Aspek yang memiliki pengaruh yang tertentu pada inisiasi penurunan tanah.

Pelestarian kelembaban dan jumlah vegetasi terkait dengan aspek lereng, dimana ini
berdampak langsung pada kekuatan tanah dan kerentanan penurunan tanah. Litologi
adalah factor paling penting dalam studi penurunan tanah. Kelas ' asam mengganggu
dan vulkanik ' diperoleh nilai FR 2,80 dan nilai Bel dari 1. Hal ini disebabkan
penyebaran insiden penurunan tanah dalam sub - faktor tertentu. Ini berarti kelas
ini ditugaskan semua probabilitas untuk dirinya sendiri.
Kesalahan adalah fraktur geologi dalam tubuh massa batuan , yang penting untuk
lahan
Studi subsidence ( Regmi et al . 2013b ) . Daerah di kisaran 1,990-2890 m jauh dari
kesalahan yang tertinggi FR dan Bel hasil 0,42 dan 0,07 , masing-masing. ini
menunjukkan bahwa 90 % dari kemungkinan penurunan tanah terjadinya jatuh dalam
kisaran ini . Jarak dari sungai juga merupakan salah satu faktor kondisional penting
karena air dianggap sebagai Alasan utama untuk terjadinya penurunan tanah. Untuk
faktor ini , dua nilai FR tertinggi 1,82 dan 2,87 adalah untuk kelas 120-183 m dan
183-375 m , berturut-turut . Selanjutnya, nilai-nilai Bel 0,25 dan 0,4 , masingmasing, dan nilai-nilai Dis 0,10 dan 0,08 ,masing-masing, terbukti hasil FR . Hal ini
membuat rentang 120-375 m daerah yang memiliki kemungkinan tertinggi
terjadinya penurunan tanah . kelas-kelas lain dari faktor ini menunjukkan dampak
kecil pada penurunan tanah.
Dalam kasus NDVI , kisaran 0,35-0,46 mencapai tertinggi FR dan Bel nilai-nilai 4.88
dan 0.58 , masing-masing. Hasil ini menunjukkan bahwa penurunan tanah yang lebih
tinggi probabilitas milik daerah di mana kepadatan vegetasi lebih rendah . Karena
itu,
daerah ini memiliki lebih banyak potensi penurunan dibandingkan dengan kelas-kelas
lain . jenis tanah adalah dianggap sebagai salah satu faktor pendingin utama yang
mempengaruhi kehadiran penurunan tanah dengan cara langsung . Nilai FR tertinggi
11,60 milik kelas ULD . Juga tertinggi nilai Bel dan nilai-nilai Dis terendah 0,92 dan
0,03 yang terkait dengan jenis tanah ini.
itu menunjukkan bahwa struktur tanah ini tidak memiliki kondisi yang kuat , yang
membuatnya secara signifikan rentan terhadap tanah subsidence terjadinya .
Daerah yang paling signifikan dalam SPI adalah rentang -1,6 ke -1,1 dan -0,64 untuk
-0,14 dengan nilai FR 1,73 dan 1,72 , masing-masing. Selain itu, mereka memiliki
nilai-nilai Bel 0,27 dan 0,26 , masing-masing. Dalam kasus TWI , nilai FR tertinggi
14,97 dan nilai Bel tertinggi 0,67 adalah untuk berbagai 12-20 . LULC menunjukkan
hasil yang sama dengan faktor penyejuk litologi. FR tertinggi nilai 3.67 adalah untuk
kelas 1U karena semua insiden pelatihan jatuh di dalamnya. Ini adalah mengapa nilai

Bel dari 1 diakuisisi, yang berarti semua probabilitas terjadinya di ini Faktor
penyejuk jatuh dalam kelas ini
Kedua peta indeks penurunan tanah probabilitas diperoleh dari FR dan EBF
metode . Berbagai metode klasifikasi ada yang dapat digunakan untuk menghasilkan
rentan
zona . Namun , masing-masing memiliki penggunaan tertentu untuk kondisi khusus .
Sebagai contoh,
istirahat alami adalah skema klasifikasi yang dapat digunakan dalam situasi di mana
ada besar
melompat nilai data ( Ayalew dan Yamagishi 2005) . Namun, hal ini tidak terjadi di
peta probabilitas yang dihasilkan dalam penelitian saat ini . Interval yang sama
sebagai klasifikasinya
Pendekatan menyoroti satu kelas relatif terhadap orang lain . klasifikasi yang
berbeda yang
diperiksa , dan akhirnya metode kuantil terpilih sebagai hasil terbaik diperoleh
melalui
metode ini dengan tingkat terendah berlebihan . Indeks probabilitas penurunan
tanah
diklasifikasikan menjadi lima zona rentan sangat rendah , rendah, sedang , tinggi ,
dan sangat tinggi
kerentanan ( Gambar . 3 ) .
7 Verifikasi dan perbandingan dari model
Untuk memvalidasi model diterapkan , dua asumsi dasar yang diperlukan . Pertama ,
diasumsikan bahwa
insiden penurunan muka tanah terkait dengan informasi posisi atau spasial seperti
geologi , tanah , topografi , NDVI , dan LULC . Asumsi dasar kedua adalah bahwa
insiden yang akan terjadi di masa depan dipicu oleh faktor-faktor seperti subsisten
air atau
kegiatan seismik , dan juga oleh efek tidak langsung dari bahaya geografis lainnya
dan karakteristik .
Untungnya , asumsi ini puas dalam penelitian ini . The penurunan tanah
analisis bahaya dibuat dan divalidasi menggunakan dikenal lokasi penurunan tanah
Perbandingan dibuat antara informasi spasial dikenal penurunan tanah dan lahan
subsidence peta bahaya untuk memvalidasi model statistik. Semua faktor yang
terlibat dalam

