چکیده

مدل‌های احتمالی شکست شیب تولید شده با استفاده از جنگل تصادفی (RF) یادگیری ماشین (ML)، نقاط حادثه تفسیر شده دستی، و تشخیص نور و محدوده متغیرهای زمین (LiDAR) برای پیش‌بینی و تعمیم به گستره‌های جغرافیایی جدید ارزیابی می‌شوند. به طور خاص، مدل‌هایی برای چهار منطقه اصلی منابع زمین (MLRAs) در ایالت ویرجینیای غربی در ایالات متحده (ایالات متحده) ایجاد شد. سپس تمام مدل‌های خاص منطقه برای پیش‌بینی داده‌های اعتبار سنجی پنهان در هر چهار MLRA مورد استفاده قرار گرفتند. برای همه مجموعه داده های اعتبارسنجی، مدل آموزش داده شده با استفاده از داده های همان MLRA، بالاترین دقت کلی گزارش شده (OA)، آمار کاپا، امتیاز F1، ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUC ROC) و ناحیه زیر منحنی فراخوان دقیق را ارائه کرد. (AUC PR). با این حال، مدل از همان MLRA به عنوان مجموعه داده اعتبارسنجی، همیشه بالاترین دقت، یادآوری و/یا ویژگی را ارائه نمی‌دهد، و نشان می‌دهد که مدل‌های برون‌یابی شده به گستره‌های جغرافیایی جدید تمایل به پیش‌بینی بیش‌ازحد یا کمتر از پیش‌بینی منطقه زمین وقوع شکست شیب دارند، در حالی که آنها یک تعادل بهتر بین حذف و خطای کمیسیون در منطقه ای که در آن آموزش دیده اند. این مطالعه ارزش توسعه موجودی‌ها، مدل‌ها و وضوح بالا و داده‌های رقومی رقومی دقیق را برجسته می‌کند، زیرا ممکن است مدل‌ها به‌خوبی به گستره‌های جغرافیایی جدید تعمیم ندهند، که به طور بالقوه ناشی از ناهمگونی فضایی در ویژگی‌های شکست منظره و/یا شیب است. نشان می‌دهد که مدل‌های برون‌یابی شده به گستره‌های جغرافیایی جدید تمایل به پیش‌بینی بیش از حد یا کمتر پیش‌بینی سطح زمین وقوع شکست شیب دارند، در حالی که آنها تعادل بهتری بین حذف و خطای کمیسیون در منطقه‌ای که در آن آموزش دیده‌اند ارائه می‌دهند. این مطالعه ارزش توسعه موجودی‌ها، مدل‌ها و وضوح بالا و داده‌های رقومی رقومی دقیق را برجسته می‌کند، زیرا ممکن است مدل‌ها به‌خوبی به گستره‌های جغرافیایی جدید تعمیم ندهند، که به طور بالقوه ناشی از ناهمگونی فضایی در ویژگی‌های شکست منظره و/یا شیب است. نشان می‌دهد که مدل‌های برون‌یابی شده به گستره‌های جغرافیایی جدید تمایل به پیش‌بینی بیش از حد یا کمتر پیش‌بینی سطح زمین وقوع شکست شیب دارند، در حالی که آنها تعادل بهتری بین حذف و خطای کمیسیون در منطقه‌ای که در آن آموزش دیده‌اند ارائه می‌دهند. این مطالعه ارزش توسعه موجودی‌ها، مدل‌ها و وضوح بالا و داده‌های رقومی رقومی دقیق را برجسته می‌کند، زیرا ممکن است مدل‌ها به‌خوبی به گستره‌های جغرافیایی جدید تعمیم ندهند، که به طور بالقوه ناشی از ناهمگونی فضایی در ویژگی‌های شکست منظره و/یا شیب است.

کلید واژه ها:

شکست های شیب ; رانش زمین ؛ تشخیص و محدوده نور ؛ LiDAR ; تجزیه و تحلیل زمین دیجیتال ; یادگیری ماشینی ؛ جنگل تصادفی ; مدل سازی پیش بینی فضایی ; تعمیم

1. مقدمه

شکست‌های شیب‌ها، مانند رانش زمین، یک خطر جغرافیایی نگران‌کننده جهانی است که اغلب منجر به آسیب به اموال شخصی و زیرساخت‌های عمومی، تشدید مسائل اجتماعی و اقتصادی می‌شود که جوامع و دولت‌ها را تحت تأثیر قرار می‌دهد، و تلفات جانی [ 1 ، 2 ، 3 ]. تکنیک‌های سنجش از دور، مدل‌سازی پیش‌بینی فضایی و یادگیری ماشین (ML) برای فهرست‌بندی یا نقشه‌برداری خرابی‌های شیب موجود (به عنوان مثال، [ 4 ، 5 ، 6 ، 7 ، 8 ، 9 ]) و پیش‌بینی احتمال یا احتمال شکست شیب ارزشمند ثابت شده‌اند. وقوع یا حساسیت (به عنوان مثال، [ 10 ، 11, 12 , 13 , 14 , 15 , 16 , 17 ]). داده‌های دیجیتال زمین با وضوح فضایی بالا، مانند آن‌هایی که با استفاده از تشخیص نور و محدوده (LiDAR) به دست می‌آیند، توانایی ما را برای شناسایی شکست‌های شیب در سطح چشم‌انداز، حتی زمانی که توسط پوشش گیاهی مبهم می‌شوند، بهبود بخشیده و متغیرهای دقیق زمین را برای کمک به مدل‌سازی تولید می‌کنند. 17 ، 18 ، 19 ، 20 ، 21 ، 22]. علاوه بر این، چنین داده هایی به طور گسترده در دسترس هستند. به عنوان مثال، سازمان زمین شناسی ایالات متحده (USGS) در حال حاضر مجموعه داده های LiDAR را برای کل ایالات متحده (ایالات متحده) از طریق برنامه ارتفاع سه بعدی (3DEP) هماهنگ می کند [ 23 ، 24 ].
علی‌رغم این پیشرفت‌ها، هنوز نیاز به اصلاح و توسعه روش‌های محاسباتی برای تولید محصولات نقشه و مدل‌های پیش‌بینی به طور مداوم در گستره‌های فضایی بزرگ و استفاده کامل از موجودی‌های خرابی شیب و داده‌های دیجیتالی زمین وجود دارد. در این مطالعه، ما به طور خاص بر روی تولید مدل‌های احتمالی وقوع شکست شیب با استفاده از متغیرهای زمین مشتق‌شده از LiDAR و مکان‌های شکست دیجیتالی شده به‌صورت دستی تمرکز می‌کنیم تا این موضوع کلیدی را بررسی کنیم که چگونه مدل‌ها در مناظر مختلف آموزش داده شده‌اند، تعریف شده توسط مناطق اصلی منابع زمین (MLRAs) ، به دیگر MLRAها در ایالت ویرجینیای غربی در ایالات متحده تعمیم دهید. در این مطالعه، شکست های شیب را به عنوان حرکت توده ای از سنگ، زمین یا زباله به پایین یک شیب تعریف می کنیم [ 3 ، 25 ].
این مطالعه بخشی از یک پروژه بزرگتر برای توسعه ارزیابی ریسک چند خطر برای کل ایالت ویرجینیای غربی است. برای مؤلفه شکست شیب مطالعه، ما در حال تکمیل یک مدل احتمال وقوع شکست شیب در سراسر کشور به همراه مجموعه داده‌ای از نقاط وقوع تفسیر دستی هستیم، داده‌هایی که از طریق ابزار WV Landslide مبتنی بر وب در دسترس هستند ( https://www. .mapwv.gov/slide) (دسترسی در 2 مه 2021). مطالعه قبلی ما به طور خاص بر نتایج مربوط به پشته‌ها و دره‌های آپالاشی شمالی (NARV) MLRA، که بخش شرقی ایالت را تشکیل می‌دهد، متمرکز بود. این مطالعه قبلی به این نتیجه رسید که شامل متغیرهای منظر اضافی، مانند فاصله تا جاده‌ها و نهرها، ویژگی‌های خاک، و ویژگی‌های زمین‌شناسی سنگ بستر، ممکن است عملکرد مدل را در مقایسه با استفاده از متغیرهای زمین دیجیتال مشتق‌شده از LiDAR بهبود نبخشد. ما به طور خاص مقدار متغیرهای توپوگرافی زیر را مستند کردیم: شیب شیب (Slp)، نسبت سطح (SAR)، انحنای مقطعی (CSC)، نسبت تسکین سطح (SRR)، و انحنای پلان (PlC). ما همچنین به ارزش یک مجموعه داده آموزشی بزرگ و با کیفیت و استحکام الگوریتم جنگل تصادفی (RF) ML در یک فضای ویژگی بزرگ اشاره کردیم.17 ].
این مطالعه فعلی با تمرکز بر بررسی عملکرد مدل هنگام برون یابی به گستره های جغرافیایی جدید با ویژگی های ژئومورفیک، کاربری زمین، اختلال و/یا زمین شناسی متفاوت، مطالعه قبلی را گسترش می دهد. با توجه به اینکه معمولاً توسعه داده‌ها و مدل‌های آموزشی جدید برای گستره‌های جغرافیایی جدید بسیار کار بر و زمان‌بر است، بررسی تعمیم جغرافیایی مدل‌های خاص منطقه یک مشارکت تحقیقاتی ارزشمند است، به‌ویژه با توجه به افزایش دسترسی به داده‌های دیجیتال دقیق زمین. .

2. پس زمینه

2.1. تعمیم مدل

تعمیم مدل های پیش بینی فضایی به گستره های جغرافیایی جدید در مطالعات قبلی مورد بررسی قرار گرفته است (به عنوان مثال، [ 26 ، 27 ، 28 ، 29 ، 30 ]). به عنوان مثال، ماکسول و همکاران. [ 28] تعمیم مدل‌های وقوع احتمالی تالاب پالسترین را هنگامی که در یک منطقه فیزیوگرافیک آموزش داده می‌شوند و در مناطق جدید، همگی در ایالت ویرجینیای غربی اعمال می‌شوند، بررسی کرد. آنها به کاهش عملکرد، همانطور که با مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC ROC) اندازه‌گیری می‌شود، اشاره کردند و نسبت به برون‌یابی چنین مدل‌های پیش‌بینی‌کننده به گستره‌های جغرافیایی جدید هشدار دادند. بسیاری از مطالعات اخیر به طور خاص بر تعمیم مدل‌های یادگیری عمیق (DL) متمرکز شده‌اند، که با توجه به سطح بالای انتزاع داده‌های اعمال شده، استدلال می‌شود که به خوبی به داده‌های جدید تعمیم می‌دهند [ 26 ، 30 ].
بسیاری از مطالعات تعمیم موفقیت آمیز مدل DL را به داده های جدید، متفاوت و/یا سایر گستره های جغرافیایی مستند کرده اند [ 31 ، 32 ]. به عنوان مثال، Maggiori و همکاران. [ 33 ] تعمیم دقیق مدل‌های تشخیص ساختمان DL مبتنی بر شبکه عصبی کانولوشنال (CNN) را هنگامی که در زیر مجموعه‌ای از شهرها آموزش داده می‌شوند و در شهرهای مختلف اعمال می‌شوند، گزارش کردند. با این حال، چندین مطالعه به کاهش عملکرد مدل DL هنگام اعمال در گستره‌های جغرافیایی جدید یا داده‌های متفاوت اشاره کرده‌اند. به عنوان مثال، ماکسول و همکاران. [ 29زمانی که یک مدل تقسیم‌بندی معنایی DL برای استخراج گستره معادن سطحی تاریخی از نقشه‌های توپوگرافی آموزش‌دیده بر روی داده‌ها در شرق کنتاکی به نقشه‌های توپوگرافی جدید در مناطق معدنی جنوب غربی ویرجینیا و شرق اوهایو اعمال شد، عملکرد مدل را کاهش داد. به طور مشابه، ماکسول و همکاران. [ 27 ] زمانی که یک مدل تقسیم‌بندی DL نمونه‌ای برای استخراج چهره‌های پر دره، ویژگی‌های ژئومورفیک ناشی از احیای معادن سطحی، در ویرجینیای غربی آموزش داده شد و سپس بر روی داده‌ها و گستره‌های جغرافیایی جدید در کنتاکی و ویرجینیا اعمال شد، عملکرد کاهش یافته را کمیت کرد. این مدل، که با استفاده از داده‌های مشتق‌شده از LiDAR آموزش داده شد، به‌ویژه زمانی که برای پیش‌بینی داده‌های مشتق‌شده از فتوگرامتری متفاوت استفاده می‌شود، عملکرد ضعیفی داشت.
ما استدلال می‌کنیم که عملکرد تعمیم مدل‌های فضایی احتمالی تولید شده با استفاده از تکنیک‌های ML یا DL، مشکل و روش خاص است. بنابراین، اگر نیاز به اعمال مدل‌ها در گستره‌های جغرافیایی جدید وجود داشته باشد، این عملکرد تعمیم باید ارزیابی شود. یا، اعتبارسنجی یک مدل با استفاده از داده‌های جمع‌آوری‌شده در همان محدوده جغرافیایی که آموزش داده شده است، ارزیابی معتبری از عملکرد تعمیم مدل به گستره‌های جغرافیایی جدید ارائه نمی‌کند.

