Phân vùng nguy cơ trượt lở dọc các tuyến đường giao thông trọng điểm miền núi tỉnh quảng nam bằng công nghệ GIS và máy học (machine learning)

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN - ĐẶNG THỊ THÙY PHÂN VÙNG NGUY CƠ TRƢỢT LỞ DỌC CÁC TUYẾN ĐƢỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM BẰNG CÔNG NGHỆ GIS VÀ MÁY HỌC (MACHINE LEARNING) LUẬN VĂN THẠC SĨ KHOA HỌC Hà Nội - 2020 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN - ĐẶNG THỊ THÙY PHÂN VÙNG NGUY CƠ TRƢỢT LỞ DỌC CÁC TUYẾN ĐƢỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM BẰNG CÔNG NGHỆ GIS VÀ MÁY HỌC (MACHINE LEARNING) LUẬN VĂN THẠC SĨ KHOA HỌC Chuyên ngành: Bản đồ, Viễn thám Hệ thông tin Địa lý Mã số: 8440211.01 Ngƣời hƣớng dẫn khoa học: TS Dƣơng Thị Toan XÁC NHẬN HỌC VIÊN ĐÃ CHỈNH SỬA THEO GÓP Ý CỦA HỘI ĐỒNG Giáo viên hƣớng dẫn Chủ tịch hội đồng chấm luận văn thạc sĩ khoa học TS Dƣơng Thị Toan PGS.TS Đinh Thị Bảo Hoa Hà Nội - 2020 Lời cam đoan Tôi xin cam đoan kết nghiên cứu dƣới hỗ trợ thầy cô hƣớng dẫn Các nội dung nghiên cứu, kết luận văn trung thực chƣa đƣợc cơng bố dƣới hình thức trƣớc Học viên cao học Đặng Thị Thùy i Lời cảm ơn Trong trình thực luận văn Thạc sĩ, em nhận đƣợc giúp đỡ quý báu vật chất tinh thần nhƣ kiến thức chuyên môn từ thầy cô bạn bè Trƣớc tiên, em xin gửi lời cảm ơn sâu sắc đến PGS TS Đỗ Minh Đức TS Dƣơng Thị Toan định hƣớng, hƣớng dẫn bảo tận tình cho em suốt trình nghiên cứu thực luận văn Em xin chân thành cảm ơn thầy, cô Khoa Địa lý – trƣờng Đại học Khoa học Tự nhiên Hà Nội tạo điều kiện cho em suốt trình học tập khoa Em xin gửi lời cảm ơn đến đề “Nghiên cứu dự báo nguy tai biến trƣợt lở mái dốc dọc tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam đề xuất giải pháp ứng phó”, mã số: ĐTĐL.CN-23/17 PGS TS Đỗ Minh Đức làm chủ trì cung cấp tài liệu hỗ trợ em trình thực luận văn Cuối cùng, em xin gửi lời cảm ơn tới gia đình, bạn bè, ngƣời động viên, khích lệ em suốt thời gian học tập nghiên cứu Một lần em xin chân thành cảm ơn! Học viên cao học Đặng Thị Thùy Mục lục MỞ ĐẦU CHƢƠNG I TỔNG QUAN VÀ CÁC PHƢƠNG PHÁP NGHIÊN CỨU 1.1 Khái quát trƣợt lở 1.2 Tổng quan ứng dụng GIS máy học nghiên cứu trƣợt lở giới Việt Nam 1.1.1 Thế giới 1.1.2 Việt Nam 11 1.2 Cơ sở tài liệu, quy trình phƣơng pháp nghiên cứu 16 1.2.1 Cơ sở tài liệu 16 1.3.2 Quy trình nghiên cứu 17 1.3.3 Phƣơng pháp nghiên cứu 17 CHƢƠNG II ĐIỀU KIỆN TỰ NHIÊN – KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU 25 2.1 Vị trí địa lý 25 2.2 Đặc điểm tự nhiên 26 2.2.1 Đặc điểm địa hình 26 2.2.2 Đặc điểm mạng lƣới thủy văn 27 2.2.3 Đặc điểm khí hậu 29 2.2.4 Đặc điểm địa chất 30 2.2.5 Đặc điểm thảm thực vật 34 2.2.6 Hiện trạng đất 34 2.3 