Прогнозирование оползневой опасности в окрестностях Красной Поляны на основе линейного дискриминантного анализа

Дан пример приложения современных вероятностно-статистических методов (линейный дискриминантный анализ) для построения модели оценки оползневой опасности. Создана компьютерная модель для прогноза принадлежности участков территории к потенциально оползневым по результатам инвентаризации оползней в районе пос. Красная Поляна (Краснодарский край), ранее проведенной одним из авторов. Выделены участки с наибольшими уровнями оползневой опасности, показаны возможные «проблемные» инженерные объекты и сооружения.

К 2018 г. накоплена масса фактического материала по оползнеобразованию на ряде относительно небольших участков по всему миру и примеров построения математических моделей, объясняющих пространственные закономерности схода оползней. Охарактеризованы самые распространенные из ошибок, допускаемые исследователями при создании таких моделей. Показано также, что, по крайней мере, в англоязычной печати нет примеров вероятностно-статистического моделирования оползневой опасности на территории России.

Описаны структура и принципы работы расчетного алгоритма, реализованного в среде R, приведены характерные значения продолжительности выполнения его отдельных этапов и всего в совокупности на стандартном настольном ПК. Среди важных достоинств алгоритма: 1) пользователь не решает, какой именно набор характеристик должен тестироваться на предмет предсказательной силы, 2) для оценки «качества» модели используется не точность, а чувствительность, что более логично при условии, что оползневой процесс вряд ли реализовался на территории окончательно.

Созданная модель базируется на шести морфометрических характеристиках рельефа: минимум нормализованной высоты, минимум стандартизованной высоты, среднее значение т. н. «terrain view factor» в ячейке, среднее значение и стандартное отклонение т. н. «multiresolution index of valley bottom flatness», максимум отрицательной топографической открытости. Надежность прогноза по модели для рассматриваемой территории – 73%. 

1. Аньези В., Костанзо Д., Минина М.В., Королев В.А., Ротильяно Э. Применение статистических непараметрических методов для оценки факторов оползневых процессов на территории районов Шиллато и Кальтавутуро (о. Сицилия) // Сергеевские чтения. Вып. 15. Материалы годичной сессии Научного совета РАН по проблемам геоэкологии, инженерной геологии и гидрогеологии. М.: РУДН, 2013. С. 101–105.

2. Болысов С.И., Бредихин А.В., Еременко Е.А. Комплексная мелкомасштабная оценка геоморфологической безопасности России // Вестн. Моск. ун-та. Сер. 5. Геогр. 2016. № 2. С. 3–12.

3. Жидков М.П. Условия возникновения крупных обвально-оползневых явлений на Большом Кавказе // Геоморфология. 2000. № 1. С. 73–82.

4. Каток А.Б., Хассельблат Б. Введение в современную теорию динамических систем. М.: Факториал, 1999. 768 с.

5. Крестин Б.М., Мальнева И.В. Активность оползневого и селевого процессов на территории Большого Сочи и ее изменения в начале XXI века // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2015. № 1. С. 58–66.

6. Милановский Е.Е. Новейшая тектоника Кавказа. М.: Недра, 1968. 483 с.

7. Почвенно-экологический атлас Краснодарского края / Виднов А.С. и др. Краснодар: КЗРЗ КК, 1999. 20 с.

8. Федоренко В.С. Горные оползни и обвалы, их прогноз. М.: МГУ, 1988. 214 с.

9. Шварев С.В. Анализ параметров древнего катастрофического оползня в долине реки Пслух (Западный Кавказ) с использованием данных лазерного сканирования // Геоморфология. 2015. № 4. С. 90–98.

10. Aditian A., Kubota T., Shinohara Y. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology, 2018, vol. 318, p. 101–111.

11. Baoping W., Sijing W., Enzhi W., Jianmin Z. Characteristics of rapid giant landslides in China. Landslides, 2004, no. 1, p. 247–261.

12. Boehner J., Selige T. Spatial prediction of soil attributes using terrain analysis and climate regionalization. SAGA – Analysis and Modelling Applications, Goettingen, Goettinger Geographische Abhandlungen, 2006, p. 13–28.

13. Box G.E.P., Cox D. R. An analysis of transformations. Journal of the Royal Statistical Society, Series B, 1964, no. 26 (2), p. 211–252.

14. Carrara A. Multivariate Models for Landslide Hazard Evaluation. Mathematical Geology, 1983, vol. 15, no. 3, p. 403–426.

15. Dozier J., Frew J. Rapid calculation of terrain parameters for radiation modeling from digital elevation data. IEEE Transactions on Geoscience and Remote Sensing, 1990, no. 28, p. 963–969.

16. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters, 2006, no. 27, p. 861–874.

17. Gallant J.C., Dowling T.I. A multiresolution index of valley bottom flatness for mapping depositional areas. Water Resources Research, 2003, no. 39(12), p. 1347–1360.

18. Gorsevski P.V., Gessler P.E., Foltz R.B., Elliot W.J. Spatial prediction of landslide hazard using logistic regression and ROC analysis. Transactions in GIS, 2006, vol. 10, no. 3, p. 395–415.

19. Green D.M., Swets J.A. Signal detection theory and psychophysics. New York, NY: John Wiley and Sons Inc., 1966, 234 p.

20. Grus J. Data Science from Scratch. Sebastopol, CA: O’Reilly, 2015, 320 p.

21. Guo Ch., Montgomery D.R., Zhang Y., Wang K., Yang Z. Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone, Tibetan Plateau, China. Geomorphology, 2015, vol. 248, p. 93–110.

22. He S., Pan P., Dai L., Wang H., Liu J. Application of kernelbased Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China. Geomorphology, 2012, no. 171–172, p. 30–41.

23. King D., Bourennane H., Isambert M., Macaire J.J. Relationship of the Presence of a Non-Calcareous Clay-Loam Horizon to DEM Attributes in a Gently Sloping Area. Geoderma, 1999, no. 89(1–2), p. 95–111.

24. Korup O., Clague J.J., Hermanns R.L., Hewitt K., Strom A.L., Weidinge J.T. Giant landslides, topography and erosion. Earth and Planetary Science Letters, 2007, no. 261, p. 578–589.

25. Lee S., Pradhan B. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides, 2007, vol. 4, no. 1, p. 33–41.

26. Prima O.D.A., Echigo A., Yokoyama R., Yoshida T. Supervised landform classification of Northeast Honshu from DEM-derived thematic maps. Geomorphology, 2006, vol. 78, p. 373–386.

27. Reichenbach P., Rossi M., Malamud B.D., Mihir M., Guzzetti F. A review of statistically-based landslide susceptibility models. Earth-Science Reviews, 2018, no. 180, p. 60–91.

28. Trigila A., Iadanza C., Esposito C., Scarascia-Mugnozza G. Comparison of logistic regression and random forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy). Geomorphology, 2015, vol. 249, p. 119–136.

29. von Ruette J., Papritz A., Lehmann P., Rickli C., Or D. Spatial statistical modeling of shallow landslides – Validating predictions for different landslide inventories and rainfall events. Geomorphology, 2011, vol. 133, no. 1–2, p. 11–22.

30. Yokoyama R., Shirasawa M., Pike R.J. Visualizing topography by openness: A new application of image processing to digital elevation models. Photogrammetric Engineering and Remote Sensing, 2002, vol. 68, p. 251–266.