2.2. مدل‌های فضایی احتمالی با جنگل تصادفی

این مطالعه از الگوریتم جنگل تصادفی (RF) [ 34 ] ناپارامتریک، ML برای تولید مدل‌های فضایی احتمالی وقوع شکست شیب استفاده می‌کند. درخت‌های تصمیم منفرد (DT) برای ایجاد قوانین تصمیم‌گیری برای تقسیم کردن داده‌ها به زیرمجموعه‌های همگن‌تر، به تقسیم‌های باینری بازگشتی داده‌ها متکی هستند. نشان داده شده است که استفاده از مجموعه ای از درختان تصمیم، بر خلاف یک درخت واحد، می تواند عملکرد مدل را بهبود بخشد [ 34 ]]. RF یک وسیله برای انجام این کار ارائه می دهد. هر درخت در مدل RF زیرمجموعه ای از داده های آموزشی موجود را دریافت می کند که با استفاده از نمونه برداری بوت استرپ انتخاب شده است. همچنین، تنها یک زیرمجموعه تصادفی از متغیرهای پیش‌بین موجود برای انتخاب یک قانون تقسیم در هر گره در دسترس است. هدف از محدود کردن داده‌های آموزشی موجود در هر درخت و متغیرهای پیش‌بین موجود در هر گره، کاهش همبستگی بین درخت‌ها در مجموعه است. اگرچه هر درخت ممکن است پیش‌بینی ضعیف‌تری ایجاد کند، مجموعه پیش‌بینی‌کننده‌های ضعیف می‌توانند در مجموع به دلیل کاهش همبستگی و برازش بیش از حد قوی باشند [ 17 ، 34 ، 35 ، 36 ، 37 ].
RF ویژگی‌های مثبت بسیاری را برای کاربرد در داده‌های سنجش از دور و مکانی برای کارهای مدل‌سازی پیش‌بینی نشان داده است. اول، گزارش شده است که نسبت به فضاهای مشخصه پیچیده و بزرگ قوی است و می تواند متغیرهای پیش بینی کننده پیوسته و طبقه بندی شده را با مقیاس ها و توزیع های متفاوت بپذیرد [ 17 ، 35 ، 37 ، 38 ، 39 ]، که نیاز به انتخاب یا کاهش ویژگی را به حداقل می رساند. از آنجا که هر درخت در مجموعه از همه نمونه‌های آموزشی، پنهان یا خارج از کیسه (OOB) استفاده نمی‌کند، نمونه‌ها می‌توانند برای ارزیابی عملکرد مدل استفاده شوند تا زمانی که نمونه‌های آموزشی نماینده جامعه و بی‌طرفانه باشند [ 34 ] ، 36 ، 37، 39 ]. همچنین امکان برآورد اهمیت متغیر پیش‌بینی‌کننده را در مدل [ 34 ، 37 ] فراهم می‌کند، که تفسیرپذیری مدل را بهبود می‌بخشد و امکان شناسایی و مستندسازی متغیرهای توضیحی کلیدی را فراهم می‌کند.
الگوریتم RF برای انواع مسائل نقشه برداری احتمالی فضایی به کار گرفته شده است. به عنوان مثال، ایوانز و کوشمن [ 40 ] از RF برای پیش بینی احتمال وقوع گونه های مخروطی با استفاده از متغیرهای توپوگرافی، آب و هوا و طیفی استفاده کردند. استراگر و همکاران [ 41 ] این الگوریتم را برای پیش بینی گسترش آینده استخراج زغال سنگ سطحی در منطقه آپالاچی بر اساس درز زغال سنگ و ویژگی های چشم انداز اعمال کرد. ماکسول و همکاران [ 28 ] و رایت و گالانت [ 42 ] هر دو نقشه برداری احتمالی تالاب را بررسی کردند.
این الگوریتم به طور خاص برای حساسیت شکست شیب و مدل‌سازی پیش‌بینی وقوع استفاده شده است (به عنوان مثال، [ 5 ، 12 ، 14 ، 17 ، 43 ، 44 ، 45 ، 46 ، 47 ، 48 ، 49 ]). گوتز و همکاران [ 44] مدل‌های متعددی را برای نگاشت حساسیت از جمله RF، مدل‌های افزودنی تعمیم‌یافته (GAMs)، وزن شواهد (WoE)، ماشین‌های بردار پشتیبان (SVM)، و درخت‌های طبقه‌بندی انبوه بوت استرپ با تجزیه و تحلیل متمایز مجازات شده (BPLDA) ارزیابی کرد. مطالعه آنها به این نتیجه رسید که RF قوی ترین عملکرد پیش بینی را بر اساس AUC ROC و نرخ مثبت واقعی (TPR) ارائه می دهد. با این حال، عملکرد همیشه از نظر آماری به طور قابل توجهی بهتر از عملکرد ارائه شده توسط سایر الگوریتم های آزمایش شده نبود. یوسف و همکاران [ 47 ] همچنین عملکرد قوی را برای RF در مقایسه با روش‌های دیگر ثبت کرد. پورقاسمی و کرل [ 49 ] رویکردهای RF و تابع باور شواهدی (EBF) را برای مدل‌سازی حساسیت ترکیب کردند در حالی که طالب و همکاران. [ 14] ارزش RF را برای پیش‌بینی حساسیت شیب در گستره‌های فضایی بزرگ مستند کرد. کاتانی و همکاران [ 43 ] یک مطالعه سیستماتیک RF را برای نگاشت حساسیت به شکست شیب انجام داد تا مسائل مربوط به حساسیت و مقیاس بندی مربوط به تنظیمات فراپارامتر مدل، فضای ویژگی و مجموعه متغیرهای پیش بینی بهینه، وضوح فضایی متغیرهای ورودی، و ویژگی های داده آموزشی را ارزیابی کند. آنها به این نتیجه رسیدند که تنظیمات و ورودی های بهینه بر اساس مقیاس و وضوح مدل خروجی متفاوت است و متغیرهای بهینه برای انجام یک پیش بینی به تنظیمات الگوریتم و داده های موجود بستگی دارد. این مطالعه نیاز به ارزیابی تعمیم مدل به گستره های جغرافیایی جدید را با توجه به تنوع در عملکرد مدل در هنگام بررسی با استفاده از تجزیه و تحلیل حساسیت سیستماتیک نشان می دهد.

2.3. داده های دیجیتالی زمین برای نقشه برداری و مدل سازی زمین لغزش

به طور کلی، متغیرهای توپوگرافی مشتق شده از مدل های زمین دیجیتال (DTMs) نشان داده شده است که برای پیش بینی حساسیت یا وقوع شکست شیب دارای ارزش هستند (به عنوان مثال، [ 17 ، 18 ، 43 ، 44 ، 50 ]). در مقابل، داده‌های سنجش از راه دور چندطیفی معمولاً برای نقشه‌برداری و مشکلات تشخیص شکست شیب به کار می‌روند و در مقایسه با سایر ویژگی‌های پوشش زمین یا منظر در گستره نقشه‌برداری شده، بر علائم طیفی یا بافتی منحصربه‌فرد سطح آشفته تکیه می‌کنند [ 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 51 ، 52 ،53 ، 54 ، 55 ]. نشان داده شده است که نمایش‌های دیجیتال زمین با وضوح فضایی بالا که توسط LiDAR در دسترس قرار گرفته‌اند، برای حساسیت زمین لغزش یا مدل‌سازی رخداد ارزش ویژه‌ای دارند [ 17 ، 18 ، 20 ، 21 ، 56 ]. چنین مدل‌هایی می‌توانند جزئیات کافی را برای ژئومورفولوژیست‌های آموزش دیده و متخصصان خطرات زمین ارائه دهند تا شکست‌های شیب و ویژگی‌های مرتبط را شناسایی کنند، مانند لکه‌ها و اجزای سر و پا [ 17 ، 20 ، 21 ].]. LiDAR یک تکنیک سنجش از راه دور فعال است که بر روی برد لیزری، سیستم‌های ماهواره‌ای ناوبری جهانی (GNSS) و واحدهای اندازه‌گیری اینرسی (IMUs) برای تولید ابرهای نقطه‌ای سه‌بعدی با ارجاع به داده‌های جغرافیایی و پیش‌بینی برای نمایش مناظر با سطح بالا متکی است. از جزئیات فضایی و بافتی پردازش بیشتر داده های ابر نقطه ای امکان تمایز بازده زمین را فراهم می کند. سپس می توان از این نقاط زمین برای تولید DTM های پیوسته مبتنی بر شطرنجی استفاده کرد [ 20 ، 21 ، 57 ].
از DTM های مشتق شده از LiDAR، انواع متریک های توپوگرافی را می توان برای توصیف سطح چشم انداز محلی محاسبه کرد. متأسفانه، مرور تحقیقات قبلی نشان می‌دهد که مجموعه‌ای از متغیرهای بهینه برای حساسیت شکست شیب یا نقشه‌برداری رخداد شناسایی یا توصیه نشده است و مجموعه متغیرهای بهینه احتمالاً برای موارد خاص است [ 17 ، 20 ، 21 ، 43 ، 58 ، 59 . ، 60 ]. با این حال، نشان داده شده است که برخی از معیارها دارای ارزش خاصی هستند، از جمله اندازه گیری شیب توپوگرافی، رطوبت توپوگرافی، و انحنای سطح [ 17 ، 22 ، 61 ، 62، 63 ]. انتخاب متغیر با اتکا به بسیاری از محاسبات متغیر توپوگرافیک بر روی پنجره‌های متحرک محلی پیچیده‌تر می‌شود، که امکان تعریف محله‌ها را با استفاده از اندازه‌ها و/یا اشکال مختلف پنجره فراهم می‌کند [ 64 ]. مطالعات کمی تأثیر اندازه بیوه را بر اهمیت متغیر و عملکرد مدل برای حساسیت شکست شیب یا نقشه‌برداری وقوع به طور خاص بررسی کرده‌اند [ 17 ]. در مطالعه قبلی ما، متوجه شدیم که متغیرهایی که از پنجره‌های کوچک‌تر استفاده می‌کنند، عموماً در مدل وقوع شکست شیب اهمیت بیشتری نسبت به همان متغیر محاسبه‌شده با استفاده از پنجره بزرگ‌تر دارند [ 17 ]]. با این حال، این ممکن است برای همه مناظر صادق نباشد. برای بررسی کامل متغیرهای زمین و ژئومورفومتریک برای استفاده در سنجش از دور و مدل‌سازی پیش‌بینی فضایی، فرانکلین [ 65 ] را توصیه می‌کنیم.