Đặc điểm kinh tế - xã hội 36 2.3.1 Giao thông 36 2.3.2 Đặc điểm kinh tế 37 iii 2.3.3 Đặc điểm xã hội 38 2.4 Khái quát tuyến quốc lộ 38 CHƢƠNG III XÂY DỰNG VÀ ĐÁNH GIÁ BẢN ĐỒ PHÂN VÙNG NGUY CƠ TRƢỢT LỞ DỌC CÁC TUYẾN ĐƢỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM 41 3.1 Xây dựng sở liệu trạng trƣợt lở yếu tố ảnh hƣởng 41 3.1.1 Hiện trạng trƣợt lở 41 3.1.2 Xây dựng liệu yếu tố ảnh hƣởng 51 3.2 Xây dựng đồ phân vùng nguy trƣợt lở 56 KẾT LUẬN 67 TÀI LIỆU THAM KHẢO 69 iv Danh mục hình Hình Mối quan hệ AI, deep learning machine learning .8 Hình Phân loại máy học Hình Trƣợt lở quốc lộ 14G tỉnh Quảng Nam .16 Hình Hoạt động mạng nơ ron nhân tạo nhƣ hệ thống mạng nơ ron não ngƣời 19 Hình Mạng lƣới mạng nơ ron nhân tạo 20 Hình Bài toán phân chia mặt phẳng chiều 21 Hình Bài tốn phân chia mặt phẳng đa chiều 22 Hình Mơ biến đổi khơng gian Kernel 22 Hình Các bƣớc xây dựng đồ phân vùng nguy trƣợt lở 23 Hình 10 Mơ AUC - ROC 24 Hình 11 Sơ đồ khu vực nghiên cứu 25 Hình 12 Cơng nhân tiến hành xúc dọn Km89+500 QL24C 43 Hình 13 Trƣợt lở tuyến quốc lộ 40B 43 Hình 14 Bản đồ trạng trƣợt lở khu vực nghiên cứu 48 Hình 15 Trƣợt lở km 67 + 100 đƣờng QL40B 49 Hình 16 Trƣợt lở gây trƣợt taluy âm km 72+650 đƣờng QL40B .49 Hình 17 Trƣợt lở km 75 +810 đƣờng QL40B 49 Hình 18 Trƣợt lở km 127 + 700 đƣờng QL40B 49 Hình 19 Trƣợt lở km 138+650 đƣờng QL40B 49 Hình 20 Trƣợt lở km 1373 + 200 đƣờng HCM 49 Hình 21 Trƣợt lở km 1392 + 750 đƣờng HCM 50 Hình 22 Trƣợt lở km 1401 + 400 đƣờng HCM 50 Hình 23 Trƣợt lở km 80 + 670 đƣờng QL24C 50 Hình 24 Trƣợt lở km 92 + 600 đƣờng QL 24C 50 Hình 25 Trƣợt lở km 65 + 000 QL 14D 50 Hình 26 Trƣợt lở km 85 + 300 QL 14E 50 Hình 27 Cách thức tổ chức liệu excel 56 Hình 28 Cách thức xây dựng mơ hình .57 vii Hình 29 Chạy mơ hình phần mềm R 57 Hình 30 AUC mơ hình mạng nơ ron nhân tạo 58 Hình 31 AUC mơ hình máy vec tơ hỗ trợ 58 Hình 32 Phân vùng nguy trƣợt lở tuyến Hồ Chí Minh quốc lộ 14D theo mạng nơ ron nhân tạo 61 Hình 33 Phân vùng nguy trƣợt lở tuyến Hồ Chí Minh quốc lộ 14D theo máy vec tơ hỗ trợ 62 Hình 34 Phân vùng nguy trƣợt lở tuyến quốc lộ 14B 14G theo mạng nơ ron nhân tạo .63 Hình 35 Phân vùng nguy trƣợt lở tuyến quốc lộ 14B 14G theo máy vec tơ hỗ trợ 63 Hình 36 Phân vùng nguy trƣợt lở tuyến quốc lộ 40B 24C theo mạng nơ ron nhân tạo .64 Hình 37 Phân vùng nguy trƣợt lở tuyến quốc lộ 40B 24C theo máy vec tơ hỗ trợ 65 Hình 38 Phân vùng nguy trƣợt lở tuyến quốc lộ 14E theo mạng nơ ron nhân tạo 66 Hình 39 Phân vùng nguy trƣợt lở tuyến quốc lộ 14E theo máy vec tơ hỗ trợ 66 viii Danh mục bảng Bảng Phân loại trƣợt lở theo Varnes D.J [4] Bảng Phân loại trƣợt lở theo Ban Nghiên cứu đƣờng Mỹ (1958) [1] .5 Bảng Các nhóm đất, diện