Ứng dụng thuật toán rừng ngẫu nhiên trong xây dựng bản đồ nhạy cảm trượt lở khu vực sông huyện Văn Yên, Yên Bái

ỨNG DỤNG THUẬT TOÁN RỪNG NGẪU NHIÊN
TRONG XÂY DỰNG BẢN ĐỒ NHẠY CẢM TRƯỢT LỞ KHU VỰC
SÔNG HUYỆN VĂN YÊN, YÊN BÁI
Trương Xuân Quang, Nguyễn Ngọc Hoan, Trần Thị Hương
Trường Đại học Tài ngun và Mơi trường Hà Nội
Tóm tắt
Mục tiêu của nghiên cứu này là xây dựng mơ hình học máy phù hợp trong nghiên cứu trượt
lở đất và xây dựng bản đồ tính nhạy cảm trượt lở cho huyện Văn Yên, tỉnh Yên Bái. Thuật toán
được lựa chọn sử dụng là thuật toán rừng ngẫu nhiên (Random Forest). Các vị trí lở đất được
chọn ngẫu nhiên trong tập hợp 302 điểm trượt lở, trong đó, 70 % tương đương với 210 điểm trượt
lở để huấn luyện và 30 % (92 điểm trượt lở) để xác nhận tính chính xác của mơ hình. Để xây dựng
bản đồ nhạy cảm trượt lở dựa trên thuật toán rừng ngẫu nhiêu, 11 yếu tố đã được nghiên cứu và
đưa vào sử dụng, các yếu tố đó là: hướng dốc, độ dốc, mạng lưới sông suối, đứt gãy địa chất, địa
chất, NDVI, đường giao thơng, chỉ số độ ẩm địa hình, độ cong theo phương ngang, độ cong theo
phương đứng, năng lượng dòng. Độ chính xác của mơ hình dự vào Confuse Matrix, kết quả cho
thấy, phương pháp có độ chính xác được xác định bằng phần diện tích bên dưới đường cong Areas
Under Curves-AUC = 0,903. Có 05 yếu tố ảnh hưởng quan trọng đến trượt lở đất đó là: đường
giao thơng, địa chất, hướng dốc, góc dốc và độ ẩm ướt địa hình.
Từ khóa: Bản đồ phân vùng trượt lở đất; Văn Yên, Yên Bái; Rừng ngẫu nhiên.
Abstract
Landslide susceptibility mapping using random forest model: a case studies in the Van Yen,
Yen Bai province
The goal of this study is to investigate a suitable machine learning model in landslide study
and to build a landslide susceptibility map for the study area (Van Yen district, Yen Bai province).
For this purpose, a random forest model was selected to study for this study area. All landslides
were randomly selected from 302 landslides, in which 70 % (210 landslides) of dataset for training
and the 30 % (92 landslides) for validation accuracy of the model. In order to prepare landslide
susceptibility map based on random forest model, 11 factors were considered as conditioning
factors related to landslide: aspect, river slope, fault, geology, NDVI, road, topographic wetness
index, plan curvature, profile curvature, stream power index. The accuracy of the model was
evaluated based on Confuse Matrix. The result showing, the method has accuracy was indentified

based on Areas Under Curves-AUC = 0.903. The five landslide causative factors: road, geology,
aspect, slope and topographic wetness index have tight correlation with landslide occurrence.
Keywords: Landslide susceptibility map; Van Yen, Yen Bai; Random forest.
1. Mở đầu
Việt Nam là một quốc gia nhiều đồi núi (đồi núi chiếm 85 % diện tích lãnh thổ), hiện tượng
sạt lở đất diễn ra phổ biến và tái diễn chủ yếu do những nguyên nhân liên quan địa chất, địa mạo,
tác động của con người và đặc biệt là điều kiện thời tiết không thuận lợi với khí hậu nhiệt đới, mưa
nhiều. Ngồi ra, Việt Nam còn được đánh giá là quốc gia bị ảnh hưởng lớn bởi biến đổi khí hậu.
Trong thời gian gần đây, sự kéo dài, liên tục và trái quy luật của hiện tượng mưa cực đoan đã có
nhiều dấu hiệu chứng tỏ rằng hiện tượng trượt lở ở Việt Nam sẽ không giảm đi. Trượt lở đất đứng
thứ 07 trong bảng xếp hạng các hiểm họa thiên nhiên lớn, tính theo số người chết được thống kê.
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

