An Overview of the Studies done in the Field of Landslide Risk Mapping (Random Forest Algorithm)

Document Type : Research Paper

Authors

1 Assistant Professor, Department of Civil Engineering, Faculty of Civil Engineering and Architecture, Malayer University, Malayer, Iran

2 Ms.c. of Geotechnical Engineering, Department of Civil Engineering, Faculty of Civil Engineering and Architecture, Malayer University, Malayer, Iran

3 Associate Professor, Malayer University, Malayer, Iran

Abstract

Along with earthquakes and floods, landslides can be considered one of the most important natural disasters in the world, in which several factors can play a role. Researchers prepared a zoning map using different methods to manage the risk of landslides. The purpose of this article is to review the studies conducted. In the field of landslide risk zoning, the results obtained from this research show that there is no specific method to prepare a landslide risk zoning map. To obtain a map with minimum error, different methods, including random forest, should be used to produce a landslide risk potential model. Various methods have also been developed in the GIS environment to produce landslide potential models. These methods are generally divided into data-oriented and knowledge-oriented methods. Data-oriented methods are based on existing landslide points, and knowledge-oriented methods are based on expert judgment. Random forest algorithms can be mentioned among the data-oriented methods. Available data depends on the scale of the study and the type of method used.

Keywords

References

1- مرادی، ح. پورقاسمی، ح. و محمدی، م.، 1391، حرکات دامنه ای ( حرکات توده ای) با تأکید بر روش های کمی تحلیل وقوع زمین لغزش، انتشارات سمت.
2- انتظاری، م. و پورخسروانی، م.، 1398، مخاطرات دامنه ای با تأکید بر زمین لغزش، اصفهان: انتشارات دانشگاه اصفهان.
3- رسایی، آ.، خسروی، خ.، حبیب نژاد روشن، م.،  حیدری، ا.، و مشایخان، آ.، 1394، پهنه بندی خطر زمین لغزش با مدل رگرسیون چند متغیره در محیط GIS (مطالعه موردی: حوزه آق مشهد، استان مازندران)، پژوهشنامه مدیریت حوزه آبخیز، سال ششم، شماره 12، ص205-215.
4- حسینی، س. ع.، دلجویی، آ.، و صادقی، س. م .م.، 1395، ارزیابی روش های مختلف پهنه بندی خطر وقوع زمین لغزش در اکوسیستم های جنگلی، نشریه ترویج و توسعه آبخیزداری، سال چهارم، شماره 13، ص 14-7.
5- قیاسی، و.،  میرزایی، ص.، و یوسفی، م.، 1399، توسعه نمودار نرخ پیش بینی- مساحت به منظور بهبود خروجی مدل های پتانسیل خطر زمین لغزش، مجله علمی- پژوهشی مهندسی عمران مدرس، دوره 20، شماره ششم، ص 117-130.
6- Nilsen, T. H. F. H., Wright, C. Vlasic, and Spangle, W., 1979, San Francisco Bay region, Californai: U.S. Geology, survey professional.
7- ابراهیم خانی، س.، افضلی، م. و شکوهی، ع.، 1390، پیش بینی و بررسی عوامل تصادفات جاده­ای با استفاده از الگوریتم­های داده کاوی، فصلنامه دانش انتظامی زنجانی، سال اول، شماره یک ، ص 111-127.
8- ساده، ج.، و فرشاد، م.، 1392، مکان­یابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی رگرسیون تعمیم یافته و الگوریتم جنگل تصادفی، نشریه هوش محاسباتی در مهندسی برق ( سیستم های هوشمند در مهندسی برق)، دوره چهارم ، شماره دو ، ص 1-14
9- Breiman, L., 2001, Random forests Machine learning, 45, 1, 5-32.
10- Peters, J., Verhoest, N., Samson, R., Boeckx, P., and De Baets, B., 2008, Wetland Vegetation distribution modeling for the identification of Constraining environmental variables, Landscape Ecology, 23, 1049-1065.
11-عجم، ز.، 1393، پیش بینی فعالیت ضد ایدز مشتقات غیر نوکلئوزیدی تیوکربومات به روش جنگل تصادفی، پایان نامه کارشناسی ارشد ، دانشگاه شاهرود، ایران.
12- پاکنژاد، ف.، کرم.، ا.، و بهرام آبادی، ا.، 1400، پهنه بندی ناپایداری دامنه ها نسبت به حرکات واریزه ای با استفاده از روش جنگل تصادفی  ( مطالعه موردی: حوضه تنگراه- استان گلستان)، فصلنامه پژوهش های ژئو مورفولوژی کمی، سال نهم، شماره چهار، ص 59-74.
13- Aldrich , C. and Auret, L., 2013, Tree – Based Methods , in unsupervised process Monitoring and Fault Diagnosis with Machine Learning Methods, Springer London, 183-220.