tích phân bố 35 Bảng Diện tích loại đất lâm nghiệp (đơn vị: ha) 36 Bảng Thống kê điểm trƣợt khu vực nghiên cứu 44 Bảng Phân nhóm yếu tố độ cao .51 Bảng Phân nhóm yếu tố độ dốc 52 Bảng Phân nhóm yếu tố mật độ phân cắt sâu .52 Bảng Phân nhóm yếu tố thạch học 53 Bảng 10 Phân nhóm yếu tố lớp phủ 53 Bảng 11 Phân nhóm yếu tố khoảng cách đến đƣờng giao thơng .54 Bảng 12 Phân nhóm yếu tố khoảng cách đến đứt gãy .54 Bảng 13 Phân nhóm yếu tố số ẩm ƣớt TWI .55 Bảng 14 Phân cấp nguy trƣợt lở dọc tuyến giao thông tỉnh Quảng Nam .59 Bảng 15 Đánh giá khác biệt kết phân vùng hai mơ hình .60 ix MỞ ĐẦU Tính cấp thiết Tỉnh Quảng Nam với huyện miền núi có địa hình đa dạng, cấu trúc địa chất phức tạp xung yếu đặc biệt hoạt động tân kiến tạo gây phân cắt địa hình mạnh mẽ, số tuyến giao thông miền núi phải đối mặt với tình trạng bị chia cắt trƣợt lở mái dốc, đặc biệt vào mùa mƣa Thực tế với ảnh hƣởng bất lợi hoạt động nhân sinh, tỉnh Quảng Nam nói chung, tuyến giao thơng huyết mạch miền núi nói riêng ln có nguy trƣợt lở mái dốc Những năm gần đây, tƣợng trƣợt lở mái dốc xảy đặc biệt nghiêm trọng số đoạn thuộc đƣờng Hồ Chí Minh, quốc lộ 14D, 14E, 14B, 40B, 24C Theo thống kê thiệt hại giai đoạn 2002 – 2019 trƣợt lở gây hƣ hỏng, vùi lấp hàng ngàn mét khối đƣờng giao thông hàng năm, gây thiệt hại ngƣời tiền để khắc phục cố, sửa chữa đƣờng đảm bao lƣu thông, lại ngƣời dân Tổng thiệt hại 1.000 tỷ đồng với khối lƣợng đất đá vùi lấp lên đến hàng triệu mét khối Đặc biệt đợt mƣa lớn lịch sử cuối năm 2017 làm ngƣời chết 117 tỷ đồng với hàng trăm điểm trƣợt tất tuyến quốc lộ, tỉnh lộ đƣờng huyện Để đánh giá, phòng tránh giảm thiểu tổn thƣơng, thiệt hại trƣợt lở tuyến đƣờng giao thông gây địi hỏi phải có tính tốn, dự báo tin cậy khả phát triển tai biến Hiện nay, có nhiều phƣơng pháp nghiên cứu đánh giá, dự báo trƣợt lở khác đƣợc công bố Việt Nam, có phƣơng pháp ứng dụng hệ thống thông tin địa lý (GIS – Geographic Information System) mơ hình machine learning – máy học nghiên cứu trƣợt lở trở nên phổ biến mang lại hiệu Máy học tập AI, phân ngành khoa máy học tính, với mục đích tạo cho máy tính khả học hỏi từ liệu sẵn có Một số mơ hình máy học đƣợc sử dụng thành lập đồ phân vùng nguy trƣợt lở nhƣ: hồi quy logistic, định, mạng nơ ron nhân tạo, K-means, K-nearest neighbor, máy vec tơ hỗ trợ … Trong mơ hình mạng nơ ron nhân tạo máy vec tơ hỗ trợ hầu hết nghiên cứu Thế giới Việt Nam cho là: 0.946 0.961, độ xác mạng nơ ron nhân tạo thấp máy vec tơ hỗ trợ Các ngƣỡng phân chia nguy trƣợt lở theo mạng nơ ron nhân tạo máy vec tơ hỗ trợ: dựa theo tỷ lệ trƣợt (tính tốn phân vị) 50%, 20%, 10%, 3%, 1% (bảng 14) Các cấp nguy đƣợc tính tốn cho điểm đƣa lại vào phần