3. روش ها

3.1. منطقه مطالعه

شکل 1 گستره چهار MLRA [ 66 ] بررسی شده در این مطالعه را نشان می دهد، در حالی که جدول 1مساحت زمین و اختصارات مربوطه را که در این مقاله استفاده شده است، ارائه می دهد. MLRAها شامل فلات آلگنی مرکزی (CAP)، فلات و کوه‌های کامبرلند (CPM)، فلات و کوه‌های آلگنی شرقی (EAPM) و پشته‌ها و دره‌های آپالاچی شمالی (NARV) هستند. با توجه به اینکه این پروژه به طور خاص بر روی ایالت ویرجینیای غربی متمرکز است، تنها گستره این MLRAها در داخل ایالت در نظر گرفته شد. ویرجینیای غربی، به طور کلی با توپوگرافی پیچیده با درجه بالایی از تسکین محلی مشخص می شود. ارتفاعات از حدود 70 تا 1480 متر متغیر است. میانگین دمای زمستان در حدود 0 درجه سانتیگراد است، در حالی که میانگین دمای تابستان حدود 22 درجه سانتیگراد است. بارش سالانه در سراسر ایالت متغیر است که تا حدی به اثرات توپوگرافی و سایه باران نسبت داده می شود. بیشترین میزان بارش سالانه در دامنه های غربی کوه های مرتفع در EAPM MLRA با مجموع 1600 میلی متر در سال رخ می دهد، در حالی که کمترین بارش در NARV MLRA با مجموع حدود 635 میلی متر رخ می دهد. این چشم انداز تحت سلطه جنگل ها است، اما شامل مناطق کشاورزی، مرتع و توسعه نیز می شود.67 ]. اگرچه به طور گسترده شهری نشده است، همانطور که در بسیاری از مناطق دیگر در شرق ایالات متحده رایج است، این ایالت به شدت در نتیجه فرآیندهای انسانی، تغییر کاربری / پوشش زمین (LULCC) و استخراج منابع تغییر یافته است [ 27 ، 67 ، 68 ]. ، 69 ].
CAP یک فلات بالغ با بافت ظریف و درجه بالایی از تسکین محلی است که توسط یک شبکه جریان دندریتیک تشریح شده است. زیر آن سنگ‌های رسوبی با سنگ‌شناسی مختلط، اما شیل، گل‌سنگ، و ماسه‌سنگ بر آن غالب است، که از نظر ساختاری صاف تا به آرامی چین‌خورده هستند و به دوره‌های پنسیلوانیا و پرمین برمی‌گردند. جوامع جنگلی شامل کاج بلوط، بلوط شاه بلوط، چوب های سخت یارو، و مزوفیت مخلوط می شود. چشم انداز توسط کشاورزی، توسعه و استخراج زغال سنگ سطحی و زیرزمینی اصلاح شده است [ 67 ، 70 ]. CPM توپوگرافی مشابه با CAP دارد. با این حال، نقش برجسته به دلیل چندین واحد زمین‌شناسی مقاوم‌تر، ناهموارتر است. این شرایط توپوگرافی منجر به تمرکز توسعه در دشت های سیلابی شده است [ 67 ,70 ]. این منطقه همچنین به شدت تحت تاثیر معادن سطحی زغال سنگ، از جمله روش‌های حذف قله کوه، که به طور قابل‌توجهی شیب‌ها و شکل‌های زمین را تغییر داده است، به دلیل ناتوانی در بازیابی چشم‌انداز به یک کانتور اولیه تقریبی پایدار، قرار گرفته است. در عوض، قله‌های کوه مسطح می‌شوند، جنگل‌ها تکه تکه می‌شوند و با پوشش گیاهی غالباً علفی جایگزین می‌شوند، و احیا منجر به پر شدن دره‌های مجاور با مواد روباره می‌شود [ 27 ، 71 ، 72 ، 73 ، 74 ، 75 ، 76 ، 77 .]. پیشنهاد شده است که این منطقه با تغییرات قابل توجهی در چشم انداز فیزیکی و شبکه زهکشی، برخی از بالاترین بزرگی های جهانی دگرسانی ژئومورفیک انسانی را در نتیجه این شیوه های معدنی تجربه کرده است [ 68 ، 69 ، 78 ، 79 ].
EAPM دارای بالاترین ارتفاعات در ایالت است، بالاترین سطوح بارندگی را دریافت می کند و کمترین دمای سالانه زمستان را تجربه می کند. جنگل‌های ارتفاع پایین‌تر در این MLRA مشابه جنگل‌های CAP و CPM هستند. با این حال، ارتفاعات بالاتر از جنگل های جنگلی شمالی و جوامع همیشه سبز، از جمله برخی از توده های بومی صنوبر قرمز حمایت می کنند. واحدهای زمین‌شناسی سنگ‌شناسی ترکیبی دارند و از نظر سنی از دونین تا پنسیلوانیا، با برخی از سنگ‌های آهکی می‌سی‌سی‌پی که منجر به دره‌های کارست و شکل‌های زمین مرتبط می‌شوند [ 67 ، 70 ] هستند.]. در نهایت، NARV به عنوان یک کمربند کوه چین خورده فرسایش یافته، که در آن توپوگرافی توسط کنترل‌های ساختاری، از جمله تاقدیس، ناودیس، و گسل‌های رانش تسلط دارد، مشخص می‌شود. شبکه نهر دارای الگوی پرده ای است و واحدهای زمین شناسی در محدوده سنی از پرکامبرین تا دونین قرار دارند، با ماسه سنگ های مقاوم و برخی سنگ آهک ها که پشته های خطی و سیلتسنگ های بلند و شیل ها، یا سنگ های آهکی با مقاومت کمتر را تشکیل می دهند. در مقایسه با سایر MLRAها در ایالت، این منطقه به طور کلی کمترین ارتفاع را دارد و کمترین میزان بارندگی سالانه را دارد، به ویژه در دامنه های رو به شرق به دلیل اثر سایه باران. در نتیجه، جوامع جنگلی خشک‌تر، از جمله کاج بلوط و بلوط، تسلط دارند. این MLRA همچنین شامل بخشی از دره بزرگ است،67 ، 70 ].

3.2. فهرست زمین لغزش و توسعه داده های آموزشی

مدل‌ها با استفاده از داده‌های مرجع جمع‌آوری‌شده از طریق تفسیر دستی تپه‌ها و شیب‌ها با وضوح فضایی 1 یا 2 متری مشتق‌شده از LiDAR آموزش داده و اعتبارسنجی شدند. داده‌های LiDAR از طریق برنامه USGS 3DEP ( https://www.usgs.gov/core-science-systems/ngp/3dep ) (در 2 مه 2021 قابل دسترسی است) و مرکز فنی GIS ویرجینیای غربی (WVGISTC) و نمای غرب ویرجینیا ( https://data.wvgis.wvu.edu/elevation/ ) (در 2 مه 2021 قابل دسترسی است). تپه‌ها تجسمی از سطح زمین را ارائه می‌دهند، از DTMs مشتق شده‌اند، و بر مدل‌سازی سایه‌هایی که بر روی چشم‌انداز نسبت به موقعیت روشن‌کننده، تعریف شده توسط پارامترهای آزیموت و ارتفاع تکیه می‌کنند، متکی هستند [ 80 ].
در مقابل، یک شیب به سادگی یک شبکه شطرنجی شیب شیب توپوگرافی است که در آن شیب های کم عمق با استفاده از سایه های روشن و شیب های تندتر با استفاده از سایه های تیره تر نمایش داده می شوند. شیبدارها نیازی به تعیین موقعیت منبع روشنایی ندارند [ 17 , 27 , 80]. با توجه به وسعت فضایی زیاد و تعداد ویژگی‌هایی که باید تفسیر شوند، و همچنین در نتیجه دشواری تفسیر دقیق وسعت منطقه‌ای ویژگی‌های شکست شیب، هر یک از ویژگی‌های شناسایی‌شده به‌عنوان نقطه‌ای در محل شروع یا خراش سر ترسیم شد. این فرآیند توسط دو تحلیلگر آموزش دیده با نظارت یک ژئومورفولوژیست حرفه ای تکمیل شد. اگرچه ما انواع شکست را در مدل‌های احتمالی خود متمایز نکردیم، اما در صورت امکان، تحلیلگران لغزش‌ها، جریان‌های زباله، گسترش جانبی و خرابی‌های متعدد را متمایز کردند. بیشتر ویژگی ها به عنوان اسلاید دسته بندی شدند.
جدول 1 تعداد نقاط حادثه نگاشت شده موجود برای این مطالعه را نشان می دهد. تا به امروز، در مجموع 42029 ویژگی شناسایی شده است. متأسفانه، داده های LiDAR در حال حاضر برای کل وسعت ایالت در دسترس نیست. با این حال، داده‌ها در حال حاضر با هدف دسترسی به مجموعه داده‌های LiDAR در سراسر کشور تا سال 2022 در حال جمع‌آوری هستند. در نتیجه، فهرست موجودی در سراسر کشور هنوز امکان‌پذیر نیست. شکل 2 توزیع فضایی موجودی را نشان می دهد. تمام مناطقی که داده‌های LiDAR در دسترس دارند، تفسیر شده‌اند و تنها آن مناطق در این مطالعه مورد استفاده قرار گرفتند. شکل 3 نمونه هایی از نقاط حادثه را برای همه MLRAهای موجود در این مطالعه نشان می دهد.
از آنجایی که مدل RF به داده‌های حضور و غیاب نیاز دارد، ما مجبور شدیم داده‌های شبه عدم وجود را برای تکمیل فهرست خرابی شیب تولید کنیم. برای ایجاد این داده های اضافی، نقاط تصادفی را در سراسر گستره های MLRA ایجاد کردیم. سپس هر نقطه‌ای را حذف کردیم که (1) در مناطقی که داده‌های LiDAR در آنها موجود است، (2) در 30 متری زمین لغزش فهرست‌بندی‌شده رخ داده باشد، یا (3) در محدوده یا در محدوده 30 متری شکست شیب تاریخی رخ داده است، حذف کردیم. گستره های ارائه شده توسط وزارت حمل و نقل ویرجینیای غربی (WVDOT) و بررسی زمین شناسی و اقتصادی ویرجینیای غربی (WVGES). همین روش نمونه گیری شبه غیبت در مطالعه قبلی ما استفاده شد [ 17 ]. روش های مشابهی توسط Strager و همکاران استفاده شد. [ 41 ]، ماکسول و همکاران. [ 28]، و ماکسول و همکاران. [ 81 ]. با توجه به اینکه فهرست‌های زمین لغزش برای همه مناطق در ایالتی که داده‌های LiDAR در دسترس هستند تکمیل شده است و تنها این مناطق در این مطالعه گنجانده شده‌اند، ما استدلال می‌کنیم که احتمال وقوع یک نمونه غیبت شبه در نزدیکی شکست شیب بعید است.

3.3. متغیرهای پیش بینی کننده توپوگرافی

جدول 2 متغیرهای زمین مورد استفاده در این مطالعه را فهرست می کند و اختصارات تعریف شده و توصیف یا معادله مختصری را ارائه می دهد. این متغیرهای زمین با متغیرهای مورد استفاده در مطالعه قبلی ما یکسان هستند [ 17]. برخلاف مطالعه قبلی خود، که در آن متغیرهای مرتبط با فاصله از نهرها و جاده‌ها، ویژگی‌های خاک، و ویژگی‌های زمین‌شناسی سنگ بستر را نیز در نظر گرفتیم، در این مطالعه تنها از متغیرهای زمین استفاده می‌کنیم زیرا (1) این متغیرها می‌توانند به طور مداوم برای همه مناطق ایجاد شوند. در جایی که داده‌های LiDAR در دسترس است، امکان برون‌یابی مدل‌ها را به گستره‌های جغرافیایی جدید فراهم می‌کند، و (2) مطالعه قبلی ما نشان داد که شامل متغیرهای اضافی و غیر زمینی ممکن است عملکرد مدل را به طور قابل‌توجهی بهبود نبخشد. همه متغیرها از یک DTM مشتق شده از LiDAR با وضوح فضایی 2 متر محاسبه شدند و در مجموع 14 متغیر مختلف تولید شدند. تعدادی از این معیارها به پنجره های متحرک برای مقایسه سلول مرکزی با همسایگانش و استخراج معیارهای زمین محلی وابسته است.جدول 2 ). این مقیاس ها بر اساس فواصل خط الراس به دره در وسعت منطقه مورد مطالعه انتخاب شدند. این منجر به در مجموع 32 متغیر پیش بینی شد.
شیب شیب (Slp) [ 80 ] با استفاده از ابزار شیب موجود در پسوند تحلیل فضایی ArcGIS Pro [ 82 ] محاسبه شد. جعبه ابزار Geomorphometry & Gradient Metrics [ 83 ] در ArcGIS Pro برای محاسبه میانگین شیب شیب (SlpMn) [ 80 ]، جنبه خطی (LnAsp) [ 84 ]، موقعیت شیب (SP) [ 85 ]، زبری توپوگرافی (TR) استفاده شد. 86 ، 87 ]، تشریح توپوگرافی (TD) [ 88 ]، نسبت سطح (SAR) [ 89 ]، نسبت تسکین سطح (SRR) [ 59 ]، شاخص قرار گرفتن در معرض مکان (SEI) [ 90 ]، و شاخص بار حرارتی (HLI) ) [91 ]. انحناهای نمایه (PrC)، پلان (PlC)، طولی (LnC) و مقطعی (CSC) [ 92 ، 93 ] با استفاده از ماژول ویژگی‌های مورفومتریک در نرم‌افزار سیستم منبع باز برای تحلیل خودکار زمین‌شناسی (SAGA) محاسبه شد. 94 ، 95 ]. برای معرفی دقیق متغیرهای ژئومورفومتریک مشتق شده از DTM ها، Florinsky [ 96 ] را توصیه می کنیم. آیرونساید و همکاران [ 90 ] مروری بر چنین معیارهایی در بوم شناسی چشم انداز ارائه می دهد در حالی که فرانکلین [ 65] یک بررسی در سنجش از راه دور ارائه می دهد. هنگامی که همه متغیرهای زمین تولید شدند، مقادیر در مکان‌های پیکسلی که با داده‌های نقطه حضور و غیاب همزمان اتفاق می‌افتند برای تولید جداول داده‌ها با استفاده از ابزار Extract Multi Values ​​to Points در ArcGIS Pro [ 82 ] استخراج شدند. لازم به ذکر است که بین متغیرهای پیش بینی کننده زمین مورد استفاده همبستگی وجود دارد. این در مطالعه قبلی ما [ 17 ] با استفاده از روش اسپیرمن [ 97 ] مورد بررسی قرار گرفت. با این حال، ما مستند کردیم که RF برای این فضای ویژگی پیچیده قوی است، زیرا انتخاب متغیر عملکرد مدل را بهبود نمی بخشد.

