Karten zur Anfälligkeit für Bodensenkungen in Südkorea unter Verwendung von Machine Learning-Algorithmen

In dieser Studie wurde die Anfälligkeit für Bodensenkungen in einem Untersuchungsgebiet in Südkorea mithilfe von vier Machine Learning-Modellen bewertet, darunter bayesianische logistische Regression (BLR), Support Vector Machine (SVM), logistische Modellbäume (LMT) und alternative Entscheidungsbäume (ADTree). Acht Einflussfaktoren wurden als die wichtigsten Faktoren identifiziert, die die Bodensenkung im Gebiet Jeong-am beeinflussen, darunter Neigungswinkel, Entfernung zu Drift, Drift-Dichte, Geologie, Entfernung zu Lineamenten, Lineament-Dichte, Landnutzung und Gesteinsmasseneinstufung (RMR), die in das Modell einflossen. Etwa 24 zuvor aufgetretene Bodensenkungen wurden erfasst und als Trainingsdatensatz (70 % der Daten) und Validierungsdatensatz (30 % der Daten) im Modellierungsprozess verwendet. Jedes untersuchte Modell erzeugte eine Karte zur Anfälligkeit für Bodensenkungen (LSSM). Die Karten wurden mit mehreren geeigneten Werkzeugen, darunter statistische Indizes, die Fläche unter der Empfangsbieterkurve (AUROC) sowie Erfolgsrate (SR) und Vorhersagerate (PR) Kurven, überprüft. Die Ergebnisse dieser Studie zeigten, dass das BLR-Modell LSSM mit höherer akzeptabler Genauigkeit und Zuverlässigkeit im Vergleich zu den anderen angewandten Modellen erzeugte, obwohl auch die anderen Modelle vernünftige Ergebnisse lieferten.