تحلیل مکانی خطر زمین‌لغزش با تأکید بر عوامل ژئومورفولوژیک با استفاده از مدل جنگل تصادفی (مطالعه موردی: شهرستان لارستان در استان فارس)
محورهای موضوعی : اقلیم شناسی
محمد ابراهیم عفیفی
1
(استادیار گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران)
کلید واژه: زمین‌لغزش, لارستان, الگوریتم جنگل تصادفی, منحنی راک,
چکیده مقاله :
با توجه به توانایی تکنیک‌های داده‌کاوی، کاربرد آن‌ها در رشته‌های علوم زمین گسترش فراوانی داشته است. هدف از پژوهش حاضر پهنه‌بندی حساسیت زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی، در شهرستان لارستان، استان فارس است. جنگل‌های تصادفی یک نوع مدرن از درخت - پایه هستند که شامل انبوهی از درخت‌های کلاس‌بندی و رگرسیونی می‌باشند. الگوریتم جنگل تصادفی مبتنی بر دسته‌ای از درخت‌های تصمیم است و در حال حاضر یکی از بهترین الگوریتم‌های یادگیری است. برای انجام پژوهش حاضر لایه‌های اطلاعاتی درجه شیب، جهت شیب، ارتفاع از سطح دریا، شکل شیب، فاصله از گسل، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی به‌عنوان عوامل مؤثر بر وقوع زمین‌لغزش شناسایی و نقشه‌های آن در نرم‌افزار ArcGIS10/2 رقومی و تهیه شدند. سپس با استفاده از الگوریتم جنگل تصادفی، ارتباط بین عوامل مؤثر و موقعیت زمین‌لغزش‌هاو وزن هر یک از آن‌ها در نرم‌افزار آماری R محاسبه و در نهایت جهت تهیه نقشه حساسیت زمین‌لغزش منطقه مورد مطالعه به محیط GIS منتقل گردید. نتایج ارزیابی دقت روش پهنه‌بندی با استفاده از منحنی تشخیص عملکرد نسبی و ۳۰ درصد نقاط لغزشی استفاده نشده در فرآیند مدل‌سازی، بیانگر دقت عالی مدل جنگل تصادفی با سطح زیر منحنی 8/98 درصد است. توصیه اجرایی جهت کاهش خطر پایدارسازی مناطق ناپایدار و دوری جستن از این مناطق است؛ و هرگونه برنامه‌ریزی در توسعه آتی عناصر کالبدی زیرساختی شهری باید با توجه به‌احتمال سانحه زمین‌لغزش صورت گیرد.
Due to the ability of data mining techniques, their application in the field of earth sciences has been widely developed. The purpose of this study is to zoning landslide sensitivity using stochastic forest algorithm in Larestan city, Fars province. Random forests are a modern type of tree-base that includes a host of classification and regression trees. The random forest algorithm is based on a bunch of decision trees and is currently one of the best learning algorithms. For the present study, information layers of slope degree, slope direction, altitude, slope shape, distance from fault, distance from waterway, distance from road, rainfall, lithology and land use as factors affecting landslide occurrence were identified and its maps in software. ArcGIS10 / 2 digit and were prepared. Then, using a random forest algorithm, the relationship between the effective factors and the location of landslides and the weight of each of them were calculated in R statistical software and finally transferred to the GIS environment to prepare a landslide susceptibility map. The results of evaluating the accuracy of the zoning method using the relative yield detection curve and 30% of the slip points not used in the modeling process, indicate the excellent accuracy of the random forest model with the area below the curve being 98.8%. The executive recommendation is to reduce the risk of stabilization of unstable areas and to avoid these areas; And any planning in the future development of the physical elements of urban infrastructure should be done with regard to the possibility of landslides.
1- المدرسی، علی. میر دهقان اشکذری، الهه (1397): تخمین خسارات ناشی از زلزله با استفاده از مدل Radids و GIS (مطالعه موردی شهرستان اشکذر)، فصلنامه مخاطرات محیط طبیعی، دوره 7، شماره 16، صص 100 – 800.
2- پور قاسمی، حمیدرضا، (1398): پهنه‌بندی حساسیت به زمین‌لغزش با استفاده از مدل‌سازی احتمالی وزن با واقعه، مهندسی اطلاعات جغرافیایی، دوره 1، شماره 9، ص 80.
3- حسین‌زاده، سعید (1398): ژئو مورفولوژی و مطالعات آن در ایران بعد از پیروزی انقلاب اسلامی، پژوهش‌های جغرافیای طبیعی، شماره 10.
