Kurseong Himalaya Bölgesi'ndeki heyelan tehlikelerinin mekansal tahmininin doğruluğunu artırmak için yapay zeka ve hibrit makine öğrenimi algoritmalarını entegre etme

Kaynakça:https://www.sciencedirect.com/science/article/pii/S2666544122000223. Mevcut çalışmanın amacı, çok katmanlı algı sinir ağları (MLP), çekirdek lojistik regresyon (KLR), rastgele orman (RF) ve çok değişkenli uyarlanabilir regresyon çizgileri (MARS) gibi makine öğrenme teknikleri kullanılarak üretilen heyelan duyarlılık haritalarını karşılaştırmaktır; Kurseong-Himalaya bölgesinde MLP-Bagging, KLR-Bagging, RF-Bagging ve MARS-Bagging gibi yeni toplu yaklaşımlar. Topluluk modelleri için temel sınıflandırıcılar olarak RF, KLR, MLP ve MARS kullanılmıştır.ve Bagging meta sınıflandırıcı olarak kullanıldı. Mevcut çalışmanın diğer bir amacı, heyelan duyarlılığında yeni KLR-Bagging ve MARS-Bagging topluluklarının etkinliğini tanıtmak ve değerlendirmektir. Modelleri kalibre etmek ve test etmek için 303 heyelan yeri derlenerek bir envanter haritası oluşturulmuştur. Heyelan duyarlılığını haritalamak için Relief-F ve çoklu bağlantı testleri kullanılarak on sekiz LCF seçildi. Alıcı işletim karakteristiği (ROC), kesinlik, doğruluk, yanlış kategorize edilmiş orantı, ortalama mutlak hata (MAE) ve ortalama karesel hatanın kökü (RMSE) uygulanarak, LSM'ler daha sonra doğrulandı. Farklı doğrulama sonuçları, topluluk Meta sınıflandırıcı ile RF-Bagging'in (AUC eğitimi %88,69 ve test %92,28) MLP, KLR, RF, MARS, MLP-Bagging, KLR-Bagging, ve MARS-Bagging tabanlı LSM'ler. RF modeli, diğer LCF'lere kıyasla heyelan oluşumunda eğim, rakım, yağış ve jeomorfolojinin en hayati rolü oynadığını göstermiştir. Bu sonuçlar, Kurseong'da ve jeo-çevresel ve jeolojik koşulların aşağı yukarı benzer olduğu diğer alanlarda heyelanların neden olduğu kayıpların azaltılmasına yardımcı olacaktır.