Ứng dụng thuật toán rừng ngẫu nhiên trong xây dựng bản đồ nhạy cảm trượt lở khu vực sông huyện Văn Yên, Yên Bái

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

20
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ứng dụng thuật toán rừng ngẫu nhiên trong xây dựng bản đồ nhạy cảm trượt lở khu vực sông huyện Văn Yên, Yên Bái được nghiên cứu với mục tiêu là xây dựng mô hình học máy phù hợp trong nghiên cứu trượt lở đất và xây dựng bản đồ tính nhạy cảm trượt lở cho huyện Văn Yên, tỉnh Yên Bái.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng thuật toán rừng ngẫu nhiên trong xây dựng bản đồ nhạy cảm trượt lở khu vực sông huyện Văn Yên, Yên Bái

ỨNG DỤNG THUẬT TOÁN RỪNG NGẪU NHIÊN TRONG XÂY DỰNG BẢN ĐỒ NHẠY CẢM TRƯỢT LỞ KHU VỰC SÔNG HUYỆN VĂN YÊN, YÊN BÁI Trương Xuân Quang, Nguyễn Ngọc Hoan, Trần Thị Hương Trường Đại học Tài nguyên và Môi trường Hà Nội Tóm tắt Mục tiêu của nghiên cứu này là xây dựng mô hình học máy phù hợp trong nghiên cứu trượt lở đất và xây dựng bản đồ tính nhạy cảm trượt lở cho huyện Văn Yên, tỉnh Yên Bái. Thuật toán được lựa chọn sử dụng là thuật toán rừng ngẫu nhiên (Random Forest). Các vị trí lở đất được chọn ngẫu nhiên trong tập hợp 302 điểm trượt lở, trong đó, 70 % tương đương với 210 điểm trượt lở để huấn luyện và 30 % (92 điểm trượt lở) để xác nhận tính chính xác của mô hình. Để xây dựng bản đồ nhạy cảm trượt lở dựa trên thuật toán rừng ngẫu nhiêu, 11 yếu tố đã được nghiên cứu và đưa vào sử dụng, các yếu tố đó là: hướng dốc, độ dốc, mạng lưới sông suối, đứt gãy địa chất, địa chất, NDVI, đường giao thông, chỉ số độ ẩm địa hình, độ cong theo phương ngang, độ cong theo phương đứng, năng lượng dòng. Độ chính xác của mô hình dự vào Confuse Matrix, kết quả cho thấy, phương pháp có độ chính xác được xác định bằng phần diện tích bên dưới đường cong Areas Under Curves-AUC = 0,903. Có 05 yếu tố ảnh hưởng quan trọng đến trượt lở đất đó là: đường giao thông, địa chất, hướng dốc, góc dốc và độ ẩm ướt địa hình. Từ khóa: Bản đồ phân vùng trượt lở đất; Văn Yên, Yên Bái; Rừng ngẫu nhiên. Abstract Landslide susceptibility mapping using random forest model: a case studies in the Van Yen, Yen Bai province The goal of this study is to investigate a suitable machine learning model in landslide study and to build a landslide susceptibility map for the study area (Van Yen district, Yen Bai province). For this purpose, a random forest model was selected to study for this study area. All landslides were randomly selected from 302 landslides, in which 70 % (210 landslides) of dataset for training and the 30 % (92 landslides) for validation accuracy of the model. In order to prepare landslide susceptibility map based on random forest model, 11 factors were considered as conditioning factors related to landslide: aspect, river slope, fault, geology, NDVI, road, topographic wetness index, plan curvature, profile curvature, stream power index. The accuracy of the model was evaluated based on Confuse Matrix. The result showing, the method has accuracy was indentified based on Areas Under Curves-AUC = 0.903. The five landslide causative factors: road, geology, aspect, slope and topographic wetness index have tight correlation with landslide occurrence. Keywords: Landslide susceptibility map; Van Yen, Yen Bai; Random forest. 