mềm ArcGIS để biên tập đồ phân vùng nguy (hình 33-40) Bảng 14 Phân cấp nguy trƣợt lở dọc tuyến giao thông tỉnh Quảng Nam TT Tỷ lệ trƣợt lở (%) Mạng nơ ron nhân tạo Máy vec tơ hỗ trợ Nguy 50 0.9567501 0.90667631 Rất cao 20 0.9366158 0.76324337 Cao 10 0.6914289 0.21520964 Trung bình 0.4227296 0.04788579 Thấp 0.2156423 0.01125863 Rất thấp Sự khác biệt kết phân vùng hai mơ hình theo cấp nguy (bảng 15): cấp nguy (80%), khác cấp nguy (20%) Các cấp nguy khác biệt không lớn: cao -> cao, cao -> trung bình, trung bình -> thấp, thấp -> thấp ngƣợc lại Khơng có nguy vực chênh lệch lớn kết nhƣ: cao -> thấp thấp Có thể thấy, nguy trƣợt lở cao cao hai mơ hình tập trung hai bên tuyến đƣờng, kết hợp lý Vì liệu lịch sử trƣợt lở đƣợc sử dụng cho mơ hình khối trƣợt tập trung dọc đƣờng giao thơng, yếu tố khoảng cách đến đƣờng giao thơng có ảnh hƣởng lớn đến trƣợt lở, đặc biệt khoảng 0-200m Dựa độ xác AUC hai mơ hình kết so sánh khác biệt thấy đồ phân vùng nguy cho độ tin cậy cao, kết hợp với việc phân tích lƣợng mƣa phục vụ công tác cảnh báo trƣợt lở 59 Bảng 15 Đánh giá khác biệt kết phân vùng hai mơ hình Mạng nơ ron nhân tạo Rất thấp Thấp Thấp 18.02 Trung bình Trung bình 11.80 Cao Cao 4.82 Rất cao Rất cao 2.69 Rất thấp Thấp 3.82 Thấp Rất thấp 2.85 Thấp Trung bình 3.17 Trung bình Thấp 3.25 10 Trung bình Cao 2.03 11 Cao Trung bình 2.50 12 Cao Rất cao 1.20 13 Rất cao Cao 0.92 TT Máy véc tơ hỗ trợ Tỷ lệ (%) Rất thấp 40.48 60 Hình 33 Phân vùng nguy trƣợt lở tuyến Hồ Chí Minh quốc lộ 14D theo mạng nơ ron nhân tạo 61 Hình 34 Phân vùng nguy trƣợt lở tuyến Hồ Chí Minh quốc lộ 14D theo máy vec tơ hỗ trợ 62 Hình 35 Phân vùng nguy trƣợt lở tuyến quốc lộ 14B 14G theo mạng nơ ron nhân tạo Hình 36 Phân vùng nguy trƣợt lở tuyến quốc lộ 14B 14G theo máy vec tơ hỗ trợ 63 Hình 37 Phân vùng nguy trƣợt lở tuyến quốc lộ 40B 24C theo mạng nơ ron nhân tạo 64 Hình 38 Phân vùng nguy trƣợt lở tuyến quốc lộ 40B 24C theo máy vec tơ hỗ trợ 65 Hình 39 Phân vùng nguy trƣợt lở tuyến quốc lộ 14E theo mạng nơ ron nhân tạo Hình 40 Phân vùng nguy trƣợt lở tuyến quốc lộ 14E theo máy vec tơ hỗ trợ 66 KẾT LUẬN Dọc 07 tuyến giao thông thuộc phạm vi nghiên cứu luận văn: quốc lộ 14B, 14D, 14G, 14E, 24C, 40B đƣờng Hồ Chí Minh thƣờng xuyên xảy trƣợt lở gây thiệt hại ngƣời tài sản, đặc biệt tuyến quốc lộ 40B đƣờng Hồ Chí Minh Ghi nhận 128 khối trƣợt với cấp thể tích tƣơng ứng V1 100.000 m3 Mơ hình mạng nơ ron nhân tạo máy véc tơ hỗ trợ đƣợc lựa chọn kết hợp với GIS để xây dựng đồ phân vùng nguy trƣợt lở Dữ liệu sử dụng làm đầu vào cho hai mơ hình bao gồm yếu tố ảnh hƣởng đến trƣợt lở độ cao, độ dốc, mật độ phân cắt sâu, thạch học, khoảng cách đến đƣờng giao thông, khoảng cách đến đứt