Landslide Susceptibility Model by Means of Remote Sensing Images and AutoML

Renza, Diego; Cárdenas, Elsa Adriana; Jaramillo, Carlos; Weber, Serena Sarah; Martínez, Elvira

doi:10.1007/978-3-030-86702-7_3

Cited by 3 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nguyễn Đức Ngữ và cs [8] đánh giá đặc điểm hạn và phân vùng hạn Việt Nam, cho thấy nước ta hạn hán chủ yếu xuất hiện vào mùa đông và mùa xuân, khu vực Bình Thuận hán hạn xảy ra vào mùa xuân và mùa hè. Dưới góc độ tác động của biến đổi khí hậu và các hiện tượng cực đoan ở Việt Nam, Phan Văn Tân và các cs đã sử dụng phương pháp thống kê để đánh giá sự biến đổi của hạn hán cho 7 vùng khí hậu của Việt Nam [18] . Nghiên cứu của Nguyễn Trọng Hiệu (2000) về nguyên nhân và các giải pháp phòng chống hoang mạc hóa ở khu vực miền Trung nhằm giảm thiểu hạn hán kết hợp với các phương pháp sản xuất nông nghiệp [5].…”

Section: Tổng Quan Về Nghiên Cứu Hạn Hán Và Các Chỉ Số Khô Hạnunclassified

Ứng Dụng Nền Tảng Google Earth Engine Xây Dựng Bản Đồ Phân Vùng Hạn Hán Cho Tỉnh Bình Thuận

Ngọc¹,

Hưng²

2022

TCKHBDKH

View full text Add to dashboard Cite

Nghiên cứu sử dụng nền tảng xử lý dựa trên đám mây Google Earth Engine (GEE) để xây dựng bản đồ phân vùng mức độ hạn hán tỉnh Bình Thuận từ 2014 đến 2020, dựa trên tính toán chỉ số khác biệt hạn hán (NDDI - Normalized Difference Drought Index). Kết quả tính toán cho thấy, khô hạn thiếu nước trong mùa khô diễn ra ở nhiều nơi trong tỉnh; thường xuyên xảy ra tại các huyện Tuy Phong, Bắc Bình, TP. Phan Thiết, Hàm Thuận Nam, Hàm Tân và Thị xã La Gi nơi có chỉ số NDDI cao 4 - 6, mức độ hạn có xu hướng tăng đặc biệt nghiêm trọng vào năm 2016. Ứng dụng nền tảng Google Earth Engine được xây dựng nhằm theo dõi hạn hán trên cơ sở phân loại chỉ số NDDI tỉnh Bình Thuận năm 2021.

show abstract

Section: Tổng Quan Về Nghiên Cứu Hạn Hán Và Các Chỉ Số Khô Hạnunclassified

Ứng Dụng Nền Tảng Google Earth Engine Xây Dựng Bản Đồ Phân Vùng Hạn Hán Cho Tỉnh Bình Thuận

Ngọc¹,

Hưng²

2022

TCKHBDKH

View full text Add to dashboard Cite

show abstract

“…Among others, we can mention the Auto-Weka [10], Auto-Keras [11], Auto-Pytorch [12], Auto-Sklearn [13], etc. In addition, AutoML structures have been used over a wide range of applications, such as classification [14,15], regression analysis [16], remote sensing [17], cyber-security and privacy [18,19], medical applications [20], web-based applications [21], time-series analysis [22], etc.…”

Section: Introductionmentioning

confidence: 99%

Structure Learning and Hyperparameter Optimization Using an Automated Machine Learning (AutoML) Pipeline

et al. 2023

View full text Add to dashboard Cite

In this paper, we built an automated machine learning (AutoML) pipeline for structure-based learning and hyperparameter optimization purposes. The pipeline consists of three main automated stages. The first carries out the collection and preprocessing of the dataset from the Kaggle database through the Kaggle API. The second utilizes the Keras-Bayesian optimization tuning library to perform hyperparameter optimization. The third focuses on the training process of the machine learning (ML) model using the hyperparameter values estimated in the previous stage, and its evaluation is performed on the testing data by implementing the Neptune AI. The main technologies used to develop a stable and reusable machine learning pipeline are the popular Git version control system, the Google cloud virtual machine, the Jenkins server, the Docker containerization technology, and the Ngrok reverse proxy tool. The latter can securely publish the local Jenkins address as public through the internet. As such, some parts of the proposed pipeline are taken from the thematic area of machine learning operations (MLOps), resulting in a hybrid software scheme. The machine learning model was used to evaluate the pipeline, which is a multilayer perceptron (MLP) that combines typical dense, as well as polynomial, layers. The simulation results show that the proposed pipeline exhibits a reliable and accurate performance while managing to boost the network’s performance in classification tasks.

show abstract

Assessment of large-scale multiple forest disturbance susceptibilities with AutoML framework: an Izmir Regional Forest Directorate case

Eker,

Alkiş,

Aydın

2024

J. For. Res.

View full text Add to dashboard Cite

Disturbances such as forest fires, intense winds, and insect damage exert strong impacts on forest ecosystems by shaping their structure and growth dynamics, with contributions from climate change. Consequently, there is a need for reliable and operational methods to monitor and map these disturbances for the development of suitable management strategies. While susceptibility assessment using machine learning methods has increased, most studies have focused on a single disturbance. Moreover, there has been limited exploration of the use of “Automated Machine Learning (AutoML)” in the literature. In this study, susceptibility assessment for multiple forest disturbances (fires, insect damage, and wind damage) was conducted using the PyCaret AutoML framework in the Izmir Regional Forest Directorate (RFD) in Turkey. The AutoML framework compared 14 machine learning algorithms and ranked the best models based on AUC (area under the curve) values. The extra tree classifier (ET) algorithm was selected for modeling the susceptibility of each disturbance due to its good performance (AUC values > 0.98). The study evaluated susceptibilities for both individual and multiple disturbances, creating a total of four susceptibility maps using fifteen driving factors in the assessment. According to the results, 82.5% of forested areas in the Izmir RFD are susceptible to multiple disturbances at high and very high levels. Additionally, a potential forest disturbances map was created, revealing that 15.6% of forested areas in the Izmir RFD may experience no damage from the disturbances considered, while 54.2% could face damage from all three disturbances. The SHAP (Shapley Additive exPlanations) methodology was applied to evaluate the importance of features on prediction and the nonlinear relationship between explanatory features and susceptibility to disturbance.

show abstract

Landslide Susceptibility Model by Means of Remote Sensing Images and AutoML

Cited by 3 publications

References 12 publications

Ứng Dụng Nền Tảng Google Earth Engine Xây Dựng Bản Đồ Phân Vùng Hạn Hán Cho Tỉnh Bình Thuận

Ứng Dụng Nền Tảng Google Earth Engine Xây Dựng Bản Đồ Phân Vùng Hạn Hán Cho Tỉnh Bình Thuận

Structure Learning and Hyperparameter Optimization Using an Automated Machine Learning (AutoML) Pipeline

Assessment of large-scale multiple forest disturbance susceptibilities with AutoML framework: an Izmir Regional Forest Directorate case

Contact Info

Product

Resources

About