1. Mở đầu Việt Nam là một quốc gia nhiều đồi núi (đồi núi chiếm 85 % diện tích lãnh thổ), hiện tượng sạt lở đất diễn ra phổ biến và tái diễn chủ yếu do những nguyên nhân liên quan địa chất, địa mạo, tác động của con người và đặc biệt là điều kiện thời tiết không thuận lợi với khí hậu nhiệt đới, mưa nhiều. Ngoài ra, Việt Nam còn được đánh giá là quốc gia bị ảnh hưởng lớn bởi biến đổi khí hậu. Trong thời gian gần đây, sự kéo dài, liên tục và trái quy luật của hiện tượng mưa cực đoan đã có nhiều dấu hiệu chứng tỏ rằng hiện tượng trượt lở ở Việt Nam sẽ không giảm đi. Trượt lở đất đứng thứ 07 trong bảng xếp hạng các hiểm họa thiên nhiên lớn, tính theo số người chết được thống kê. Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 271 bảo vệ môi trường và phát triển bền vững
Từ năm 1903 - 2004, khoảng 16.000 người đã thiệt mạng do lở đất ở châu Âu [1]. Tại Việt Nam, khu vực bị ảnh hưởng bởi sạt lở đất ở vùng núi phía Bắc và phân bố hẹp ở vùng Trung du, gần biên giới với Lào. Tỉnh Yên Bái nằm ở phía Bắc của Việt Nam và được nhiều người biết đến với tình trạng trượt lở đất thường xuyên xảy ra. Thiệt hại kinh tế và xã hội do sạt lở đất có thể được giảm thiểu bằng cách lập kế hoạch và quản lý hiệu quả. Yên Bái là tỉnh miền núi, nằm giữa vùng Tây Bắc - Đông Bắc và Trung du Bắc Bộ. Yên Bái có toạ độ địa lý tại 210024’ - 220016’ vĩ độ Bắc; 1030056’ - 1050003’ kinh độ Đông. Theo báo cáo thống kê, tổng diện tích đất tự nhiên toàn tỉnh là 689.949,05 ha (theo số liệu kiểm kê năm 2020). Trong đó, diện tích nhóm đất nông nghiệp là 549.104,31 ha, chiếm 79,59 % diện tích đất tự nhiên; diện tích nhóm đất phi nông nghiệp là 47.906,46 ha, chiếm 6,94 %; diện tích đất chưa sử dụng là 92.938,28 ha, chiếm 13,47 %. Các thành tạo địa chất ở địa bàn tỉnh Yên Bái được phân chia thành 08 đối tượng (nhóm đất, đá) có thành phần cơ bản như sau: Nhóm đá bở rời, nhóm đá trầm tích lục nguyên giàu alumosilicat, nhóm đá phun trào axit - trung tính và tuf của chúng, nhóm đá xâm nhập mafic - siêu mafic, nhóm đá xâm nhập axit - trung tính, nhóm đá biến chất giàu alumosilicat, nhóm đá biến chất và trầm tích lục nguyên giàu thạch anh. Trên địa bàn tỉnh Yên Bái, theo đánh giá của Viện Khoa học Địa chất và Khoáng sản, huyện Văn Yên có diện tích khoảng 786 km2, chiếm tỷ lệ 56 % tổng diện tích tự nhiên toàn huyện, khu vực có nguy cơ trượt lở đất rất thấp và thấp khoảng 245 km2. Chiếm tỷ lệ gần 18 % tổng diện tích tự nhiên toàn huyện Văn Yên được xác định có nguy cơ trượt lở đất cao so với toàn bộ các khu vực miền núi Việt