پیش‌بینی مکانی حساسیت زمین‌لغزش با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین (مطالعه موردی: شهرستان سروآباد، استان کردستان)
بهارک معتمدوزیری
1
,
هیمن راست خدیو
2
,
سیداکبر جوادی
3
,
حسن احمدی
4
1 - دانشیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - دانشجوی دکتری، گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - دانشیار، گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
4 - استاد گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
الکلمات المفتاحية: مخاطرات طبیعی, الگوریتم جنگل تصادفی, الگوریتم درخت تصمیم, استان کردستان,
ملخص المقالة :
وقوع رخداد زمین‌لغزش در مناطق کوهستانی ممکن است به زیرساخت‌ها از جمله جاده‌ها آسیب جدی وارد کند، همچنین ممکن است به مرگ‌ومیر انسان‌ها منجر شود. هدف از انجام این مطالعه، پیش‌بینی مکانی خطر زمین‌لغزش با استفاده از الگوریتم‌های پیشرفته داده‌کاوی در شهرستان سروآباد (استان ...) است. در این مطالعه، پتانسیل‌یابی خطر زمین‌لغزش با استفاده از دو الگوریتم پیشرفته داده‌کاوی شامل جنگل تصادفی (RF) و درخت تصمیم (DT) انجام شد. ابتدا، فایل نقطه‌ای 166 زمین‌لغزش رخ داده در شهرستان سروآباد به‌عنوان نقشه موجودی زمین‌لغزش در نظر گرفته شد. به منظور تهیه مدل و اعتبار سنجی آن، نقاط زمین‌لغزش به دو بخش داده‌های آموزشی (70 درصد) و داده‌های اعتبارسنجی (30 درصد) تقسیم می‌شوند. در مجموع 16 پارامتر شامل شیب، جهت جغرافیایی، ارتفاع از سطح دریا، فاصله از آبراهه، فاصله از جاده، تراکم رودخانه، فاصله از گسل، تراکم گسل، تراکم جاده، بارندگی، کاربری و پوشش اراضی، شاخص NDVI، لیتولوژی، زمین‌لرزه، شاخص توان آبراهه (SPI) و شاخص رطوبت توپوگرافی (TWI) به‌منظور پهنه‌بندی خطر زمین‌لغزش استفاده شدند. در نهایت، عملکرد مدل‌ها با استفاده از منحنی مشخصه عملکرد سیستم (ROC) مورد بررسی قرار گرفت. نتایج تحلیل منحنی ویژگی عملگر نسبی نشان داد که مدل‌های درخت تصمیم و جنگل تصادفی به ترتیب دارای مقدار AUC برابر 942/0 و 951/0 می‌باشند؛ بنابراین مدل جنگل تصادفی نسبت به درخت تصمیم دارای بالاترین مقدار AUC بوده و بهترین مدل برای پیش‌بینی خطر زمین‌لغزش در آینده در منطقه مورد مطالعه می‌باشد. نقشه‌های پتانسیل وقوع زمین‌لغزش، ابزارهای کارآمدی بوده؛ به‌طوری‌که می‌توان آن‌ها را برای مدیریت زیست‌محیطی، برنامه‌ریزی کاربری زمین و توسعه زیرساخت‌ها مورد استفاده قرار داد.
زمانی، ل. و ریاحی، و. )1393 )مدیریت بحران و شناخت
پهنههای خطر و امن ناشی از زمین لغزش در نواحی
روستایی شهرستان سروآباد. نشریه تحقیقات کاربردی علوم
.132-117 :)35(10 ،جغرافیایی
سایت رسمی فرمانداری شهرستان سروآباد. )1393 )موقعیت
جغرافیایی شهرستان سروآباد. قابل دسترس در سایت:
.https://sarvabad.ostan-kd.ir/
Achour, Y. and Pourghasemi, H.R. (2020) How do
machine learning techniques help in increasing
accuracy of landslide susceptibility maps.
Geoscience Frontiers, 11(3): 871-883.
Ado, M., Amitab, K., Maji, A.K., Jasińska, E.,
Gono, R., Leonowicz, Z. and Jasiński, M.
(2022) Landslide susceptibility mapping using
machine learning: A literature survey. Remote
Sensing, 14(13); 25-35.
Akinci, H., Kilicoglu, C. and Dogan, S. (2020)
Random forest-based landslide susceptibility
mapping in coastal regions of Artvin, Turkey.
ISPRS International Journal of GeoInformation, 9(9): 553-553.
Arumugam, T., Kinattinkara, S., Velusamy, S.,
Shanmugamoorthy, M. and Murugan, S. (2023)
GIS based landslide susceptibility mapping and
assessment using weighted overlay method in
Wayanad: A part of Western Ghats, Kerala.
Urban Climate, 49(1): 101508.
Basu, T. and Pal, S. (2019) RS-GIS based
morphometrical and geological multi-criteria
approach to the landslide susceptibility
mapping in Gish River Basin, West Bengal,
India. Advances in Space Research, 63(3):
1253-1269.
Breiman, L. (1999) Random forests—Random
features. Technical Report 567, Statistics
Department, University of California, Berkeley:
Berkeley, CA, USA, 29p.
Chen, W., Xie, X., Wang, J., Pradhan, B., Hong,
H., Bui, D.T., Duan, Z. and Ma, J. (2017) A
comparative study of logistic model tree,
random forest, and classification and regression
tree models for spatial prediction of landslide
susceptibility. Catena, 151(1): 147-160.
Cheng, Y.S., Yu, T.T. and Son, N.T. (2021)
Random forests for landslide prediction in
tsengwen river watershed, central taiwan.
Remote Sensing, 13(2): 199-208.
Colkesen, I., Sahin, E.K. and Kavzoglu, T. (2016)
Susceptibility mapping of shallow landslides
using kernel-based Gaussian process, support
vector machines and logistic regression.Journal
of African Earth Sciences, 118(2016): 53-64
