Translated from English to Romanian - www.onlinedoctranslator.

com

senzori
Articol

Predicția automată a riscului de alunecare de teren folosind GIS web și

modele de învățare automată

Naruephorn Tengtrairat 1, Wai Lok Woo 2,* , Phetcharat Parathai 1, Chuchoke Aryupong 3,4,
Peerapong Jitsangiam 3,4 și Damrongsak Rinchumhu 3,4

1 Scoala de Inginerie Software, Universitatea Payap, Chiang Mai 50000, Thailanda;

naruephorn_t@payap.ac.th (NT); phetcharat@payap.ac.th (PP)
2 Departamentul de Informatică și Științe Informaționale, Universitatea Northumbria, Newcastle
upon Tyne NE1 8ST, Marea Britanie
3 Centrul de Excelență pentru Managementul Dezastrelor Naturale (CENDIM), Universitatea Chiang
Mai, Chiang Mai 50200, Thailanda; chuchoke.a@cmu.ac.th (CA); peerapong@eng.cmu.ac.th (PJ);
damrongsak.r@cmu.ac.th (DR)
4 Departamentul de Inginerie Civilă, Facultatea de Inginerie, Universitatea Chiang Mai, Chiang Mai 50200, Thailanda
* Corespondență: wailok.woo@northumbria.ac.uk

----
---
Citare: Tengtrairat, N.; Woo, WL; Parathai,
P.; Aryupong, C.; Jitsangiam, P.;
Rinchumhu, D. Predicția automată a
riscurilor de alunecare de teren folosind
GIS web și modele de învățare automată.
Senzori 2021, 21, 4620. https:// doi.org/
10.3390/s21134620
Abstract: Predicția alunecărilor de teren susceptibile spațiale este una dintre cele mai provocatoare domenii de
cercetare care se referă în esență la siguranța locuitorilor. Noua aplicație web de informații geografice (GIW) este
propusă pentru a prezice în mod dinamic riscul de alunecare de teren în Chiang Rai, Thailanda. Sistemul automat GIW
este coordonat între tehnologiile de învățare automată, tehnologiile web și interfețele de programare a aplicațiilor (API).
Noul algoritm de memorie bidirecțională pe termen lung și scurt (Bi-LSTM) este prezentat pentru a prognoza alunecările
de teren. Algoritmul propus constă din 3 pași majori, primul dintre care este construirea unui set de date de alunecare
de teren prin utilizarea Quantum GIS (QGIS). Al doilea pas este generarea modelului de risc de alunecare de teren bazat
pe abordări de învățare automată. In cele din urma, vizualizarea automată a riscului de alunecare de teren ilustrează
probabilitatea unei alunecări de teren prin Google Maps pe site. Pentru predicția riscului de alunecare de teren sunt
luați în considerare patru factori statici, și anume acoperirea terenului, proprietățile solului, cota și panta și un singur
factor dinamic și anume precipitațiile. Datele sunt colectate pentru a construi o bază de date geospațială al alunecărilor
de teren care cuprinde trei locații istorice de alunecare de teren - Phu Chifa în districtul Thoeng, Ban Pha Duea la Mae
Salong Nai și Mai Salong Nok în districtul Mae Fa Luang, Chiang Rai, Thailanda. Colectarea datelor este realizată folosind
software-ul QGIS pentru a interpola conturul, cota, gradul pantei și acoperirea terenului din imaginile satelitare Google,
fotografiile aeriene și ale sondajului de amplasament, în timp ce tipul fiziografic și roca sunt cercetate la fața locului de