Nam. Trí tuệ nhân tạo (Artifical Intelligence - AI) ngày càng được ứng dụng rộng rãi trong khoa học Trái đất, đặc biệt là trong nghiên cứu tai biến thiên nhiên nhờ khả năng xử lý khối lượng dữ liệu khổng lồ và thuật toán thông minh, mô phỏng trí thông minh của con người. Trong nghiên cứu về giám sát và cảnh báo trượt lở, AI không những được sử dụng để phân tích dữ liệu vệ tinh, thành lập bản đồ kiểm kê, bản đồ nguy cơ mà còn sử dụng để xây dựng mô hình mô phỏng và dự đoán sự kiện trượt lở. Một số nghiên cứu sử dụng dụng trí tuệ nhân tạo để xây dựng bản đồ nhạy cảm trượt lở đất như của nhóm tác giả Ullo và cộng sự đã xây dựng mô hình mạng nơron tích chập (Convolutional Neural Network) - một loại mô hình học máy (Machine Learning - ML) để xác định điểm trượt lở sử dụng ảnh vệ tinh quang học [2], sử dụng phương pháp kết hợp giữa ML và cây mô hình tuyến tính (Logistic Model Tree - LMT) trong xây dựng bản đồ phân vùng trượt lở [3], hay phương pháp áp dụng thuật toán rừng ngẫu nhiên để thành lập bản đồ nguy cơ trượt lở tỉnh Lào Cai [4] và sử dụng mô hình máy học hồi quy tuyến tính đa biến để thành lập bản đồ nhạy cảm trượt lở [5]. Hình 1: Một số hình ảnh trượt lở đất tại Yên Bái 272 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, bảo vệ môi trường và phát triển bền vững
Trong báo cáo này sử dụng thuật toán rừng ngẫu nhiên để xây dựng bản đồ nhạy cảm trượt lở đất cho khu vực Văn Yên, Yên Bái (Hình 1). Thuật toán rừng ngẫu nhiên là một trong những thuật toán máy học phổ biến nhất hiện nay. Nghiên cứu sử dụng 11 lớp thông tin đầu vào, các dữ liệu đầu vào được xử lý bằng phần mềm QGIS version 3.18 và lớp thông tin hiện trạng trượt lở đất, để xây dựng tập dữ liệu huấn luyện và kiểm thử mô hình, bao gồm 302 vị trí trượt lở (số liệu từ Viện Khoa học Địa chất và Khoáng sản Việt Nam năm 2013), thu thập tại (https://canhbaotruotlo.vn) và cuối cùng công cụ để xây dựng mô hình rừng ngẫu nhiên là phần mềm R và một số các thư viện tích hợp với ngôn ngữ R như Rgdal, Raster, ROCR và Rpart của ngôn ngữ R. 2. Dữ liệu sử dụng Các lớp thông tin: (1) hướng dốc, (2) độ dốc, (3) chỉ số độ ẩm địa hình, (4) độ cong theo phương ngang, (5) độ cong theo phương đứng, (6) năng lượng dòng được phân tích và tính toán từ ảnh ALOS PALSAR - Radiometric Terrain Correction, với độ phân giải là 12,5 x 12,5 m. Bằng phần mềm QGISm, các bản đồ (7) đứt gãy địa chất (8) địa chất (9) mạng lưới sông suối, (10) bản đồ đường giao thông được lấy từ Atlat Địa lý Việt Nam và của một số nghiên cứu trước đó. Lớp thông tin (11) NDVI được xây dựng từ ảnh viễn thám Sentinel-2, từ chương trình Copernicus của Liên minh châu Âu. Đây là chương trình tiến hành các phép đo khí hậu từ hàng tỷ quan sát của vệ tinh, máy bay và trạm thời tiết trên toàn cầu. Trong nghiên cứu này, các bản đồ đứt gãy địa chất, mạng lưới sông suối và bản đồ đường giao thông là các bản đồ dưới dạng đường (lines) sẽ được sử dụng để xây dựng