Menilai Kualitas Pola Prediksi Longsoran Berbahaya dengan Cross-Validation

Dio Ardana Pramandika

270110120021

Abstrak

Berkontribusi mendokumentasikan penggunaan strategi cross-validation pada prediksi spasial pemodelan bahaya longsor. Database di Italia utara digunakan untuk menggambarkan aplikasi yang berfokus pada penilaian kualitas relatif hasil pemodelan. Banyak dari model kualitas database menentukan kualitas prediksi.

Kata Kunci

Bahaya Longsor . Cross-validation . Pola prediksi . Tingkat prediksi . Database spasial

1.1. Pengenalan

Dengan ketersediaan luas data digital pada proses fisik dan proses sosial ekonomi banyak teknik prediksi pemodelan spasial yang dikembangkan untuk membuat peta bahaya dan risiko alam. Untuk menangkap proses karakteristik dalam ruang dan waktu, namun, kerangka matematis diperlukan disertai dengan langkah-langkah dari keandalan dan kekokohan pola prediksi. Pola tersebut adalah hasil dari hubungan pemodelan spasial dari masa lalu ke masa depan. Pola merujuk pada klasifikasi daerah sebagai tingkat bahaya atau risiko, yang umumnya diperoleh dengan peringkat nilai-nilai indeks normalized agregat relatif.

Model favourability diperkenalkan selama lebih dari dua dekade lalu sebagai sebuah kerangka yang memuaskan (Chung dan Fabbri 1993). Namun, karena banyak aplikasi baru yang tampaknya tidak mengikuti prosedur pemodelan memuaskan tersebut (Fabbri dan Chung 2008) kontribusi ini merujuk pada contoh inspiratif prediksi bahaya longsor di daerah studi di Italia Utara dekat Utara desa Tirano. Bagian selanjutnya akan memperkenalkan model dan strategi cross-validation, database daerah penelitian, dan aplikasi untuk mendapatkan tingkat prediksi, target dan pola ketidakpastian.

1.2. Model Favourability dan Strategi Cross-Validation

Mengingat database spasial diasumsikan mengandung cukup informasi untuk pemodelan bahaya longsor, langkah pertama adalah untuk membangun proposisi matematika yang

dapat didukung sebagai benar atau salah oleh data. Misalnya seperti "Pi: titik i di daerah penelitian dipengaruhi oleh bagian dari longsor masa depan dari tipe dinamis tertentu."

Distribusi spasial zona pemicu longsor yang telah diketahui kemudian dapat dianggap sebagai pola yang mendukung langsung,DSP, dari proposisi. Selain itu, distribusi unit spasialatau nilai-nilai dari peta digital seperti litologi, penggunaan lahan, elevasi atau kemiringan contohnya unit pemetaan kategoris atau lapangan yang kontinu, dapat dianggap sebagai pola pendukung tidak langsung, ISP. ISP diasumsikan sebagai penggambar karakter khas dari zona pemicu longsor pemicu dan proposisi menetapkan hubungan fungsional antara DSP dan ISP. Data kategori diubah menjadi frekuensi yang dinormalkan dan data kontinu menjadi fungsi kepadatan. Rasio antara nilai-nilai fungsional di hadapan zona pemicu longsor dengan ketidakhadiran mereka adalah fungsi rasio kemungkinan empiris, ELR, salah satu fungsi favourability yang dapat digunakan untuk prediksi spasial modeling. Rasio untuk ISP yang tumpang tindih dapat dikumpulkan, menggunakan aturan yang sesuai dan asumsi untuk model yang berbeda, yang memang membutuhkan aturan kombinasi yang berbeda untuk mengintegrasikan hubungan spasial, misalnya, fungsi fuzzi set membership, fungsi probabilitas Bayesian, fungsi linear atau fungsi regresi logistik (Chung dan Fabbri2001; Chung 2006).

