Landslide Susceptibility in Ottadalen, Norway: Investigating Forest Parameters and Spatio-Temporal Modelling with Logistic Regression and Random Forest Models

Abstract

Målet med denne studien er å videre undersøke en rekke skred i Ottadalen, Norge, etter den ekstraordinære stormen Hans i 2023. En interessant observasjon er at skred initierte betydelig hyppigere i bjørkskog sammenlignet med gran- og furuskog samt områder uten skog. For å se nærmere på denne observasjonen og får å få en bedre forståelse rundt jordskred, en av de mest ødeleggende naturfarene, ble det gjennomført en undersøkelse av skog og skogparametere for å forstå deres rolle i utløsningen av jordskred. I tillegg ble to forskjellige maskinlæringsmodeller (ML), Logistisk Regresjon (LR) og Random Forest (RF), brukt for å teste deres prediktive evner på skred og for å muliggjøre en sammenligning av de to modellene. Implementeringen av dynamiske parametere, som nedbør og jordsmetning, i RF modellen ble også utført, og gir en foreslått metode for å generere dynamiske aktsomhetskart som fortsatt er i den innledende fasen når det gjelder ML-baserte tilnærminger.

Studien fant at i det respektive området kan vekten av skogen og det tynne jordlaget i området ha bidratt til det større antallet skred som initierte i skogkledde områder sammenlignet med ikke-skogkledde områder. Bjørkskog, spesielt, opplevde flere skred på grunn av at de har blader, større trekroner og et grunt rotsystem. Samtidig dekker bjørkskogen et relativt stort område og innehar muligheten for å være en gammel skog -- som bidrar til mer vekt og mindre stabiliserende krefter på grunn av svakere rotstyrke. Resultatene fra både RF- og LR-modellene var utmerket, med tanke på både statisk og dynamisk tilnærming, med en noe bedre ytelse for RF-modellen. Modellene kan effektivt lage nøyaktige aktsomhetskart over store områder. De er imidlertid ganske sted- og stormsensitive og vil mest sannsynlig ikke prestere like godt hvis de brukes på andre områder i Norge som er avhengige av andre parametere, eller ved andre meteorologiske forhold enn Hans.

The goal of this study is to further investigate multiple landslides in Ottadalen, Norway, following the extraordinary storm Hans in 2023. One interesting observation is that landslides initiated significantly more in birch forests compared to spruce and pine forests and non-forested areas. To advance this research and gain further insight into one of the most destructive natural hazards, an investigation into forests and forest parameters was conducted to understand their role in landslide triggering. Additionally, two different machine learning (ML) models, Logistic Regression (LR) and Random Forest (RF), were utilized to compare the two models and explore their predictive abilities on landslides. Dynamic parameters, such as rainfall and soil saturation, were implemented in the RF model. The approach proposes a method for generating spatio-temporal landslide susceptibility maps, which is still in the preliminary phase for ML-based methods.

The study found that in respective areas, the weight of the forest and a thin soil layer might have contributed to the larger number of landslides initiated in forested areas compared to non-forested areas. Birch forests, in particular, likely experienced more landslides due to these trees having leaves, larger canopies and a shallow root system. Also, birch forests covers a relatively large area in addition to the possibility of the forest being old -- providing more weight and less stabilization due to root strength loss. Additionally, the performance of both the RF and LR models to predict landslides was considered excellent for both static and dynamic approaches, with a slightly better performance for the RF model. It seems likely that the models are efficient in producing accurate susceptibility maps over large regions. However, they are quite site- and storm-specific and would most likely not perform well if applied to other areas in Norway that rely on different input parameters, or other meteorological conditions than Hans.