3.4. آموزش مدل و پیش بینی

شکل 4 مفهومی از پارتیشن بندی داده ها، آموزش، اعتبار سنجی و فرآیندهای استنتاج مورد استفاده در این مطالعه را ارائه می دهد. به منظور کاهش تأثیر اندازه نمونه بر مقایسه مدل، 1200 نمونه حضوری، که نشان دهنده مکان های سلولی منفرد یا 2 متری است، برای آموزش هر مدل استفاده شد. به منظور اعتبارسنجی مدل‌ها، 500 نمونه حضور غیرهمپوشانی به‌طور تصادفی حذف شدند. بنابراین، هر مدل با تعداد مشابهی از نمونه‌های حضوری آموزش داده شد و سپس با استفاده از تمام مجموعه‌های اعتبارسنجی، که برای مقایسه و ارزیابی تعمیم مدل به MLRAهای مختلف سازگار بودند، ارزیابی شدند. همانطور که در مطالعه قبلی ما نیز اجرا شد [ 17] و به منظور ارائه طیف گسترده ای از نمونه های شبه غیبت برای توصیف منظر در مدل ها، هر مدل جداگانه MLRA پنج بار با استفاده از 1200 نمونه آموزشی در هر بار آموزش داده شد و 1200 نمونه شبه غیبت با استفاده از نمونه گیری تصادفی با جایگزین انتخاب شد. . سپس درختان همه مدل‌ها برای ایجاد یک مدل نهایی و واحد برای هر MLRA ترکیب شدند. در تلاشی برای کاهش خود همبستگی فضایی بین نمونه‌های آموزشی و اعتبارسنجی در هر MLRA، هر منطقه به شش ضلعی‌های پیوسته 10000 هکتاری تبدیل شد. آموزش تصادفی و پارتیشن بندی اعتبار سنجی به گونه ای انجام شد که شکست شیب و نمونه های شبه غیبت در همان سطل شش ضلعی در همان تقسیم رخ داد.
مدل ها با استفاده از بسته تصادفی Forest [ 98 ] در محیط علم داده R [ 99 ] آموزش داده شدند. در مجموع 501 درخت در هر مدل استفاده شد، زیرا این برای تثبیت نتایج کافی بود. هنگامی که پنج مدل با هم ترکیب شدند، در مجموع 2505 درخت در مدل نهایی برای هر MLRA ایجاد شد. تعداد متغیرهای پیش‌بینی‌کننده موجود برای تقسیم در هر فراپارامتر گره با آزمایش 10 مقدار با استفاده از اعتبارسنجی متقابل پنج‌گانه و جستجوی شبکه‌ای که در بسته کارت [ 100 ] پیاده‌سازی شده است، بهینه‌سازی شد. عملکرد بهینه با استفاده از متریک AUC ROC ارزیابی شد. هر مدل MLRA به طور جداگانه بهینه شد.

3.5. اعتبارسنجی مدل و اهمیت متغیر

مدل‌ها با استفاده از معیارهای باینری، مبتنی بر آستانه و همچنین معیارهایی که به تعیین آستانه احتمال طبقه‌بندی متکی نیستند، ارزیابی شدند. برای ارزیابی مبتنی بر آستانه، نمونه‌هایی با احتمال وقوع پیش‌بینی‌شده در حضور، یا شکست شیب، کلاس بزرگتر یا مساوی 0.5 به حالت مثبت طبقه‌بندی شدند در حالی که نمونه‌های کمتر از 0.5 به حالت منفی نگاشت شدند. جدول 3اصطلاحات مورد استفاده برای تعریف معیارهای ارزیابی باینری استفاده شده را توصیف می کند. نمونه های مثبت واقعی (TP) نمونه هایی هستند که در کلاس مثبت هستند و به درستی به عنوان مثبت نگاشت می شوند، در این مورد، شکست های شیب، در حالی که مثبت های کاذب (FPs) در کلاس مثبت نیستند اما به اشتباه به عنوان مثبت نگاشت می شوند. منفی های واقعی (TNs) به درستی به عنوان منفی ترسیم می شوند، در حالی که منفی های کاذب (FNs) زمانی که واقعا مثبت باشند به عنوان منفی ترسیم می شوند.

دقت (معادله (1)) نشان دهنده 1- خطای کمیسیون یا نسبت نمونه هایی است که به درستی در نمونه های پیش بینی شده مثبت طبقه بندی شده اند. یادآوری یا حساسیت (معادله (2)) نشان دهنده 1- خطای حذف یا نسبت داده های مرجع برای کلاس مثبت است که به درستی طبقه بندی شده است. امتیاز F1 (معادله (3)) میانگین هارمونیک دقت و یادآوری است، در حالی که ویژگی (معادله (4)) نشان دهنده نسبت نمونه های مرجع منفی است که به درستی پیش بینی شده اند. دقت کلی (OA) (معادله (5)) نسبت ویژگی های به درستی طبقه بندی شده را نشان می دهد [ 101 ]. آماره کاپا (معادله (6)) OA را برای توافق شانس تصحیح می کند [ 57 ]. تمام معیارهای ارزیابی باینری با استفاده از کارت [ 100 ] محاسبه شد] بسته در R [ 99 ]. این بسته همچنین امکان محاسبه 95% فواصل اطمینان را برای OA بر اساس توزیع دو جمله ای [ 100 ، 102 ] می دهد.

دقت، درستی=TPTP + FP
به خاطر آوردن یا حساسیت=TPTP + FN
اف1 نمره=2 × دقت، درستی × به خاطر آوردندقت، درستی + به خاطر آوردن
اختصاصی=TNTN + FP
به طور کلی دقت=TP+FPTP+TN+FP+FN
کاپا=(OA-انتظار می رود توافق)(1-انتظار می رود توافق)
منحنی‌های مشخصه عملکرد گیرنده (ROC) و ناحیه مرتبط زیر اندازه‌گیری منحنی (AUC ROC) برای ارائه ارزیابی که بر آستانه طبقه‌بندی باینری تکیه ندارد، استفاده شد. منحنی ROC 1-ویژگی را در محور x و حساسیت یا یادآوری روی محور y را در آستانه های تصمیم گیری متفاوت ترسیم می کند [ 101 ، 103 ، 104 ، 105 ]. اندازه گیری AUC ROC مساحت زیر منحنی ROC است و معادل این احتمال است که طبقه بندی کننده یک رکورد مثبت (درست) انتخاب شده به طور تصادفی را بالاتر از یک رکورد منفی (نادرست) انتخاب شده به طور تصادفی رتبه بندی کند. ROC AUC از 0 تا 1 مقیاس بندی شده است، با مقادیر بزرگتر نشان دهنده عملکرد بهتر مدل [ 101 ،103 ، 104 ، 105 ، 106 ]. این تجزیه و تحلیل با استفاده از بسته pROC [ 106 ] در R [ 99 ] انجام شد که امکان برآورد 95% فواصل اطمینان را برای AUC ROC فراهم می‌کند.
از آنجایی که منحنی‌های ROC و متریک AUC ROC وابسته به یادآوری و ویژگی هستند، که هر دو نسبت به عدم تعادل از نظر تعداد نمونه‌های مثبت و منفی در مجموعه اعتبارسنجی حساس نیستند، در مواردی که عدم تعادل داده‌ها باید در نظر گرفته شود، می‌توانند گمراه‌کننده باشند. حساب، مانند زمانی که کلاس های نگاشت شده نسبت های بسیار متفاوتی را در چشم انداز تشکیل می دهند. به طور خاص، ROC AUC گزارش شده می تواند در موارد عدم تعادل شدید طبقاتی و/یا زمانی که طبقه مورد علاقه بخش کوچکی از چشم انداز مورد بررسی را تشکیل می دهد بسیار خوش بینانه باشد [ 101 , 107 ]]. در چنین مواردی، منحنی فراخوان دقیق (PR) ممکن است آموزنده‌تر باشد، زیرا دقت را در خود جای می‌دهد، که به عدم تعادل کلاس حساس است و درصد نمونه‌های پیش‌بینی‌شده به کلاس مثبت که TPs بودند را کمیت می‌کند. این منحنی حساسیت یا یادآوری محور x و دقت را به محور y ترسیم می کند. مشابه ROC، امکان ایجاد یک متریک زیر منحنی (AUC PR) برای به دست آوردن یک آمار خلاصه واحد وجود دارد [ 101 ، 107 ، 108 ]. این تحلیل با استفاده از بسته معیار [ 109 ] در R [ 99 ] تکمیل شد.
نشان داده شده است که اگر متغیرهای پیش بینی با یکدیگر همبستگی زیادی داشته باشند، معیارهای اهمیت متغیر تولید شده توسط RF مغرضانه هستند [ 110 ، 111 ]. در نتیجه، و برای ارائه ارزیابی دقیق‌تر و مقایسه اهمیت متغیر بین MLRAها، از معیاری با اهمیت متغیر بر اساس جنگل‌های تصادفی شرطی استفاده کردیم که همبستگی را در محاسبه اهمیت همانطور که در بسته R party پیاده‌سازی شده در نظر می‌گیرد [ 94 ] ، 95 ]. محدوده اهمیت، میانگین، و میانه برای هر متغیر با اجرای 10 ارزیابی جداگانه با استفاده از زیر مجموعه های مختلف داده های آموزشی ایجاد شد.

4. نتایج

4.1. عملکرد مدل در همان MLRA

جدول 4 آمار اعتبارسنجی را برای هر مجموعه داده اعتبارسنجی MLRA پیش بینی شده با استفاده از مدل آموزش دیده از همان MLRA ارائه می دهد، در حالی که شکل 5توزیع احتمالات پیش‌بینی‌شده وقوع شکست شیب را برای کلاس‌های شکست شیب و شبه غایب با استفاده از توابع چگالی هسته نشان می‌دهد. به طور کلی، خرابی‌های شیب و داده‌های فقدان شبه به خوبی با همه OAهای بالای 0.84، همه آمار کاپا بالای 0.68، تمام امتیازات F1 بالای 0.83، و تمام معیارهای AUC ROC و AUC PR بالاتر از 0.90 از هم جدا شده‌اند. با این حال، درجه همپوشانی بین دو توزیع، که با دقت (1-خطای کمیسیون برای کلاس شکست شیب)، یادآوری (1-خطای حذف برای کلاس شکست شیب)، و ویژگی (1-خطای کمیسیون برای عدم حضور شبه) خلاصه می‌شود. کلاس)، بین چهار MLRA متفاوت است. برای مثال، نمودارهای چگالی هسته نشان می‌دهند که جداسازی کلاس‌ها برای EAPM قوی‌ترین و برای CAP ضعیف‌ترین است. این موضوع در جدول 4 بیشتر تایید شده استاز آنجایی که امتیاز OA، Kappa، F1 و AUC ROC برای EAPM بالاترین است، و امتیازات مربوط به CAP کمترین یا با CPM مساوی است. به طور خاص، EAPM دارای OA 0.890 و AUC ROC 0.957 است در حالی که CAP دارای OA 0.843 و AUC ROC 0.912 است.
استفاده از آستانه احتمال 0.50 برای طبقه‌بندی داده‌ها، برای هر MLRA به غیر از فراخوانی CAP، دقت بالاتری دارد، که نشان‌دهنده نرخ‌های بالاتر FP در مقایسه با FN است (یعنی خطای کمیسیون بالاتر از خطای حذف نسبت به کلاس مثبت). ویژگی، که به نرخ FP ها مربوط می شود، برای همه MLRA ها به غیر از CAP، کمتر از دقت و یادآوری است. به طور کلی، مدل‌ها تمایل دارند میزان وقوع شکست شیب را بیش از حد پیش‌بینی کنند که میزان وقوع شکست را بیش از حد برآورد می‌کنند. لازم به ذکر است که ارزیابی مدل‌ها در آستانه‌های احتمالی مختلف مثبت منجر به درجات متفاوتی از تفاوت بین دقت، یادآوری و ویژگی می‌شود [ 101 ].