những vùng đệm bao quanh các lớp thông tin này. Để hiểu rõ và đánh giá được khu vực cụ thể, như: điều kiện vật lý, các tác nhân gây ra trượt lở và khả năng xảy ra trượt lở cho từng yếu tố. Tỷ số tần số (FR) là một kỹ thuật được sử dụng để đánh giá tính nhạy cảm với trượt lở đất, đã được trình bày trong các nghiên cứu như trong nghiên cứu [1, 2, 3, 4]. Tỷ lệ tần số cho mỗi lớp yếu tố trong tổng số 11 lớp được đưa vào sử dụng như một trọng số thể hiện nguyên nhân hình thành tai biến trượt lở đất, FR được biểu diễn bằng cách kết hợp giữa bản đồ kiểm kê trượt lở đất và bản đồ yếu tố như i nào đó, thông qua công thức tính :  N pixel ( Si )    N pixel ( N i )  wi = ln   ∑ N pixel ( Si )     ∑ N pixel ( N i )  Trong đó: Npixel(Si): Số lượng điểm ảnh xuất hiện trượt lở trong phân lớp; i; Npixel(Ni): Tổng số điểm ảnh trong phân lớp; ƩNpixel(Si): Tổng số lượng điểm ảnh xuất hiện trượt lở ƩNpixel(Ni): Tổng số lượng điểm ảnh của khu vực nghiên cứu. Toàn bộ 11 yếu tố sử dụng trong nghiên cứu được tính toán dựa trên công thức FR (Bảng 1) và (Hình 2). Bảng 1. Các yếu tố ảnh hưởng đến trượt lở đất được sử dụng trong nghiên cứu Số lượng điểm ảnh Số lượng điểm Kiểu Phân lớp FR trong class trượt lở Vùng đệm bao quanh đường 0 - 50 395.353 90 1,076 giao thông 50 - 100 318.816 54 1,186 100 - 200 558.240 73 0,927 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 273 bảo vệ môi trường và phát triển bền vững
Số lượng điểm ảnh Số lượng điểm Kiểu Phân lớp FR trong class trượt lở 200 - 500 1.546.065 114 0,354 > 500 6.115.621 161 - 0,675 Độ cong theo -1 3.869.564 109 - 0,182 phương ngang 0 992.414 52 0,438 1 4.072.097 141 0,024 Độ cong theo phương đứng -1 4.296.900 147 0,011 0 64.641 33 0,412 1 3.990.763 122 - 0,100 NDVI ≤0 12.207 25 5,0308 (chỉ số thực vật) 0 - 0.2 1.246.475 160 9,8429 0.2 - 0.4 638.461 293 6,8225 0.4 - 0.6 400.772 413 9,0381 0.6 - 0.8 184.817 326 9,7929 ≥ 0.8 106.719 429 5,0308 Vùng đệm bao quanh sông 0 - 25 779.239 42 0,466 suối 25 - 50 757.665 48 0,628 50 - 100 1.411.858 96 0,698 100 - 200 2.189.294 55 - 0,296 200 - 300 1.391.479 32 - 0,385 ≥ 300 2.404.560 29 - 1,032 Năng lượng dòng - 13 và - 5 3.265.726 164 0,395 -5 - 0 281.298 15 0,455 0-5 264.804 6 - 0,400 5 - 10 361.359 13 0,062 10 - 14 4.760.888 104 - 0,436 Độ dốc 0 - 50 624.239 54 0,939 5 - 100 885.595 71 0,863 10 - 150 1.143.726 57 0,388 15 - 200 1.538.329 46 - 0,122 20 - 250 1.551.737 36 - 0,376 25 - 300 1.384.137 16 - 1,073 30 - 400 1.400.540 21 - 0,812 40 - 500 340.851 1 - 2,444 ≥ 50 0 64.921 0 0,939 Hướng dốc -1 74.552 0 0 35 - 72 và 320 - 360 627.791 20 - 0,091 72 - 113 1.692.255 72 0,197 113 - 156 1.117.460 44 0,120 156 - 198 1.035.447 43 0,173 198 - 238 1.131.021 48 0,194 238 - 279 1.264.409 28 - 0,455 279 - 320 1.026.233 28 - 0,246 Chỉ số ẩm ướt địa hình 0-4 3.869.752 101 - 0,258 4-7 4.129.900 168 0,185 7 - 11 832.358 28 - 0,004 > 11 102.065 5 0,371 274 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, bảo vệ môi trường và phát triển bền vững
