Modeling of gully erosion by the method of smoothed multilevel estimation
Abstract
Relevance. Gully erosion is one of the main negative exogenous processes in the forest-steppe zone of the Russian Plain. In the conditions of agricultural intensification, constant monitoring and forecasting of its development is required. In the article the authors try to show an approach to modeling erosion by the method of smoothed multilevel estimation of territory susceptibility. The aim of the study is to develop a new method for estimating gully erosion development based on machine learning. The proposed technology gives more accurate results on the assessment of the territory susceptibility to gully erosion, compared to a number of classical approaches. Its undoubted advantage is the possibility of application for analyzing large territories with high unevenness of gully distribution. Methods. The key research methods were: modeling based on machine learning and geoinformation modeling. One of the most modern methods of machine learning CatBoost, which is the basis of the developed approach, was widely used in the development. Its main feature is combining several models solving different problems into one stronger one. Results. The realization of the method of smoothed multilevel estimation of territory susceptibility to gully erosion is illustrated on the example of forest-steppe of Kalachskaya upland (Vorobyevsky district, Voronezh region). Similarities and differences of the proposed approach with already existing methods are considered. Two new metrics for evaluating the accuracy of the proposed method - RF1 (modified random forest) and NDF - are justified, and the corresponding formulas are given. The concepts of external, internal and regularization levels of modeling are introduced, and the practical sense of using each of them to solve the problem is illustrated. The use of the approach of smooth multilevel estimation of territory susceptibility to gully erosion taking into account a block of special geomorphological factors and derivatives of them on the basis of digital elevation model FABDEM v1-2 is substantiated. The proposed technology showed high accuracy of gully erosion description (0.95) and can be applied to analyze other territories.
References
Бабешко В.А., Евдокимова О.В., Бабешко О.М., Зарецкая М.В., Снетков Д.А., Хрипков Д.А., Евдокимов В.С. О новых подходах к проблеме прогноза возникновения оползня. // Экологический вестник научных центров Черноморского экономического сотрудничества. – 2021. – Т. 18. No 3. – С. 15–22. DOI: 10.31429/vestnik-18-3-15-22.
Викторов А.С. Моделирование морфологических особенностей абразионных берегов с развитием оползневых процессов в криолитозоне. // Геоэкология. Инженерная гео-логия, гидрогеология, геокриология. – 2022. – No 6. – С. 28–36.
Ганиева С.А., Мехтиев Д.Т. Вопросы моделирования смещений из-за оползней, возникающих при землетрясениях. // Геодезия и картография. – 2015. – No 9. – С. 27–31.
Заалишвили В.Б., Мельков Д.А., Габараев А.Ф., Мерзликин Т.И. Нелинейные колебания грунтовой толщи по инструментальным и численным данным. // Геология и геофизика Юга России. – 2021. – Т. 11. No 4. – С. 70–82. DOI: 10.46698/VNC.2021.77.59.006.
Заалишвили В.Б., Мельков Д.А., Габараев А.Ф., Мерзликин Т.И., Фидарова. Нелинейные эффекты в геологических объектах по данным математического моделирования. // Материалы VIII Международной конференции «Опасные природные и техногенные процессы в горных регионах: модели, системы, технологии». Владикавказ: ГФИ ВНЦ РАН, 2022. – С. 329–336.
Исаева Г.С., Шамбетов З.С. Моделирование движения оползней методом гидродинамики сглаженных частиц. // Фундаментальные и прикладные вопросы горных наук. – 2022. – Т. 9. No 1. – С. 27–32.
Кан К., Зеркаль О.В. Оценка устойчивости сейсмогенного оползня на основе трёх-мерного моделирования при землетрясении. // Научный альманах. – 2018. – No 9-2(47). – С. 119–122.
Махинов А.Н. Крупный оползень и вызванное им цунами в Бурейском водохранилище. // Геоморфология. – 2020. – No 3. – С. 31–43. DOI: 10.31857/S0435428120030086.
Михайлов В.О. Математическое моделирование катастрофических селей, обвалов и оползней. // Наука и современность. – 2010. – No 2-1. – С. 72–78.
Стогний В.В., Заалишвили В.Б., Пономарёва Н.Л. Современная геодинамика и сейсмичность Северного Кавказа: проблемы мониторинга. // Геология и геофизика Юга России. – 2022. – Т. 12. No 2. – С. 34–52. DOI: 10.46698/VNC.2022.25.32.003.
Флоринский И.В. Анализ цифровых моделей высот для выделения линейных структур земной поверхности. Автореф. дисс. канд. техн. наук: 05.24.02 / Флоринский Игорь Васильевич. – М.: МГУ, 1993. – 17 с.
Черноморец С.С., Михайлов В.О. Численное моделирование катастрофических селей, обвалов и оползней с применением трёхмерной дискретной модели. // ГеоРиск. – 2012. – No 1. – С. 16–27.
Шарый П.А. Геоморфологический анализ пространственной изменчивости почв и экосистем. Автореф. дисс. д-ра биол. наук: 03.02.08 / Шарый Петр Александрович. – Ростов-на-Дону: ЮФУ, 2016. – 49 с.
Arabameri A., Chen W., Loche M., Zhao X., Li Y., Lombardo L., Cerda A., Pradhan B., Bui D.T. Comparison of machine learning models for gully erosion susceptibility mapping. // Geoscience Frontiers. – 2020. – No. 11. – рp. 1609–1620. DOI: 10.1016/j.gsf.2019.11.009.
Breiman L. Random Forests. // Machine Learning. – 2001. – No. 45. – pp. 5–32. DOI: 10.1023/A:1010933404324.
Fan F., Gu X., Luo J., Zhang B., Liu H., Yang H. et al. Identification of gully erosion activity and its influencing factors: A case study of the Sunshui River Basin. // PLoS ONE. – 2024. – No. 19. – рp. 1609–1620. DOI: 10.1371/journal.pone.0309672.
Gelete T. B., Pasala P., Abay N.G., Weldu G., Yasin K.H., Kebede E., Abdula I.A. Integrated machine learning and geospatial analysis enhanced gully erosion susceptibility modeling in the Erer watershed in Eastern Ethiopia. // Environmental Informatics and Remote Sensing. – 2024. – No. 12. – рp. 1–20. DOI: 10.3389/fenvs.2024.1410741.
Igwe O., John U.I., Solomon O. et al. GIS-based gully erosion susceptibility modeling, adapting bivariate statistical method and AHP approach in Gombe town and environs Northeast Nigeria. // Geoenviron Disasters. – 2020. – No. 7. DOI: 10.1186/s40677-020-00166-8.
Saha S., Roy J., Arabameri A., Blaschke T., Bui D.T. Machine learning-based gully erosion susceptibility mapping: A case study of Eastern India. // Sensors. – 2020. – No. 20. – pp. 1313. DOI: 20.1313.10.3390/s20051313.
Wang Y., Zhang Y., Chen H. Gully erosion susceptibility prediction in Mollisols using machine learning models. // Journal of Soil and Water Conservation. – 2023. – No. 78. – pp. 385–396. DOI: 10.2489/jswc.2023.00019.
English
Русский