4.2. تعمیم مدل به MLRA های مختلف

جدول 5 آمار خلاصه ای را برای پیش بینی هر مجموعه داده اعتبارسنجی با هر چهار مدل ارائه می کند تا ارزیابی تعمیم مدل به گستره های جغرافیایی جدید ارائه شود. ردیف هایی که در آن مجموعه اعتبارسنجی و مدل یکسان است با داده های ارائه شده در جدول 4 یکسان است.. برای همه مجموعه داده‌های اعتبارسنجی، مدل آموزش داده شده با استفاده از داده‌های همان MLRA، بالاترین OA، آمار کاپا، امتیاز F1، AUC ROC و AUC PR را ارائه کرد. با این حال، مدل از همان MLRA به عنوان مجموعه داده اعتبارسنجی همیشه بالاترین دقت، یادآوری و/یا ویژگی را ارائه نمی‌دهد. به طور کلی، این نشان می‌دهد که مدل‌های برون‌یابی شده به گستره‌های جغرافیایی جدید تمایل به پیش‌بینی بیش‌ازحد یا کمتر پیش‌بینی سطح زمین وقوع شکست شیب دارند، در حالی که آنها تعادل بهتری بین حذف و خطای کمیسیون در منطقه‌ای که در آن آموزش دیده‌اند ارائه می‌دهند.
معیارهای OA، آمار کاپا، AUC ROC و AUC PR گزارش شده در جدول 5 بیشتر در شکل 6 نشان داده شده است.، که همچنین فواصل اطمینان 95 درصدی را برای OA و AUC ROC فراهم می کند. اگرچه مدل آموزش داده شده در همان MLRA به عنوان مجموعه داده اعتبارسنجی بهترین عملکرد را برای هر چهار MLRA ارائه می‌کند، همانطور که با این چهار معیار ارزیابی اندازه‌گیری می‌شود، فواصل اطمینان بین برخی از مدل‌ها همپوشانی دارند و برخی از مدل‌ها دقت‌هایی را ارائه می‌دهند که فقط کمی پایین‌تر هستند. در مقایسه با مدل آموزش دیده در MLRA که توسط مجموعه داده اعتبار سنجی ارائه شده است. به عنوان مثال، مدل NARV هنگام پیش‌بینی مجموعه داده‌های اعتبارسنجی EAPM (OA = 0.849، آماره کاپا = 0.698، امتیاز F1 = 0.862، AUC ROC = 0.931، و AUC PR = 0.916) در مقایسه با مدل EAPM (OA = OOA) عملکرد خوبی داشت. 0.890، آماره کاپا = 0.780، امتیاز F1 = 0.894، AUC ROC = 0.957، و AUC PR = 0.949). MLRA سطوح متفاوتی از اختلاف را بین چهار مدل نشان داد. مثلا، CAP MLRA عموماً توسط همه مدل‌های دیگر ضعیف پیش‌بینی شده بود در حالی که EAPM عموماً توسط همه مدل‌ها به خوبی پیش‌بینی می‌شد. CPM توسط مدل‌های CPM و EAPM به خوبی پیش‌بینی شد، اما با مدل‌های CAP و NARV ضعیف‌تر.
الگوهای مشابهی در منحنی‌های ROC ( شکل 7 ) و منحنی‌های PR ( شکل 8 ) مشهود است، و دو روش ارزیابی یکدیگر را در رابطه با عملکرد مدل و تنوع مدل برای پیش‌بینی مجموعه داده‌های اعتبارسنجی MLRA یکسان تقویت می‌کنند. هر چهار مدل در مقایسه با سه MLRA دیگر برای EAPM عملکرد مشابه تری داشتند. به طور کلی، این منحنی‌ها و معیارهای AUC مرتبط، از یافته‌های معیارهای ارزیابی باینری پشتیبانی می‌کنند و نتایج را در سراسر طیف آستانه‌های تصمیم‌گیری طبقه‌بندی باینری گسترش می‌دهند، زیرا مدل‌های آموزش‌دیده و اعمال‌شده برای همان MLRA معمولاً منجر به یادآوری بالاتر در هر زمان می‌شوند. ویژگی یا دقت بالاتر در هر فراخوانی.

4.3. مقایسه اهمیت متغیر بین MLRA

شکل 9 اهمیت متغیر را برای هر مدل محاسبه شده با استفاده از روش های اهمیت متغیر شرطی پس از Strobl و همکاران مقایسه می کند. [ 111 ]. به طور کلی، نتایج نشان می دهد که اهمیت متغیر بین مناطق متفاوت است. با این حال، برخی از متغیرهای کلیدی به طور مداوم به عنوان مهم برای پیش بینی ها برجسته می شوند، از جمله Slp، SAR، CSC و PlC. این یافته‌ها عموماً از نتایج مطالعه قبلی ما حمایت می‌کنند [ 17 ]، جایی که Slp، SAR، CSC و PlC نیز مهم هستند. Slp مهم‌ترین متغیر به‌طور میانگین برای همه مدل‌ها بود، به جز CPM، که در آن SP محاسبه‌شده با شعاع 7 متر مهم‌ترین متغیر پس از Slp بود. برخی از متغیرها نیز به طور مداوم از اهمیت پایینی برخوردار هستند، از جمله HLI و LnAsp. برخلاف مطالعه قبلی ما [17 ]، تأثیر اندازه پنجره بین MLRAها متغیر بود. در نهایت، EAPM و NARV MLRA که دارای بالاترین OA، Kappa، AUC ROC و AUC PR گزارش شده بودند، دارای زیرمجموعه کوچکی از متغیرها بودند که اهمیت بالایی داشتند در حالی که همه متغیرهای باقی مانده از اهمیت پایینی برخوردار بودند ( شکل 9 c ، د).

5. بحث

در حمایت از یافته‌های مطالعه قبلی ما [ 17 ]، این مطالعه به طور کلی پیشنهاد می‌کند که الگوریتم RF ML قادر به تولید مدل‌های احتمالی دقیق وقوع شکست شیب از موجودی‌های مبتنی بر نقطه و متغیرهای زمین دیجیتالی است که از وضوح مکانی بالا و داده‌های دقیق LiDAR به دست می‌آیند. بدون نیاز به گنجاندن متغیرهای اضافی و غیر زمینی. با گسترش مطالعه قبلی، این تحقیق نشان می‌دهد که مدل‌هایی که در مناظر مختلف آموزش داده شده‌اند، عموماً دقت قابل مقایسه‌ای با مدل‌های اعمال شده برای داده‌های جدید در یک چشم‌انداز ارائه نمی‌دهند. یا، این مدل‌های ML به خوبی به مناظر جدید تعمیم داده نمی‌شوند.
علاوه بر این، تفاوت بین مدل‌ها بین MLRAها ناسازگار بود. به عنوان مثال، دقت مدل بین هر چهار مدل زمانی که در EAPM اعمال می شود بیشتر از CAP مشابه بود. برخی از مدل‌ها یادآور، دقت یا حساسیت بالاتری را برای پیش‌بینی گستره‌های منطقه مورد مطالعه جدید نسبت به مدل‌های آموزش‌دیده در آن گستره‌ها ارائه می‌کنند. با این حال، OA، آمار کاپا، امتیاز F1، AUC ROC و AUC PR همیشه برای مدل آموزش دیده در همان MLRA به عنوان داده های اعتبار سنجی بالاترین بود. این نشان می‌دهد که مدل‌ها وقوع خرابی‌های شیب در مناظر جدید را در مقایسه با مدل‌های آموزش‌دیده در آن منظر پیش‌بینی نمی‌کنند یا بیش از حد پیش‌بینی می‌کنند.
علیرغم عملکرد ضعیف‌تر هنگام اعمال به مناظر جدید، چندین متغیر به طور مداوم بین مدل‌ها مهم هستند، از جمله Slp، SAR، CSC و PlC. EAPM و NARV MLRA با بالاترین دقت پیش‌بینی شدند و همچنین دارای زیرمجموعه کوچک‌تری از متغیرها بودند که پیش‌بینی می‌شد اهمیت بالاتری نسبت به سایر متغیرهای ارائه‌شده داشته باشند. این می تواند نتیجه یک امضای متمایزتر شکست شیب باشد که می تواند با تعداد کمتری از متغیرها توصیف شود تا این ویژگی ها را از بقیه چشم انداز متمایز کند. با این حال، امکان آزمایش این ادعا وجود نداشت.
این یافته ها مشابه یافته های ماکسول و همکاران است. [ 28 ]. آنها پیش‌بینی احتمالی وقوع تالاب پالسترین را با استفاده از متغیرهای زمین دیجیتال و تعمیم این مدل‌ها به مناطق فیزیوگرافیک جدید بررسی کردند. نتایج آنها نشان داد که مدل های آموزش دیده در مناطق مختلف فیزیوگرافی به خوبی مدل های آموزش دیده در منطقه مورد نظر عمل نمی کنند.
اگرچه این مطالعه عملکرد کاهش یافته مدل را هنگام تعمیم به مناظر جدید کمی ارزیابی کرد، دلایل این کاهش را نمی توان تعیین کرد. به عنوان مثال، ممکن است کاهش عملکرد مربوط به تفاوت در ویژگی‌های چشم‌انداز بین مناطق و/یا تفاوت در ویژگی‌ها یا علل شکست شیب باشد. به عنوان مثال، بازرسی بصری موجودی خرابی شیب در CPM نشان می‌دهد که بسیاری از خرابی‌ها در نزدیکی معدن یا سایت‌های استخراج‌شده معدن رخ می‌دهند، یک محرک انسانی تغییر چشم‌انداز و ناپایداری بالقوه شیب که در سایر MLRAهای مورد مطالعه فراوان نیست. همچنین تفاوت های کلیدی در زمین شناسی زیربنایی وجود دارد. به عنوان مثال، NARV از نظر ژئومورفیک با پشته ها و دره های خطی طولانی ناشی از چین خوردگی و ساختمان کوه و فرسایش متعاقب آن مشخص می شود. متقابلا،67 ، 70 ].
به منظور پرداختن به سؤال خاص تعمیم مدل به مناظر جدید بدون وارد کردن سوگیری در مقایسه، از همان اندازه نمونه (1200 مکان شکست شیب به طور تصادفی انتخاب شده و 1200 نمونه شبه غیبت) استفاده کردیم تا تأثیر تعداد نمونه‌های آموزشی را به حداقل برسانیم. ما همچنین مجموعه‌های اعتبارسنجی غیر همپوشانی ایجاد کردیم و از یک تسلیح شش ضلعی برای طبقه‌بندی جغرافیایی استفاده کردیم تا تأثیر بیش از حد برازش مدل را به حداقل برسانیم. با فرض اینکه برازش بیش از حد توسط روش‌های آموزش و نمونه‌برداری ما به حداقل رسیده است، ما استدلال می‌کنیم که عدم تعمیم به گستره‌های منطقه مورد مطالعه جدید ممکن است با تفاوت در ویژگی‌های چشم‌انداز و/یا ویژگی‌های شکست شیب بین مناطق توضیح داده شود. یا، جدید،
مطالعات آینده باید تعمیم به مناظر متفاوت تر را بررسی کند. اگرچه مناطق ما متفاوت بودند، اما همه آنها در ویرجینیای غربی و مجاور بودند. انجام تحلیل‌های مشابه با استفاده از مناظر بسیار متفاوت، مانند کمربندهای کوهستانی جوان، کوه‌های فرسوده، مناطق تحت تأثیر یخبندان اخیر، مناظر فرا یخبندان، و مناطقی که زیر بنای سنگ‌شناسی‌های بسیار متفاوت قرار دارند، جالب خواهد بود (به عنوان مثال، واحدهای رسوبی در مقابل دگرگونی). همچنین بررسی روش‌های DL برای ایجاد وقوع شکست شیب و پیش‌بینی‌های حساسیت و ارزیابی تعمیم مدل بسیار جالب است. تحقیقات اخیر نشان داده است که روش‌های DL می‌توانند بهتر از روش‌های سنتی ML تعمیم پیدا کنند [ 31 ، 32]. با این حال، چنین مفروضاتی به طور گسترده برای نقشه برداری ژئومورفیک و مدل سازی احتمالی به طور خاص مورد بررسی قرار نگرفته است.
در عمل، این تحقیق ارزش موجودی های بزرگ زمین لغزش را که مناظر مختلف را پوشش می دهد، مانند فهرست زمین لغزش ایالات متحده [ 112 ]، برای آموزش و اعتبارسنجی مدل های خاص منطقه برجسته می کند. همچنین ارزش تفکیک فضایی بالا و داده‌های دیجیتالی دقیق زمین، مانند داده‌های موجود توسط USGS 3DEP [ 23 ، 24 ] را برجسته می‌کند.]، از آنجایی که تولید مجموعه داده‌های آموزشی و اعتبارسنجی بزرگ و توانایی توصیف ویژگی‌های کلیدی زمین برای تولید مدل‌های احتمالی دقیق مکانی ضروری است. اگر مدل‌های آموزش‌دیده در یک منطقه به دلیل کمبود داده‌های آموزشی باید در مناطق جدید اعمال شوند، مهم است که نوعی اعتبارسنجی اعمال شود زیرا دقت به‌دست‌آمده در مناظر جدید احتمالاً با اعتبارسنجی در چشم‌انداز اصلی مشخص نمی‌شود. این مطالعه برای متخصصان برنامه‌ریزی و انجام ارزیابی‌های خطر خطر عملیاتی و بزرگ، به ویژه اگر منطقه مورد نظر دارای ویژگی‌های زمین و ژئومورفیک متغیر باشد، آموزنده خواهد بود. در ویرجینیای غربی، مدل‌های ما قبلاً برای ارزیابی ریسک و فعالیت‌های مدیریت مفید بوده‌اند.

