Search

Erdrutsche ist eine zerstörerische und schädliche Naturkatastrophe, die weltweit oft eine große Anzahl von Opfern und wirtschaftlichen Verlusten verursacht. Datengetriebene oder maschinelles Lernen basierte Erdrutschanfälligkeitskartierungs methode ist ein Start-of-the-Art, der effektiv die räumlichen Verteilungsinformationen der Erdrutschanfälligkeit erhalten kann, und sie kann die Entscheidungsfindung unterstützen und indirekt den durch Erdrutsch verursachten Verlust reduzieren. Eine gängige datengetriebene oder maschinelle Lernmethode, die auf einer großen Anzahl hochwertiger Trainingsdaten beruht, ist jedoch in der Regel unmöglich zu erhalten. Daher lautet die Forschungsfrage dieser Dissertation: Wie kann eine neue Methode entworfen werden, die die bestehende Methode auf Basis einer Vielzahl hochwertiger Trainingsdaten beseitigt und auf die Modellierung der Hangrutschanfälligkeit angewendet werden kann, um die Genauigkeit der Hangrutschanfälligkeit zu verbessern? Basierend auf der Idee des Integrationsmodells haben wir einige neue Methoden vorgeschlagen, um die Forschungsfrage zu bearbeiten. Um meine Idee und Methode zu validieren, wurden drei Studiengebiete genannt: Youfanggou Bezirk, Yanshan Kreis, Yongxin Kreis, die in der Gansu Provinz liegen und Jiangxi Provinz von China als Fallstudie ausgewählt. Basierend auf den Ergebnissen des Experiments finde ich, dass Integrationsmodelle gute Ergebnisse bei der Kartierung der Erdrutschanfälligkeit erzielen können. Es wird geschlossen, dass die vorgeschlagenen Integrationsmodelle eine effektive Möglichkeit bieten, die Anfälligkeit von Erdrutschen vorherzusagen und als Methode für andere Gebiete der Welt verwendet werden können., Landslide is a destructive and harmful natural disaster, which often causes a large number of casualties and economic losses worldwide. Data driven or machine learning based landslide susceptibility mapping method is start-of-the-art which can effectively obtain the spatial distribution information of landslide susceptibility, and it can assist decision-making and indirectly reduce the loss caused by landslide. However, common data driven or machine learning method relying on a large number of high-quality training data, however, it is usually impossible to obtain. Therefore, the research question of this dissertation is: how to design a new method that can get rid of the existing method relying on a large number of high-quality training data, and apply it to model landslide susceptibility in order to improve the accuracy of landslide susceptibility mapping. Based on integration model idea, we proposed some new methods to deal with the research question. In order to validate my idea and method, three study area named: Youfanggou district, Yanshan County, Yongxin County which are lied in the Gansu and Jiangxi Province of China are chosen as case study. Based on the result of experiment, I find that integration models can achieve good result about landslide susceptibility mapping. It is concluded that the proposed integration models provide an effective way to predicting the susceptibility of landslide and can be used as a method for other areas in the world.