сотрудник
Rostov-on-Don, Россия
В статье рассматриваются современные подходы к определению оползневой чувствительности региона. Дано описание наиболее широко применяемых методик оценки оползневой чувствительности: логистической регрессии, метода весомости признака, линейного дискриминантного анализа и применения искусственных нейронных сетей. В работе рассматриваются их положительные и отрицательные стороны. Выделены наиболее приемлемые методики для различных условий анализа. Сделан вывод, что к наиболее приемлемым методикам анализа при большом количестве исходных данных о регионе исследования относятся метод логистической регрессии и метод весомости признака. С их помощью достигаются наиболее точные результаты. При недостаточной информации целесообразнее использовать линейный дискриминантный анализ и искусственные нейронные сети, что сведет к минимуму потенциальные неточности анализа.
оползневая чувствительность, метод логистической регрессии, метод весомости признака, линейный дискриминантный анализ, искусственные нейронные сети, геоинформационные системы.
Проблема определения оползневой чувствительности широко рассматривается во всем мире. Авторы применяют различные методики для ее определения, основанные на разных методах статистического анализа.
1. Corominas J. et al. Recommendations for the quantitative analysis of landslide risk // Bull Eng Geol Env. 2014. Vol. 73. P. 209–263.
2. Aydın A., Eker R. Fuzzy rule-based landslide susceptibility mapping in Yığılca Forest District (Northwest of Turkey) // J. J. Fac. For. Istanbul Univ. Anahtar Kelimeler FIS. 2016. Vol. 66, № 662. P. 559–571.
3. Bilaşco Ş. et al. Statistical model using GIS for the assessment of landslide susceptibility. Case-study: The Someş Plateau // Journ. Geogr. 2011. Vol. 55, № 2. P. 91–101.
4. Vahidnia M. H. et al. Landslide Hazard Zonation Using Quantitative Methods in GIS // Int. J. Civ. Eng. 2009. Vol. 7, № 3. P. 176–189.
5. Feizizadeh B., Blaschke T. Uncertainty Analysis of GISbased Ordered Weighted Averaging Method for Landslide Susceptibility Mapping in Urmia Lake Basin, Iran.
6. Baban S. M.J., Sant K. J. Mapping landslide susceptibility for the Caribbean island of Tobago using GIS, multi-criteria evaluation techniques with a varied weighted approach // Caribb. J. Earth Sci. 2005. Vol. 38. P. 11–20.
7. Tazik E. et al. Landslide susceptibility mapping by combining the three methods Fuzzy Logic, Frequency Ratio and Analytical Hierarchy Process in Dozain basin // ISPRS — Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2014. Vol. XL‑2/W3. P. 267–272.
8. Huang J. Investigation on landslide susceptibility using remote sensing and GIS methods. Hong Kong Baptist University, 2014. 118 p.
9. Coe J. A. et al. Landslide susceptibility from topography in Guatemala. Taylor & Francis Group, 2004. Vol. 1. P. 69–78.
10. Pradhan B. et al. Application of data mining model for landslide hazard mapping // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8. Beijing, 2008. P. 187–196.
11. Ayalew L., Yamagishi H., Ugawa N. Landslide susceptibility mapping using GIS-based weighted linear combination, the case in Tsugawa area of Agano River, Niigata Prefecture, Japan // Landslides. 2004. Vol. 1, № 1. P. 73–81.
12. Akbari A. et al. Landslide Susceptibility Mapping Using Logistic Regression Analysis and GIS Tools // Electron. J. Geotech. Eng. 2014. Vol. 19. P. 1687–1696.
13. Mancini F., Ceppi C., Ritrovato G. GIS and statistical analysis for landslide susceptibility mapping in the Daunia area, Italy // Nat. Hazards Earth Syst. Sci. 2010. Vol. 10. P. 1851–1864.
14. Ercanoglu M. Landslide susceptibility assessment of SE Bartin (West Black Sea region, Turkey) by artificial neural networks // Nat. Hazards Earth Syst. Sci. 2005. Vol. 5. P. 979–992.
15. Ramos-Cañón A.M. et al. Linear discriminant analysis to describe the relationship between rainfall and landslides in Bogotá, Colombia // Landslides. 2016. Vol. 13, № 4. P. 671–681.
16. Atkinson P. M., Massari R. Generalised linear modelling of susceptibility to landsliding in the Central Apennines, Italy // Comput. Geosci. 1998. Vol. 24, № 4. P. 373–385.
17. Huang Y., Wänstedt S. The introduction of neural network system and its applications in rock engineering // Eng. Geol. Elsevier, 1998. Vol. 49, № 3. P. 253–260.
