Recherche sur le modèle de prévision et d'alerte précoce basé sur l'apprentissage automatique pour les glissements de terrain induits par les pluies dans la province du Yunnan

Résumé Les glissements de terrain sont des désastres géologiques hautement destructeurs qui constituent une menace sérieuse pour la sécurité des vies et des biens des personnes. Dans cette étude, nous avons utilisé des enregistrements historiques de glissements de terrain dans la province du Yunnan, ainsi que huit facteurs sous-jacents des glissements de terrain (élévation, pente, exposition, lithologie, type de couverture terrestre, indice de végétation par différence normalisée (NDVI), type de sol et précipitations annuelles moyennes (PAM)), ainsi que des données historiques et actuelles de pluie. Tout d'abord, nous avons analysé la sensibilité de chaque facteur sous-jacent dans la zone d'étude en utilisant la méthode du rapport de fréquence (RF) et obtenu une carte de susceptibilité aux glissements de terrain (CSG). Ensuite, nous avons construit un modèle de prévision de probabilité de glissements de terrain induits par les pluies (GLIP) basé sur des algorithmes d'apprentissage automatique (AA) et divisé les niveaux d'alerte. Afin de construire un meilleur modèle de prévision des GLIP et d'explorer les effets des différents algorithmes d'AA et des valeurs d'entrée des facteurs sous-jacents sur le modèle, nous avons comparé cinq algorithmes de classification AA : le boosting par gradient extrême (XGBoost), le k-plus proche voisin (KNN), la machine à vecteurs de support (SVM), la régression logistique (LR) et les forêts aléatoires (RF), ainsi que trois représentants des valeurs d'entrée des facteurs sous-jacents. Les résultats montrent que parmi les modèles de prévision obtenus, le modèle RF basé sur la CSG performe le mieux, avec une précision (PR) de 0,906, une aire sous la courbe (AUC) de 0,954, une probabilité de détection (PD) de 0,96 dans l'ensemble de test, et une précision de prédiction de 0,8 dans l'ensemble de validation. Par conséquent, nous recommandons d'utiliser le modèle RF-CSG comme modèle de prévision des GLIP pour la province du Yunnan et de diviser les niveaux d'alerte.