Số lượng điểm ảnh Số lượng điểm Kiểu Phân lớp FR trong class trượt lở Vùng đệm bao quanh đứt gãy 50 3.278 104 1,402 địa chất 100 2.785 61 1,031 200 4.453 90 0,951 500 8.373 37 - 0,569 501 19.785 10 - 2,74 50 3.278 104 1,402 Địa chất 29 lớp Giá trị từ - 2,39 đến 3,95 Hình 2: Bản đồ các yếu tố ảnh hưởng được tính theo hệ số FR 3. Cơ sở lý thuyết và phương pháp nghiên cứu Rừng ngẫu nhiên là một phương pháp học máy có giám sát, đã được sử dụng rộng rãi trong các ứng dụng viễn thám và GIS, như: áp dụng trong phân loại xử lý ảnh vệ tinh và lập bản đồ tính hiện trạng và dự báo trượt lở đất. Phương pháp này dựa trên cơ sở cây quyết định và hoạt động bằng cách xây dựng vô số cây quyết định trong quá trình huấn luyện. Phương pháp này làm cho RF ít bị ảnh hưởng bởi sai số hơn phương pháp sử dụng cây quyết định thuần túy. Các yếu tố ngẫu nhiên trong cây quyết định bao gồm: lấy ngẫu nhiên dữ liệu để xây dựng cây quyết định; lấy ngẫu nhiên các thuộc tính để xây dựng cây quyết định. Trong phương pháp RF, mỗi cây quyết định tạo kết quả đầu ra khác nhau, chúng quy được ra các trọng số, các trọng số này sẽ được đưa vào đánh giá “vote”, để lựa chọn cây quyết định nào thì số “vote” cao nhất sẽ được ưu tiên. Kết quả cuối cùng của thuật toán Random Forest được tổng hợp từ nhiều cây quyết định, thế nên thông tin từ các cây sẽ bổ sung cho nhau, dẫn đến mô hình có kết quả dự báo tốt hơn. Ưu điểm của RF là dễ áp dụng vì nó yêu cầu ít tham số hơn và nó mang lại độ chính xác cao hơn so với một số phương pháp ML khác. Ngoài ra, mô hình này có thể xử lý các cấu trúc dữ liệu nhiều chiều và phức tạp. Do tính đơn giản và mang lại hiệu quả cao trong quá trình thực hiện nên phương pháp này được rất nhiều nhà khoa học sử dụng để xây dựng bản đồ hiện trạng trượt lở và cảnh báo nguy cơ trượt lở (Hình 3). Hiện trạng trượt lở đất tại Yên Bái, theo thống kê của Viện Khoa học Địa chất Khoáng sản Việt Nam, trong đó các loại hình trượt trên sườn nhân tạo xảy ra tại khu vực Văn Yên chiếm nhiều nhất tỉnh (263 điểm), có 08 điểm trượt lở xoay, 64 điểm trượt lở tịnh tiến và 227 điểm thuộc thể loại trượt hỗn hợp. Các điểm trượt lở chủ yếu tập trung dọc các tuyến, như: Dọc theo đường Tỉnh lộ 151, từ xã Đông An - Châu Quế Hạ và xã Đông Cuông và các đường liên huyện, liên xã nối Tỉnh lộ 151 với trung tâm các xã. Các điểm trượt cũng phân bố rải rác khắp các xã trong huyện. Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 275 bảo vệ môi trường và phát triển bền vững
Hình 3: Sơ đồ mô tả quá trình xử lý dữ liệu trong thuật toán rừng ngẫu nhiên Các vị trí trượt lở thường xảy ra ở taluy, được cắt xẻ vào sườn núi để làm đường, nhà, công trình xây dựng, quy mô các khối trượt thường ở mức trung bình và nhỏ, có đến hơn 200 vị trí có quy mô nhỏ và trung bình. Các khối trượt có quy mô rất lớn và lớn thường xảy ra ở sườn núi tự nhiên (01 điểm rất lớn và 45 điểm lớn) (Hình 3). Các điểm trượt chủ yếu xảy ra trong vỏ phong hóa, phổ biến trong đới phong hóa hoàn toàn và phong hóa mạnh. 4. Kết luận và gợi ý, đề xuất Hình 4: Bản đồ hiện trạng trượt lở đất khu vực Văn Yên, Yên Bái 276 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, bảo vệ môi trường và phát triển bền vững
