dc.contributor.advisor | Rød, Jan Ketil | |
dc.contributor.author | Økland, Erlend | |
dc.date.accessioned | 2024-07-19T17:20:40Z | |
dc.date.available | 2024-07-19T17:20:40Z | |
dc.date.issued | 2024 | |
dc.identifier | no.ntnu:inspera:190115142:46973993 | |
dc.identifier.uri | https://hdl.handle.net/11250/3142512 | |
dc.description.abstract | Løsmasseskred representerer en betydelig og økende trussel mot infrastruktur og bebyggelse i
Norge, med prognoser som indikerer en økning i alvorlighetsgrad grunnet klimaendringer.
Denne studien har vurdert anvendeligheten av maskinlæringsalgoritmer for kartlegging av
aktsomhetsområder for løsmasseskred for Vestland fylke i Norge. Et datasett med historiske
skredregistreringer, samt registreringer fra individuelle skredhendelser, ble brukt som
grunndata for klassifiseringen. Et utvalg av femten betingende faktorer ble benyttet, som
omfatter morfologiske, geologiske, arealressurs-relaterte, hydrologiske og antropogene
faktorer.
To forskjellige maskinlæringsmetoder ble utforsket; den etablerte Random Forest (RF)-
algoritmen og en automatisert maskinlæringsmodell (Auto-Sklearn). Maskinlæringsprosessen
inkluderte variabelvalg for å redusere multikollinearitet og forbedre modellens ytelse, med
fokus på å fjerne overflødige og irrelevante prediktorer. De to modellene ble trent på et
treningsområde på 6 478 km² for å klassifisere prøvene enten som skredutsatte eller ikkeskredutsatte. Dette ble definert som en binær klassifisering, hvor resultatene ble uttrykt som
sannsynlighetsgrad og visualisert gjennom et aktsomhetskart. Modellene ble videre validert
gjennom testdata og på et eksternt valideringsområde på 1 798 km² for å vurdere deres
prediktive nøyaktighet og generaliserbarhet på usette data.
Begge modellene viste høy nøyaktighet (88%) på testdata. RF-modellen oppnådde en AUCverdi på 0,96 og Auto-Sklearns flerlags perceptron nevralt nettverk hadde en AUC-verdi på
0,95. Flerlags perceptron-modellen viste også færre falske positive og predikerte flere faktiske
skred enn RF-modellen. De to modellene ble testet på eksternt valideringsdata for å vurdere
generaliserbarhet; RF-modellens nøyaktighet falt til 76% med en AUC-verdi på 0,87, mens
flerlags perceptron-modellen opprettholdt høyere nøyaktighet (81%) og en AUC-verdi på 0,9.
Analysene i denne studien viser at automatisert maskinlæring effektivt kan optimalisere en
algoritme for det spesifikke datasettet brukt i denne studien, og overgikk den tradisjonelle RFalgoritmen. Algoritmen viser sterk robusthet og evne til å predikere skred utenfor området den
ble trent på.
RF-modellen identifiserte avstand til vei, topografisk ruhet, løsmassetype 130 (Bart fjell / fjell
med tynt torvdekke), gjennomsnittlig årlig nedbør og vegetasjonsindeksen som de viktigste
forklaringsvariablene. Dette funnet demonstrerer romlig bias i databasen for registrerte
skredhendelser, hvor skredregistreringene er overrepresentert langs veinettverket. Fjerning av
vei-assosierte forklaringsvariabler påvirket imidlertid ikke modellens prediksjonsnøyaktighet
negativt i stor grad. Videre ble en modell som fokuserte utelukkende på forklaringsvariablene
skråning, plankurvatur og akkumulert overflatestrømming testet; modellen underpresterte
betydelig, noe som understreker nødvendigheten av å inkludere et bredt utvalg av relevante
faktorer for robust prediksjon. Viktigheten av disse variablene må betraktes i sin kontekstuelle
sammenheng og kan ikke nødvendigvis generaliseres til andre regioner.