gãy, số ẩm ƣớt địa hình, lớp phủ 128 khối trƣợt xảy lịch sử Phạm vi nghiên cứu 07 tuyến đƣờng (lấy sang bên đƣờng 4km), số lƣợng pixel 32.400.000 pixel, có trƣợt lở 3256 pixel Kết phân vùng nguy trƣợt lở từ hai mơ hình đƣợc phân cấp theo tỉ lệ xuất 50%, 20%, 10%, 3%, 1% tƣơng ứng với cấp nguy trƣợt lở: thấp, thấp, trung bình, cao, cao Trong diện tích vùng trƣợt lở cao cao chiếm khoảng 8% 5% tập chung chủ yếu dọc tuyến giao thông Bản đồ phân vùng nguy đƣợc thành lập cho 07 tuyến đƣờng Độ xác mơ hình đƣợc đánh giá tập liệu kiểm tra, kết cho thấy hai mơ hình có độ xác cao (AUC>90%), mơ hình máy véc tơ hỗ trợ (AUC=0.961) có độ xác cao mơ hình neural network (AUC=0.946) Sự khác biệt kết phân vùng hai mơ hình theo cấp nguy cơ: cấp nguy (80%), khác cấp nguy (20%) Có thể thấy hai mơ hình khơng có khác biệt lớn, khơng có nguy vực chênh lệch lớn cấp nguy nhƣ cao -> thấp thấp Mơ hình máy véc tơ hỗ trợ phù hợp cho xây dựng đồ phân vùng nguy tuyến giao thông trọng điểm tỉnh Quảng Nam Kiến nghị sử dụng kết 67 mơ hình kết hợp với việc phân tích lƣợng mƣa phục vụ cơng tác cảnh báo trƣợt lở dọc tuyến giao thông 68 TÀI LIỆU THAM KHẢO Tiếng Việt Cổng thông tin điện tử tỉnh Quảng Nam http://www.quangnam.gov.vn/ Dữ liệu thiên tai Việt Nam https://dulieudiali.wordpress.com/ Nghiêm Hữu Hạnh (2010), “Nghiên cứu bƣớc đầu trƣợt lở đất vùng núi số tỉnh duyên hải miền Trung – Phƣơng pháp đánh giá”, Hội đập lớn phát triển nguồn nước Việt Nam Phạm Văn Hùng (2008), “Nghiên cứu đánh giá trạng, cảnh báo nguy trƣợt lở đất khu vực dân cƣ miền núi tỉnh Quảng Nam” Nguyễn Đức Lý (2015), “Phân loại dịch chuyển trọng lực đất đá sƣờn dốc, mái dốc thực trạng vấn đề đặt ra”, Tạp chí Khoa học Cơng nghệ Quảng Bình, số – 2015 Trần Mạnh Liểu nnk (2012), “Đánh giá rủi ro, dự báo nguy trƣợt lở thị xã Bắc Cạn”, Tạp chí Khoa học Cơng nghệ Xây dựng, số 3+4/2013 Chu Văn Ngợi (2007), Địa động lực tai biến địa chất, NXB Đại học Quốc gia Hà Nội Nguyễn Thám, Nguyễn Đăng Độ ng Đình Khanh (2012), “Xây dựng đồ nguy trƣợt lở đất tỉnh quảng trị phƣơng pháp tích hợp mơ hình phân tích thứ bậc (AHP) vào GIS”, Tạp chí Khoa học Đại học Huế, T 74, S (2012) Mai Thành Tân (2012), “Nghiên cứu đánh giá tai biến trƣợt đất tích hợp phƣơng pháp địa chất, địa mạo, mơ hình trọng số tối ƣu GIS lƣu vực sông khu vực Thừa Thiên Huế, Quảng Nam, Đà Nẵng, đề xuất giải pháp phòng tránh”, Viện Địa chất, Viện hàn lâm Khoa học Công nghệ Việt Nam 10 Trần Anh Tuấn, Ngyễn Tứ Dần (2012), “Nghiên cứu nhạy cảm phân vùng nguy trƣợt – lở đất khu vực hồ thủy điện Sơn La theo phƣơng pháp phân tích cấp bậc Saaty”, Tạp chí Các khoa học Trái đất, T 34, S 11 Vũ Duy Tiến (2014), “Nghiên cứu đánh giá nguy tai biến tượt