Tải file PDF Tác giả
Đơn vị công tác
1 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất Hà Nội; tranvananh@humg.edu.vn; lethanhnghi@humg.edu.vn; tranhonghanh@humg.edu.vn
2 Khoa Cầu đường, Trường Đại học Xây Dựng Hà Nội; khienht@huce.edu.vn; dongkt@huce.edu.vn
3 Viện Khoa học Khí tượng thủy văn và Biến đổi khí hậu; dhphong@monre.gov.vn
4 Nhóm nghiên cứu Công nghệ Địa tin học trong Khoa học Trái đất (GES), Trường Đại học Mỏ - Địa chất; tranvananh@humg.edu.vn
*Tác giả liên hệ: khienht@huce.edu.vn; Tel.: +84–981108991
Tóm tắt
Nghiên cứu này tập trung vào khảo sát khả năng của hai mô hình học máy là Gradient Boosting (GB) và Suport Vector Regression (SVR) trong thành lập bản đồ nguy cơ lún đất cho khu vực bán đảo Cà Mau. Tám lớp dữ liệu là: Độ cao, địa chất, đất, lớp phủ bề mặt, NDVI, độ sâu mực nước ngầm, khoảng cách đến giao thông, khoảng cách đến sông suối được coi là các yếu tố ảnh hưởng nhiều đến lún đất ở khu vực này. Hai mô hình được huấn luyện trên một tập dữ liệu bao gồm 40 điểm mẫu được cung cấp bởi cục Đo đạc, Bản đồ và Thông tin địa lý Việt Nam và các điểm đo lún còn lại được xử lý bằng phương pháp PSInSAR trên tập ảnh Sentinel-1 từ tháng 11 năm 2014 đến tháng 1 năm 2019. Tổng số điểm mẫu đưa vào mô hình là 1001 điểm được chia thành hai tập dự liệu là huấn luyện (70%) và kiểm tra (30%). Công cụ để xây dựng mô hình là nền tảng điện toán đám mấy Google Earth Engine. Hai bản đồ nguy cơ lún đất đã được xây dựng từ tập huấn luyện. Diện tích dưới đường cong AUC đã được sử dụng để đánh giá hiệu suất của mô hình trên cả tập huấn luyện và tập kiểm tra. Kết quả nghiên cứu này chỉ ra rằng mô hình GB tạo ra bản đồ nguy cơ lún đất có độ chính xác tốt hơn mô hình SVR.
Từ khóa
Trích dẫn bài báo
Anh, T.V.; Khiên, H.T.; Đông, K.T.; Nghị, L.T.; Hạnh, T.H.; Phong, D.H. Nghiên cứu khả năng của mô hình học máy GB và SVR trong thành lập bản đồ nguy cơ lún đất khu vực bán đảo Cà Mau, Việt Nam. Tạp chí Khí tượng Thuỷ văn 2024, 757, 60-73.
Tài liệu tham khảo
1. Shi, X.; Wu, J.; Ye, S.; Zhang, Y.; Xue, Y.; Wei, Z.; Yu, J. Regional land subsidence simulation in Su-xi-Chang area and Shanghai City, China. Eng. Geol. 2008, 100(1-2), 27–42.
2. Rahmati, O.; Golkarian, A.; Biggs, T.; Keesstra, S.; Mohammadi, F.N.; Daliakopoulos, I.N. Land subsidence hazard modeling: Machine learning to identify predictors and the role of human activities. J. Environ. Manage. 2019, 236, 466–480.
3. Abdollahi, S.; Pourghasemi, H.R.; Ghanbarian, G.A.; Safaeian, R. Prioritization of effective factors in the occurrence of land subsidence and its susceptibility mapping using an SVM model and their different kernel functions. Bull. Eng. Geol. Environ. 2019, 78, 4017–4034.
4. Hakim, W.L.; Achmad, A.R.; Lee, C. Land Subsidence Susceptibility Mapping in Jakarta Using Functional and Meta-Ensemble Machine Learning Algorithm Based on Time-Series InSAR Data. Remote Sens. 2020, 12(21), 3627.