6. نتیجه گیری

این مطالعه کاهش عملکرد مدل‌های شکست شیب را هنگامی که به گستره‌های جغرافیایی جدید تعمیم می‌یابد، همانطور که توسط MLRAs تعریف شده است، مستند می‌کند. مدل‌هایی که در گستره‌های جغرافیایی متفاوت آموزش داده شده‌اند، قادر به دستیابی به سطح دقت ارائه‌شده توسط یک مدل آموزش‌دیده و تایید شده به همان گستره جغرافیایی نیستند. گاهی اوقات هنگام پیش‌بینی استفاده از مدلی از یک MLRA دیگر، خطاهای اشتباه یا حذف کاهش می‌یابد. با این حال، مدل آموزش داده شده در همان منطقه به عنوان داده های اعتبار سنجی، بهترین تعادل را بین خطاهای حذف و کمیسیون، همانطور که با امتیاز F1 اندازه گیری می شود، ارائه می دهد. این مطالعه اهمیت مدل‌های آموزشی را نسبت به گستره‌های جغرافیایی خاص برجسته می‌کند. نباید فرض کرد که مدل‌ها به خوبی تعمیم خواهند یافت، که ارزش مجموعه داده‌های خاص منطقه را برای آموزش و اعتبار سنجی برجسته می‌کند.

