|
Miło nam poinformować o kolejnej publikacji dr Piotra Demczuka (Katedra Geomorfologii i Paleogeografii UMCS) wydanej w najnowszym zeszycie Frontiers in Earth Science:
Zydroń T., Demczuk P., Gruchot A., 2022. Assessment of Landslide Susceptibility of the Wiśnickie Foothills Mts. (The Flysch Carpathians, Poland) Using Selected Machine Learning Algorithms. Frontiers in Earth Science, 10. https://doi.org/10.3389/feart.2022.872192
Osuwiska są powszechnie znanymi zjawiskami, które powodują znaczne zmiany rzeźby terenu i często przyczyniają się do niszczenia infrastruktury technicznej, a nierzadko mogą powodować śmierć ludzi. Jednym z możliwych sposobów ograniczenia negatywnego wpływu procesów osuwiskowych jest rozpoznanie obszarów podatnych na takie zjawiska. Najczęstszym podejściem do tego problemu jest przygotowanie map podatności osuwiskowej. Mogą one uwzględniać rzeczywistą lokalizację osuwisk lub mogą być mapami, które uwzględniają związek pomiędzy osuwiskami a losowo wybranymi lub o największym znaczeniu czynnikiem środowiskowymi. Klasyfikacja obszarów narażonych na osuwiska jest zadaniem trudnym, jeśli zagęszczenie osuwisk nie jest duże, a analizy obszar jest rozległy. Dla Pogórza Wiśnickiego (Karpaty Zachodnie) przygotowano mapy podatności na powstawanie płytkich osuwisk o rozdzielczości 10 m x 10 m na podstawie 11 różnych algorytmów uczenia maszynowego z wykorzystaniem bibliotek Pythona Scikit Learn i Imbalanced-Learn. Analizowany obszar charakteryzuje się średnim zagęszczeniem płytkich osuwisk, na poziomie 2,8 osuwisk na km2 (liczba ogólna 2395). Porównane zostały różne podejścia do niezrównoważonych zestawów danych: Logistic Regression, Naive Bayes , Random Forest, AdaBoost, Bagging, ExtraTrees, EasyEnsemble, Balanced Bagging, BalancedRandomForest, RUSBoost, model hybrydowy stanowiący połączenie algorytmów RandomUnderSampler, Multi-layer Perceptron. W analizie uwzględniono następujące czynniki środowiskowe: nachylenie i ekspozycja zboczy, odległość od rzek, budowa geologiczną, typ i przepuszczalność gleb, głębokość zwierciadła wód gruntowych, krzywizna profilu zbocza, średnie roczne opady. Dane zostały podzielono na zbiór uczący (70%) i treningowy (30%). Do walidacji jakości modeli wykorzystano następujące metryki: dokładność, specyficzność, średnią G i krzywą jakości klasyfikatora (AUC). Wyniki potwierdziły, że algorytmy oparte na klasyfikatorach drzew decyzyjnych nadają się do przygotowania map podatności na osuwiska. Stwierdzono również, że metody generujące losowe podzbiory (EasyEnsemble, Balanced Bagging) oraz wykorzystujące metody zespołowe (Bagging, AdaBoost, Extra-Trees) dają bardzo podobne wyniki testów jak metody wykorzystujące do treningu pełne zestawy danych. Relatywnie wysoką jakość wyników, podobną do uzyskiwanych przez klasyfikatory drzew decyzyjnych, można również uzyskać poprzez integrację algorytmu Random Under-Sampling i Perceptronu wielowarstwowego.
Według aktualnego Wykazu Czasopism MEiN artykuł opublikowany w Frontiers in Earth Science to 100 punktów (Impact Factor: 3.661).
Bezpośredni link do ww. publikacji
Wykaz publikacji pracowników INoZiŚ UMCS
|
