Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

In de ruige, door regen geteisterde bergen van noord-Marokko is de grond een levende, verschuivende entiteit. Steile hellingen, complexe geologie en zware seizoensgebonden regenval komen samen om aardverschuivingen tot een frequente en gevaarlijke realiteit te maken. Voor planners en veiligheidsfunctionarissen is het doel een kaart te tekenen die laat zien waar de aarde waarschijnlijk opnieuw zal bezwijken. Dit is geen kwestie van gokken; het is een statistische uitdaging. Om een model te bouwen dat voorspelt waar aardverschuivingen kunnen plaatsvinden, hebben wetenschappers twee dingen nodig: een lijst van plaatsen waar al aardverschuivingen hebben plaatsgevonden, en een lijst van plaatsen waar de grond stabiel is. De eerste lijst is gemakkelijk te vinden; de tweede is een valstrik. Alleen omdat een aardverschuiving niet is geregistreerd op een specifieke plek, betekent niet dat de grond veilig is. Het kan simpelweg betekenen dat de aardverschuiving is gemist, verborgen is door vegetatie, of te oud is om te worden waargenomen. Deze onzekerheid behandelen als bevestigde "veilige" zones is als aannemen dat een kamer leeg is omdat je niemand hebt gezien, waarbij je de mogelijkheid negeert dat er iemand in de kast staat te schuilen. Deze onzekerheid maakt het ongelooflijk moeilijk om een computer te leren het onderscheid te maken tussen stabiele grond en grond die slechts wacht om te schuiven.

Een team onderzoekers uit Marokko heeft dit probleem aangepakt door een nieuwe manier te ontwikkelen om met deze "ontbrekende" aardverschuivingen om te gaan. In plaats van een computer te dwingen een enkele, rigide beslissing te nemen over welke ongeregistreerde plekken veilig zijn, creëerden ze een methode die onzekerheid omarmt. Ze testten deze nieuwe aanpak, genaamd MC-PU-2S, tegen twee bestaande methoden in de Rif-bergen, een gebied dat bekend staat om zijn steile terrein en frequente hellingsfalen. De studie maakte gebruik van een database van bijna 6.000 observaties, inclusief meer dan 2.300 bekende locaties van aardverschuivingen en duizenden andere punten waar de status van de grond onbekend is. Door hun modellen door een rigoureus testproces te leiden dat de computer voorkwam te overfitten door de testdata uit het hoofd te leren, vonden de onderzoekers dat hun nieuwe methode een veel duidelijker en betrouwbaarder beeld van het risico produceerde. Terwijl de oudere methoden de neiging hadden om bijna het hele landschap als gevaarlijk te labelen, waardoor de grenzen tussen hoog risico en laag risico vervaagden, slaagde de nieuwe aanpak erin de twee te scheiden, wat niet alleen een kaart van gevaar oplevert, maar een kaart van vertrouwen.

De kern van het probleem ligt in de manier waarop traditionele modellen de "negatieve" klasse afhandelen—de plekken die als veilig worden beschouwd. In veel studies kiezen onderzoekers simpelweg willekeurige plekken ver weg van bekende aardverschuivingen en vertellen ze de computer: "Dit is veilig." De nieuwe studie stelt dat dit een gebrekkige aanname is. Als een plek eigenlijk onstabiel is maar nog niet in kaart is gebracht, leert de computer de verkeerde les. De onderzoekers vergeleken drie verschillende strategieën voor het afhandelen van deze situatie. De eerste, bekend als de Enhanced Information Value-methode, probeert de veiligste plekken te filteren door naar een voorlopig model te kijken en de allerlaagste-risicogebieden te kiezen. De tweede, genaamd PU Two-Step, gebruikt een strikt afkappunt: als een plek veilig genoeg lijkt volgens een specifieke score, wordt deze als veilig gelabeld; als deze zelfs maar iets minder veilig is, wordt deze verworpen. Beide methoden dwingen een binaire keuze af, wat een scherpe lijn creëert tussen veilig en onveilig die in de echte wereld misschien niet bestaat.

De nieuwe methode van de onderzoekers, MC-PU-2S, neemt een ander pad. In plaats van een harde lijn te trekken, wijst het een waarschijnlijkheid toe aan elke onbekende plek. Het vraagt: "Hoe waarschijnlijk is het dat deze plek echt veilig is?" en staat toe dat het antwoord een tint van grijs is in plaats van zwart of wit. Om dit te doen, voert de computer honderden simulaties uit. In elke simulatie beslist het willekeurig of een specifieke onbekende plek als veilig of onveilig moet worden behandeld, gebaseerd op die waarschijnlijkheid. Vervolgens bouwt het een voorspellingsmodel voor elk van deze scenario's. Ten slotte middelt het al deze honderden modellen samen. Dit proces vlakt de fouten af en onthult welke voorspellingen solide zijn en welke wankel. Het resultaat is niet alleen één kaart van gevoeligheid, maar een reeks producten: een kaart die het gemiddelde risico laat zien, een kaart die laat zien hoeveel de voorspelling varieert over de simulaties, en een kaart die gebieden markeert waar de model simpelweg niet kan beslissen.