lở huyện Bắc Yên, tỉnh Sơn La với hỗ trợ công nghệ viễn thám – GIS”, Luận văn Thạc sĩ, Đại học Khoa học tự nhiên, Đại học Quốc gia Hà Nội 69 12 Trần Tân Văn nnk (2003), “Đánh giá tai biến địa chất tỉnh ven biển miền Trung từ Quảng Bình đến Phú Yên, trạng, nguyên nhân, dự báo đề xuất biện pháp phòng tránh giảm thiểu hậu quả” Báo cáo tổng kết dự án, Viện nghiên cứu Địa chất Khoáng sản, Cục Địa chất Khoáng sản Việt Nam, Lƣu trữ Địa chất, Hà Nội 13 Trần Tân Văn nnk (2006), “Nghiên cứu, đánh giá điều kiện địa chất, kiến tạo yếu tố liên quan đến tai biến địa chất, môi trƣờng dọc số đoạn tuyến đƣờng Hồ Chí Minh” Báo cáo tổng kết dự án Lƣu trữ Địa chất, Hà Nội 14 Nguyễn Trọng Yêm nnk (2001), “Điều tra kiến nghị giải pháp xử lý cố môi trƣờng miền núi Việt Nam (giai đoạn V-2000, khu vực Duyên hải miền Trung)”, Báo cáo tổng kết dự án, Viện Địa chất, Hà Nội 15 Nguyễn Trọng Yêm nnk (2005), “Thiên tai nứt đất lãnh thổ Việt Nam đề xuất giải pháp phòng tránh giảm thiểu thiệt hại” Báo cáo tổng kết dự án điều tra bản, Viện Địa chất, Hà Nội 16 Nguyễn Trọng Yêm nnk (2009), “Nghiên cứu xây dựng đồ khoanh vùng tai biến môi trƣờng tự nhiên lãnh thổ Việt Nam” Báo cáo tổng kết Đề tài cấp Nhà nƣớc, mã số KC-08-01, lƣu trữ Viện Địa chất, Hà Nội Tiếng Anh 17 AghaKouchak, A Farahmand (2013), “A satellite-based global landslide model”, Nat Hazards Earth Syst Sci, vol 13, pp 1259-1267 18 Beven K.J and Kirkby M.J (1979), “A Physically Based, Variable Contributing Area Model of Basin Hydrology/ Un modèle base physique de zone d’appel variable de l’hydrologie du bassin versant”, Hydrological Sciences Bulletin, vol 24, pp 43-69 19 Binh Thai Pham, Biswajeet Pradhan, Dieu Tien Bui, Indra Prakash, M.B Dholakia (2016), “A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of Uttarakhand area (India)”, Environmental Modelling & Software, vol 84, pp 240-250 20 Binh Thai Pham, Dieu Tien Bui, Hamid Reza Pourghasemi, Prakash Indra and M B Dholakia (2015), “Landslide susceptibility assessment in the Uttarakhand area (India) using GIS: a comparison study of prediction 70 capability of naïve bayes, multilayer perceptron neural networks, and functional trees methods”, Theoretical and Applied Climatology, vol 122(3) 21 Binh Thai Pham, Dieu Tien Bui, Indra Prakash and M.B Dholakia (2016), “Evaluation of predictive ability of support vector machines and naive Bayes trees methods for spatial prediction of landslides in Uttarakhand state (India) using GIS”, Journal of Geomatics, vol 10(1), pp 71-79 22 Binh Thai Pham, Dieu Tien Bui, Indra Prakash, M.B Dholakia (2017), “Hybrid integration of Multilayer Perceptron Neural Networks and machine learning ensembles for landslide