5. Shi, L.; Gong, H.; Chen, B.; Zhou, C. Land Subsidence Prediction Induced by Multiple Factors Using Machine Learning Method. Remote Sens. 2020, 12(24), 4044.
6. Sardooi, E.R.; Pourghasemi, H.R.; Azareh, A.; Sardoo, F.S.; Clague, J.J. Comparison of statistical and machine learning approaches in land subsidence modelling. Geocarto Int. 2022, 37(21), 6165–6185.
7. Wang, H.; Jia, C.; Ding, P.; Feng, K.; Yang, X.; Zhu, X. Analysis and prediction of regional land subsidence with InSAR technology and machine learning algorithm. KSCE J. Civ. Eng. 2023, 27(2), 782–793.
8. Mohammadifar, A.; Gholami, H.; Golzari, S. Stacking-and voting-based ensemble deep learning models (SEDL and VEDL) and active learning (AL) for mapping land subsidence. Environ. Sci. Pollut. Res. 2023, 30, 26580–26595.
9. Dung, B.T.; Shahabi, H.; Shirzadi, A.; Chapi, K.; Pradhan, B.; Chen, W.; Saro, L. Land subsidence susceptibility mapping in south Korea using machine learning algorithms. Sensors 2018, 18(8), 2464.
10. Erban, L.E.; Gorelick, S.M.; Zebker, H.A. Groundwater extraction, land subsidence, and sea-level rise in the Mekong Delta, Vietnam. Environ. Res. Lett. 2014, 9(8), 084010.
11. Anh, T.V. Monitoring Subsidence in Ca Mau City and Vicinities using the Multi Temporal Sentinel-1 Radar Images. Proceeding of the 4th Asia Pacific Meeting on Near Surface Geoscience & Engineering. European Association of Geoscientists & Engineers. 2021, 2021(1), 1–5.
12. Cortes, C.; Vladimir, N. Vapnik. Support Vector Networks. Mach. Learn. 1995, 20, 273–297.
13. Drucker, H.; Burges, C.; Kaufman, L.; Smola, A; Vapnik, V. Support Vector Regression Machines. Neural Inf. Process. Syst. 1997, 9, 155–161.
14. EMSN062_final. Copernicus 2019. Trực tuyến: https://emergency.copernicus.eu/mapping/list-of-components/EMSN062.
15. Tran, V.A.; Khuc, T.D.; Ha, T.K.; Tran; H.H.; Le; T.N.; Pham T.T.H.; Nguyen, Q.D. Land subsidence susceptibility mapping using machine learning in the google earth engine platform. Proceeding of the International Conference on Intelligence of Things. Springer Nature Switzerland. 2023, pp. 55–64.
16. Li, H.; Zhu, L.; Guo, G.; Zhang, Y.; Dai, Z.; Li, X.; Teatini, P. Land subsidence due to groundwater pumping: hazard probability assessment through the combination of Bayesian model and fuzzy set theory. Nat. Hazards Earth Syst. Sci. 2021, 21(2), 823–835.
17. Trung tâm Quy hoạch và Điều tra Tài nguyên nước Quốc gia, Bộ Tài nguyên và Môi trường. Niên giám tài nguyên nước vùng Nam Trung Bộ, 2021.
18. Anh, T.V.; Hanh, T.H.; Nga, N.Q.; Nghi, L.T.; Quang, T.X.; Dong, K.T.; Anh, T.T. Determination of illegal signs of coal mining expansion in Thai Nguyen Province, Vietnam from a combination of radar and optical imagery. International Conference on Geo-Spatial Technologies and Earth Resources. Cham: Springer International Publishing. 2022, 225–242.
19. Truong, X.Q.; Dang, N.H.D.; Do, T.H.; Tran, N.D.; Do, T.T.N.; Tran, V.A.; Khuc, T.D. Random forest analysis of land use and land cover change using sentinel-2 data in Van Yen, Yen Bai province, Vietnam. In International Conference on Geo-Spatial Technologies and Earth Resources. Cham: Springer International Publishing. 2022, pp. 429–445.