Menerapkan prediksi model ke database spasial berarti menggunakan salah satu dari fungsi-fungsi pemodelan untuk mendapatkan pola prediksi dan kurva tingkat kecocokan terkait yang menunjukkan distribusi zona pemicu longsor dalam kelas daerah yang sama

dari tingkat prediksi menurun. Tingkat kecocokan seperti itu hanya menjelaskan klasifikasinya tetapi tidak menawarkan wawasan ke dalam kualitas prediksi dari pola prediksi tersebut.

Untuk menginterpretasikan polanya, beberapa bentuk database partisi diperlukan, seperti pengelompokan longsor ke interval waktu atau jenis subsetting spasial atau berurutan: misalnya, eliminasi berurutan, berurutan atau acak dari pemilihan nomor yang diberikan untuk pemodelan longsor. Kombinasi lain dari sub-pengaturan tersebut dapat dianggap tergantung kepada karakteristik database. Satu kelompok zona pemicu longsor digunakan untuk pemodelan dan yang lain untuk meng-cross-validasikan pola prediksi. Tujuan dari cross-validation adalah untuk menggunakan fungsi distribusi tanah longsor yang tersisa untuk menilai kualitas dari prediksi. Dalam banyak kasus, cross-validation yang berulang diminta untuk menafsirkan pola prediksi.

1.3. Database Tirano Utara

Pemodelan favourability diaplikasikan di daerah penelitian Tirano Utara, yang terletak di Lombardy daerah utara Italia. Daerah ini meliputi 12 kota. daerah ini berisi 42 aktif dan 123 zona diam pemicu longsor rotasi-translasi, dalam data lapisan peta raster digital dari 1.034 piksel oleh 1.290 baris resolusi 20 m, masing-masing menempati 783 piksel dan 3.411 piksel.

Distribusi spasial dari 42 zona pemicu, untuk misalnya, adalah DSP, dari proposisi matematika bahwa "sebuah piksel di daerah penelitian dipengaruhi oleh longsor rotational translational masa

depan. "Distribusi spasial sesuai unit pemetaan di peta digital seperti elevasi, aspek, lereng, kelengkungan, relief internal, litologi, penggunaan lahan dan permeabilitas adalah ISP, untuk menambah kondisi proposisi "mengingat adanya bukti spasial dari unit-unit pemetaan. "Penelitian sebelumnya oleh Fabbri et al. (2012) telah menggambarkan konstruksi, penggunaan dan kualitas bahwa database untuk studi bahaya.

1.4. Aplikasi dari Model Favourability

Aplikasi pemodelan favourability di daerah penelitian Tirano Utara dapat digunakan untuk menunjukkan kelayakan prosedur yang dijelaskan dalam Sect. 21.2.

Misalnya, kurva tingka kecocokan ELR pada Gambar. 21.1a menunjukkan kualitas klasifikasi untuk dua kelompok tanah longsor (42 aktif, at, dan 123 diam, qu) tetapi tingkat prediksikurva dalam diagram menunjukkan kualitas relatif memprediksi yang diam menggunakan yang aktif dan sebaliknya. Kedua prediksi sangat buruk! Untuk mendapatkan seperti kurva kumulatif, tingkat prediksi untuk piksel di daerah penelitian diurutkan dari tertinggi ke terendah dan 200 kelas area setara 0,5% dikelompokkan pada sumbu horisontal. Pada sumbu vertikal ada proporsi yang sesuai longsor. Melalui jajaran 200-kelas kami juga dapat memvisualisasikan prediksi pola seperti peta dengan mengelompokkan kelas dan menugaskan pseudo-warna untuk kelompok, seperti yang dilakukan pada Gambar. 21.2a dan b. Ada cross-validation yang berulang menghasilkan set pola prediksi yang statistik digunakan untuk mendapatkan pola sasaran dan terkait pola ketidakpastian. Mereka mewakili median pangkat dan kisaran

yang sesuai jajaran 42 pola prediksi, masing-masing. Polanya menjadi sangat diperlukan untuk menafsirkan prediksi.