271


Từ năm 1903 - 2004, khoảng 16.000 người đã thiệt mạng do lở đất ở châu Âu [1]. Tại Việt Nam,
khu vực bị ảnh hưởng bởi sạt lở đất ở vùng núi phía Bắc và phân bố hẹp ở vùng Trung du, gần biên
giới với Lào. Tỉnh Yên Bái nằm ở phía Bắc của Việt Nam và được nhiều người biết đến với tình
trạng trượt lở đất thường xuyên xảy ra. Thiệt hại kinh tế và xã hội do sạt lở đất có thể được giảm
thiểu bằng cách lập kế hoạch và quản lý hiệu quả.
Yên Bái là tỉnh miền núi, nằm giữa vùng Tây Bắc - Đông Bắc và Trung du Bắc Bộ. Yên Bái
có toạ độ địa lý tại 210024’ - 220016’ vĩ độ Bắc; 1030056’ - 1050003’ kinh độ Đơng. Theo báo cáo
thống kê, tổng diện tích đất tự nhiên toàn tỉnh là 689.949,05 ha (theo số liệu kiểm kê năm 2020).
Trong đó, diện tích nhóm đất nơng nghiệp là 549.104,31 ha, chiếm 79,59 % diện tích đất tự nhiên;
diện tích nhóm đất phi nơng nghiệp là 47.906,46 ha, chiếm 6,94 %; diện tích đất chưa sử dụng là
92.938,28 ha, chiếm 13,47 %. Các thành tạo địa chất ở địa bàn tỉnh Yên Bái được phân chia thành
08 đối tượng (nhóm đất, đá) có thành phần cơ bản như sau: Nhóm đá bở rời, nhóm đá trầm tích
lục ngun giàu alumosilicat, nhóm đá phun trào axit - trung tính và tuf của chúng, nhóm đá xâm

nhập mafic - siêu mafic, nhóm đá xâm nhập axit - trung tính, nhóm đá biến chất giàu alumosilicat,
nhóm đá biến chất và trầm tích lục nguyên giàu thạch anh.
Trên địa bàn tỉnh Yên Bái, theo đánh giá của Viện Khoa học Địa chất và Khống sản, huyện
Văn n có diện tích khoảng 786 km2, chiếm tỷ lệ 56 % tổng diện tích tự nhiên tồn huyện, khu
vực có nguy cơ trượt lở đất rất thấp và thấp khoảng 245 km2. Chiếm tỷ lệ gần 18 % tổng diện tích
tự nhiên tồn huyện Văn Yên được xác định có nguy cơ trượt lở đất cao so với toàn bộ các khu
vực miền núi Việt Nam.
Trí tuệ nhân tạo (Artifical Intelligence - AI) ngày càng được ứng dụng rộng rãi trong khoa
học Trái đất, đặc biệt là trong nghiên cứu tai biến thiên nhiên nhờ khả năng xử lý khối lượng dữ
liệu khổng lồ và thuật tốn thơng minh, mơ phỏng trí thơng minh của con người. Trong nghiên
cứu về giám sát và cảnh báo trượt lở, AI không những được sử dụng để phân tích dữ liệu vệ tinh,
thành lập bản đồ kiểm kê, bản đồ nguy cơ mà còn sử dụng để xây dựng mơ hình mơ phỏng và dự
đốn sự kiện trượt lở. Một số nghiên cứu sử dụng dụng trí tuệ nhân tạo để xây dựng bản đồ nhạy
cảm trượt lở đất như của nhóm tác giả Ullo và cộng sự đã xây dựng mơ hình mạng nơron tích
chập (Convolutional Neural Network) - một loại mơ hình học máy (Machine Learning - ML) để
xác định điểm trượt lở sử dụng ảnh vệ tinh quang học [2], sử dụng phương pháp kết hợp giữa ML
và cây mơ hình tuyến tính (Logistic Model Tree - LMT) trong xây dựng bản đồ phân vùng trượt
lở [3], hay phương pháp áp dụng thuật toán rừng ngẫu nhiên để thành lập bản đồ nguy cơ trượt lở
tỉnh Lào Cai [4] và sử dụng mô hình máy học hồi quy tuyến tính đa biến để thành lập bản đồ nhạy
cảm trượt lở [5].

Hình 1: Một số hình ảnh trượt lở đất tại Yên Bái
272

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


Trong báo cáo này sử dụng thuật toán rừng ngẫu nhiên để xây dựng bản đồ nhạy cảm trượt lở
đất cho khu vực Văn Yên, Yên Bái (Hình 1). Thuật toán rừng ngẫu nhiên là một trong những thuật

toán máy học phổ biến nhất hiện nay. Nghiên cứu sử dụng 11 lớp thông tin đầu vào, các dữ liệu
đầu vào được xử lý bằng phần mềm QGIS version 3.18 và lớp thông tin hiện trạng trượt lở đất, để
xây dựng tập dữ liệu huấn luyện và kiểm thử mơ hình, bao gồm 302 vị trí trượt lở (số liệu từ Viện
Khoa học Địa chất và Khoáng sản Việt Nam năm 2013), thu thập tại () và
cuối cùng công cụ để xây dựng mơ hình rừng ngẫu nhiên là phần mềm R và một số các thư viện
tích hợp với ngơn ngữ R như Rgdal, Raster, ROCR và Rpart của ngôn ngữ R.
2. Dữ liệu sử dụng
Các lớp thông tin: (1) hướng dốc, (2) độ dốc, (3) chỉ số độ ẩm địa hình, (4) độ cong theo
phương ngang, (5) độ cong theo phương đứng, (6) năng lượng dịng được phân tích và tính tốn
từ ảnh ALOS PALSAR - Radiometric Terrain Correction, với độ phân giải là 12,5 x 12,5 m. Bằng
phần mềm QGISm, các bản đồ (7) đứt gãy địa chất (8) địa chất (9) mạng lưới sông suối, (10) bản
đồ đường giao thông được lấy từ Atlat Địa lý Việt Nam và của một số nghiên cứu trước đó. Lớp
thơng tin (11) NDVI được xây dựng từ ảnh viễn thám Sentinel-2, từ chương trình Copernicus của
Liên minh châu Âu. Đây là chương trình tiến hành các phép đo khí hậu từ hàng tỷ quan sát của vệ
tinh, máy bay và trạm thời tiết trên toàn cầu. Trong nghiên cứu này, các bản đồ đứt gãy địa chất,
mạng lưới sông suối và bản đồ đường giao thông là các bản đồ dưới dạng đường (lines) sẽ được sử
dụng để xây dựng những vùng đệm bao quanh các lớp thông tin này.
Để hiểu rõ và đánh giá được khu vực cụ thể, như: điều kiện vật lý, các tác nhân gây ra trượt
lở và khả năng xảy ra trượt lở cho từng yếu tố. Tỷ số tần số (FR) là một kỹ thuật được sử dụng để
đánh giá tính nhạy cảm với trượt lở đất, đã được trình bày trong các nghiên cứu như trong nghiên
cứu [1, 2, 3, 4]. Tỷ lệ tần số cho mỗi lớp yếu tố trong tổng số 11 lớp được đưa vào sử dụng như một
trọng số thể hiện nguyên nhân hình thành tai biến trượt lở đất, FR được biểu diễn bằng cách kết
:
hợp giữa bản đồ kiểm kê trượt lở đất và bản đồ yếu tố như i nào đó, thơng qua cơng thức tính
 N pixel ( Si ) 


N pixel ( N i ) 
wi = ln 
 ∑ N pixel ( Si ) 



 ∑ N pixel ( N i ) 

Trong đó:
Npixel(Si): Số lượng điểm ảnh xuất hiện trượt lở trong phân lớp;

i; Npixel(Ni): Tổng số điểm ảnh trong phân lớp;

ƩNpixel(Si): Tổng số lượng điểm ảnh xuất hiện trượt lở

ƩNpixel(Ni): Tổng số lượng điểm ảnh của khu vực nghiên cứu.

Toàn bộ 11 yếu tố sử dụng trong nghiên cứu được tính tốn dựa trên cơng thức FR (Bảng 1)
và (Hình 2).
Bảng 1. Các yếu tố ảnh hưởng đến trượt lở đất được sử dụng trong nghiên cứu
Kiểu
Vùng đệm bao quanh đường
giao thông

Phân lớp
0 - 50
50 - 100
100 - 200

Số lượng điểm ảnh Số lượng điểm
trong class
trượt lở
395.353
90

318.816
54
558.240
73

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

FR
1,076
1,186
0,927
273


Kiểu

Độ cong theo
phương ngang
Độ cong theo phương đứng
NDVI
(chỉ số thực vật)

Vùng đệm bao quanh sơng
suối

Năng lượng dịng

Độ dốc

Hướng dốc

Chỉ số ẩm ướt địa hình

274

Phân lớp
200 - 500
> 500
-1
0
1
-1
0
1
≤0
0 - 0.2
0.2 - 0.4
0.4 - 0.6
0.6 - 0.8
≥ 0.8
0 - 25
25 - 50
50 - 100
100 - 200
200 - 300
≥ 300
- 13 và - 5
-5 - 0
0-5

