Tác giả

Vũ Cao Đạt 1* , Nguyễn Đức Đảm 1 , Phạm Thái Bình 1

Đơn vị công tác

1 Trường Đại học Công nghệ GTVT, 54 Triều Khúc, Thanh Xuân, Hà Nội, Việt Nam; datvc@utt.edu.vn; damnd@utt.edu.vn; binhpt@utt.edu.vn

*Tác giả liên hệ: datvc@utt.edu.vn; Tel.: +84–384026586

Tóm tắt

Bài báo tiến hành xây dựng bản đồ phân vùng nguy cơ sạt lở đất tại Huyện Mường Chà, tỉnh Điện Biên sử dụng các kỹ thuật phân loại K-Nearest-Neighbor (KNN) và Gradient Boosting (GB) - là những kỹ thuật học máy có khả năng phân tích và khai phá dữ liệu lịch sử để phân loại và dự báo. Dữ liệu không gian được xây dựng bao gồm 206 vị trí sạt lở đất xảy ra trong quá khứ và 10 tham số điều kiện gây ra sạt lở đất được thu thập. Để kiểm chứng và so sánh các mô hình, các chỉ tiêu đánh giá định lượng bao gồm đường cong ROC, độ chính xác (%) đươc sử dụng. Kết quả đánh giá và so sánh cho thấy cả hai mô hình KNN và GB có năng lực dự báo không gian sạt lở đất cao; trong đó, mô hình GB có năng lực dự báo cao hơn so với mô hình KNN. Bản đồ phân vùng nguy cơ sạt lở đất xây dựng từ mô hình GB có độ chính xác cao có thể được sử dụng vào mục đích lập quy hoạch sử dụng đất, phục vụ phòng và chống những tác hại gây ra bởi sạt lở đất.

Từ khóa

Sạt lở đất; K–Nearest–Neighbor; Gradient Boosting; Điện Biên; Việt Nam.

Trích dẫn bài báo

Đạt, C.V.; Đảm, N.Đ.; Bình, P.T. Xây dựng bản đồ phân vùng nguy cơ sạt lở đất tại huyện Mường Chà, tỉnh Điện Biên sử dụng các kỹ thuật phân loại K-Nearest-Neighbor và Gradient Boosting. Tạp chí Khí tượng Thuỷ văn 2022, 744(1), 81-90.

Tài liệu tham khảo

1. Long, D.V.; Cong, N.C.; Cuong, N.T.; Binh, N.Q.; Phuoc, V.N.D. An Assessment of Terrain Quality and Selection Model in Developing Landslide Susceptibility Map–A Case Study in Mountainous Areas of Quang Ngai Province, Vietnam. In:  Modern mechanics and applications, Springer, 2022, pp. 959–970.

2. Trinh, T.; Luu, B.T.; Le, T.H.T.; Nguyen, D.H.; Van, T.T.; Van, N.T.H.; Nguyen, K.Q.; Nguyen, L.T. A comparative analysis of weight–based machine learning methods for landslide susceptibility mapping in Ha Giang area. Big Earth Data 2022, 1–30.

3. Zhang, W.; Liu, S.; Wang, L.; Samui, P.; Chwała, M.; He, Y. Landslide susceptibility research combining qualitative analysis and quantitative evaluation: A case study of Yunyang County in Chongqing, China. Forests 2022, 13(7),1055.

4. Yong, C.; Jinlong, D.; Fei, G.; Bin, T.; Tao, Z.; Hao, F.; Li, W.; Qinghua, Z. Review of landslide susceptibility assessment based on knowledge mapping. Stochastic Environ. Res. Risk Assess 2022, 1–19.

5. Zhang, H.; Song, Y.; Xu, S.; He, Y.; Li, Z.; Yu, X.; Liang, Y.; Wu, W.; Wang, Y. Combining a class–weighted algorithm and machine learning models in landslide susceptibility mapping: A case study of Wanzhou section of the Three Gorges Reservoir, China. Comput. Geosci. 2022, 158, 104966.

6. Lv, L.; Chen, T.; Dou, J.; Plaza, A. A hybrid ensemble–based deep–learning framework for landslide susceptibility mapping. Int. J. Appl. Earth Obs. Geoinf. 2022, 108, 102713.

7. Sahin, E.K. Implementation of free and open–source semi–automatic feature engineering tool in landslide susceptibility mapping using the machine–learning algorithms RF, SVM, and XGBoost. Stochastic Environ. Res. Risk Assess 2022, 1–26.

8. Bien, T.X.; Truyen, P.T.; Phong, T.V.; Nguyen, D.D.; Amiri, M.; Costache, R.; Duc, D.M.; Le, H.V.; Nguyen, H.B.T.; Prakash, I. Landslide susceptibility mapping at sin Ho, Lai Chau province, Vietnam using ensemble models based on fuzzy unordered rules induction algorithm. Geocarto Int. 2022, 1–22.

9. Đức, Đ.N.; Thanh, T.N.; Văn, P.T.; Thái, B.P. Phát triển mô hình học máy cây quyết định và cây quyết đinh xen kẽ thành lập bản đồ dự báo không gian sạt lở đất tại huyện Mường Nhé, tỉnh Điện Biên, Việt Nam. Tạp chí điện tử Khoa học và Công nghệ Giao thông 2022, 36–56.

10. Bui, Q.D.; Ha, H.; Khuc, D.T.; Nguyen, D.Q.; von Meding, J.; Nguyen, L.P.; Luu, C. Landslide susceptibility prediction mapping with advanced ensemble models: Son La province, Vietnam. Nat. Hazard 2022, 1–27.

11. Betgeri, S.N.; Vadyala, S.R.; Matthews, J.C.; Madadi, M.; Vladeanu, G. Wastewater pipe condition rating model using K–nearest neighbors. Tunnelling Underground Space Technol. 2023, 132, 104921.

12. Abu Alfeilat, H.A.; Hassanat, A.B.; Lasassmeh, O.; Tarawneh, A.S.; Alhasanat, M.B.; Eyal Salman, H.S.; Prasath, V.S. Effects of distance measure choice on k–nearest neighbor classifier performance: a review. Big Data 2019, 7(4), 221–248.

13. Chakrabarty, N.; Kundu, T.; Dandapat, S.; Sarkar, A.; Kole, D.K. Flight arrival delay prediction using gradient boosting classifier. In: Emerging technologies in data mining and information security. Springer 2019, 651–659.

14. Khan, M.S.I.; Islam, N.; Uddin, J.; Islam, S.; Nasir, M.K. Water quality prediction and classification based on principal component regression and gradient boosting classifier approach. J. King Saud Univ. Comput. Inf. Sci. 2022, 34(8), 4773–4781.

15. Lusa, L. Gradient boosting for high–dimensional prediction of rare events. Comput. Stat. Data Anal. 2017, 113, 19–37.

16. Roy, S.; Pandit, S.; Papia, M.; Rahman, M.M.; Ocampo, J.C.O.R.; Razi, M.A. Fraile–Jurado, P.; Ahmed, N.; Hoque, M.A.A.; Hasan, M.M. Coastal erosion risk assessment in the dynamic estuary: The Meghna estuary case of Bangladesh coast. Int. J. Disaster Risk Reduct. 2021, 61, 102364