منابع

  1. پتلی، دی. الگوهای جهانی از دست دادن زندگی در اثر زمین لغزش. زمین شناسی 2012 ، 40 ، 927-930. [ Google Scholar ] [ CrossRef ]
  2. ترنر، AK اثرات اجتماعی و زیست محیطی زمین لغزش. نوآوری. زیرساخت. حلال. 2018 ، 3 ، 70. [ Google Scholar ] [ CrossRef ]
  3. هایلند، LM؛ Bobrowsky, P. The Landslide Handbook—A Guide to Understanding Landslides ; گرد؛ سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2008; پ. 147. [ Google Scholar ]
  4. کاساگلی، ن. سیگنا، اف. بیانچینی، اس. هلبلینگ، دی. فوردر، پی. ریگینی، جی. دل کونته، اس. فریدل، بی. اشنایدرباوئر، اس. ایاسیو، سی. و همکاران نقشه برداری و پایش زمین لغزش با استفاده از رادار و سنجش از دور نوری: نمونه هایی از پروژه EC-FP7 SAFER. Remote Sens. Appl. Soc. محیط زیست 2016 ، 4 ، 92-108. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. تاید، دی. Aryal, J. ارزیابی روش‌های مختلف یادگیری ماشین و شبکه‌های عصبی کانولوشنال یادگیری عمیق برای تشخیص زمین لغزش. Remote Sens. 2019 , 11 , 196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. قربانزاده، ا. مینا، اس آر. بلاشکه، تی. تشخیص شکست شیب مبتنی بر پهپاد Aryal، J. با استفاده از شبکه‌های عصبی کانولوشنال یادگیری عمیق. Remote Sens. 2019 ، 11 ، 2046. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. لی، تی. ژانگ، ی. Lv، Z. لی، اس. لیو، اس. Nandi، AK نگاشت فهرست زمین لغزش از تصاویر Bitemporal با استفاده از شبکه های عصبی پیچیده عمیق. IEEE Geosci. سنسور از راه دور Lett. 2019 ، 16 ، 982-986. [ Google Scholar ] [ CrossRef ]
  8. لو، پی. استامف، ا. کرل، ن. Casagli، N. تشخیص تغییر شی گرا برای نقشه برداری سریع زمین لغزش. IEEE Geosci. سنسور از راه دور Lett. 2011 ، 8 ، 701-705. [ Google Scholar ] [ CrossRef ]
  9. استامف، ا. Kerle، N. ترکیب جنگل های تصادفی و تجزیه و تحلیل شی گرا برای نقشه برداری زمین لغزش از تصاویر با وضوح بسیار بالا. Procedia Environ. علمی 2011 ، 3 ، 123-129. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. بالابیو، سی. Sterlacchini، S. ماشین‌های بردار پشتیبانی برای نقشه‌برداری حساسیت زمین لغزش: مطالعه موردی حوضه رودخانه استافورا، ایتالیا. ریاضی. Geosci. 2012 ، 44 ، 47-70. [ Google Scholar ] [ CrossRef ]
  11. هوانگ، ی. ژائو، ال. بررسی نقشه‌برداری حساسیت زمین لغزش با استفاده از ماشین‌های بردار پشتیبان. CATENA 2018 ، 165 ، 520–529. [ Google Scholar ] [ CrossRef ]
  12. کیم، جی. سی. لی، اس. یونگ، اچ.-اس. لی، اس. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های جنگل تصادفی و درخت تقویت‌شده در پیونگ چانگ، کره. Geocarto Int. 2018 ، 33 ، 1000-1015. [ Google Scholar ] [ CrossRef ]
  13. مریانوویچ، م. کوواچویچ، م. باجات، بی. Voženílek، V. ارزیابی حساسیت زمین لغزش با استفاده از الگوریتم یادگیری ماشین SVM. مهندس جئول 2011 ، 123 ، 225-234. [ Google Scholar ] [ CrossRef ]
  14. طلب، ک. چنگ، تی. Zhang, Y. نقشه برداری حساسیت زمین لغزش و انواع با استفاده از جنگل تصادفی. داده های بزرگ زمین 2018 ، 2 ، 159-178. [ Google Scholar ] [ CrossRef ]
  15. تین بوی، دی. پرادان، بی. لوفمن، او. Revhaug، I. ارزیابی حساسیت زمین لغزش در ویتنام با استفاده از ماشین‌های بردار پشتیبان، درخت تصمیم، و مدل‌های ساده بیز. ریاضی. مشکل مهندس 2012 ، 2012 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. یائو، ایکس. تام، ال جی؛ نقشه‌برداری حساسیت زمین لغزش Dai، FC بر اساس ماشین بردار پشتیبان: مطالعه موردی در دامنه‌های طبیعی هنگ کنگ، چین. ژئومورفولوژی 2008 ، 101 ، 572-582. [ Google Scholar ] [ CrossRef ]
  17. ماکسول، AE; شارما، م. بادبادک، JS; دونالدسون، کالیفرنیا؛ تامپسون، جی. بل، ام ال. پیش‌بینی شکست شیب مینارد، SM با استفاده از یادگیری ماشین جنگل تصادفی و LiDAR در یک کمربند کوه‌پیچ خورده فرسایش یافته. Remote Sens. 2020 , 12 , 486. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. محلینگم، ر. اولسن، ام جی; O’Banion، MS ارزیابی تکنیک های نقشه برداری حساسیت زمین لغزش با استفاده از عوامل شرطی سازی مشتق از لیدار (مطالعه موردی اورگان). Geomat. نات. خطر خطرات 2016 ، 7 ، 1884-1907. [ Google Scholar ] [ CrossRef ]
  19. دوو، جی. یونس، AP; تین بوی، دی. ساهانا، م. چن، سی.-و. زو، ز. وانگ، دبلیو. Thai Pham، B. ارزیابی مدل‌های آماری چندگانه مبتنی بر GIS و داده‌کاوی برای حساسیت زمین لغزش ناشی از زلزله و بارندگی با استفاده از LiDAR DEM. Remote Sens. 2019 , 11 , 638. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. هوفل، بی. Rutzinger، M. توپوگرافی هوابرد LiDAR در ژئومورفولوژی: یک دیدگاه تکنولوژیکی. Z. fur Geomorphol. تامین 2011 ، 55 ، 1-29. [ Google Scholar ] [ CrossRef ]
  21. جابویدوف، م. اوپیکوفر، تی. آبلان، ا. درون، M.-H. لویه، ا. متزگر، آر. Pedrazzini، A. استفاده از LIDAR در بررسی زمین لغزش: بررسی. نات. خطرات 2012 ، 61 ، 5-28. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. مور، شناسه; گریسون، RB; Ladson، مدلسازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
  23. آروندل، ST; فیلیپس، لس آنجلس؛ لو، ای جی. بوبین مایر، جی. Mantey، KS; دان، کالیفرنیا؛ کنستانس، EW; Usery، EL در حال تهیه نقشه ملی برای برنامه ارتفاع سه بعدی – محصولات، فرآیند و تحقیقات. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 40-53. [ Google Scholar ] [ CrossRef ]
  24. استوکر، جی.ام. عبدالله، ق. نایگاندی، ع. واینهاوس، جی. ارزیابی تک فوتون و لیدار حالت گایگر برای برنامه ارتفاع سه بعدی. Remote Sens. 2016 , 8 , 767. [ Google Scholar ] [ CrossRef ][ Green Version ]
  25. بابروفسکی، پ. Highland, L. The Landslide Handbook-راهنمای درک زمین لغزش: انتشارات برجسته برای آموزش و آمادگی زمین لغزش. در زمین لغزش ها: آمادگی جهانی برای خطر . Sassa, K., Rouhban, B., Briceño, S., McSaveney, M., He, B., Eds.; Springer: برلین/هایدلبرگ، آلمان، 2013; صص 75-84. شابک 978-3-642-22087-6. [ Google Scholar ]
  26. کاواگوچی، ک. Kaelbling، LP; Bengio، Y. تعمیم در یادگیری عمیق. arXiv 2020 ، arXiv:1710.05468. [ Google Scholar ]
  27. ماکسول، AE; پورمحمدی، پ. پوینر، جی دی نقشه برداری از ویژگی های توپوگرافی پرهای دره مرتبط با معدن با استفاده از ماسک R-CNN Deep Learning و داده های ارتفاعی دیجیتال. Remote Sens. 2020 , 12 , 547. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. ماکسول، AE; وارنر، TA; Strager، MP پیش‌بینی احتمال تالاب Palustrine با استفاده از یادگیری ماشین تصادفی جنگل و متغیرهای زمین مشتق از داده‌های ارتفاعی دیجیتال. فتوگرام مهندس Remote Sens. 2016 , 82 , 437–447. [ Google Scholar ] [ CrossRef ]
  29. ماکسول، AE; بهتر، ام اس; گیلن، لس آنجلس; رمضان، کالیفرنیا; کارپینلو، دی جی; فن، ی. هارتلی، اف.ام. مینارد، اس ام. Pyron، JL Semantic Segmentation Deep Learning برای استخراج گستره معادن سطحی از نقشه های توپوگرافی تاریخی. Remote Sens. 2020 , 12 , 4145. [ Google Scholar ] [ CrossRef ]
  30. نیشابور، ب. بوجاناپالی، س. مک آلستر، دی. سربرو، ن. بررسی تعمیم در یادگیری عمیق. arXiv 2017 , arXiv:1706.08947. [ Google Scholar ]
  31. هوزر، تی. باکوفر، اف. کوئنزر، سی. تشخیص شی و تقسیم‌بندی تصویر با یادگیری عمیق در داده‌های رصد زمین: بررسی – بخش دوم: کاربردها. Remote Sens. 2020 , 12 , 3053. [ Google Scholar ] [ CrossRef ]
  32. هوزر، تی. کوئنزر، سی. تشخیص اشیاء و تقسیم‌بندی تصویر با یادگیری عمیق در داده‌های رصد زمین: مروری – بخش اول: تکامل و روندهای اخیر. Remote Sens. 2020 , 12 , 1667. [ Google Scholar ] [ CrossRef ]
  33. ماگیوری، ای. تارابالکا، ی. چارپیات، جی. آیا روش‌های برچسب‌گذاری معنایی به هر شهری تعمیم می‌یابد؟ معیار برچسب گذاری تصویر هوایی اینریا. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2017 (IGARSS)، فورت ورث، تگزاس، ایالات متحده آمریکا، 23 تا 28 ژوئیه 2017؛ صص 3226–3229. [ Google Scholar ]
  34. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: مروری بر کاربردها و مسیرهای آینده. ISPRS J. Photogramm. Remote Sens. 2016 ، 114 ، 24–31. [ Google Scholar ] [ CrossRef ]
  36. Gislason، PO; بندیکتسون، جی. Sveinsson، JR طبقه بندی جنگل تصادفی سنجش از دور چند منبعی و داده های جغرافیایی. در مجموعه مقالات IGARSS 2004، 2004 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، انکوریج، AK، ایالات متحده آمریکا، 20-24 سپتامبر 2004. جلد 2، ص 1049–1052. [ Google Scholar ]
  37. ماکسول، AE; وارنر، TA; Fang, F. پیاده‌سازی طبقه‌بندی یادگیری ماشینی در سنجش از دور: یک بررسی کاربردی. بین المللی J. Remote Sens. 2018 , 39 , 2784–2817. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. ماکسول، AE; غریبه، نماینده مجلس؛ وارنر، TA; رمضان، کالیفرنیا; مورگان، AN; Pauley، CE نقشه‌برداری پوشش زمین با وضوح فضایی بالا با استفاده از جنگل‌های تصادفی، GEOBIA و NAIP Orthophotography: یافته‌ها و توصیه‌ها. Remote Sens. 2019 ، 11 ، 1409. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. Gislason، PO; بندیکتسون، جی. Sveinsson، JR جنگل های تصادفی برای طبقه بندی پوشش زمین. تشخیص الگو Lett. 2006 ، 27 ، 294-300. [ Google Scholar ] [ CrossRef ]
  40. ایوانز، جی اس. کوشمن، SA مدل‌سازی گرادیان گونه‌های مخروطی با استفاده از جنگل‌های تصادفی. Landsc. Ecol. 2009 ، 24 ، 673-683. [ Google Scholar ] [ CrossRef ]
  41. غریبه، نماینده مجلس؛ استراگر، جی.ام. ایوانز، جی اس. Dunscomb، JK; کرپس، بی‌جی؛ Maxwell، AE ترکیب یک مدل فضایی و پیش‌بینی تقاضا برای نقشه‌برداری از معادن سطحی زغال سنگ در آپالاشیا. PLoS ONE 2015 ، 10 ، e0128813. [ Google Scholar ] [ CrossRef ]
  42. رایت، سی. گالانت، الف. سنجش از دور تالاب در پارک ملی یلوستون با استفاده از درختان طبقه‌بندی برای ترکیب تصاویر TM و داده‌های محیطی جانبی. سنسور از راه دور محیط. 2007 ، 107 ، 582-605. [ Google Scholar ] [ CrossRef ]
  43. کاتانی، اف. لاگومارسینو، دی. سگونی، س. طوفانی، وی. برآورد حساسیت زمین لغزش با تکنیک جنگل‌های تصادفی: مسائل مربوط به حساسیت و مقیاس‌پذیری. نات. سیستم خطرات زمین. علمی 2013 ، 13 ، 2815-2831. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. گوتز، JN; برنینگ، آ. پتچکو، اچ. Leopold, P. ارزیابی تکنیک‌های یادگیری ماشین و پیش‌بینی آماری برای مدل‌سازی حساسیت زمین لغزش. محاسبه کنید. Geosci. 2015 ، 81 ، 1-11. [ Google Scholar ] [ CrossRef ]
  45. هونگ، اچ. لیو، جی. Bui، DT; پرادان، بی. آچاریا، تی دی. فام، بی تی؛ زو، A.-X. چن، دبلیو. احمد، BB نقشه‌برداری حساسیت زمین لغزش با استفاده از درخت تصمیم J48 با مجموعه‌های جنگلی AdaBoost، Bagging و Rotation Forest در منطقه Guangchang (چین). CATENA 2018 ، 163 ، 399–413. [ Google Scholar ] [ CrossRef ]
  46. تریگیلا، ا. ایدانزا، سی. اسپوزیتو، سی. Scarascia-Mugnozza، G. مقایسه تکنیک های رگرسیون لجستیک و جنگل های تصادفی برای ارزیابی حساسیت زمین لغزش کم عمق در Giampilieri (NE سیسیل، ایتالیا). ژئومورفولوژی 2015 ، 249 ، 119-136. [ Google Scholar ] [ CrossRef ]
  47. یوسف، ع.م. پورقاسمی، HR; پورتقی، ز.س. الکثیری، MM نقشه‌برداری حساسیت زمین لغزش با استفاده از جنگل تصادفی، درخت رگرسیون تقویت‌شده، طبقه‌بندی و درخت رگرسیون، و مدل‌های خطی عمومی و مقایسه عملکرد آنها در حوضه وادی طیه، منطقه عسیر، عربستان سعودی. زمین لغزش 2016 ، 13 ، 839-856. [ Google Scholar ] [ CrossRef ]
  48. چن، دبلیو. Xie، X. پنگ، جی. شهابی، ح. هونگ، اچ. Bui، DT; دوان، ز. لی، اس. زو، A.-X. ارزیابی حساسیت زمین لغزش مبتنی بر GIS با استفاده از یک رویکرد ترکیبی ترکیبی جدید از روش جنگل تصادفی مبتنی بر آماری دو متغیره. CATENA 2018 ، 164 ، 135-149. [ Google Scholar ] [ CrossRef ]
  49. پورقاسمی، HR; Kerle، N. جنگل‌های تصادفی و ارزیابی حساسیت زمین لغزش مبتنی بر تابع باور شواهدی در استان مازندران غربی، ایران. محیط زیست علوم زمین 2016 ، 75 ، 185. [ Google Scholar ] [ CrossRef ]
  50. گوتز، JN; گاتری، RH; برنینگ، الف. ادغام مدل های فیزیکی و تجربی حساسیت زمین لغزش با استفاده از مدل های افزایشی تعمیم یافته. ژئومورفولوژی 2011 ، 129 ، 376-386. [ Google Scholar ] [ CrossRef ]
  51. نیکول، جی. Wong، MS ماهواره سنجش از راه دور برای فهرست دقیق زمین لغزش با استفاده از تشخیص تغییر و ترکیب تصویر. بین المللی J. Remote Sens. 2005 ، 26 ، 1913-1926. [ Google Scholar ] [ CrossRef ]
  52. استامف، ا. Kerle، N. نقشه برداری شی گرا زمین لغزش با استفاده از جنگل های تصادفی. سنسور از راه دور محیط. 2011 ، 115 ، 2564-2577. [ Google Scholar ] [ CrossRef ]
  53. لی، تی. ژانگ، Q. ژو، دی. چن، تی. منگ، اچ. Nandi، AK تشخیص تغییر سرتاسر با استفاده از یک شبکه کاملاً پیچیده متقارن برای نقشه برداری زمین لغزش. در مجموعه مقالات کنفرانس بین المللی ICASSP 2019-2019 IEEE در مورد آکوستیک، پردازش گفتار و سیگنال (ICASSP)، برایتون، انگلستان، 12 تا 17 مه 2019؛ ص 3027–3031. [ Google Scholar ]
  54. لیو، ی. Wu, L. تشخیص فاجعه زمین شناسی بر روی تصاویر سنجش از دور نوری با استفاده از یادگیری عمیق. Procedia Comput. علمی 2016 ، 91 ، 566-575. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. وانگ، ی. وانگ، ایکس. ژیان، جی. تشخیص زمین لغزش سنجش از دور بر اساس شبکه عصبی کانولوشنال. در دسترس آنلاین: https://www.hindawi.com/journals/mpe/2019/8389368/ (در 24 ژانویه 2020 قابل دسترسی است).
  56. پاسالاکوا، پ. بلمونت، پی. استالی، دی.م. سیملی، جی دی. Arrowsmith، JR; بود، کالیفرنیا؛ کراسبی، سی. دلانگ، اس بی؛ گلن، NF; کلی، SA; و همکاران تجزیه و تحلیل توپوگرافی با وضوح بالا برای پیشرفت درک انتقال جرم و انرژی از طریق مناظر: مروری. علوم زمین Rev. 2015 , 148 , 174-193. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. وارنر، TA; فودی، جنرال موتورز; Nellis, MD The SAGE Handbook of Remote Sensing ; انتشارات SAGE: Thousand Oaks, CA, USA, 2009; شابک 978-1-4129-3616-3. [ Google Scholar ]
  58. روزیکا، م. میگون، پی. Michniewicz، A. شاخص رطوبت توپوگرافی و شاخص ناهمواری زمین در ویژگی های ژئومورفیک زمین لغزش، در نمونه هایی از Sudetes، SW لهستان. در دسترس آنلاین: https://www.ingentaconnect.com/content/schweiz/zfgs/2017/00000061/00000002/art00005 (در 13 نوامبر 2019 قابل دسترسی است).
