Recent advances in satellite-based remote sensing and data science have enabled a new generation of landslide susceptibility models that are scalable, reproducible, and data-driven. This thesis presents a national-scale framework for identifying unstable slopes across Scotland by integrating sentinel-1 InSAR data from the European ground motion service (EGMS) with machine learning, specifically the random forest algorithm. The approach leverages high-resolution deformation metrics alongside geomorphological and geological predictors, including slope angle, curvature indices, bedrock lithology, superficial deposits, and land cover. These variables were aggregated at the slope unit level using a set of pre-defined spatial units originally delineated by Bryce et al. (2025) using a hydrology-driven segmentation method (r.slopeunits), which groups terrain based on drainage divides and topographic continuity, offering greater geomorphological relevance than pixel-based grids. To support model training, the British geological survey’s national landslide database (NLD) was used in conjunction with EGMS-derived active deformation areas (ADA’s) extracted from vertical and horizontal ground velocity time series. Areas with low slope gradients (≤5°) were excluded to focus the analysis on terrain more susceptible to mass movements. A supervised learning strategy was adopted using stratified 10-fold cross-validation, enabling probabilistic classification of slope units as either stable or landslide-prone. The results demonstrate that incorporating InSAR-derived deformation trends significantly enhances model sensitivity to incipient and previously unmapped instabilities. This framework aligns with recent expert-based approaches while providing a reproducible, data-rich alternative capable of quantifying uncertainty, it offers a scalable methodology for national hazard assessment and supports informed decision-making for land-use planning, particularly in regions where field-based inventory collection is limited. The approach also holds potential for adaptation beyond Scotland to other geologically complex or data-scarce regions.
I recenti progressi nel telerilevamento satellitare e nella scienza dei dati hanno reso possibile una nuova generazione di modelli di suscettibilità da frana, caratterizzati da scalabilità, riproducibilità e approccio data-driven. Questa tesi presenta un framework su scala nazionale per l’identificazione di versanti instabili in Scozia, integrando i dati InSAR di Sentinel-1 forniti dal servizio europeo di monitoraggio dei movimenti del suolo (EGMS) con tecniche di apprendimento automatico, in particolare l’algoritmo Random Forest. L’approccio sfrutta metriche di deformazione ad alta risoluzione insieme a predittori geomorfologici e geologici, tra cui angolo di pendenza, indici di curvatura, litologia del substrato roccioso, depositi superficiali e copertura del suolo. Queste variabili sono state aggregate a livello di unità di versante (slope units) utilizzando un set di unità spaziali predefinite, originariamente delineate da Bryce et al. (2025) mediante un metodo di segmentazione idrologica (r.slopeunits), che raggruppa il territorio in base ai bacini di drenaggio e alla continuità topografica, offrendo una maggiore coerenza geomorfologica rispetto alle griglie basate su pixel. Per supportare l’addestramento del modello, è stato utilizzato il database nazionale delle frane (NLD) del Servizio Geologico Britannico, in combinazione con le aree di deformazione attiva (ADA) derivate dall’EGMS, estratte da serie temporali di velocità verticale e orizzontale del suolo. Le aree con pendenza ≤5° sono state escluse, al fine di focalizzare l’analisi sui terreni maggiormente suscettibili a movimenti di massa. È stata adottata una strategia di apprendimento supervisionato con validazione incrociata stratificata a 10 fold, che ha permesso una classificazione probabilistica delle unità di versante come stabili o soggette a frane. I risultati mostrano che l’integrazione delle tendenze di deformazione derivate da InSAR migliora significativamente la sensibilità del modello nel rilevare instabilità incipienti o non ancora mappate. Questo framework è in linea con gli approcci recenti basati su esperti, offrendo al contempo un’alternativa riproducibile e ricca di dati, capace di quantificare l’incertezza. Rappresenta una metodologia scalabile per la valutazione del rischio a livello nazionale e supporta il processo decisionale nella pianificazione dell’uso del suolo, in particolare in aree dove la raccolta di inventari sul campo è limitata. L’approccio è inoltre adattabile ad altre regioni geologicamente complesse o con scarsa disponibilità di dati. L’aspetto innovativo principale risiede nell’utilizzo delle tendenze di deformazione osservate su scala nazionale (EGMS ADA) per generare mappe di suscettibilità basate sul movimento attivo del suolo, andando oltre la dipendenza dai soli dati storici di frana.
Struttura InSAR guidata dai dati per la classificazione dei versanti instabili in Scozia
GHALEHNAVI, FARIBA
2024/2025
Abstract
Recent advances in satellite-based remote sensing and data science have enabled a new generation of landslide susceptibility models that are scalable, reproducible, and data-driven. This thesis presents a national-scale framework for identifying unstable slopes across Scotland by integrating sentinel-1 InSAR data from the European ground motion service (EGMS) with machine learning, specifically the random forest algorithm. The approach leverages high-resolution deformation metrics alongside geomorphological and geological predictors, including slope angle, curvature indices, bedrock lithology, superficial deposits, and land cover. These variables were aggregated at the slope unit level using a set of pre-defined spatial units originally delineated by Bryce et al. (2025) using a hydrology-driven segmentation method (r.slopeunits), which groups terrain based on drainage divides and topographic continuity, offering greater geomorphological relevance than pixel-based grids. To support model training, the British geological survey’s national landslide database (NLD) was used in conjunction with EGMS-derived active deformation areas (ADA’s) extracted from vertical and horizontal ground velocity time series. Areas with low slope gradients (≤5°) were excluded to focus the analysis on terrain more susceptible to mass movements. A supervised learning strategy was adopted using stratified 10-fold cross-validation, enabling probabilistic classification of slope units as either stable or landslide-prone. The results demonstrate that incorporating InSAR-derived deformation trends significantly enhances model sensitivity to incipient and previously unmapped instabilities. This framework aligns with recent expert-based approaches while providing a reproducible, data-rich alternative capable of quantifying uncertainty, it offers a scalable methodology for national hazard assessment and supports informed decision-making for land-use planning, particularly in regions where field-based inventory collection is limited. The approach also holds potential for adaptation beyond Scotland to other geologically complex or data-scarce regions.| File | Dimensione | Formato | |
|---|---|---|---|
|
Fariba Ghalehnavi Final Thesis.pdf
accesso aperto
Dimensione
6.71 MB
Formato
Adobe PDF
|
6.71 MB | Adobe PDF | Visualizza/Apri |
È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.
https://hdl.handle.net/20.500.14239/33513