Applications of ensemble learning paradigm and advanced hyperparameter optimization techniques in landslide susceptibility mapping

Abstract

Günümüze değin, literatürde çok sayıda makine/derin öğrenme modelleri ve özellik seçim teknikleri önerilmiş ve tahmine dayalı modelleme şemaları oluşturmak için birçok akademik topluluk tarafından yoğun bir şekilde kullanılmıştır. Bu tür algoritmaların yaygınlaşmasına paralel olarak, geleneksel istatistiksel tabanlı yaklaşımlara alternatif olarak kademeli bir şekilde heyelan duyarlılık haritalama uygulamalarının ayrılmaz bir parçası haline gelmişlerdir. Ancak, çok çeşitli mevcut seçenekler arasından ele alınan problemin doğasına uygun olanı belirlemek, genellikle kullanıcılar tarafından birkaç kritik karar alınmasını gerektiren zorlu bir iştir. Bu kararlar aynı zamanda, ortaya çıkan duyarlılık haritalarının kalitesini ve güvenilirliğini önemli ölçüde etkileyen doğru özniteliklerin seçimini ve öğrenme algoritmalarının iç mekanizmalarının tasarımını da içerir. Bu sorunların kaynağını ele almak ve incelemek için, ilk olarak 2015 ile 2021 arasındaki yedi yıllık zaman dilimini kapsayan sistematik ve derinlemesine bir literatür taraması yapılmıştır. Sonuçlar baskın bir şekilde, özellik seçimi, hiperparametre optimizasyonu ve topluluk öğrenimi gibi yapay zeka araçlarına kısıtlı bir araştırma ilgisi gösterildiğini ortaya çıkarmıştır. Bu boşlukları kapatmak ve heyelan duyarlılık haritalamasında topluluk paradigmasının potansiyel uygulamalarını önermek için, genel olarak heyelan duyarlılık haritalarının tahminleme performanslarını iyileştirmeyi amaçlayan topluluk (makine/derin öğrenme ve özellik seçimi) paradigmasına ve gelişmiş hiperparametre optimizasyonuna dayalı dört araştırma çalışması yapılmıştır. Bulgular, tezde önerilen yapay zeka araçlarının genel doğruluk açısından %1 ile %13 arasında değişen önemli bir gelişme sağladığını açıkça ortaya koymuştur. Heyelan duyarlılık haritalama alanı, daha bilgilendirici model tahminleri ve daha iyi güvenilirliğe sahip heyelan duyarlılık haritalarının üretilmesine izin veren yukarıda bahsedilen kavram ve tekniklerin benimsenmesinden fayda sağlayabilir.Until now, a plethora of machine/deep learning models and feature selection techniques have been introduced in the literature and intensively exploited by many academic communities to establish predictive modeling schemes. In parallel with the proliferation of such algorithms, they have gradually become an integral part of the landslide susceptibility mapping practices as an alternative to the conventional statistical-based approaches. However, identifying the proper one(s) for the nature of the problem under consideration from among the wide array of available options is a challenging task, which usually requires several crucial decisions by the users. These decisions also include the selection of correct features and the design of the internal mechanisms of the learning algorithms, which significantly affect the reliability and quality of the resultant susceptibility maps. A systematic and in-depth literature review covering seven years of timespan between 2015 and 2021 was initially made to address and scrutinize the origin of these issues. The results dominantly uncovered that limited research attention was paid to artificial intelligence tools such as feature selection, hyperparameter optimization, and ensemble learning. To bridge these gaps and propose the potential applications of the ensemble paradigm in the landslide susceptibility mapping, four research works mainly based on the ensemble (machine/deep learning and feature selection) paradigm and advanced hyperparameter optimization were performed, generally aiming to improve predictive performances of the landslide susceptibility maps. The findings clearly highlighted that the artificial intelligence tools proposed in the thesis provided a significant improvement ranging from 1% to 13% in terms of overall accuracy. The landslide susceptibility mapping domain can benefit from adopting the adoption of the aforementioned concepts and techniques, which allows the production of landslide susceptibility maps with more informative model predictions and better reliability.