  59. پایک، RJ; ویلسون، نسبت SE Elevation-Relief، Hypsometric Integral و Geomorphic Area-Alttitude Analysis. گاو GSA. 1971 ، 82 ، 1079-1084. [ Google Scholar ] [ CrossRef ]
  60. مورنو، ام. لواچکین، اس. تورس، ام. Quintero، R. تجزیه و تحلیل ژئومورفومتریک داده های تصویر شطرنجی برای تشخیص ناهمواری زمین و تراکم زهکشی. در مجموعه مقالات پیشرفت در تشخیص الگو، گفتار و تحلیل تصویر، هاوانا، کوبا، 26-29 نوامبر 2003. Sanfeliu, A., Ruiz-Shulcloper, J., Eds. Springer: برلین/هایدلبرگ، آلمان، 2003; صص 643-650. [ Google Scholar ]
  61. هویسمن، او. اصول سیستم های اطلاعات جغرافیایی – کتاب درسی مقدماتی. 540. در دسترس آنلاین: https://webapps.itc.utwente.nl/librarywww/papers_2009/general/principlesgis.pdf (در 2 مه 2021 قابل دسترسی است).
  62. Gessler، PE; مور (متوفی)، شناسه; مک کنزی، نیوجرسی؛ رایان، PJ مدل‌سازی خاک-منظر و پیش‌بینی فضایی ویژگی‌های خاک. بین المللی جی. جئوگر. Inf. سیستم 1995 ، 9 ، 421-432. [ Google Scholar ] [ CrossRef ]
  63. Zevenbergen، LW; Thorne، CR تجزیه و تحلیل کمی توپوگرافی سطح زمین. زمین گشت و گذار. روند. Landf. 1987 ، 12 ، 47-56. [ Google Scholar ] [ CrossRef ]
  64. آلبانی*، م. کلینکنبرگ، بی. اندیسون، DW; Kimmins, JP انتخاب اندازه پنجره در تقریب سطوح توپوگرافی از مدل‌های ارتفاعی دیجیتال. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 577-593. [ Google Scholar ] [ CrossRef ]
  65. فرانکلین، SE تفسیر و استفاده از ژئومورفومتری در سنجش از دور: راهنما و بررسی برنامه های کاربردی یکپارچه. بین المللی J. Remote Sens. 2020 , 41 , 7700–7733. [ Google Scholar ] [ CrossRef ]
  66. منطقه اصلی منابع زمین (MLRA) | خاک های NRCS در دسترس به صورت آنلاین: https://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/survey/geo/?cid=nrcs142p2_053624 (در 28 فوریه 2021 قابل دسترسی است).
  67. Strausbaugh, PD; کور، EL فلور ویرجینیای غربی ; بولتن دانشگاه ویرجینیای غربی؛ دانشگاه ویرجینیای غربی: مورگان تاون، WV، ایالات متحده آمریکا، 1952. [ Google Scholar ]
  68. Hooke, RL توزیع فضایی فعالیت ژئومورفیک انسانی در ایالات متحده: مقایسه با رودخانه ها. زمین گشت و گذار. روند. Landf. 1999 ، 24 ، 687-692. [ Google Scholar ] [ CrossRef ]
  69. هوک، RL درباره تاریخچه انسان ها به عنوان عوامل ژئومورفیک. زمین شناسی 2000 ، 28 ، 843-846. [ Google Scholar ] [ CrossRef ]
  70. WVGES. WV استان های فیزیوگرافی. در دسترس آنلاین: https://www.wvgs.wvnet.edu/www/maps/pprovinces.htm (در 14 نوامبر 2019 قابل دسترسی است).
  71. فاکس، جی. حذف قله کوه در ویرجینیای غربی: یک منطقه قربانی محیطی. عضو. محیط زیست 1999 ، 12 ، 163-183. [ Google Scholar ] [ CrossRef ]
  72. فریتز، KM; فولتون، اس. جانسون، BR; بارتون، سی دی; جک، جی دی. Word، DA; بورک، RA ویژگی‌های ساختاری و عملکردی کانال‌های طبیعی و ساخته‌شده در حال تخلیه یک معدن زغال‌سنگ برداشته‌شده از بالای کوه و پر کردن دره. JN Am. بنتول. Soc. 2010 ، 29 ، 673-689. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. لیندبرگ، تی تی; برنهارت، ES; بیر، آر. هلتون، AM; مرولا، RB; ونگوش، ع. Giulio، RTD اثرات تجمعی معدن کوهستانی در حوضه آبخیز آپالاچی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 20929–20934. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  74. میلر، ای جی; Zégre، NP کوهستان حذف معدن و هیدرولوژی حوضه. آب 2014 ، 6 ، 472-499. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. پالمر، MA; برنهارت، ES; شلزینگر، WH; اشلمان، KN; فوفولا-جورجیو، ای. هندریکس، ام اس؛ لملی، AD; Likens، GE; Loucks، OL; قدرت، من. و همکاران عواقب معدن در بالای کوه. علوم 2010 ، 327 ، 148-149. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  76. ویکهام، جی دی. Riitters، KH; وید، تی جی؛ کوان، ام. هومر، سی. اثر معدنکاری قله کوه آپالاچی بر جنگل داخلی. Landsc. Ecol. 2007 ، 22 ، 179-187. [ Google Scholar ] [ CrossRef ]
  77. ویکهام، جی. چوب، PB; نیکلسون، ام سی؛ جنکینز، دبلیو. دراکنبرود، دی. سوتر، GW; غریبه، نماینده مجلس؛ مازارلا، سی. گالووی، دبلیو. آموس، جی. تأثیرات زمینی نادیده گرفته شده استخراج در بالای کوه. BioScience 2013 ، 63 ، 335-348. [ Google Scholar ] [ CrossRef ]
  78. ماکسول، AE; Strager، MP در حال ارزیابی تغییرات شکل زمین ناشی از استخراج کوهستانی. نات. علمی 2013 ، 5 ، 229-237. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  79. راس، MRV؛ مک گلین، BL; برنهارت، ES Deep Impact: اثرات استخراج در بالای کوه بر توپوگرافی سطح، ساختار سنگ بستر و آبهای پایین دست. محیط زیست علمی تکنولوژی 2016 ، 50 ، 2064–2074. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  80. چانگ، K.-T. سیستم اطلاعات جغرافیایی. در دایره المعارف بین المللی جغرافیا ; انجمن سرطان آمریکا: آتلانتا، GA، ایالات متحده آمریکا، 2017؛ صفحات 1-9. شابک 978-1-118-78635-2. [ Google Scholar ]
  81. ماکسول، AE; وارنر، TA آیا داده های DEM با وضوح فضایی بالا برای نقشه برداری تالاب های پالسترین ضروری است؟ بین المللی J. Remote Sens. 2019 ، 40 ، 118-137. [ Google Scholar ] [ CrossRef ]
  82. ArcGIS Pro 2.2 ; ESRI: Redlands, CA, USA, 2018. موجود آنلاین: https://www.esri.com/arcgis-blog/products/arcgis-pro/uncategorized/arcgis-pro-2-2-now-available/ (دسترسی در 2 مه 2021).
  83. ایوانز، JS Jeffreyevans/GradientMetrics. 2020. در دسترس آنلاین: https://evansmurphy.wixsite.com/evan (در 2 مه 2021 قابل دسترسی است).
  84. مرحله، AR بیانی برای تأثیر جنبه، شیب، و نوع زیستگاه بر رشد درخت. برای. علمی 1976 ، 22 ، 457-460. [ Google Scholar ] [ CrossRef ]
  85. لوپز، م. Berry، JK از مساحت سطح برای محاسبات واقعی استفاده می کنند. GeoWorld 2002 , 15 , 25. [ Google Scholar ]
  86. ریلی، اس جی. دی گلوریا، SD؛ الیوت، RA شاخص ناهمواری زمین که ناهمگونی توپوگرافی را کمی می کند. Intermt. J. Sci. 1999 ، 5 ، 23. [ Google Scholar ]
  87. Jacek، S. مشخصه سازی شکل زمین با سیستم های اطلاعات جغرافیایی. فتوگرام مهندس Remote Sens. 1997 , 63 , 183-191. [ Google Scholar ]
  88. ایوانز، ژئومورفومتری عمومی IS، مشتقات ارتفاع، و آمار توصیفی. در تحلیل فضایی در ژئومورفولوژی ; Methuen & Co.: لندن، انگلستان، 1972; صص 17-90. [ Google Scholar ]
  89. پایک، RJ; ایوانز، IS; Hengl, T. فصل 1 ژئومورفومتری: راهنمای مختصر. در تحولات علوم خاک ; Hengl, T., Reuter, HI, Eds. ژئومورفومتری; الزویر: آمستردام، هلند، 2009; جلد 33، ص 3-30. [ Google Scholar ]
  90. آیرونساید، KE; ماتسون، دی جی؛ آروندل، تی. تیمر، تی. هولتون، بی. پیترز، ام. ادواردز، TC; هانسن، جی. ژئومورفومتری در اکولوژی منظر: مسائل مقیاس، فیزیوگرافی و کاربرد. محیط زیست Ecol. Res. 2018 ، 6 ، 397-412. [ Google Scholar ] [ CrossRef ]
  91. مک کیون، بی. معادلات کئون، دی. J. Veg. علمی 2002 ، 13 ، 603-606. [ Google Scholar ] [ CrossRef ]
  92. Wood, J. Chapter 14 Geomorphometry in LandSerf. در تحولات علوم خاک ; Hengl, T., Reuter, HI, Eds. ژئومورفومتری; الزویر: آمستردام، هلند، 2009; جلد 33، ص 333-349. [ Google Scholar ]
  93. وود، ج. خصوصیات ژئومورفولوژیکی مدل‌های ارتفاعی دیجیتال. Ph.D. پایان نامه، دانشگاه لستر، لستر، انگلستان، 1996. [ Google Scholar ]
  94. ویژگی های مورفومتریک ماژول/ مستندات کتابخانه ماژول SAGA-GIS (v2.2.5). در دسترس آنلاین: https://www.saga-gis.org/saga_tool_doc/2.2.5/ta_morphometry_23.html (دسترسی در 14 نوامبر 2019).
  95. SAGA – سیستمی برای تجزیه و تحلیل خودکار زمین‌شناسی. در دسترس آنلاین: https://www.saga-gis.org/en/index.html (در 14 نوامبر 2019 قابل دسترسی است).
  96. فلورینسکی، چهارم، مقدمه ای مصور بر ژئومورفومتری عمومی. Prog. فیزیک Geogr. محیط زمین. 2017 ، 41 ، 723-752. [ Google Scholar ] [ CrossRef ]
  97. اسپیرمن، سی. اثبات و سنجش ارتباط بین دو چیز. بین المللی J. Epidemiol. 2010 ، 39 ، 1137-1150. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط RandomForest. R News 2002 , 2 , 18-22. [ Google Scholar ]
  99. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2018. [ Google Scholar ]
  100. کوهن، ام. ساخت مدل های پیش بینی در R با استفاده از بسته کارت. J. Stat. نرم افزار 2008 ، 28 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  101. Tharwat، A. طبقه بندی روش های ارزیابی. Appl. محاسبه کنید. به اطلاع رساندن. 2020 . [ Google Scholar ] [ CrossRef ]
  102. کلپر، سی جی; پیرسون، ES استفاده از اطمینان یا محدودیت های واهی نشان داده شده در مورد دو جمله ای. Biometrika 1934 ، 26 ، 404-413. [ Google Scholar ] [ CrossRef ]
  103. بک، جی آر. Shultz، EK استفاده از منحنی های مشخصه عملیاتی نسبی (ROC) در ارزیابی عملکرد آزمون. قوس. پاتول. آزمایشگاه. پزشکی 1986 ، 110 ، 13-20. [ Google Scholar ]
  104. بردلی، AP استفاده از ناحیه زیر منحنی ROC در ارزیابی الگوریتم‌های یادگیری ماشین. تشخیص الگو 1997 ، 30 ، 1145-1159. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  105. دلانگ، ای آر. DeLong، DM; Clarke-Pearson، DL مقایسه نواحی زیر دو یا چند منحنی مشخصه عملکرد گیرنده همبسته: یک رویکرد ناپارامتریک. بیومتریک 1988 ، 44 ، 837-845. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  106. رابین، ایکس. تورک، ن. هاینارد، ا. تیبرتی، ن. لیزاچک، اف. سانچز، جی.-سی. Müller, M. PROC: یک بسته منبع باز برای R و S+ برای تجزیه و تحلیل و مقایسه منحنی های ROC. BMC Bioinform. 2011 ، 12 ، 77. [ Google Scholar ] [ CrossRef ]
  107. سایتو، تی. Rehmsmeier، M. نمودار یادآوری دقیق هنگام ارزیابی طبقه‌بندی‌کننده‌های باینری در مجموعه داده‌های نامتعادل، آموزنده‌تر از نمودار ROC است. PLoS ONE 2015 ، 10 ، e0118432. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  108. گراو، جی. گروس، آی. Keilwagen, J. PRROC: Computing and Visualizing Precision-Recall and Receiver Operating Characteristic Curves in R. Bioinformatics 2015 , 31 , 2595-2597. [ Google Scholar ] [ CrossRef ]
  109. کوهن، م. وان، دی. RStudio. معیار: خصوصیات مرتب عملکرد مدل . 2020. در دسترس آنلاین: https://cran.r-project.org/web/packages/yardstick/index.html (در 2 مه 2021 قابل دسترسی است).
  110. استروبل، سی. هاثورن، تی. Zeileis، A. حزب در! یک معیار اهمیت متغیر مشروط جدید در بسته مهمانی موجود است. R J. 2009 ، 1 ، 14-17. [ Google Scholar ] [ CrossRef ]
  111. استروبل، سی. Boulesteix، A.-L.; کنیب، تی. آگوستین، تی. Zeileis، A. اهمیت متغیر شرطی برای جنگل های تصادفی. BMC Bioinform. 2008 ، 9 ، 1-11. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  112. خطرات زمین لغزش – نقشه ها. در دسترس آنلاین: https://www.usgs.gov/natural-hazards/landslide-hazards/maps (در 4 مارس 2021 قابل دسترسی است).
Ijgi 10 00293 g001 550
شکل 1. ( الف ) مناطق عمده منابع زمینی (MLRAs) که در این مطالعه بررسی و مقایسه شدند. ( ب ) وسعت ( a ) را در ایالات متحده به هم پیوسته نشان می دهد. داده های MLRA توسط وزارت کشاورزی ایالات متحده (USDA) [ 66 ] ارائه شده است. ( ج ) تا ( f ) نمونه‌هایی از شرایط زمین را ارائه می‌کند که با استفاده از تپه‌ها در چهار MLRA مورد مطالعه نشان داده شده‌اند. ( ج ) CAP = فلات آلگنی مرکزی، ( د ) CPM = فلات و کوه‌های کامبرلند، ( e ) EAPM = فلات و کوه‌های آلگنی شرقی، ( f ) NARV = برآمدگی‌ها و دره‌های آپالاچی شمالی.
Ijgi 10 00293 g002 550
شکل 2. توزیع نقاط بروز شکست شیب نسبت به وسعت MLRA. همه مناطق در ویرجینیای غربی با داده‌های LiDAR موجود برای تولید فهرست شکست شیب تفسیر شده‌اند.
Ijgi 10 00293 g003 550
شکل 3. نمونه ای از نقطه بروز شکست شیب نقشه برداری از مکان های شروع یا خراش های سر. پس زمینه تپه ای است که از داده های LiDAR مشتق شده است. پنج مثال برای هر MLRA بررسی شده در این مطالعه ارائه شده است.
Ijgi 10 00293 g004 550
شکل 4. مفهوم سازی فرآیند مدل سازی مورد استفاده در این مطالعه شامل تقسیم بندی داده ها، آموزش، استنتاج و ارزیابی. پایگاه داده و نمادهای چکش از Font Awesome هستند و تحت مجوز CC توسط 4.0 در دسترس هستند.
Ijgi 10 00293 g005 550
شکل 5. توزیع احتمال خرابی شیب متوقف شده و نمونه های اعتبارسنجی شبه عدم وجود برای هر منطقه. احتمال به احتمال وقوع شکست شیب مربوط می شود. ( الف ) فلات آلگنی مرکزی، ( ب ) فلات و کوه‌های کامبرلند، ( ج ) فلات و کوه‌های آلگنی شرقی، ( د ) برآمدگی‌ها و دره‌های آپالاچی شمالی.
Ijgi 10 00293 g006 550
شکل 6. دقت کلی، کاپا، AUC ROC و AUC PR برای پیش بینی هر مجموعه داده اعتبارسنجی با استفاده از هر مدل. میله ها یک فاصله اطمینان 95% را برای دقت کلی و AUC ROC نشان می دهند. ( الف ) AUC ROC و AUC PR. ( ب ) دقت کلی و کاپا.
Ijgi 10 00293 g007 550
شکل 7. منحنی های ROC برای پیش بینی هر مجموعه داده اعتبارسنجی MLRA با استفاده از هر مدل. هر نمودار نشان دهنده ناحیه MLRA پیش بینی شده است، در حالی که هر منحنی نشان دهنده مدل مورد استفاده برای پیش بینی است. جعبه های ورودی AUC مربوط به هر منحنی را ارائه می دهند. ( الف ) فلات آلگنی مرکزی، ( ب ) فلات و کوه‌های کامبرلند، ( ج ) فلات و کوه‌های آلگنی شرقی، ( د ) برآمدگی‌ها و دره‌های آپالاچی شمالی.
Ijgi 10 00293 g008 550
شکل 8. منحنی های PR برای پیش بینی هر مجموعه داده اعتبارسنجی MLRA با استفاده از هر مدل. هر نمودار نشان دهنده ناحیه MLRA پیش بینی شده است، در حالی که هر منحنی نشان دهنده مدل مورد استفاده برای پیش بینی است. جعبه های ورودی AUC مربوط به هر منحنی را ارائه می دهند. ( الف ) فلات آلگنی مرکزی، ( ب ) فلات و کوه‌های کامبرلند، ( ج ) فلات و کوه‌های آلگنی شرقی، ( د ) برآمدگی‌ها و دره‌های آپالاچی شمالی.
Ijgi 10 00293 g009 550
شکل 9. برآورد اهمیت متغیر مشروط برای هر MLRA جداگانه. میله‌ها دامنه اهمیت محاسبه شده از 10 تکرار آنالیز را با استفاده از زیر مجموعه‌های مختلف نمونه‌های آموزشی نشان می‌دهند. ( الف ) فلات آلگنی مرکزی، ( ب ) فلات و کوه‌های کامبرلند، ( ج ) فلات و کوه‌های آلگنی شرقی، ( د ) برآمدگی‌ها و دره‌های آپالاچی شمالی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید