DOI: https://doi.org/10.1080/19475705.2025.2471019
تاريخ النشر: 2025-03-05
المؤلف: Zuleide Alves Ferreira وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تبحث هذه الورقة البحثية في فعالية تقنيات النمذجة المختلفة—الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، آلات الدعم المتجهة (SVM)، والتحليل متعدد المعايير (MCA)—في التنبؤ بالعرضة للانزلاقات الأرضية في بيتروبوليس، البرازيل. تستخدم الدراسة 29 عاملاً مؤثراً، بما في ذلك المتغيرات الجغرافية، الجيولوجية، المناخية، والبشرية، وتؤكد على أهمية تحليل الميزات وتحسين المعلمات الفائقة. تكشف النتائج أن RF يتفوق على النماذج الأخرى، محققاً دقة تبلغ 0.94، وROC AUC تبلغ 0.98، ودرجة F1 تبلغ 0.94، مما يدل على قوته وقدرته على التكيف مع أنواع البيانات المتنوعة. بالمقابل، أظهر MCA مقاييس أداء أقل بكثير، مما يبرز مزايا تقنيات التعلم الآلي (ML) على الطرق التقليدية في رسم خرائط العرضة للانزلاقات الأرضية.
تؤكد الخاتمة على الدور الحاسم لتحليل العرضة للانزلاقات الأرضية في إبلاغ صانعي القرار وتعزيز إدارة مخاطر الجيولوجيا. بينما برز RF كنموذج الأكثر موثوقية، تعترف الدراسة أيضاً بحدود تقنيات ML، مثل التحديات في تحديد المناطق الخالية من الانزلاقات الأرضية والحاجة إلى تدابير التحقق. علاوة على ذلك، تشير إلى الذاتية المتضمنة في MCA، والتي يمكن أن تؤدي إلى عدم الدقة في تحديد المناطق غير المعرضة للانزلاقات. تدعو الأبحاث إلى تحسين مستمر لنماذج التنبؤ بالانزلاقات الأرضية، مع التأكيد على الحاجة إلى التعاون بين التخصصات والتكيف مع السياقات الإقليمية. يجب أن تركز الجهود المستقبلية على تحسين دقة النماذج، واستكشاف تقنيات ML المتقدمة، ومعالجة آثار تغير المناخ لتعزيز استراتيجيات إدارة مخاطر الكوارث بشكل فعال.
مقدمة
تناقش مقدمة الورقة البحثية القضية الحاسمة للانزلاقات الأرضية، التي تُعرف بأنها الحركة السفلية للتربة والصخور والمواد العضوية بسبب الجاذبية. تُبرز الانزلاقات الأرضية ككوارث طبيعية كبيرة يمكن أن تسبب أضراراً واسعة النطاق للهياكل الطبيعية والبشرية، خاصة في البرازيل، حيث تؤدي الظروف الجيوفيزيائية والمناخية المعقدة إلى تفاقم حدوثها. تؤكد الورقة على دور عوامل مختلفة، بما في ذلك التضاريس، المناخ، وتغيرات استخدام الأراضي، في تحفيز الانزلاقات، مع التركيز على المناطق الجبلية في ريو دي جانيرو، حيث أدت الأمطار الغزيرة إلى العديد من الوفيات والإصابات على مر السنين.
تهدف الدراسة إلى تقييم ومقارنة دقة التنبؤ لخوارزميات التعلم الآلي (ML)—تحديداً الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، وآلات الدعم المتجهة (SVM)—مقابل التحليل متعدد المعايير (MCA) لرسم خرائط العرضة للانزلاقات الأرضية (LSM). من خلال تكرار منهجية MCA التي وضعها المعهد البرازيلي للجغرافيا والإحصاء (IBGE)، تسعى الأبحاث إلى تحديد ما إذا كانت تقنيات ML يمكن أن توفر أداءً تنبؤياً محسناً ورؤى حول أهمية الميزات مقارنة بطرق MCA التقليدية. تتميز منطقة الدراسة المختارة، بيتروبوليس، بكونها عرضة للانزلاقات الأرضية بسبب التضاريس الحادة والتطور الحضري السريع، مما يجعلها موقعاً مثالياً لاختبار هذه النماذج التنبؤية. من المتوقع أن تسهم النتائج في تحسين سلامة المجتمع واستراتيجيات التخفيف من الكوارث، بما يتماشى مع أهداف التنمية المستدامة للأمم المتحدة.
الطرق
توضح قسم “الطرق” تقنيات جمع البيانات والتحليل المستخدمة في الدراسة. تفصل مجموعات البيانات المحددة المستخدمة، بما في ذلك مصادرها وأي خطوات معالجة مسبقة تم اتخاذها لضمان سلامة البيانات. يتم وصف المنهجيات المطبقة للتحليل، مع تسليط الضوء على الأدوات والنماذج الإحصائية المستخدمة لتفسير البيانات بشكل فعال.
بالإضافة إلى ذلك، قد يتوسع القسم في تصميمات التجارب، وطرق أخذ العينات، وأي خوارزميات حسابية تم تنفيذها لاستخراج النتائج. تعتبر دقة هذه الطرق ضرورية للتحقق من النتائج وضمان أن الاستنتاجات المستخلصة قوية وموثوقة. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية إجراء البحث وموثوقية نتائجه.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن الفرضية الرئيسية كانت مدعومة، حيث كشفت التحليلات الإحصائية عن علاقة قوية بين المتغيرات قيد التحقيق. على وجه التحديد، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى الأهمية الإحصائية.
بالإضافة إلى ذلك، تورد الدراسة نتائج ثانوية، والتي أظهرت أيضاً اتجاهات إيجابية، على الرغم من أنها لم تكن بارزة مثل النتائج الرئيسية. تشير النتائج إلى أن النموذج أو التدخل المقترح يمكن أن يكون له تطبيقات عملية في المجال المعني، مما يستدعي مزيداً من التحقيق لاستكشاف الآليات الأساسية والآثار المحتملة على المدى الطويل. بشكل عام، تساهم النتائج في الجسم المعرفي القائم وتوفر أساساً لتوجيهات البحث المستقبلية.
المناقشة
تناقش الورقة البحثية العرضة للانزلاقات الأرضية في بيتروبوليس، البرازيل، مع تسليط الضوء على التضاريس الحادة في المنطقة، والأمطار الغزيرة، والتحضر كعوامل رئيسية تساهم في حدوث الانزلاقات الأرضية. تتميز منطقة الدراسة، بمناخها الاستوائي وأنواع التربة المتنوعة المشتقة من الجرانيت والجنيس، بزيادة نشاط الانزلاقات الأرضية بسبب إزالة الغابات والتوسع الحضري على المنحدرات غير المستقرة. تشير البيانات التاريخية إلى اتجاه مقلق، مع تسجيل وفيات كبيرة خلال أحداث الانزلاقات الأرضية في 1966، 1979، 1988، 2011، و2022. يتكون سجل الانزلاقات الأرضية من 1,401 حدث على مدى 80 عاماً، معظمها انزلاقات عامة، مع اعتماد استراتيجية أخذ عينات لتحقيق توازن بين بيانات الحضور والغياب لتحليل التعلم الآلي (ML).
تستخدم الدراسة التحليل متعدد المعايير (MCA) ومجموعة متنوعة من خوارزميات ML، بما في ذلك آلة الدعم المتجهة (SVM)، والغابة العشوائية (RF)، والانحدار اللوجستي (LR)، لتقييم العرضة للانزلاقات الأرضية. تشير نتائج MCA إلى أن حوالي 90% من المنطقة مصنفة على أنها ذات عرضة عالية أو عالية جداً، مع وجود ارتباط ملحوظ بين مستويات العرضة وحدوث الانزلاقات الأرضية. تكشف تقييم أداء النماذج أن RF يتفوق على كل من SVM وLR في الحساسية، والخصوصية، والدقة العامة، محققاً AUC قدره 0.98. تؤكد النتائج على أهمية دمج العوامل الطبيعية والبشرية في فهم ديناميات الانزلاقات الأرضية، مما يوفر رؤى قيمة لإدارة المخاطر والتخطيط الحضري في المناطق المعرضة للخطر.
DOI: https://doi.org/10.1080/19475705.2025.2471019
Publication Date: 2025-03-05
Author(s): Zuleide Alves Ferreira et al.
Primary Topic: Landslides and related hazards
Overview
This research paper investigates the effectiveness of various modeling techniques—logistic regression (LR), random forest (RF), support vector machines (SVM), and multi-criteria analysis (MCA)—in predicting landslide susceptibility in Petrópolis, Brazil. The study employs 29 influencing factors, including geographic, geological, climatic, and anthropogenic variables, and emphasizes the importance of feature analysis and hyperparameter optimization. The findings reveal that RF outperforms the other models, achieving an accuracy of 0.94, a ROC AUC of 0.98, and an F1 score of 0.94, indicating its robustness and adaptability to diverse data types. In contrast, MCA demonstrated significantly lower performance metrics, highlighting the advantages of machine learning (ML) approaches over traditional methods in landslide susceptibility mapping.