Det resulterende aktsomhetskartet viser potensial for å nøyaktig identifisere områder utsatt for
skred, spesielt innenfor samme området som modellen ble trent på. Metoden som ble utviklet
i dette studiet viser størst potensial for prediksjon på lokalt og regionalt nivå, og kan oppnå
større nøyaktighet i forhold til det det etablerte aktsomhetskartet av NGU. Nytteverdien til
aktsomhetskartet begrenses imidlertid av kvaliteten på det underliggende skreddataen som er
tilgjengelig, noe som understreker behovet for bedre datakvalitet for å forbedre prediksjonen.
Hele samlingen av koder som støtter resultatene rapportert i denne studien er tilgjengelig i en
online GitHub-kolleksjon. Denne kolleksjonen inneholder all kode som er nevnt gjennom
oppgaven og er essensiell for å kunne reprodusere de rapporterte resultatene:
https://github.com/ErlendOkland/LSM-Repository.git | |
dc.description.abstract | In Norway, landslides in soil represent a significant and escalating threat to infrastructure and
residential areas, with projections indicating an increase in severity due to climate change.
This study evaluated the applicability of machine learning algorithms for landslide
susceptibility mapping (LSM) for the Vestland county in Norway. A dataset of historic
landslide registries, together with event inventories, were used as the ground truth data for the
classification task. A selection of fifteen conditioning factors were employed, encompassing
morphological, geological, land cover-related, hydrological and anthropogenic factors.
Two different machine learning (ML) approaches was explored; The established Random
Forest (RF) algorithm and an automated machine learning algorithm (Auto-Sklearn). The
machine learning process involved feature selection to mitigate multicollinearity and enhance
model performance, focusing on removing redundant and irrelevant predictors. The two
models were trained on a training area of 6,478 km² to classify the data samples as landslide
or non-landslide, treating the ML task as a binary classification and expressing the results in
the form of a probability in order to produce susceptibility maps. The models were also
validated through the test data and on an external validation area of 1,798 km² to assess their
predictive accuracy and generalizability on unseen data.
Both models demonstrated high accuracy (88%) on test data, with the RF model achieving an
AUC score of 0.96 and Auto-Sklearn’s multilayer perceptron reaching 0.95. The multilayer
perceptron model also showed fewer false positives and predicted more actual landslides than
the RF model. When tested on external validation data to assess generalizability, the RF
model’s accuracy fell to 76% with an AUC of 0.87, while the multilayer perceptron model
maintained higher accuracy (81%) and an AUC of 0.9. This suggests that automated machine
learning can effectively optimize algorithms for specific datasets and outperforms traditional
models, indicating robustness and the capability of the models to predict landslides across
varying geographical regions.
The RF model identified distance to roads, Topographic Ruggedness Index, surficial deposit
class 130 (bare rock/thin turf cover), average annual precipitation, and Normalized Difference
Vegetation Index as key variables influencing landslide susceptibility, highlighting a spatial
bias with an overrepresentation of landslide registries near roads. Despite this, removing roadassociated variables only slightly impacted model effectiveness. A model focusing solely on
slope, planform curvature, and water contributing area underperformed, underscoring the necessity of incorporating a diverse array of factors for robust prediction. This variable
importance may not be generalizable to other regions with distinct characteristics.
The landslide susceptibility map developed in this study demonstrates potential for accurately
identifying high-risk areas within trained regions, offering a detailed tool for municipal
planning over existing national maps. However, its utility is limited by the quality of the
underlying landslide inventory, emphasizing the need for improved data accuracy for
enhanced prediction accuracy.
The entire collection of codes that supports the results reported in this thesis is available in the
online GitHub repository. This repository contains all the code mentioned throughout this
study and is essential for replicating the reported results. You can access the repository at:
https://github.com/ErlendOkland/LSM-Repository.git | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Landslide Susceptibility MappingUsing Machine Learning
A comparative study of automated machine learning and random forest for landslide susceptibility mapping in Vestland county, Norway | |
dc.type | Master thesis | |