Toen de onderzoekers de resultaten vergeleken, was het verschil opvallend. De oudere methoden produceerden kaarten waar bijna elk enkel punt in het studiegebied werd geclassificeerd als een hoog risico op aardverschuivingen. De computer riep in feite overal "gevaar", wat niet nuttig is voor de planning. De nieuwe methode produceerde echter een veel evenwichtiger beeld. Het identificeerde correct dat hoewel veel gebieden inderdaad riskant zijn, een aanzienlijk deel van het landschap stabiel is. De nieuwe methode was veel beter in het onderscheiden van de twee, waarbij de voorspellingen veel nauwer aansloten bij de werkelijke data. Het loste ook een groot gebrek in de oudere modellen op: hun waarschijnlijkheidsschattingen waren gecomprimeerd en bevooroordeeld, wat betekende dat ze niet accuraat een AUC van 0,9 van een AUC van 0,6 konden onderscheiden. De nieuwe methode spreidde deze waarschijnlijkheden uit, wat een meer genuanceerd begrip van het terrein mogelijk maakte.

Misschien wel de meest waardevolle output van deze nieuwe aanpak is de mogelijkheid om onzekerheid te identificeren. De studie vond dat in ongeveer 23 procent van het gebied het model niet met zekerheid kon zeggen of de grond veilig of onveilig was. Dit zijn de plekken waar de classificatie vlak op de grens van de beslissingslijn balanceert. In een traditionele kaart zouden deze gebieden er precies zo uitzien als de rest, waarbij een kritiek gebrek aan kennis wordt verborgen. In de nieuwe kaarten worden deze gebieden expliciet gemarkeerd. Dit is een gamechanger voor besluitvormers. Een gebied met een hoog risico en een hoge mate van vertrouwen kan onmiddellijk worden aangewezen voor veiligheidsmaatregelen. Een gebied met een hoog risico maar een lage mate van vertrouwen signaleert dat er meer veldwerk nodig is voordat er geld wordt uitgegeven aan constructie of mitigatie. Het vertelt functionarissen precies waar ze de volgende keer moeten kijken, waardoor een vage waarschuwing wordt omgezet in een specifiek actieplan.

De studie bevestigde ook dat de belangrijkste factoren die aardverschuivingen in deze regio aanjagen, consistent blijven met wat geologen al weten: de steilheid van de helling, de afstand tot wegen, het type gesteente en de hoeveelheid neerslag. Echter, de manier waarop deze factoren worden geïnterpreteerd verandert wanneer de onzekerheid wordt meegerekend. De nieuwe methode toonde aan dat de relatie tussen deze factoren en het risico geen eenvoudige schakelaar is, maar een complex gradiënt. Door de ruis van de "ontbrekende" aardverschuivingen uit te middelen, kon het model deze patronen duidelijker zien. De onderzoekers merkten op dat hoewel hun methode meer rekenkracht vereist dan de oudere technieken, de afruil het waard is. Het vermogen om onzekerheid te kwantificeren en een kaart te produceren die toegeeft wat het niet weet, is een belangrijke stap vooruit in het beheer van natuurlijke gevaren.

Dit werk beweert niet dat het het probleem van de voorspelling van aardverschuivingen volledig heeft opgelost. De onderzoekers merken zorgvuldig op dat hun methode gevoelig is voor de kwaliteit van de initiële data en dat het aantal simulaties dat in hun studie werd gebruikt een pilot-test was. Ze suggereren dat toekomstig werk nog meer simulaties moet uitvoeren om te garanderen dat de resultaten stabiel zijn. Ze wijzen er ook op dat hun methode slechts één type onzekerheid meet: de onzekerheid over welke plekken echt veilig zijn. Het houdt geen rekening met fouten in de kaarten zelf of veranderingen in het weer in de loop van de tijd. Desalniettemin demonstreert de studie dat het bewegen van rigide, zwart-wit denken naar een probabilistische aanpak betere resultaten oplevert. In een wereld waar de grond constant verschuift, is een model dat zijn eigen twijfels kan toegeven veel nuttiger dan een model dat vol vertrouwen fout is. De nieuwe kaarten uit Noord-Marokko bieden een duidelijkere, eerlijkere gids voor het beschermen van gemeenschappen die aan de rand van de helling leven.