan ortak şartlandırma faktörleri şunlardır:

  • [FONT=0)Topografik özellikler:[Dönem:[Dönder:) eğim açısı, yön, eğrilik, yükseklik, topografik ıslaklık indeksi (TWI), akış güç indeksi (SPI).
  • [FONT:0)Geolojik faktörler:[Dönetici:[Dönetici:0) .
  • [FONT:0)Land kapağı:[Dönem:[Dönem:[Dönem: 1)
  • [FONT:0)Hydrolojik faktörler: [Düzg: 1) Yıllık yağış, yağış yoğunluğu, drenaja uzak.
  • [FONT:0)Anthropojenik faktörler:[Dönetici:[Dönetici: 1) Yol ağ yoğunluğu, eğimler, madencilik aktivitesi.

Her faktör yerel jeoloji ve iklime bağlı olarak farklı katkıda bulunur. AI modelleri otomatik olarak eğitim verilerinden bu katkıları öğrenir, bu genellikle toprak envanter haritalarından (kır veya poligonlardan) oluşur ve ilgili faktör katmanları.

Yapay Zekanın Rolü

AI, özellikle makine öğrenimi (ML) ve derin öğrenme (DL), LSM'nin temel sorunlarını ele alır: yüksek boyutlu özellik alanları, doğrusal olmayan etkileşimleri ve büyük alanları ölçeklenebilir, otomatik olarak işleme ihtiyacı vardır.

  • [FONT:0)Pattern keşif: [Döntilmiş:[Dönetici: 0) AI, insan analistlerinin özleyebileceği faktörler arasında karmaşık etkileşimleri tespit edebilir.
  • [FONT:0)Scalability:[Dönetici:[Dönetici:0)Eğitimli bir kez, modeller ek uzman giriş olmadan tüm bölgelere veya ülkelere uygulanabilir.
  • [FONT:0)Uncertainty niceification: Probabilistic çıktıları karar vericilerin güven seviyelerini anlamalarına izin verir.
  • [FONT:0) Çok kaynak verilerinin toplanması: AI uydu görüntülerini, dijital yükseklik modellerini (DEM) toprak haritalarını ve yağmur şebekelerini birleşik bir tahmine sokabilir.
[FONT:0]Key Insight: ) LSM'deki AI'nın başarısı, eğitim verilerinin kalitesi ve temsilcisine bağlıdır. Garbage in, çöp en önemli mağarada kalır.

).

Anahtar Makine Öğrenme Algoritmaları

LSM'ye sayısız ML algoritmaları uygulandı, her biri farklı güçlü ve zayıf yönleriyle. en yaygın olarak incelenmiştir:

  • [FONT:0)Logistic Regresyon (LR):), Toprakların meydana gelme olasılığını tahmin eden basit bir lineer sınıflandırıcı. karmaşık veri kümeleri üzerinde genellikle altüstler olarak hizmet eder.
  • [FONT:0)Decision Trees (DT):), Bir ağaç gibi bir model, verileri homojen gruplara bölmek için kullanılır.
  • [FONT:0]Random Forest (RF): ), Önyükleme örnekleri ve rastgele özellik alt setleri üzerinde eğitilmiş birçok karar ağacının bir araya gelmesi. RF sağlam, eksik veri iyi idare eder ve LSM değerlendirmelerinde üst performans gösterenler arasında sürekli olarak yer alır.
  • [FONT:0)Depres Vector Machines (SVM): ), En iyi hiperplanetleri ayırt eden ve olmayan sınıf sınıfları bulmak için bir diskriminatif sınıflandırıcılık. SVM yüksek boyutlu alanlarda iyi çalışır, ancak dikkatli çekirdek seçimi gerektirir (örneğin, radial temel işlevi).
  • [FONT=0)Gradient Boosting Machines (GBM): [Dönetici:0) Ağaçları önceki ağaçlardaki doğru hataları düzeltmek için inşa eden bir topluluktur. XGBoost ve LightGBM, yüksek doğruluk ve hız sunuyor, ancak hiperparametrelere daha hassastır.
  • [FONT=0)Artificial Neural Networks (ANN):[Dönetici: 0:0) Çok katmanlı perceptrons (MLP) bir veya daha gizli katmanlarla modellenebilir. ANNs, geniş veri kümeleri ve dikkat ayarlarını aşırı yüklemeyi gerektirir.