susceptibility assessment at Himalayan area (India) using GIS”, Catena, vol 149, pp 52–63 23 Binh Thai Pham, Dieu Tien Bui, M B Dholakia, Indra Prakash and Ha Viet Pham (2016), “A Comparative Study of Least Square Support Vector Machines and Multiclass Alternating Decision Trees for Spatial Prediction of Rainfall-Induced Landslides in a Tropical Cyclones Area”, Geotechnical and Geological Engineering, vol 34, pp 1807-1824, DOI 10.1007/s10706-0169990-0 24 Binh Thai Pham, Indra Prakash (2018), “Machine Learning Methods of Kernel Logistic Regression and Classification and Regression Trees for Landslide Susceptibility Assessment at Part of Himalayan Area, India”, Indian Journal of Science and Technology, Vol 11(12), DOI: 10.17485/ijst/2018/v11i12/99745, pp 1-10 25 Chao Zhou, Kunlong Yin (2014), “Landslide Displacement Prediction of WA-SVM Coupling Model Based on Chaotic Sequence” Electronic Journal of Geotechnical Engineering, vol 19, pp 2973-2987 26 Cruden D.M (1991), A Simple Definition of a Landslide Bulletin of the International Association of Engineering Geology, No 43, pp 27-29 27 Dieu Tien Bui, Binh Thai Pham, Quoc Phi Nguyen and Nhat-Duc Hoang (2016), “Spatial prediction of rainfall-induced shallow landslides using hybrid integration approach of Least-Squares Support Vector Machines and differential evolution optimization: a case study in Central Vietnam”, International Journal of Digital Earth, vol 9, pp 1077-1097 28 Dieu Tien Bui, Biswajeet Pradhan, Inge Revhaug and Chuyen Trung Tran (), 71 “A Comparative Assessment Between the Application of Fuzzy Unordered Rules Induction Algorithm and J48 Decision Tree Models in Spatial Prediction of Shallow Landslides at Lang Son City, Vietnam”, Remote Sensing Applications in Environmental Research, Chapter Number 6, pp 87111, DOI: 10.1007/978-3-319-05906-8_6 29 Dieu Tien Bui, Quoc Phi Nguyen, Nhat-Duc Hoang and Harald Klempe (2017), “A novel fuzzy K-nearest neighbor inference model with differential evolution for spatial prediction of rainfall-induced shallow landslides in a tropical hilly area using GIS”, Landslides, vol 14, pp 1–17, DOI 10.1007/s10346-016-0708-4 30 Dieu Tien Bui, Tien-Chung Ho, Biswajeet Pradhan, Binh-Thai Pham, VietHa Nhu, Inge Revhaug (2016), “GIS-based modeling of rainfall-induced landslides using data mining-based functional trees classifier with AdaBoost, Bagging, and MultiBoost ensemble frameworks”, Environ Earth Sci, vol 75(1101), DOI 10.1007/s12665-016-5919-4 31 Dieu Tien Bui, Tran Anh Tuan, Nhat-Duc Hoang, Nguyen Quoc Thanh, Duy Ba Nguyen, Ngo Van Liem and Biswajeet Pradhan (2017), “Spatial prediction of rainfall-induced landslides for the