perbandingan ini untuk kedua model. The rea dengan metode kurva (ROC) digunakan
untuk
Tujuan dari validasi menggunakan pelatihan dan pengujian lokasi penurunan tanah.
Sementara lokasi penurunan tanah pelatihan yang digunakan untuk menghasilkan
model hazard, hasil validasi menggunakan data ini tidak mewakili efisiensi nyata dari
model yang dikembangkan. ItuTingkat prediksi diukur, yang memberikan penjelasan
untuk seberapa baik penurunan tanah diprediksi menggunakan faktor-faktor ini dan
menerapkan model ini. Ini berarti, secara kualitatif, ROC dapat menilai akurasi
prediksi. Dengan menyortir nilai yang dihitung dari semua sel di daerah penelitian
dalam urutan, peringkat relatif dari masing-masing cara prediksi adalah diperoleh.
Kemudian, dengan interval akumulasi 1%, nilai-nilai sel dibagi menjadi 100 kelas.
Hasil verifikasi untuk kedua metode ditunjukkan pada Gambar. 4.
Hasil ROC menunjukkan 75,30 dan 79,45% tingkat keberhasilan untuk FR dan EBF,
masing-masing (Gambar. 4a). Lebih lanjut, tingkat prediksi 71,16 dan 73,63% yang
dicapai untuk FR dan EBF model, masing-masing (Gambar. 4b). Efisiensi dari kedua
metode itu kuantitatif dibandingkan, dan hasilnya menunjukkan bahwa EBF memiliki
lebih prediktif kemampuan daripada metode FR. Hasil yang diperoleh menunjukkan
efisiensi EBF di tanah Studi subsidence, yang belum diteliti sebelumnya. Telah
disebutkan bahwa baik BSA dan MSA memiliki beberapa titik lemah. Oleh karena
itu, penelitian lebih lanjut diperlukan untuk menemukan solusi yang tepat untuk
teknik ini untuk meningkatkan kehandalan dan mempercepat analisis bahaya. Para
penulis bertujuan untuk mengusulkan metode kombinasi di masa depan yang akan
terdiri dari dua atau lebih metode statistik dalam rangka meningkatkan hasil
berasal dari penelitian saat ini. Metode yang diperiksa adalah dua dari pemodelan
statistik yang paling populer pendekatan, yang dapat diintegrasikan dengan metode
pembelajaran mesin untuk mengatasi mereka kelemahan.
8 Kesimpulan
penurunan tanah sebagai fenomena geo-bahaya dapat memiliki dampak buruk pada
dasar infrastruktur setiap kota. Di alam, hal itu dapat mempengaruhi pemandangan
alam suatu daerah, untuk Misalnya, mengubah arah sungai, dan memiliki
repurcussions pada berbagai alami. Semua dalam semua, penurunan tanah adalah
masalah yang sangat serius yang harus dipelajari secara rinci untuk mendapatkan
pemahaman yang lebih besar dari konsep. Dalam artikel ini, dua metode statistik
dari FR dan EBF digunakan untuk memetakan bahaya penurunan tanah di kawasan
Kinta Lembah dalam

batas-batas negara bagian Perak, Malaysia. Faktor-faktor penyejuk terkait dipilih

dan dibangun sebagai lapisan spasial. Ketinggian, kemiringan, aspek, litologi, jarak
dari kesalahan, jarak dari sungai, NDVI, jenis tanah, SPI, TWI, dan LULC terdiri
mengkondisikan
Data faktor ditetapkan. Sebuah penurunan tanah peta persediaan disiapkan dan
dipartisi menjadi Data pelatihan dan pengujian ditetapkan. Probabilitas
diaplikasikan menggunakan lokasi pelatihan, dan hubungan antara masing-masing
kelas dari masing-masing faktor penyejuk dinilai.
Validasi dilakukan dengan menggunakan metode ROC , yang mengungkapkan tingkat
keberhasilan 75,30 dan 79,45 % untuk FR dan EBF , masing-masing. Selain itu , hasil
penelitian menunjukkan bahwa model FR ( 71,16 % ) memiliki kurang akurasi prediksi
dari model EBF ( 73,63 % ) . Ini membuktikan kemampuan MSA atas BSA ,
menunjukkan bahwa hasil dari model EBF memiliki akurasi prediksi yang lebih tinggi
dibandingkan dengan model FR probabilistik di tanah subsidence hazard pemetaan.
Keuntungan menggunakan pemodelan statistik adalah bahwa hal itu lebih mudah dan
lebih bermanfaat bagi menangani input, output , dan hirarki proses perhitungan
keseluruhan . Juga, dapat memproses data dalam jumlah besar di lingkungan GIS
dalam waktu singkat .
Dalam model statistik , faktor penyejuk harus memiliki distribusi normal , yang
dianggap kekurangan dalam jenis proses pemodelan . pemetaan tanah penurunan
bahaya adalah diperlukan terutama di bidang pembangunan perkotaan . studi
semacam ini berlaku untuk tujuan penilaian dan perencanaan umum , yang mengapa
itu dihargai oleh para insinyur , perencana , dan pengembang untuk LULC
perencanaan dan manajemen lereng .