Gambar 21.1b membandingkan empat kurva tingkat prediksi untuk 42 longsor aktif yangdiperoleh dengan menggunakan prosedur berulang at42- 1x42 dengan model favourability fuz, ELR, lin dan log (masing-masing, himpunan fuzzy, rasio kemungkinan empiris, linear dan fungsi diskriminan logistik). Setiap kurva kumulatif merupakan rata-rata dari 42 kurva tingkat prediksi. Jelas bahwa kurva fuz dan ELR mewakili tingkat prediksi yang lebih baik, dengan 10% dari kelas prediksi tertinggi mengandung sekitar 55% dari tanah longsor yang digunakan untuk cross-validation. Gambar 21.2a menunjukkan pola target untuk analisis elr_at42- 1x42 dan Gambar. 21.2b pola ketidakpastian yang sesuai.

Akhirnya, Gambar. 21.3 menunjukkan prediksi individu dan tingkat ketidakpastian untuk 42 tanah longsor aktif di unit 1000 *. Misalnya, tingkat prediksi di atas 800 termasuk ke dalam 20% tertinggi dari peringkat median, sementara tingkat ketidakpastian di bawah 500 termasuk ke dalam kelas 50% lebih bawah dari berbagai peringkat.

1.5. Interpretasi dan Kesimpulan

Tingkat kecocokan pada Gambar. 21.1a menunjukkan bahwa klasifikasi diperoleh dengan menggunakan semua 42 aktif atau 123 tanah longsor diam yang tidak menunjukkan kemampuan prediktif. Selanjutnya, menggunakan salah satu dari dua kelompok tanah longsor untuk memprediksi yang lainnya mengarah ke kurva tingkat prediksi yang buruk yang menunjukkan bahwa karakter masing-masing dalam database berbeda jauh.

Hasil prediksi yang lebih menarik diperoleh dalam analisis yang ditunjukkan dalam Gambar. 21.1b, menggunakan "one-less" strategi untuk menghasilkan 42 prediksi dari "kejadian longsor berikutnya" dengan 41 tanah longsor aktif, dengan prosedur yang berulang, dan membandingkan empat model yang berbeda. Setiap kurva tingkat prediksi merupakan rata-rata dari 42 kurva, satu untuk setiap prediksi. Kurva tingkat prediksi ELR menunjukaan pola prediksi yang lebih baik, dengan 55% dari "kejadian longsor berikutnya" yang terkandung dalam prediksi nilai kelas 5% tertinggi di daerah penelitian. Untuk prediksi set ELR-au42-1x42 kita telah menghasilkan pola sasaran, yang ditampilkan di Gambar. 21.2a, sebagai themedian pangkat 42 tingkat prediksi per

pixel. Ini menunjukkan beberapa sabuk dari nilai tinggi yang sesuai rentang peringkat, pola ketidakpastian, pada Gambar. 21.2b adalah relatif sempit, yaitu, dengan ketidakpastian yang relatif rendah kelas keanggotaan. Selain lereng dan litologi, aspek dan elevasi adalah dukungan penting untuk nilai tinggi yang terintegrasi seperti itu.

Tingkat sasaran dan ketidakpastian yang ditampilkan untuk masing-masing 42

longsor saat diprediksi dengan sisa yang 41 sebagai histogram pada Gambar. 21.3. Histogram memberikan langkah-langkah prediktabilitas: misalnya longsor 37 diprediksi baik dengan

ketidakpastian yang tinggi, longsor 38 diprediksi baik dengan ketidakpastian rendah dan longsor 39 diprediksi buruk dengan ketidakpastian median.

Kesimpulannya, lebih dari kekuatan prediksi relatif dari model, kita menilai kemampuan prediksi dari

database. Ini berarti bahwa penilaian seperti tersebut adalah awal dari prediksi pemodelan bukan hasil akhir.