4- رنجبر، محسن، (1397): اریابی زمین‌لغزش با استفاده از روش LNRF در جاده هراز (از امامزاده هاشم تا لاریجان)، فصلنامه انجمن جغرافیای ایران، شماره 2، ص 119.
5- روستایی، شهرام، (1397): پهنه‌بندی خطر گسل تبریز برای کاربری‌های مختلف اراضی شهری، جغرافیا و توسعه، شماره یک، ص 21.
6- شیرزادی، عطا اله، سلیمانی کریم، حبیب نژاد محمود، کاویان عطا اله، چپی کامران (۱۳۹۶): معرفی یک مدل جدید ترکیبی الگوریتم مینا به‌منظور پیش‌بینی حساسیت زمین‌لغزش‌های سطحی اطراف شهر بیجار، جغرافیا و توسعه، شماره ۴۶، صص ۲۴۶-۲۲۵.
7- طالبی، علی، (1397): بررسی امکان تهیه نقشه خطر زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی حوضه آبخیز سردارآباد استان لرستان، مجله مخاطرات محیط طبیعی، دوره هفتم شماره 16.
8- عابدینی مهدی، قاسمیان بهرام، رضائی مقدم مهدی حسین، (1397): نقشه‌برداری از مستعد بودن زمین‌لغزش در شهر بیجار، استان کردستان، ایران: یک مطالعه مقایسه‌ای با استفاده از مدل‌های رگرسیون لجستیک وAHP، محیط‌زیست محیط.
9- عفیفی، محمدابراهیم، پورمعلمی، محمد، (1398): تحلیل مکانی خطر زمین‌لغزش با تأکید بر عوامل ژئومورفولوژیک با استفاده از مدل جنگل تصادفی (مطالعه موردی شهرستان لارستان در استان فارس)، پایان‌نامه کارشناسی ارشد رشته سنجش از دور، دانشگاه آزاد اسلامی واحد لارستان.
10- عفیفی، محمدابراهیم (1395): ژئو مورفولوژی کاربردی در ایران، انتشارات پیروز، چاپ اول.
11- قنواتی، عزت اله (1392)، توانمند سازی مدیریت بحران شهری در جهت کاهش بلایای طبیعی (زلزله) نمونه موردی شهر خرم آباد، فصلنامه جغرافیای طبیعی، دوره 1، شماره 4.
12- مدیری، محمد. (1396): مدل‌سازی آسیب‌پذیری مناطق شهری در زمان وقوع زلزله با استفاده از GIS (نمونه موردی: منطقه سه کلان‌شهر تهران)، فصلنامه مخاطرات محیط طبیعی، سال ششم، شماره 16، صص 164 – 143.
13- نصرآبادی، اسد اله. (1377): برآورد خطر زمین‌لرزه و پهنه‌بندی لرزه‌ای استان ایلام (به دو روش تعینی و احتمالاتی)، سیزدهمین کنفرانس ژئوفیزیک ایران.
14- مرادی، حمیدرضا محمدی، مجید پور قاسمی، حمیدرضا، (1397): حرکات دامنه (حرکات جمعی)، با تأکید بر روش‌های کمی تحلیل زمین‌لغزش، انتشارات جانبی، ص 20.
15- ملکی، امجد، محمد. بهزاد، (1396): شبیه‌سازی مناطق پیش‌بینی شده خندق با استفاده از روش SPI در حوضه رودخانه مرگ، تحقیقات ژئو مورفولوژی کمی، شماره 3، صص 2 - 1.
16- می‌رسانی، مهدی. (1396): روش‌ها و معیارهای بهینه برای نقشه‌برداری از خطر زمین‌لغزش، مؤسسه تحقیقات بلایای طبیعی، صص 2-4.
17- Abedini M, Ghasemyan B, Rezaei Mogaddam M H, (2017): Landslide Susceptibility Mapping In Bijar City, Kurdistan Province, Iran: A Comparative Study By Logistic Regression And AHP Models, Environ Earth Sci, 76:308, DOI 10.1007/S12665-017-6502
18- Ahmad, A. Dey, L. (2018): A Feature Selection Technique For Classificatory Analysis. Pattern Recogn. Let. 26 (1), Pp. 43–56.
19- Brown S. Row Lands, I. Nodal Pricing In Ontario, (2015): Canada: Implications For Solar PV Electricity. Renew. Energy, 34, Pp.170-178.
20- Cevik E Topal T (2016): GIS-Based Landslide Susceptibility Mapping For A Problematic Segment Of The Natural Gas Pipeline, Hendek (Turkey) Environmental Geology 44: Pp. 949-962.
_||_