Landslides are one of the catastrophic natural hazards that occur in mountainous areas, leading to loss of life, damage to properties, and economic disruption. Landslide susceptibility models prepared in a Geographic Information System (GIS) integrated environment can be key for formulating disaster prevention measures and mitigating future risk. The accuracy and precision of susceptibility models is evolving rapidly from opinion-driven models and statistical learning toward increased use of machine learning techniques. Critical reviews on opinion-driven models and statistical learning in landslide susceptibility mapping have been published, but an overview of current machine learning models for landslide susceptibility studies, including background information on their operation, implementation, and performance is currently lacking. Here, we present an overview of the most popular machine learning techniques available for landslide susceptibility studies. We find that only a handful of researchers use machine learning techniques in landslide susceptibility mapping studies. Therefore, we present the architecture of various Machine Learning (ML) algorithms in plain language, so as to be understandable to a broad range of geoscientists. Furthermore, a comprehensive study comparing the performance of various ML algorithms is absent from the current literature, making an assessment of comparative performance and predictive capabilities difficult. We therefore undertake an extensive analysis and comparison between different ML techniques using a case study from Algeria. We summarize and discuss the algorithm's accuracies, advantages and limitations using a range of evaluation criteria. We note that tree-based ensemble algorithms achieve excellent results compared to other machine learning algorithms and that the Random Forest algorithm offers robust performance for accurate landslide susceptibility mapping with only a small number of adjustments required before training the model.

Human life comes to a standstill as many countries shut themselves off from the work due to the novel coronavirus disease pandemic (COVID-19) that hit the world severely in the first quarter of 2020. All types of industries, vehicle movement, and people's activity suddenly halted, perhaps for the first time in modern history. For a long time, it has been stated in various literature that the increased industrialization and anthropogenic activities in the last two decades polluted the atmosphere, hydrosphere, and biosphere. Since the industries and people's activities have been shut off for a month or more in many parts of the world, it is expected to show some improvement in the prevailing conditions in the aforementioned spheres of environment. Here, with the help of remote sensing images, this work quantitatively demonstrated the improvement in surface water quality in terms of suspended particulate matter (SPM) in the Vembanad Lake, the longest freshwater lake in India. The SPM estimated based on established turbidity algorithm from Landsat-8 OLI images showed that the SPM concentration during the lockdown period decreased by 15.9% on average (range: −10.3% to 36.4%, up to 8 mg/l decrease) compared with the pre-lockdown period. Time series analysis of satellite image collections (April 2013 – April 2020) showed that the SPM quantified for April 2020 is the lowest for 11 out of 20 zones of the Vembanad lake. When compared with preceding years, the percentage decrease in SPM for April 2020 is up to 34% from the previous minima.

Landslides represent a part of the cascade of geological hazards in a wide range of geo-environments. In this study, we aim to investigate and compare the performance of two state-of-the-art machine learning models, i.e., decision tree (DT) and random forest (RF) approaches to model the massive rainfall-triggered landslide occurrences in the Izu-Oshima Volcanic Island, Japan at a regional scale. At first, a landslide inventory map is prepared consisting of 44 landslide polygons (10,444 pixels) from aerial photo-interpretation and field surveys. To estimate the robustness of the models, we randomly adapted two different samples (S1 and S2), comprising of both positive and negative cells (70% of total landslides - 7293 pixels) for training and remaining (30%–3151 pixels) for validation. Twelve causative factors including altitude, slope angle, slope aspect, plan curvature, total curvature, compound topographic index, stream power index, distance to drainage network, drainage density, distance to geological boundaries, lithology and cumulative rainfall were selected as predictors to implement the landslide susceptibility model. The area under the receiver operating characteristics (ROC) curves (AUC) and other statistical signifiers were used to verify the model accuracies. The result shows that the DT and RF models achieved remarkable predictive performance (AUC > 0.9), producing near accurate susceptibility maps. The overall efficiency of RF (AUC = 0.956) is found significantly higher than the DT (AUC = 0.928) results. Additionally, we noticed that the performance of RF for modeling landslide susceptibility is very robust even though the training and validation samples are altered. Considering the performances, we suggest that both RF and DT models can be used in other similar non-eruption-related landslide studies in the tephra-deposited rich volcanoes, as they are capable of rapidly generating accurate and stable LSM maps for risk mitigation, management practices, and decision-making. Moreover, the RF-based model is promising and enough to be recommended as a method to map regional landslide susceptibility.

The 2018, M w 6.6 Hokkaido Eastern Iburi earthquake in Japan triggered over 10,000 landsliding in an area spanning about 500 km 2 , altering the local topography and leading to the accumulation of loose deposits on hillslopes and in valleys. However, a comprehensive post-seismic landslide inventory and an assessment of topographic changes are lacking, hindering a quantitative hazard assessment. Additionally, the extent of vegetation recovery in areas affected by coseismic landslides, a key indicator of post-seismic debris flow hazard, has not been evaluated. Here, we utilize high-resolution digital elevation models and multi-temporal satellite imagery to analyze topographic changes and vegetation dynamics in the earthquake’s epicentral area (seismic intensity >5.5). We observe that the event roughened the overall gentle topography of the region and made the slopes steeper. Owing to the absence of significant rainstorms and snowmelt post 2018, only a few debris remobilizations (60) and new landslides (80) have occurred in the affected region. Moreover, we noticed a slow vegetation recovery in the post-seismic phase, suggesting that the likelihood of debris flows and gully erosion remains elevated, highlighting the need for continued monitoring and assessment.