Editor academic: Mehmet Rasit Yuce
Primit: 7 mai 2021
Acceptat: 28 iunie 2021
Publicat: 5 iulie 2021
Nota editorului: MDPI rămâne neutru în
ceea ce privește pretențiile jurisdicționale
în hărțile publicate și afilierile
instituționale.
experți. Modelele de învățare automată de ultimă generație au fost instruite și anume, regresie liniară (LR), rețea
neuronală artificială (ANN), LSTM și Bi-LSTM. Au fost efectuate studii de ablație pentru a determina setarea optimă a
parametrilor pentru fiecare model. A fost prezentată o metodă de îmbunătățire bazată pe clasificări în două etape
pentru a îmbunătăți predicția alunecărilor de teren a modelelor LSTM și Bi-LSTM. Performanțele de predicție a riscului
de alunecare de teren ale acestor modele sunt ulterior evaluate folosind un set de date în timp real și se arată că Bi-
LSTM cu pădure aleatoare (Bi-LSTM-RF) oferă cea mai bună performanță de predicție. Modelul Bi-LSTM-RF a îmbunătățit
performanța de predicție a riscului de alunecare de teren față de LR, ANN, LSTM și Bi-LSTM în ceea ce privește zona sub
scorurile operatorului caracteristic al receptorului (AUC) cu 0,42, 0,27, 0,46 și, respectiv, 0,47 . In cele din urma, a fost
dezvoltat un GIS web automat și constă din componente software, inclusiv modelele antrenate, API-ul pentru
precipitații, API-ul Google și baza de date geo-grafice. Toate componentele au fost interfațate împreună prin JavaScript
și instrumentul Node.js.

Drepturi de autor: © 2021 de către

Cuvinte cheie: previziunea riscului de alunecare de teren; sistem de informare geografic; harta Google; învățare
autori. Licențiat MDPI, Basel, Elveția.
automată; regresie liniara; inteligență artificială; memorie lungă pe termen scurt
Acest articol este un articol cu acces
liber distribuit în conformitate cu
termenii și condițiile licenței Creative
Commons Attribution (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).

Senso rs 2021, 21, 4620. https://doi.org/10.3390/s21134620 https://www.mdpi.com/journal/sensors