Lao Cai area (Vietnam) using a hybrid intelligent approach of least squares support vector machines inference model and artificial bee colony optimization”, Landslides, vol 14, pp 447-458, DOI 10.1007/s10346-016-0711-9 32 Haoyuan Hong, Biswajeet Pradhan, Chong Xua, Dieu Tien Bui (2015), “Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines”, Catena, vol 133, pp 266–281 33 Haoyuan Hong, Chong Xu, Inge Revhaug and Dieu Tien Bui (2015), “Spatial Prediction of Landslide Hazard at the Yihuang Area (China): A Comparative Study on the Predictive Ability of Backpropagation Multi-layer Perceptron Neural Networks and Radial Basic Function Neural Networks”, HumanComputer Interaction in Real-3D and Pseudo-3D Cartographic Visualization: A Comparative Study, Chapter 13, pp 175-188, DOI 10.1007/978-3-31917738-0_13 34 Kennedy Werea, Dieu Tien Bui, Øystein B Dicka and Bal Ram Singh 72 (2015), “A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soilorganic carbon stocks across an Afromontane landscape”, Ecological Indicators, vol 52, pp 394-403 35 Saaty T.L (1980), The analytic hierarchy process McGraw-Hill, New York 36 Varnes D.J (1984), IAEG Commission on Landslides Other MassMovements, Landslide Hazard Zonation: A Review of Principles and Practice UNESCO Press, Paris, 63 37 Wei Chen, Jiale Wang, Xiaoshen Xie, Haoyuan Hong, Nguyen Van Trung, Dieu Tien Bui, Gang Wang & Xinrui Li (2016), “Spatial prediction of landslide susceptibility using integrated frequency ratio with entropy and support vector machines by different kernel functions”, Environ Earth Sci, vol 75, pp 1-15, DOI 10.1007/s12665-016-6162-8 38 Wei Chen, Xiaoshen Xie, JialeWang, Biswajeet Pradhan, Haoyuan Hong, Dieu Tien Bui, Zhao Duan, Jianquan Ma (2017), “A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility”, Catena, vol 151, pp 147–160 39 X Z Li, J M Kong (2014), “Application of GA–SVM method with parameter optimization for landslide development prediction”, Nat Hazards Earth Syst Sci., vol 14, pp 525–533 40 USGS Science for a changing world http://landslides.usgs.gov 73 ...ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN - ĐẶNG THỊ THÙY PHÂN VÙNG NGUY CƠ TRƢỢT LỞ DỌC CÁC TUYẾN ĐƢỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM BẰNG CÔNG NGHỆ GIS. .. BẢN ĐỒ PHÂN VÙNG NGUY CƠ TRƢỢT LỞ DỌC CÁC TUYẾN ĐƢỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM 3.1 Xây dựng sở liệu trạng trƣợt lở yếu tố ảnh hƣởng Trong điều kiện thực tế tỉnh Quảng Nam, ... Xây dựng đồ phân vùng nguy trượt lở Quy trình xây dựng đồ cho 07 tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam đƣợc thể hình dƣới Hình Các bƣớc xây dựng đồ phân vùng nguy trƣợt lở 23 Sau