14-Guo, L., Chehata, N., Mallet, C, and Boukir, S., 2011, Relevance of airborne lidar and multispectral image data for urban scene classification using Random Forests, Sensing, 66, 56-66.
15- Xilin, L., Wang, S. W., and Zhang, X., 1992, Influence of geologic factors on landslide in zhaotong Yunnan province, china, Environmental Geology and water science, 19, 17-20
16- رمضانی، ب.، و ابراهیمی، هـ.، 1388، زمین لغزش و راهکارهای تثبیت آن، فصلنمه جغرافیایی آمایش محیط، دوره دوم، شماره هفت، ص 129-139.
17- راهنمای مطالعه و اجرای عملیات پایدار سازی زمین لغزش ها ، جلد اول – مطالعات رفتار سنجی زمین لرزش ها ، ضابطه شماره 829-1، 1399، سازمان برنامه و بودجه کشور .
18- Mathew, J., Jha, V. K , and Rawat, G. S., 2009, Landslide susceptibility zonation mapping and its Validation in part of Garhwal Lesser Himalaya , India , using binary logistic regression analysis and receiver operating characteristic Curve method, Landslides, 6, 1, 17-26.
19- Youssef, A. M., Pourghasemi, H. R., Pourtaghi, Z. S., and AL- Katheeri, M. M., 2015, Landslide susceptibility mapping using random forest , boosted regression tree , classification and regression tree , and general linear models and comparison of their performance at waide Tayyah Basin, Asir Region, Saudi Arabia, Landslides, 13, 5, 839-856.
20- Bourenane, H., Guttouche, M. S., Bouhadad, Y., and Braham, M., 2016, Landslide hazard mapping in the constantine city , Northeast Algeria using fregueny ratio , weighting factor , process methods, Arabian journal of Geosciences, 9, 2, 154.
21- Singh, K., and Kummar, V., 2017, Landslide hazard mapping along national highway – 154 Ain Himachal Pradesh , India using information Value and frequency ratio, Arabian Journal of Geosciences, 10, 24, 1-18.
22- Zhang, K., Wu, X., Niu, R., Yang, K., and Zhao, L., 2017, the assessment of landslide susceptibility mapping using random forest and decision tree methods in the three Gorges Reservoir area , china, Environmental Earth sciences, 76, 11, 1- 20.
23- Pham, B. T. , Naguyen, V. T., Ngo, V. L., Trinh, P. T., Ngo, H. T. T., and Bui, D. T., 2017, A novel Hybrid Model of Rotation Forest Based Functional Trees for Landslide Susceptibility Mapping : A case study at kon Tum province , Vietnam. In Advances and Applications in Geospatioal Technology and Earth  Resources, Paper presented at the Internatioanl Conference on Geo – spatial Technologies and Earth Resources, Springer, Cham.
24- Akinci, H., Kilcoglu, C., and Dogan, S., 2020, Random forest – based landslide susceptibility mapping in regions of Artvin, Turkey, ISPRS International Journal of Geo-Information, 9, 9, 15.                                                
25- Kim, Y. T, and Prdhan, A. M. S., 2020, Landslide susceptibility Mapping at Two Adjacent Catchments using Advanced Machine Learning Algorithms, International Journal of Geo Information, 9, 569, 1-22.
26- Zhao, Z. , Liu, Z. Y. and Xu, C., 2021, slope unit based lalndslide susceptibility mapping using certainty factor , support vector machine , random forest , CF- svm and CF-RF models, Frontiers in Earth science, 9, 589630, 1-16.
27- Wubalem, A., 2021, Landslide susceptibility mapping using statistical methods in Uatzau catchment area , northwestern Ethiopia, Geoenvironmental Disasters, 8, 1, 1-21.
28- امیدوار، ا.، براتی، ز.، و شیرزادی، ع.، 1397، پیش بینی مکانی زمین لغزش های سطحی با استفاده از مدل های آماری و یادگیری ماشین (مطالعه موردی: حوضه سرخون) مرتع و آبخیزداری، مجله منابع طبیعی ایران، دوره 71، شماره چهار، ص 869-884.
29- حلاجی، م.، زنگنه اسدی، م. ع.، و امیراحمدی، ا.، 1399، ارزیابی کارایی مدل های پیش بینی حساسیت وقوع زمین لغزش در آبخیز بار نیشابور، نشریه پژوهش های آبخیزداری، دوره 33، شماره دو، ص20-30.
30- مومی پور، م.، و مجد باوی، ا.، 1400، پهنه بندی مناطق مستعد خطر زمین لغزش در محدوده ی شهید عباسپور، نشریه علمی جغرافیا و مخاطرات محیطی، دوره 10، شماره 37 ، ص 65-80.

Files

Share

How to cite

Statistics