Senzori 2021, 21, 4620 2 din 32

1. Introducere
Alunecările de teren sunt un dezastru natural în care pământul sau stâncile pot urma de-a lungul
versanților muntelui. În cele mai multe cazuri, alunecările de teren au loc odată cu sau după ploi
abundente, determinând solul să devină atât de umed încât greutatea masei de sol crește și ca urmare,
forța de aderență dintre masele de sol scade.1–3]. Alunecările de teren apar lent sau brusc. Dacă există
locuitori sau proprietăți în direcția curgerii solului, atunci acestea pot provoca, de asemenea, daune vieții
și proprietății [4]. Conform statisticilor privind alunecările de teren din Thailanda, cele mai multe dintre
ele apar în regiunile muntoase din regiunile centrale superioare până în regiunile nordice. În plus, există
o regiune de sud în care acestea apar uneori. Deși nu sunt la fel de frecvente precum inundațiile, în
ultimii 30 de ani, alunecările de teren au ucis peste 500 de oameni. Rezultatele analizei de la
Departamentul de Resurse Minerale au constatat că Thailanda are 54 de provincii sau 1084 de
subdistricte afectate de alunecări de teren. Zonele expuse riscului de alunecări de teren au fost estimate
prin utilizarea diferitelor date geospațiale pentru a fi analizate împreună conform tehnicilor GIS, cum ar fi
datele topografice, panta zonei, datele geologice, informații despre localizarea surselor comunitare și
informații despre utilizarea terenurilor etc.
Apariția alunecării de teren este un proces complex care este o combinație de factori multipli
care interacționează. În deceniile precedente, metodele tradiționale de evaluare a susceptibilității
la alunecări de teren s-au bazat pe abordări bazate pe statistici și pe abordări bazate pe date. De
exemplu, raportul de frecvență și indicele modelelor de entropie [5,6], o abordare de regresie
logistică (LR) [7–9] și suport vector machine (SVM) [10–13] sunt abordări puternice pentru a prezice
potențiale alunecări de teren. Cu toate acestea, aceste abordări necesită un număr mare de
eșantioane pentru a obține o precizie ridicată de predicție. Alunecările de teren apar din când în
când în locații aleatorii, dar vor provoca daune și impact semnificativ asupra oamenilor și
proprietăților. Dezavantajele predicției tradiționale ale alunecărilor de teren includ: (1) modelele
necesită în general o cantitate mare de cunoștințe și ipoteze anterioare. (2) Rețelele nu sunt
suficiente pentru a caracteriza caracteristicile neliniare subiacente ale alunecărilor de teren. (3)
Rețelele nu sunt suficient de largi pentru a lua în considerare corelațiile dintre subregiuni. (4)
Modelele întâmpină probleme, cum ar fi supraajustarea, calculul consumator de timp, ușurința de
a cădea în optime locale și sensibilitatea la datele lipsă, care afectează acuratețea predicției.
Recent, abordările de învățare bazate pe modele au fost exploatate pe scară largă pentru predicția
alunecărilor de teren. Rețea neuronală artificială (ANN) [14–17], memoria pe termen lung pe termen scurt
(LSTM) și metodele de învățare profundă au fost instruite pentru a învăța modelele de alunecări de teren și
pentru a extrage factorii cruciali ai susceptibilității la alunecări de teren. LSTM aplică logica de control al porții și
memorie pentru a învăța date lungi de dependență temporală în predicțiile seriei cronologice [18–21]. De
exemplu, cercetarea din [18] a furnizat 14 factori care pot fi clasificați în 3 grupuri. Aceștia sunt factori
topografici, de acoperire a solului și hidrologici, obținuți prin obținerea de informații din imagini de teledetecție
și un sistem de informații geografice. Zonele de studiu istorice de alunecări de teren au un total de 369 de
alunecări de teren din 1970 până în 2012. Învățarea automată a fost construită prin utilizarea LSTM cu câmp
aleator condiționat. Această metodă oferă o rată de predicție a alunecărilor de teren mai bună decât percepția
multistrat, regresia logistică și arborele de decizie. Modelul dinamic în [19] a fost propus pentru a prezice
mișcarea asociată cu alunecarea de teren din China din septembrie 2015. Suprafața alunecării de teren este de
aproximativ 200 × 300 m. Modelul LSTM este dat de mai mulți factori de condiții geologice, intensitatea
precipitațiilor și activitățile umane. În comparație cu un model mecanic tradițional, modelele bazate pe învățare
profundă sunt capabile să extragă caracteristici inerente și profunde date de date mai mici. Prin urmare,
abordarea modelului de învățare are caracteristici bune de caracteristică dinamică pentru a capta modelul de
alunecări de teren dintr-un set de date limitat.
Thailanda este o țară din centrul Asiei de Sud-Est, care are o dimensiune totală de
513.120 km2 (198.120 mil2). Cea mai mare parte a terenului Thailandei este zona muntoasă înaltă
din nord, un platou montan în nord-est, o câmpie centrală în mijloc și marea în sud. Clima
Thailandei este împărțită în trei anotimpuri, care sunt anotimpurile ploios, iarna și vara. Alunecări
mari de teren au avut loc în Thailanda la fiecare 3-5 ani [22]. Cercetările privind alunecările de teren
și prognozele alunecărilor de teren în Thailanda au fost dezvoltate în mod constant. Au fost folosite
diverse abordări de predicție pentru estimarea riscului de alunecări de teren, cum ar fi GIS, tehnici
de teledetecție, metode statistice sau modele de învățare automată. Phetchabun
Senzori 2021, 21, 4620 3 din 32

Provincia a folosit GIS și tehnici de teledetecție în 2006 [23]. În 2010, un factor de ponderare și metode
geotehnice au fost utilizate pentru a estima scorurile factorului de siguranță, apoi a generat o hartă a
susceptibilității la alunecări de teren a insulei Phuket folosind API-uri. Unele studii au folosit metode statistice
pentru a prezice nivelurile de probabilitate de alunecare de teren. Un model de probabilitate al alunecărilor de
teren în cadrul mai multor modele climatice globale (GCM) a fost aplicat pentru a proiecta probabilitatea
apariției alunecărilor de teren în Thailanda în 2014 și a folosit un model de predicție a instabilității alunecării de
teren (SLIP) pentru a prezice riscurile alunecărilor de teren pe baza factorului declanșator al precipitațiilor în
2018.24,25]. Aproape toate cercetările prezic probabilitatea de alunecări de teren pentru o zonă la nivel de
provincie, district sau sub-district. Cu toate acestea, predicția alunecărilor de teren a unor suprafețe mai mici, la
nivel de sat sau mai mici, nu a fost prezentată pe larg. Prin urmare, aplicația web inteligentă GIS a riscului de
predicție al alunecărilor de teren este o provocare importantă pentru această țară.
Predicția alunecărilor de teren este unul dintre cele mai provocatoare subiecte din cauza complexității relațiilor dintre diverși factori

dinamici și incerti și a proceselor fizice de obținere a datelor. Atunci când sunt disponibile numărul relativ mic sau limitat de date despre

alunecări de teren, aceasta va conduce la un scenariu extrem al problemei de predicție a alunecării de teren. Metoda de predicție va fi

formulată pentru a capta caracteristicile semnificative din procesul modelului de antrenament. Această cercetare a exploatat abordări de

