Centre de documentation
scientifique

Actualité

L'actu ! fermeture automnale

Le centre de documentation est fermé pour les vacances de Toussaint. Les prêts sont suspendus pour le moment. Merci d'adresser vos questions à cdos at ensg.e...

Consulter les archives

Dernière publication Consultez les parutions du CDoS

Informations pratiques

Le centre de documentation scientifique
de l'Institut est aussi celui de l'ENSG-Géomatique.

Envoyez un mail au contact ci-dessous pour vos demandes.

Contact : cdos@ign.fr

Comment venir ?
Pour se rendre au centre de documentation, se reporter au 'Plan d'accès au bâtiment' tout en bas de page à droite. Le centre se trouve dans le bâtiment de l'ENSG. On y accède par le hall, entre l'aile Cassini et l'aile Laplace.

Mots RAMEAU représentant le fonds du centre de documentation
géomatique, géodésie, réseaux (géodésie), systèmes de localisation par satellites,
imagerie satellitaire, traitement d'images, photogrammétrie, lasergrammétrie,
systèmes d'information géographique, données géospatiales, cartographie,
géographie - base de données

Nouvelle recherche

Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping / Emrehan Kutlug Sahin in Geocarto international, vol 37 n° 9 ([15/05/2022])

Public

[article]
inGeocarto international > vol 37 n° 9 [15/05/2022] . - pp 2441 - 2465

Titre :	Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping
Type de document :	Article/Communication
Auteurs :	Emrehan Kutlug Sahin, Auteur
Année de publication :	2022
Article en page(s) :	pp 2441 - 2465
Note générale :	bibliographie
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Analyse spatiale [Termes IGN] algorithme d'apprentissage [Termes IGN] analyse comparative [Termes IGN] cartographie thématique [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] effondrement de terrain [Termes IGN] Extreme Gradient Machine [Termes IGN] khi carré [Termes IGN] Turquie
Résumé :	(auteur) The aim of the study is to compare four recent gradient boosting algorithms named as Gradient Boosting Machine (GBM), Categorical Boosting (CatBoost), Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (LightGBM) for modelling landslide susceptibility (LS). In the first step of the study, the geodatabase including landslide inventory map and landslide conditioning factors was constructed. In the second step, chi-square (CHI) statistic-based feature selection (FS) technique was utilized to compute the importance of the landslide causative factors. In the third step, tree-based ensemble learning algorithms were applied to predict the potential distribution of landslide susceptibility. Also, the prediction performance of ensemble methods was compared to that of Random Forest (RF) ensemble method. Finally, the prediction capabilities of the methods were assessed using overall accuracy (Acc), area under the receiver operating characteristic curve (AUC), kappa index, root mean square error (RMSE), and F score measures. In order to further evaluation, the McNemar's test was utilized to assess statistical significance in the differences between the four gradient boosting models. The accuracy results indicated that the CatBoost model had the highest prediction capability (Acc= 0.8503 and AUC= 0.8975), followed by the XGBoost (Acc= 0.8336 and AUC= 0.8860), the LightGBM (Acc= 0.8244 and AUC= 0.8796) and the GBM (Acc= 0.8080 and AUC= 0.8685). On the other hand, the estimated accuracy measures considered in this study showed that the RF method had the lowest prediction capability of compared the others. Although the individual performances of the methods were found to be acceptable level, the CatBoost method showed the superior performance compared to others with respect to the AUC and Acc values estimated in this study. The results of the study confirmed that the relatively new ensemble learning techniques were efficient and robust for producing LS maps and furthermore, it is probably that these algorithms will be preferred more often in the future studies due to their robustness.
Numéro de notice :	A2022-564
Affiliation des auteurs :	non IGN
Thématique :	GEOMATIQUE
Nature :	Article
nature-HAL :	ArtAvecCL-RevueIntern
DOI :	10.1080/10106049.2020.1831623
Date de publication en ligne :	16/10/2020
En ligne :	https://doi.org/10.1080/10106049.2020.1831623
Format de la ressource électronique :	URL article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=101244

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
059-2022091	RAB	Revue	Centre de documentation	En réserve L003	Disponible

IGN

IGN / ENSG

Centre de documentation
scientifique
6 et 8 Avenue Blaise Pascal
Cité Descartes
Champs-sur-Marne
77455 Marne la Vallée
Cedex 2
L'IGN a pour vocation

de décrire la surface du territoire national et l'occupation de son sol, et d'élaborer et de mettre à jour l'inventaire permanent des ressources forestières nationales.
Accès directs
2014 -2024 IGN

IGN

Centre de documentation
scientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! fermeture automnale

Informations pratiques

Exemplaires(1)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

IGN

Centre de documentationscientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! fermeture automnale

Informations pratiques

Exemplaires(1)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

Centre de documentation
scientifique