The conclusion underscores the critical role of landslide susceptibility analysis in informing decision-makers and enhancing geohazard risk management. While RF emerged as the most reliable model, the study also acknowledges the limitations of ML techniques, such as the challenges in defining landslide-free regions and the need for validation measures. Furthermore, it points out the subjectivity involved in MCA, which can lead to inaccuracies in identifying non-landslide areas. The research advocates for ongoing refinement of landslide prediction models, emphasizing the need for interdisciplinary collaboration and adaptation to regional contexts. Future efforts should focus on improving model accuracy, exploring advanced ML techniques, and addressing the impacts of climate change to enhance disaster risk management strategies effectively.
Introduction
The introduction of the research paper discusses the critical issue of landslides, defined as the downward movement of soil, rocks, and organic materials due to gravity. Landslides are highlighted as significant natural disasters that can cause extensive damage to both natural and human-made structures, particularly in Brazil, where complex geophysical and climatic conditions exacerbate their occurrence. The paper emphasizes the role of various factors, including topography, climate, and land use changes, in triggering landslides, with a focus on the mountainous regions of Rio de Janeiro, where heavy rainfall has led to numerous fatalities and injuries over the years.
The study aims to evaluate and compare the predictive accuracy of machine learning (ML) algorithms—specifically logistic regression (LR), random forest (RF), and support vector machines (SVM)—against multi-criteria analysis (MCA) for landslide susceptibility mapping (LSM). By replicating the MCA methodology established by the Brazilian Institute of Geography and Statistics (IBGE), the research seeks to determine whether ML techniques can provide enhanced predictive performance and insights into feature importance compared to traditional MCA methods. The selected study area, Petrópolis, is characterized by its vulnerability to landslides due to steep topography and rapid urban development, making it an ideal location for testing these predictive models. The findings are expected to contribute to improved community safety and disaster mitigation strategies, aligning with the United Nations Sustainable Development Goals.
Methods
The “Methods” section outlines the data collection and analytical techniques employed in the study. It details the specific datasets utilized, including their sources and any preprocessing steps taken to ensure data integrity. The methodologies applied for analysis are described, highlighting statistical tools and models used to interpret the data effectively.
Additionally, the section may elaborate on experimental designs, sampling methods, and any computational algorithms implemented to derive results. The rigor of these methods is crucial for validating the findings and ensuring that the conclusions drawn are robust and reliable. Overall, this section serves as a foundation for understanding how the research was conducted and the reliability of its outcomes.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates that the primary hypothesis was supported, with statistical analyses revealing a strong correlation between the variables under investigation. Specifically, the results demonstrate that the intervention led to a measurable improvement in the target outcomes, as evidenced by a p-value of less than 0.05, indicating statistical significance.
Additionally, the study reports on secondary outcomes, which also showed favorable trends, although these were not as pronounced as the primary results. The findings suggest that the proposed model or intervention could have practical applications in the relevant field, warranting further investigation to explore the underlying mechanisms and potential long-term effects. Overall, the results contribute to the existing body of knowledge and provide a foundation for future research directions.
Discussion
The research paper discusses the landslide susceptibility in Petrópolis, Brazil, highlighting the region’s steep topography, heavy rainfall, and urbanization as significant factors contributing to landslide occurrences. The study area, characterized by a tropical climate and varying soil types derived from granite and gneiss, has experienced increased landslide activity due to deforestation and urban expansion on unstable slopes. Historical data indicates a troubling trend, with significant fatalities recorded during landslide events in 1966, 1979, 1988, 2011, and 2022. The landslide inventory comprises 1,401 events over 80 years, predominantly general slides, with a sampling strategy employed to balance presence and absence data for machine learning (ML) analysis.
The study employs a multi-criteria analysis (MCA) and various ML algorithms, including Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR), to assess landslide susceptibility. The MCA results indicate that approximately 90% of the area is classified as having high or very high susceptibility, with a notable correlation between susceptibility levels and landslide occurrences. The performance evaluation of the models reveals that RF outperforms both SVM and LR in sensitivity, specificity, and overall accuracy, achieving an AUC of 0.98. The findings underscore the importance of integrating natural and anthropogenic factors in understanding landslide dynamics, providing valuable insights for risk management and urban planning in vulnerable regions.