învățare automată de ultimă generație pentru construirea de aplicații de predicție a alunecărilor de teren, date de alunecări de teren istorice

limitate și factori de alunecări de teren. Inovațiile acestei cercetări pot fi evidențiate ca următoarele puncte: În primul rând, doar cinci factori

de alunecare de teren din trei alunecări de teren istorice au fost furnizați pentru învățarea modelului, clasificați în 2 grupe: factor statistic și

factor dinamic. În al doilea rând, diferite tipuri și formate de date; de exemplu, imaginile aeriene digitale, satelitul Google și fotografiile de

sondaj ale site-ului, au fost combinate folosind instrumentul software QGIS pentru a forma informații geospațiale despre alunecări de teren.

Greutatea de învățare a rețelei complet conectate va fi determinată de valoarea din modelul de antrenament asociat anterior. În continuare,

abordările de învățare prin model caracterizează scenariile neliniare pe termen lung pentru a descrie relațiile temporale și spațiale multi-

scale dintre apariția alunecărilor de teren și diverși factori de influență. Greutatea de învățare a rețelei complet conectate va fi determinată

de valoarea din modelul de antrenament asociat anterior. În continuare, abordările de învățare prin model caracterizează scenariile

neliniare pe termen lung pentru a descrie relațiile temporale și spațiale multi-scale dintre apariția alunecărilor de teren și diverși factori de

influență. Greutatea de învățare a rețelei complet conectate va fi determinată de valoarea din modelul de antrenament asociat anterior. În

continuare, abordările de învățare prin model caracterizează scenariile neliniare pe termen lung pentru a descrie relațiile temporale și

spațiale multi-scale dintre apariția alunecărilor de teren și diverși factori de influență.26]. Din câte cunoștințele noastre, pe baza recenziilor

literaturii, Bidirectional-LSTM (Bi-LSTM) a fost rar aplicat încă pentru problema de predicție a alunecărilor de teren susceptibile. Modelul de

predicție corespunde automat factorilor dinamici, adică precipitații. În cele din urmă, a fost dezvoltată o aplicație web a riscului dinamic de

alunecare de teren online prin interfațarea precipitațiilor dinamice din datele API, modelul antrenat și vizualizarea geometrică prin

intermediul site-ului web.

Această lucrare este organizată astfel: Secţiunea 2 prezintă detaliul metodologiei web GIS cu
risc de alunecare. În continuare, secțiunea3 evaluează și elucidează performanța metodei GIS web
de risc de alunecare de teren propusă. În sfârșit, Secțiunea4 rezumă aplicația web propusă și
perspectivele viitoare de cercetare.

2. Metodologie
2.1. Zonă de studiu

Provincia Chiang Rai din Thailanda este una dintre cele mai faimoase atracții turistice ale țării.
Chiang Rai este cea mai nordică provincie a Thailandei și este în mare parte o regiune muntoasă și
deluroasă. Altitudinea medie a provinciei este de 580 m (1903 ft), unde autostrada se întinde prin
șapte munți mari, iar râul Kok curge de-a lungul laturii de nord a Chiang Rai. Chiang Rai are o climă
tropicală umedă și uscată, cu o medie zilnică maximă de 34,9◦C (94,8 ◦F) [27]. Sezonul ploios
durează de la sfârșitul lunii aprilie până în octombrie. Studiile sunt trei locații istorice de alunecare
de teren, care sunt Ban Pha Duea (A) la Mae Salong Nai, Mai Salong Nok (B) în districtul Mae Fa
Luang și Phu Chifa (C) în districtul Thoeng, Chiang Rai, Thailanda, așa cum este prezentat în figură.
1. Aceste zone au alunecări de teren frecvente în zone turistice și dens populate.