रैंडम फॉरेस्ट तकनीक द्वारा भूस्खलन संवेदनशीलता का अनुमान: संवेदनशीलता और पैमानिकरण मुद्दे

सारांश। भूस्खलन संवेदनशीलता मानचित्रण (LSM) में हाल के कई विकासों के बावजूद, LSM मॉडल संवेदनशीलता के विशिष्ट पहलुओं पर ध्यान केंद्रित करने वाले अध्ययनों की कमी है। उदाहरण के लिए, भूस्खलन की कंडीशनिंग वेरिएबल्स (LCVs) के सर्वेक्षण पैमाने, मानचित्रण इकाई (MUR) का संकल्प और LCVs की अनुकूल संख्या और रैंकिंग जैसे कारकों का विश्लेषणात्मक रूप से कभी भी अध्ययन नहीं किया गया है, विशेष रूप से बड़े डेटा सेट पर। इस पत्र में, हम इस प्रयोग का प्रयास करते हैं, अंतिम परिणाम पर मॉडल ट्यूनिंग के चयन के प्रभाव पर ध्यान केंद्रित करते हुए, विधियों की तुलना पर नहीं। इस उद्देश्य के लिए, हम रैंडम फॉरेस्ट (RF), एक मशीन लर्निंग तकनीक, का एक साधारण कार्यान्वयन अपनाते हैं ताकि विभिन्न मॉडल सेटिंग्स, इनपुट डेटा प्रकारों और पैमानों के लिए भूस्खलन संवेदनशीलता के मानचित्रों का एक एंसेम्बल तैयार किया जा सके। रैंडम फॉरेस्ट एक बायेजियन ट्री का संयोजन है जो एक सेट के पूर्वानुमानकर्ताओं को वास्तविक भूस्खलन घटना से संबंधित करता है। चूंकि यह एक गैर-पैरामीट्रिक मॉडल है, यह विभिन्न संख्यात्मक या श्रेणीबद्ध डेटा स्तरों को शामिल करना संभव है और सीधे विश्लेषणात्मक में एकल-मोडल प्रशिक्षण डेटा का चयन करने की आवश्यकता नहीं है। कई व्यापक रूप से स्वीकृत भूस्खलन पूर्वानुमान करते तत्वों को मुख्य रूप से चट्टान विज्ञान, भूमि उपयोग, भू-आकृतिकी, संरचनात्मक और मानव निर्मित बाधाओं से संबंधित माना जाता है। इसके अतिरिक्त, प्रत्येक कारक के लिए हम भी पूर्वानुमानकर्ताओं के सेट में मानचित्र इकाई पर मानक विचलन (संख्यात्मक चर के लिए) या विविधता (श्रेणीबद्ध के लिए) का एक माप शामिल करते हैं। अन्य प्रणालियों की तरह, RF का उपयोग एकल इनपुट पैरामीटर के सापेक्ष महत्व का अनुमान लगाने और वर्गीकरण मॉडल की अनुकूल कॉन्फ़िगरेशन का चयन करने की अनुमति देता है। मॉडल को पहले पूर्ण सेट इनपुट वेरिएबल्स का उपयोग करके लागू किया जाता है, फिर एक पुनरावृत्तात्मक प्रक्रिया निष्पादित की जाती है और धीरे-धीरे पैरामीटर स्थान के छोटे उपसमूहों पर विचार किया जाता है। इनपुट वेरिएबल्स के पैमाने और सटीकता का प्रभाव, साथ ही RF मॉडल के यादृच्छिक घटक का संवेदनशीलता परिणामों पर प्रभाव भी जांचा जाता है। इस मॉडल का परीक्षण अर्नो नदী के बेसिन (केंद्रित इटली) में किया जाता है। हम पाते हैं कि पैरामीटर स्थान का आयाम, मानचित्रण इकाई (स्केल) और प्रशिक्षण प्रक्रिया वर्गीकरण की सटीकता और पूर्वानुमान प्रक्रिया को मजबूत रूप से प्रभावित करते हैं। यह, बदले में, उस परिकलित संवेदनशीलता विश्लेषण का संकेत देता है जो परंपरागत और नए उपकरणों का उपयोग करते हुए हमेशा अंतिम संवेदनशीलता मानचित्र उत्पादित करने से पहले किया जाना चाहिए।