Trong bài báo này, chúng tôi áp dụng mô hình rừng ngẫu nhiên để xây dựng bản đồ phân vùng nhạy cảm trượt lở đất khu vực Văn Yên, Yên Bái. Phần mềm QGIS 2.16.3 được dùng để xử lý dữ liệu cho từng yếu tố trong nghiên cứu. Dữ liệu kiểm kê sạt lở đất (302 vị trí trượt lở) và 11 yếu tố liên quan đến trượt lở (góc dốc, khía cạnh dốc, độ cong mặt bằng, độ cong mặt cắt, chỉ số độ ẩm địa hình, chỉ số sức mạnh dòng chảy, NDVI, khoảng cách đến đường, khoảng cách đến sông, khoảng cách đến đứt gãy và địa chất) được sử dụng để xây dựng bản đồ phân vùng nhạy cảm trượt lở đất (Hình 4). Nhóm 11 yếu tố này sẽ được chuẩn hóa bằng cách quy về hệ số FR, trước khi chúng được đưa vào mô hình rừng ngẫu nhiên để tính toán. Để xây dựng tập huấn luyện, nghiên cứu lấy ngẫu nhiên 70 % các điểm trượt lở từ 302 điểm trượt lở đất và 30 % số điểm còn lại dùng cho xác thực kết quả của mô hình. Đường cong ROC (Receiver Operating Characteristic) được nghiên cứu, sử dụng để kiểm tra, đánh giá kết quả của mô hình. Đường cong ROC có thể cung cấp các dự đoán về hiệu suất của mô hình. Đường cong ROC là một biểu đồ hai chiều, thể hiện tỷ lệ dự đoán đúng của mô hình khi xảy ra trượt lở (độ nhạy) và dự đoán cho những khu vực không có trượt lở (độ đặc hiệu). Diện tích dưới đường cong ROC là Area Under the Curve (AUC), hệ số này là thông tin thể hiện độ khả tín của mô hình, nó được sử dụng để ước tính tính hợp lệ của mô hình hoặc chất lượng tổng thể của mô hình. Diện tích dưới đường cong (AUC) cho thấy, mô hình rừng ngẫu nhiên có giá trị AUC = 0,906 (Hình 5), ngoài ra, mô hình RF có khả năng ước lượng được độ quan trọng của từng yếu tố trong mô hình (Hình 6). Bản đồ phân vùng nhạy cảm trượt lở đất là kết quả từ mô hình rừng ngẫu nhiên, từ kết quả này cho thấy trượt lở đất xảy ra nhiều và dày, dọc tuyến đường qua các xã Đông An, Châu Quế Hạ, Đông Cường. Kết quả được đưa ra dưới dạng bản đồ tỷ lệ trung bình, điều này sẽ giúp cho việc làm rõ hơn các khu vực có độ nhạy cảm cao và rất cao liên quan đến nguy cơ trượt lở đất tại Văn Yên. Hình 5: Bản đồ phân vùng trượt lở sử dụng mô hình rừng ngẫu nhiên cho khu vực Văn Yên, Yên Bái Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 277 bảo vệ môi trường và phát triển bền vững
