Detecting land subsidence using multicriteria decision analysis and machine learning in Skøyen, Oslo

Abstract

Denne masteroppgaven er en kvantitativ studie som skal kartlegge risikograden for subsidens på Skøyen i Ullern bydel som er et urbanisert område i Oslo. Subsidens er en form for naturfare som skaper gradvis innsynkning i overflaten og har vært en kjent problem i flere storbyer som følger av bevegelser i grunnvann. Dette kan føre til store økonomiske kostnader i samfunnet og potensielle skader i bebygde områder. Formålet med oppgaven er derfor å sjekke muligheten for å kartlegge risikograden for subsidens på bakgrunn av syv ulike kriterier. Oppgaven bruker to ulike metoder. Den ene metoden er en multikriterieanalyse som er basert på å lage et risikokart for subsidens etter menneskelig beslutningsgrunnlag gjennom vekting og prioritering av 7 ulike kriterier som kan bidra til subsidens. Den andre metoden bruker også de samme 7 kriteriene, men bruker istedenfor maskinlæringsmetodene nevrale nettverk og XGBoost for å kartlegge subsidens gjennom å finne et mønster i de 7 kriteriene ved å bruke InSAR-data som grunnlag. Datagrunnlaget kommer fra flere ulike kilder og tar bakgrunn i kartlag fra blant annet Norges vassdrags- og energidirektorat, Norsk Geologisk Undersøkelse, Kartverket og NIBIO. Resultatene har en tendens til å variere. Mens multikriterieanalysen og nevrale nettverk har flere områder klassifisert som høyrisiko for subsidens med mer støy i risikokartet, så har maskinlæringsmetoden XGBoost stort sett klart å definere tydelige mønstre på utsatte områder i lik grad med InSAR. Det må likevel tas høyde for at datagrunnlaget er begrenset i studiet, og at andre kriterier utenom de 7 kriteriene kan være mer aktuelle.