Karşılaştırmalı çalışmalarda, RF ve gradient sık sık en yüksek tahmin doğruluğunu elde eder (AUC > 0.85-0.95) çeşitli arazilerde evrensel olarak en iyisi değildir; seçim veri büyüklüğüne, özellik türlerine ve yorumlamaya bağlıdır.

Deep Learning Approaches

Derin öğrenme, yapay olmayan veya eşdeğer bir veri için birçok gizli katman ve özel mimari ile sinir ağları genişletmektedir. LSM, konvolutional sinir ağları (CNNs) özellikle umut vericidir, çünkü CNN'lerin manuel olarak algıladıkları durumlarda (örneğin, yüksek çözünürlüklü veriler) yüksek çözünürlüklü veriler kullanarak doğrudan doğrulanabilir.

Mevcut bir sinir ağları (RNNs) ve uzun kısa süreli hafıza (LSTM) ağları ayrıca mevsimsel zaman ölçeği geliştirmek için de uygulanır.

Onların gücüne rağmen, derin öğrenme modelleri geniş etiketli veri gerektirir ( binlerce örnekten oluşur) ve önemli bir hesaplama kaynakları için, bu tür mucitler kullanılamaz, transfer öğrenme yapılır - bir alanda eğitim öncesi bir model başka bir şekilde yapılır - aktif araştırma alanı.

Data Sources ve Preprocessing

Yüksek kaliteli giriş verileri, herhangi bir AI tabanlı LSM projesinin temelidir: Common resources şunları içerir:

  • [FONT=0) Dijital Seçim Modelleri (DEM)): ). SRTM (30 m), ALOS World 3D (30 m), veya LiDAR-derived DEMs (1-5 m) yerel eğim hatalarının tespitini sağlar.
  • [FONT:0]Landslide Inventories: Hava fotoğraf yorumlarından Tarihsel olay haritaları, uydu görüntü değişikliği algılaması veya saha anketleri. Tamamlanan mucitler önyargılı modellere yol açıyor.
  • [FONT:0)Geolojik Harita:[Dönetici:[Döneticileri:[Döneticileri: 0) Lithology birimleri genellikle en güçlü kontrol faktörüdür. Discrete birimleri genellikle kategorik değişkenler olarak kodlanır.
  • [FONT=0)Satellite Imagery:[Dönetici:[Dönetici:0) Landsat 8/9, Sentinel-2 veya çok yüksek çözünürlüklü (VHR) görüntüler arazi kapağı, NDVI ve post-event hasar algılama tespiti sağlar.
  • [FONT:0)Rainfall Data:[Dönetici:[Dönüşük:[Dönüşük: 0))) · CIRPS, TRMM, GPM) uzun vadeli ortalamalar veya bir tespitli yağış endeksleri sunar.

Pre processinging adımları şunları içerir:

  1. [FONT:0)Resampling:[Dönetici:[Dönetici: 0) Tüm rastlayıcılar aynı uzaysal karara (örneğin, 30 m) ve koordinat sistemine uyum sağlamalıdır.
  2. [FONT=0) Normalleşme veya Standartlaştırma:[Dönetici:[Dönetici:0) Sürekli özellikler, ML algoritmalarının bir araya gelmesine yardımcı olmak için sıfır kelime ve birim variance ölçeğinde ölçeklenir.
  3. [FONT:0]Handling eksik değerler: [Döntgen: 1) K-nearest komşular veya interpolasyon boşlukları doldurabilir, ancak büyük eksik alanlar dışlama gerektirir.
  4. Class dengesizlik: Araziler nadir olaylardır (bölgenin neredeyse% <5%). Toprakların aşırılıklarının aşırılaştırılması, ya da kayıp fonksiyonunun sınıf ağırlığı kullanılır.
  5. [FONT=0)Ana Sayfa seçimi: [Dönderlik (e.g., eğim ve TWI arasındaki yüksek korelasyon bazı modellere zarar verebilir. Variance enflasyon faktörü (VIF) analizi veya recursive özelliği ortadan kaldırmak önerilir.