Gambar. 21.1 Kecocokan dan tingkat prediksi dalam daerah studi Tirano Utara: kecocokan ELR dan tingkat prediksi (a); tingkat prediksi untuk model yang berbeda, fuz, ELR, lin dan log untuk analisis at42-1x42 (b)

References

Chung C-J (2006) Using likelihood ratio functions for modeling the

conditional probability of occurrence of future landslide for risk

assessment. Comput Geosci 32:1052–1065

Chung CF, Fabbri AG (1993) The representation of geoscience

information for data integration. Non-Renew Resour 2(2):122–139

Gambar. 21.2 Sasaran (a) dan Ketidakpastian (b) pola dalam analisis ELR-at42-1x42 di daerah penelitian Tirano Utara. Hitam 42 zona pemicu longsor.

Gambar. 21.3 Prediksi dan tingkat ketidakpastian model ELR 1000 * untuk 42 zona pemicu longsor aktif di daerah penelitian Tirano Utara.

Chung CF, Fabbri AG (2001) Prediction model for landslide hazard

using a Fuzzy set Approach. In: Marchetti M, Rivas V (eds)

Geomorphology and environmental impact assessment. Balkema,

Rotterdam, pp 31–47Fabbri AG, Chung C-J (2008) On blind

tests and spatial prediction

models. Nat Resour Res 17(2):107–118Fabbri AG, Mauriello MR, Chung C-J

(2012) Using blind-tests fordatabase evaluation in the prediction of

rotational-translationallandslides in the Tirano North area,

northern Italy. In: Brebbia CA(ed) Risk Analysis VIII. WIT Press,

Ashurst, Southampton, pp 263–280

Summary

Dengan ketersediaan luas data digital pada proses fisik dan proses sosial ekonomi banyak teknik prediksi pemodelan spasial yang dikembangkan untuk membuat peta bahaya dan risiko alam. Untuk menangkap proses karakteristik dalam ruang dan waktu, namun, kerangka matematis diperlukan disertai dengan langkah-langkah dari keandalan dan kekokohan pola prediksi. Pola tersebut adalah hasil dari hubungan pemodelan spasial dari masa lalu ke masa depan. Pola merujuk pada klasifikasi daerah sebagai tingkat bahaya atau risiko, yang umumnya diperoleh dengan peringkat nilai-nilai indeks normalized agregat relatif.

Mengingat database spasial diasumsikan mengandung cukup informasi untuk pemodelan bahaya longsor, langkah pertama adalah untuk membangun proposisi matematika yang dapat didukung sebagai benar atau salah oleh data. Misalnya seperti "Pi: titik i di daerah penelitian dipengaruhi oleh bagian dari longsor masa depan dari tipe dinamis tertentu."

Pemodelan favourability diaplikasikan di daerah penelitian Tirano Utara, yang terletak di Lombardy daerah utara Italia. Daerah ini meliputi 12 kota. daerah ini berisi 42 aktif dan 123 zona diam pemicu longsor rotasi-translasi, dalam data lapisan peta raster digital dari 1.034 piksel oleh 1.290 baris resolusi 20 m, masing-masing menempati 783 piksel dan 3.411 piksel.

Aplikasi pemodelan favourability di daerah penelitian Tirano Utara dapat digunakan untuk menunjukkan kelayakan prosedur yang dijelaskan dalam Sect. 21.2.

Tingkat kecocokan pada Gambar. 21.1a menunjukkan bahwa klasifikasi diperoleh dengan menggunakan semua 42 aktif atau 123 tanah longsor diam tidak menunjukkan kemampuan prediktif. Selanjutnya, menggunakan salah satu dari dua kelompok tanah longsor untuk memprediksi yang lainnya mengarah ke kurva tingkat prediksi yang buruk yang menunjukkan bahwa karakter masing-masing dalam database berbeda jauh.

Kesimpulannya, lebih dari kekuatan prediksi relatif dari model, kita menilai kemampuan prediksi dari database. Ini berarti bahwa penilaian seperti tersebut adalah awal dari prediksi pemodelan bukan hasil akhir.