Wichtige Überlegungen zur maschinenlern-basierten Bewertung der Rutschungsanfälligkeit unter zukünftigen Klimabedingungen

Zusammenfassung: Niederschlagsbedingte Rutschungen haben im Laufe der Jahre erhebliche wirtschaftliche Verluste und Opfer verursacht. Maschinelles Lernen wurde in den letzten Jahren umfassend angewendet, um die Rutschungsanfälligkeit in interessierenden Regionen zu bewerten. Allerdings gibt es eine Reihe von Herausforderungen, die die Zuverlässigkeit und Leistung der maschinenlern-basierten Rutschungsmodelle einschränken. Insbesondere müssen die Klassenimbalance im Datensatz, die Auswahl der Faktoren, die Rutschungen beeinflussen, und mögliche Extrapolationsprobleme für die Rutschungsvorhersage unter zukünftigen Bedingungen sorgfältig angegangen werden. In dieser Arbeit stellen wir Methoden vor, um diese Herausforderungen mithilfe von XGBoost zur Ausbildung des Rutschungsvorhersagemodells zu bewältigen. Techniken zur Daten-Rückstichprobenahme werden eingesetzt, um die Modellleistung mit dem unausgeglichenen Datensatz zu verbessern. Verschiedene Modelle werden trainiert und ihre Leistungen werden anhand einer Kombination unterschiedlicher Metriken bewertet. Die Ergebnisse zeigen, dass die synthetische Minderheit-Überab sampling-Technik in Kombination mit der vorgeschlagenen gridded hyperspace sampling-Technik besser abschneidet als die anderen Techniken des unausgeglichenen Lernens mit XGBoost. Anschließend wird die Extrapolationsleistung des XGBoost-Modells bewertet, wobei sich zeigt, dass die Vorhersagen für die projizierten Klimabedingungen gültig bleiben. Als Fallstudie werden Rutschungsanfälligkeitskarten für Kalifornien, USA, mithilfe des entwickelten Modells erstellt und mit dem historischen Rutschungskatalog von Kalifornien verglichen. Diese Ergebnisse deuten darauf hin, dass das entwickelte Modell von großer Bedeutung für die globale Kartierung der Rutschungsanfälligkeit unter Klimawandel-Szenarien sein kann.