Model Eğitimi ve Geçerlilik

LSM için güvenilir bir AI modeli inşa etmek, titiz eğitim ve doğrulama protokolleri gerektirir. Tipik iş akış:

  1. [FONT:0)Sampling:[Dönetici:[Dönetici:0) Araziler, 1 olarak etiketlenir; alan dışı pikseller 0. Ortak uygulama, düşük seviyeli olmayan alanlardan eşit sayıda puan seçmektir (örneğin, düz arazi) dengeli bir veri kümesi oluşturmak için.
  2. [FONT=0)Tren-Test Split:[Dönetici:[Dönetici: % 70-80) ve test (% 20–30) setleri, genellikle uzaysal geçiş (örneğin, k-kat veya terk-bir-area-out) uzaysal otokorelasyon önyargısından kaçınmak için bölünmüştür.
  3. [FONT:0)Hyperparameter Tuning: Grid arama, rastgele arama veya Bayesian optimizasyon optimal parametreler (örneğin, ağaç derinliği, öğrenme oranı).
  4. [FONT=0)Evaluation values:[Dönetici:[Dönetici: ·0)[Dönetici: ·0|Dönetici|AUC-ROC): [DÜye Olmayanlar İçindekiler: [DÜye Olmayanlar İçindekiler: [DÜye Olmayanlar İçindekiler: AUC-ROC): [DÜye Olmayanlar İçindekiler: [DÜye Olmayanlar İçindekiler: [DÜye Olmayanlar İçindekiler: AUC-ROC): [DÜye Olmayanlar: 9,0|SÜye Olmayanlar)
  5. [FONT=0)Confüzyon Matrisi:[Dönetici:[Dönetici:0) Hassas toprakları en aza indirmek için özellikle önemlidir.
  6. [0]Kappa Coive:[Dönetici:[Dönetici: 1 ) Anlaşmanın ötesinde.
  7. [FONT:0]Spatial Prediction:[Dönetici: [Dönetici:0]Eğitim alanı ızgarasına uygulanır, susceptability haritası oluşturmak ( 0 to 1). Harita genellikle susceptability sınıflarına yeniden sınıflanır (örneğin, çok düşük) doğal molalar veya ölçümler kullanarak.

Overfitting sürekli bir risktir. Çok fazla özellik veya aşırı karmaşık modeller (örneğin, yetersiz verilerle derin ağlar) yüksek eğitim doğruluğuna ancak kötü genelleştirmeye yardımcı olabilir. Düzenlileştirme (L1/L2), damlaout (örneğin, sinir ağları için), ve erken durdurma bunu hafifletmeye yardımcı olur.

Vaka Çalışmaları

1. Himalaya Bölgesi (Hindistan/Nepal)

Araştırmacılar, rastgele Orman ve SVM'yi Garhwal Himalayaların eğimi, yönü, lithology, arazi kullanımı ve yağmuru kullanarak haritalamayı uygun hale getirdiler.QUÇA = 0.92, outperform SVM (0.88).

2. Kaliforniya, ABD

San Francisco Körfezi Bölgesinde, bilinen hataların% 85'i doğru şekilde tespit edilen ve bir lojistik geri dönüşüm üssüne kıyasla% 40'ı yükselten LDAR DEM ve orthophotos, 2022'de, [FOGS Landslide Tehlikeler Programı][FONT=CVizeler tarafından başlatılan hassas toprakları tahmin etmek için% 85'i doğru şekilde tespit etti.

3. Güney İtalya (Campania)

XGBoost, uydu bazlı toprak nemiyeti ile bir araya getirilen veri, hızlı arazi kullanımı ile alanlarda değerlendirmeyi geliştirdi.Yaz vahşi yangınları aşağıdaki sonbaharda susceptability önemli ölçüde artırdığını gösteriyor.

Bu vaka çalışmaları AI tabanlı LSM'nin sadece maç değil, özellikle yüksek çözünürlüklü giriş verilerinin mevcut olduğu durumlarda, geleneksel yöntemleri aşıyor.