5 - 10
10 - 14
0 - 50
5 - 100
10 - 150
15 - 200
20 - 250
25 - 300
30 - 400
40 - 500
≥ 50 0
-1
35 - 72 và 320 - 360
72 - 113
113 - 156
156 - 198
198 - 238
238 - 279
279 - 320
0-4
4-7
7 - 11
> 11

Số lượng điểm ảnh Số lượng điểm
trong class
trượt lở
1.546.065
114
6.115.621

161
3.869.564
109
992.414
52
4.072.097
141
4.296.900
147
64.641
33
3.990.763
122
12.207
25
1.246.475
160
638.461
293
400.772
413
184.817
326
106.719
429
779.239
42
757.665
48
1.411.858

96
2.189.294
55
1.391.479
32
2.404.560
29
3.265.726
164
281.298
15
264.804
6
361.359
13
4.760.888
104
624.239
54
885.595
71
1.143.726
57
1.538.329
46
1.551.737
36
1.384.137
16
1.400.540

21
340.851
1
64.921
0
74.552
0
627.791
20
1.692.255
72
1.117.460
44
1.035.447
43
1.131.021
48
1.264.409
28
1.026.233
28
3.869.752
101
4.129.900
168
832.358
28
102.065
5

FR
0,354
- 0,675
- 0,182
0,438
0,024
0,011
0,412
- 0,100
5,0308
9,8429
6,8225
9,0381
9,7929
5,0308
0,466
0,628
0,698
- 0,296
- 0,385
- 1,032
0,395
0,455
- 0,400
0,062
- 0,436
0,939
0,863
0,388
- 0,122

- 0,376
- 1,073
- 0,812
- 2,444
0,939
0
- 0,091
0,197
0,120
0,173
0,194
- 0,455
- 0,246
- 0,258
0,185
- 0,004
0,371

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


Kiểu

Phân lớp

Vùng đệm bao quanh đứt gãy
địa chất

50

100
200
500
501
50
29 lớp

Địa chất

Số lượng điểm ảnh Số lượng điểm
trong class
trượt lở
3.278
104
2.785
61
4.453
90
8.373
37
19.785
10
3.278
104
Giá trị từ - 2,39 đến 3,95

FR
1,402
1,031
0,951

- 0,569
- 2,74
1,402

Hình 2: Bản đồ các yếu tố ảnh hưởng được tính theo hệ số FR
3. Cơ sở lý thuyết và phương pháp nghiên cứu
Rừng ngẫu nhiên là một phương pháp học máy có giám sát, đã được sử dụng rộng rãi trong
các ứng dụng viễn thám và GIS, như: áp dụng trong phân loại xử lý ảnh vệ tinh và lập bản đồ tính
hiện trạng và dự báo trượt lở đất. Phương pháp này dựa trên cơ sở cây quyết định và hoạt động
bằng cách xây dựng vơ số cây quyết định trong q trình huấn luyện. Phương pháp này làm cho
RF ít bị ảnh hưởng bởi sai số hơn phương pháp sử dụng cây quyết định thuần túy. Các yếu tố ngẫu
nhiên trong cây quyết định bao gồm: lấy ngẫu nhiên dữ liệu để xây dựng cây quyết định; lấy ngẫu
nhiên các thuộc tính để xây dựng cây quyết định. Trong phương pháp RF, mỗi cây quyết định tạo
kết quả đầu ra khác nhau, chúng quy được ra các trọng số, các trọng số này sẽ được đưa vào đánh
giá “vote”, để lựa chọn cây quyết định nào thì số “vote” cao nhất sẽ được ưu tiên. Kết quả cuối
cùng của thuật toán Random Forest được tổng hợp từ nhiều cây quyết định, thế nên thông tin từ các
cây sẽ bổ sung cho nhau, dẫn đến mơ hình có kết quả dự báo tốt hơn. Ưu điểm của RF là dễ áp dụng
vì nó u cầu ít tham số hơn và nó mang lại độ chính xác cao hơn so với một số phương pháp ML
khác. Ngồi ra, mơ hình này có thể xử lý các cấu trúc dữ liệu nhiều chiều và phức tạp. Do tính đơn
giản và mang lại hiệu quả cao trong quá trình thực hiện nên phương pháp này được rất nhiều nhà
khoa học sử dụng để xây dựng bản đồ hiện trạng trượt lở và cảnh báo nguy cơ trượt lở (Hình 3).
Hiện trạng trượt lở đất tại Yên Bái, theo thống kê của Viện Khoa học Địa chất Khống sản
Việt Nam, trong đó các loại hình trượt trên sườn nhân tạo xảy ra tại khu vực Văn Yên chiếm nhiều
nhất tỉnh (263 điểm), có 08 điểm trượt lở xoay, 64 điểm trượt lở tịnh tiến và 227 điểm thuộc thể
loại trượt hỗn hợp. Các điểm trượt lở chủ yếu tập trung dọc các tuyến, như: Dọc theo đường Tỉnh
lộ 151, từ xã Đông An - Châu Quế Hạ và xã Đông Cuông và các đường liên huyện, liên xã nối
Tỉnh lộ 151 với trung tâm các xã. Các điểm trượt cũng phân bố rải rác khắp các xã trong huyện.
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

275


Hình 3: Sơ đồ mơ tả q trình xử lý dữ liệu trong thuật tốn rừng ngẫu nhiên
Các vị trí trượt lở thường xảy ra ở taluy, được cắt xẻ vào sườn núi để làm đường, nhà, cơng
trình xây dựng, quy mơ các khối trượt thường ở mức trung bình và nhỏ, có đến hơn 200 vị trí có
quy mơ nhỏ và trung bình. Các khối trượt có quy mơ rất lớn và lớn thường xảy ra ở sườn núi tự
nhiên (01 điểm rất lớn và 45 điểm lớn) (Hình 3). Các điểm trượt chủ yếu xảy ra trong vỏ phong
hóa, phổ biến trong đới phong hóa hồn tồn và phong hóa mạnh.
4. Kết luận và gợi ý, đề xuất

Hình 4: Bản đồ hiện trạng trượt lở đất khu vực Văn Yên, Yên Bái
276

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


Trong bài báo này, chúng tơi áp dụng mơ hình rừng ngẫu nhiên để xây dựng bản đồ phân
vùng nhạy cảm trượt lở đất khu vực Văn Yên, Yên Bái. Phần mềm QGIS 2.16.3 được dùng để
xử lý dữ liệu cho từng yếu tố trong nghiên cứu. Dữ liệu kiểm kê sạt lở đất (302 vị trí trượt lở) và
11 yếu tố liên quan đến trượt lở (góc dốc, khía cạnh dốc, độ cong mặt bằng, độ cong mặt cắt, chỉ
số độ ẩm địa hình, chỉ số sức mạnh dịng chảy, NDVI, khoảng cách đến đường, khoảng cách đến
sông, khoảng cách đến đứt gãy và địa chất) được sử dụng để xây dựng bản đồ phân vùng nhạy cảm
trượt lở đất (Hình 4). Nhóm 11 yếu tố này sẽ được chuẩn hóa bằng cách quy về hệ số FR, trước khi
chúng được đưa vào mơ hình rừng ngẫu nhiên để tính tốn. Để xây dựng tập huấn luyện, nghiên
cứu lấy ngẫu nhiên 70 % các điểm trượt lở từ 302 điểm trượt lở đất và 30 % số điểm còn lại dùng
cho xác thực kết quả của mơ hình.
Đường cong ROC (Receiver Operating Characteristic) được nghiên cứu, sử dụng để kiểm
tra, đánh giá kết quả của mơ hình. Đường cong ROC có thể cung cấp các dự đốn về hiệu suất của

mơ hình. Đường cong ROC là một biểu đồ hai chiều, thể hiện tỷ lệ dự đoán đúng của mơ hình khi
xảy ra trượt lở (độ nhạy) và dự đốn cho những khu vực khơng có trượt lở (độ đặc hiệu). Diện tích
dưới đường cong ROC là Area Under the Curve (AUC), hệ số này là thông tin thể hiện độ khả tín
của mơ hình, nó được sử dụng để ước tính tính hợp lệ của mơ hình hoặc chất lượng tổng thể của
mơ hình. Diện tích dưới đường cong (AUC) cho thấy, mơ hình rừng ngẫu nhiên có giá trị AUC =
0,906 (Hình 5), ngồi ra, mơ hình RF có khả năng ước lượng được độ quan trọng của từng yếu tố
trong mơ hình (Hình 6).
Bản đồ phân vùng nhạy cảm trượt lở đất là kết quả từ mơ hình rừng ngẫu nhiên, từ kết quả
này cho thấy trượt lở đất xảy ra nhiều và dày, dọc tuyến đường qua các xã Đông An, Châu Quế Hạ,
Đông Cường. Kết quả được đưa ra dưới dạng bản đồ tỷ lệ trung bình, điều này sẽ giúp cho việc làm
rõ hơn các khu vực có độ nhạy cảm cao và rất cao liên quan đến nguy cơ trượt lở đất tại Văn Yên.