Hình 6: Đường cong ROC và giá trị AUC = 0,903 của mô hình rừng ngẫu nhiên sử dụng trong nghiên cứu Hình 7: Mức độ quan trọng của các yếu tố sử dụng trong mô hình Các bản đồ nhạy cảm với trượt lở đất của nghiên cứu có thể hỗ trợ cho các nhà quản lý tại địa phương trong việc quy hoạch xây dựng, giao thông và quy hoạch sử dụng đất, đồng thời đóng vai trò quan trọng trong việc nhận định sớm và chính xác về khu vực có nguy cơ trượt lở cao và rất cao. Độ chính xác của mô hình RF có thể được cải thiện nếu có được dữ liệu kiểm kê trượt lở đất cập nhật mới và liên tục. Nếu các yếu tố như: lớp phủ, sử dụng đất, bản đồ thổ nhưỡng được đưa vào tính toán thì kết quả của mô hình sẽ có độ chính xác cao hơn. 278 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, bảo vệ môi trường và phát triển bền vững
Lời cảm ơn: Nghiên cứu được hỗ trợ từ Đề tài nghị định thư giữa Việt Nam và Italia, mã số: NĐT/21/14 do Bộ Khoa học và Công nghệ Việt Nam (MOST) tài trợ và Bộ Ngoại giao và Hợp tác Quốc tế Italia tài trợ. TÀI LIỆU THAM KHẢO [1]. Nadim, F., Kjekstad, O., Peduzzi, P. et al (2006). Global landslide and avalanche hotspots. Landslides 3, 159 - 173. https://doi.org/10.1007/s10346-006-0036-1. [2]. Ullo, S. L., Langenkamp, M. S., Oikarinen, T. P., Del Rosso, M. P., Sebastianelli, A., Piccirillo, F., Sica, S. (2019). Landslide Geohazard Assessment with Convolutional Neural Networks Using Sentinel-2 Imagery Data. IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, pp. 9646 - 9649. [3]. Truong, X. L., Mitamura, M., Kono, Y., Raghavan, V., Yonezawa, G., Truong, X.Q., Do, T.H., Tien Bui, D., Lee, S. (2018). Enhancing prediction performance of landslide susceptibility model using hybrid machine learning approach of bagging ensemble and logistic model tree. Appl. Sci, vol. 8, 1046. [4]. Xuan Quang Truong, Xuan Luan Truong, Thi Khanh Linh Dang, Thuy Dung Nguyen, Duc An Nguyen (2018). Landslide susceptibility mapping using random forest model in Lao Cai province, Vietnam. International Symposium on GeoInformatics for Spatial-Infrastructure Development in Earth and Allied Sciences (GIS-IDEAS). [5]. Yanar, T., Kocaman, S., Gokceoglu, C., (2019). On the use of Sentinel-2 images and high resolution DTM for landslide susceptibility mapping in a developing urban settlement (Mamak, Ankara, Turkey). The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-3/W8, 2019 Gi4DM 2019 - GeoInformation for Disaster Management, 3 - 6 September 2019, Prague, Czech Republic. [6]. Bonham-Carter, G.F., (1994). Geographic Information Systems for Geoscientists. PERGAMON Press, Modeling with GIS, Oxford. [7]. Chen, W., Chai, H., Sun, X., Wang, Q., Ding, X., Hong, H., (2016). A GIS-based comparative study of frequency ratio, statistical index and weights-of-evidence. [8]. Ding, Q., Chen, W., Hong, H., (2017). Application of frequency ratio, weights of evidence and evidential belief function models in landslide susceptibility mapping. Geocarto International 32(6), 619 - 639. [9]. Lee, S., Talib, J.A., (2005). Probabilistic landslide susceptibility and factor effect analysis. Environ. Geol. 47(7), 982 - 990. Ngày chấp nhận đăng: 10/11/2021. Người phản biện: TS. Trần Cảnh Dương Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 279 bảo vệ môi trường và phát triển bền vững