landslide susceptibility mapping using ensemble methods: a case study in lombardy, northern italy

Landslide hazards are pervasive throughout the world, and landslide susceptibility mapping (LSM) provides crucial information that aids various authorities in managing landslide-prone areas. In this study, the performance of various ensemble methods—including stacking, blending, and soft voting—was evaluated by utilizing the best fundamental classifiers for LSM in Lombardy, Northern Italy. The first step is to create a spatial database with 11 landslide influencing elements and historical landslide records. Second, five fundamental classifiers (Bagging, Random Forests, AdaBoost, Gradient Tree Boosting, and Neural Networks) are built at a basin level (i.e., Val Tartano, Upper Valtellina, and Val Chiavenna) and later transferred at a regional level for Lombardy. Third, three ensemble models are created by combining the fundamental classifiers with the greatest ability to generalize and test again on local basin scale. Further, the constructed ensemble models are assessed in the same basins as well as Lombardy. Four, the best model is selected as the final model to produce the LSM for Lombardy. The fundamental classifiers for ensemble models are chosen to be Random Forest, AdaBoost, and Neural Networks as they outperformed other models in terms of generalization. The soft voting model exhibits the best generalization performance when compared to the other ensemble models. The final model to generate the LSM for Lombardy is a Neural Network model (accuracy=0.93 in whole Lombardy) that was trained using data gathered from three basins and performs the best in Lombardy. According to the landslide susceptibility maps created, roughly 37% of the entire Lombardy region fell into the "very high" and "high" categories.

I pericoli delle frane sono diffusi in tutto il mondo e la mappatura della suscettibilità alle frane (LSM) fornisce informazioni cruciali che aiutano varie autorità nella gestione delle aree soggette a frane. In questo studio, le prestazioni di vari metodi di ensemble, inclusi stacking, blending e soft vote, sono state valutate utilizzando i migliori classificatori fondamentali per LSM in Lombardia, nel nord Italia. Il primo passo è creare un database spaziale con 11 elementi che influenzano la frana e record storici di frana. In secondo luogo, cinque classificatori fondamentali (Bagging, Random Forests, AdaBoost, Gradient Tree Boosting e Neural Networks) vengono costruiti a livello di bacino (vale a dire Val Tartano, Alta Valtellina e Val Chiavenna) e successivamente trasferiti a livello regionale per la Lombardia. In terzo luogo, vengono creati tre modelli di ensemble combinando i classificatori fondamentali con la massima capacità di generalizzare e testare nuovamente su scala di bacino locale. Inoltre, i modelli d'insieme costruiti sono valutati negli stessi bacini oltre che in Lombardia. Quattro, il modello migliore viene selezionato come modello finale per produrre l'LSM per la Lombardia. I classificatori fondamentali per i modelli di ensemble sono stati scelti come Random Forest, AdaBoost e Neural Networks poiché hanno superato gli altri modelli in termini di generalizzazione. Il modello di voto morbido mostra le migliori prestazioni di generalizzazione rispetto agli altri modelli di ensemble. Il modello finale per generare l'LSM per la Lombardia è un modello di rete neurale (precisione=0,93 in tutta la Lombardia) che è stato addestrato utilizzando i dati raccolti da tre bacini e offre le migliori prestazioni in Lombardia. Secondo le mappe di suscettibilità da frana realizzate, circa il 37% dell'intera regione Lombardia rientra nelle categorie “molto alta” e “alta”.