Hình 5: Bản đồ phân vùng trượt lở sử dụng mơ hình rừng ngẫu nhiên
cho khu vực Văn Yên, Yên Bái
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

277


Hình 6: Đường cong ROC và giá trị AUC = 0,903 của mơ hình rừng ngẫu nhiên sử dụng
trong nghiên cứu

Hình 7: Mức độ quan trọng của các yếu tố sử dụng trong mơ hình
Các bản đồ nhạy cảm với trượt lở đất của nghiên cứu có thể hỗ trợ cho các nhà quản lý tại
địa phương trong việc quy hoạch xây dựng, giao thông và quy hoạch sử dụng đất, đồng thời đóng
vai trị quan trọng trong việc nhận định sớm và chính xác về khu vực có nguy cơ trượt lở cao và rất
cao. Độ chính xác của mơ hình RF có thể được cải thiện nếu có được dữ liệu kiểm kê trượt lở đất
cập nhật mới và liên tục. Nếu các yếu tố như: lớp phủ, sử dụng đất, bản đồ thổ nhưỡng được đưa
vào tính tốn thì kết quả của mơ hình sẽ có độ chính xác cao hơn.

278

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


Lời cảm ơn: Nghiên cứu được hỗ trợ từ Đề tài nghị định thư giữa Việt Nam và Italia, mã số:
NĐT/21/14 do Bộ Khoa học và Công nghệ Việt Nam (MOST) tài trợ và Bộ Ngoại giao và Hợp tác
Quốc tế Italia tài trợ.
TÀI LIỆU THAM KHẢO
[1]. Nadim, F., Kjekstad, O., Peduzzi, P. et al (2006). Global landslide and avalanche hotspots. Landslides 3, 159
- 173. />[2]. Ullo, S. L., Langenkamp, M. S., Oikarinen, T. P., Del Rosso, M. P., Sebastianelli, A., Piccirillo, F.,
Sica, S. (2019). Landslide Geohazard Assessment with Convolutional Neural Networks Using Sentinel-2
Imagery Data. IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, pp.
9646 - 9649.
[3]. Truong, X. L., Mitamura, M., Kono, Y., Raghavan, V., Yonezawa, G., Truong, X.Q., Do, T.H., Tien
Bui, D., Lee, S. (2018). Enhancing prediction performance of landslide susceptibility model using hybrid
machine learning approach of bagging ensemble and logistic model tree. Appl. Sci, vol. 8, 1046.
[4]. Xuan Quang Truong, Xuan Luan Truong, Thi Khanh Linh Dang, Thuy Dung Nguyen, Duc An Nguyen
(2018). Landslide susceptibility mapping using random forest model in Lao Cai province, Vietnam.
International Symposium on GeoInformatics for Spatial-Infrastructure Development in Earth and Allied
Sciences (GIS-IDEAS).
[5]. Yanar, T., Kocaman, S., Gokceoglu, C., (2019). On the use of Sentinel-2 images and high resolution
DTM for landslide susceptibility mapping in a developing urban settlement (Mamak, Ankara, Turkey). The
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume
XLII-3/W8, 2019 Gi4DM 2019 - GeoInformation for Disaster Management, 3 - 6 September 2019, Prague,
Czech Republic.
[6]. Bonham-Carter, G.F., (1994). Geographic Information Systems for Geoscientists. PERGAMON Press,
Modeling with GIS, Oxford.
[7]. Chen, W., Chai, H., Sun, X., Wang, Q., Ding, X., Hong, H., (2016). A GIS-based comparative study of

frequency ratio, statistical index and weights-of-evidence.
[8]. Ding, Q., Chen, W., Hong, H., (2017). Application of frequency ratio, weights of evidence and evidential
belief function models in landslide susceptibility mapping. Geocarto International 32(6), 619 - 639.
[9]. Lee, S., Talib, J.A., (2005). Probabilistic landslide susceptibility and factor effect analysis. Environ.
Geol. 47(7), 982 - 990.

Ngày chấp nhận đăng: 10/11/2021. Người phản biện: TS. Trần Cảnh Dương

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

279