Faydaları ve Sınırlamaları

Faydaları Faydaları Faydaları

  • [FONT:0) Adaylık:[Dönetici:[Dönetici: 0,85 üzerinde AUC değerleri rutin olarak elde edilir, geleneksel istatistiksel yöntemleri bilgilendirir.
  • [0]Automation:[[Dönetici:[Dönetici: 0 ) Bir kez eğitilmiştir, modeller daha önce aylar süren değerlendirmelere uygulanabilir.
  • [FONT:0) Çok kaynak entegrasyonu: [Dönetici:[Dönetici: 0) AI, bir tek çerçeveye doğru düzgün bir şekilde silinir.
  • [FONT:0)Probabilistic çıktılar:[Dön olasılık haritaları risk toleransına dayalı esnek eşleme sağlar.
  • [FONT:0)Transferability:[Dönetici:[Dönetici:0) Ön eğitimli modeller transfer öğrenme yoluyla sınırlı verilere adapte edilebilir.

Sınırlamalar

  • [FONT:0)Data bağımlılık:[Dönetici:[Dönetici:0) Performans doğrudan envanteri tamamlamak ve faktör harita kalitesi ile bağlantılıdır. Biased mucitler önyargılı modeller için yol açar.
  • [FONT=0]Black-box doğası:[Dönetici:[Döneticileri) Birçok AI modeli (özellikle derin ağ) SHAP veya LIME gibi bazı teknikler, hangi faktörlerin tahmin ettiğini anlamak için gereklidir.
  • [FONT:0) Risk:[Dönetici:[Dönetici: 1) Kompleks modeller, özellikle küçük veri kümelerinde gürültüyü ezberlemek için ezberlemek olabilir.
  • [FONT:0)C ⁇ maliyeti:[Dön öğrenme GPU kaynakları ve geniş hiperparametre ayar gerektirir.
  • [FONT:0]Temporal istikrar: [Döneticileri Tanımlama haritaları statik, ancak topraklar tetikleyiciler (örneğin, yağış) dinamiktir. Gerçek zamanlı izleme ile Coupling AI, bir meydan okumadır.

Future Yol Tarifi

Alan, daha sağlam ve operasyonel AI-güdümlü LSM'ye hızla ilerliyor. Anahtar eğilimleri şunları içerir:

  • [FONT:0)Ensemble Learning:[Dönetici:[Dönetici: 0,0) Birden çok algoritmayı bir araya getirmek (örneğin RF + XGBoost + sinir ağı) genellikle tek bir modelden daha iyi ve daha istikrarlı tahminlere sahiptir.
  • [FONT=0)Transfer Learning and Domain Adaptation: Verilerde eğitilmiş modeller (örneğin, Avrupa) veri-karce alanlarında (örneğin, Orta Afrika) haritalama yapmak için.
  • [FONT:0) Gerçek Zamanlı Sensörlerle Integration:[Dönetici: IoT verileri tarafından güncellenen AI modelleri (örneğin, eğimler, yağmur ölçümleri) statik su tahminlerine göre değişebilir.
  • [[Dönlenebilir AI (XAI):[Dönemli) Araçların önemi, kısmi bağımlılık arsaları ve selamlama haritaları güven ve düzenleyici kabul artıracaktır.
  • [FONT=0)Cloud-Based Platforms: Google Earth Engine gibi hizmetler artık ML kütüphaneleri (örneğin, TensorFlow, XGBoost) bu, küresel veri setlerini indirmeden işlemleyebilir.
  • [FONT:0) Çok-Hazard Frameworks: Aynı anda topraklar, sular ve depremler, entegre felaket risk azaltımı destekleyebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zeka temel olarak gelişmiş topraklama, arazinin planlama, erken uyarı sistemleri ve altyapı geliştirmesini sağlamak için daha güvenli bir şekilde optimize edilmiş ve veri algoritmalarından, Random Forest'dan derin konvoylara, arazi planlamaya, erken uyarı sistemlerine rehberlik edebilecek çevresel verilerden doğrudan faydalanmalıdır. Ancak, bu haritaların kalitesi daha güvenli bir şekilde entegre edilebilir bir şekilde, güvenli bir şekilde entegrasyona ve uygulama alanlarındaki temelleştirilmiş bir şekilde entegrasyona bağlı olacaktır.

[0]Daha fazla okuma için, [FOGS Landslide Hazards Programı) ve akran tarafından yapılan dergilerde sunulan bazı çalışmalar [DDDDDDDDDDDDDDDDDDDDDDD)[D)