Landslide Susceptibility MappingUsing Machine Learning A comparative study of automated machine learning and random forest for landslide susceptibility mapping in Vestland county, Norway

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

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