بررسی مقایسه‌ای مدلهای ماشین پشتیبانبردار و لجستیک درختی برای ارزیابی حساسیت زمینلغزش - مطالعه موردی: شهرستان کامیاران، استان کردستان
Subject Areas : Climatology
بهاره
قاسمیان
1
(دانشجوی دکتری گروه جغرافیا (ژئومورفولوژی)، دانشگاه محقق اردبیلی، اردبیل، ایران)
موسی
عابدینی
2
(دانشیار گروه جغرافیای طبیعی (ژئومورفولوژی)، دانشگاه محقق اردبیلی، اردبیل، ایران)
شهرام
روستایی
3
(استاد گروه جغرافیا (ژئومورفولوژی)، دانشگاه تبریز، تبریز، ایران)
عطاالله
شیرزادی
4
(دکترای مرتع و آبخیزداری، کارشناس آموزشی و پژوهشی دانشکده منابع طبیعیدانشگاه کردستان)
Keywords: زمینلغزش, ماشین پشتیبانبردار, مدل لجستیک درختی, کامیاران,
Abstract :
اولین گام مهم و اساسی در ارزیابی خطر زمین­لغزش تهیه نقشه­های حساسیت زمین­لغزش می­باشد، این نقشه­ها به عنوان یک محصول نهایی است که می­تواند برایبرنامه­ریزی کاربری اراضی مفید واقع شود. هدف اصلی این پژوهش مقایسه کارایی مدل­های داده­کاوی ماشین پشتیبان­بردار و لجستیک درختی به منظور پیش­بینی مکانی زمین لغزش­های سطحی اطراف شهر کامیاران واقع در استان کردستان می­باشد. در ابتدا، نقشه پراکنش زمین­لغزش با 60 نقطه لغزشی در منطقه مورد مطالعه با استفاده از منابع مختلف ساخته شد. سپس، آن­ها به صورت تصادفی به یک نسبت 70 به 30 به ترتیب برای آموزش مدل زمین­لغزش و اعتبارسنجی تقسیم شدند. از میان بیست و یک عامل مؤثر بر وقوع زمین­لغزش­های سطحی منطقه مورد مطالعه، حدود هشت متغیر (فاصله از آبراهه، تراکم آبراهه، شاخص قدرت حمل جریان، بارندگی، عمق دره، شاخص نمناکی توپوگرافی، شدت تابش خورشیدی و انحنای طولی شیب) بر اساس شاخص IGR مؤثر شناخته شدند. عملکرد مدل­ها با استفاده از چندین پارامتر آماری از جمله حساسیت، شفافیت، صحت، مجذور مربعات خطا، منحنی نرخ­موفقیت و سطح زیر این منحنی مورد ارزیابی قرار گرفت. اعتبارسنجی نتایج مدل­ها با استفاده از منحنی ROC نشان داد که مدل SVM با سطح زیر منحنی 97/0از قابلیت پیش­بینی بالاتری نسبت به مدل LMT با سطح زیر منحنی 737/0 برخوردار است. نتایج به دست­آمده از این پژوهش می­تواند برای برنامه­ریزی کاربری ارضی، کاهش خطرات زمین­لغزش و مدیریت اصولی مناطق مستعد ­لغزشی مفید واقع گردد.
1- ابراهیمی، مجید؛ الهیان، محمود، امیراحمدی، ابوالقاسم، بهرامی، شهرام. 1393. پهنهبندی حساسیت خطر وقوع زمین-لغزش با استفاده از مدل احتمالاتی وزن واقعه (تئوری بیزین)؛ مطالعه موردی: حوضه آبخیز بار نیشابور ، جغرافیا و برنامهریزی محیطی، سال 25، شماره 4، صص 144-125.
2- بهاروند، سیامک؛ سوری، سلمان. 1394. پهنه بندی خطر زمین لغزش با استفاده از منطق فازی و مدل تراکم سطح (مطالعه موردی حوضه کاکاشرف، جنوب شرقی شهر خرم آباد)، زمینشناسی مهندسی، دوره نهم، شماره 4، صص 3112-3093.
3- پورقاسمی، حمیدرضا؛ مرادی، حمیدرضا؛ محمدی، مجید، مصطفیزاده، رئوف، جیرنده، عباس. 1391. پهنهبندی خطر زمینلغزش با استفاده از تئوری بیزین، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال شانزدهم، شماره شصت و دوم، صص 121-109.
4- پورقاسمی، حمیدرضا. 1389. پهنهبندی حساسیت زمینلغزش با استفاده از مدل احتمالاتی وزن واقعه، مهندسی فناوری اطلاعات مکانی، سال یکم، شماره نهم، ص80 - 69.
5- حسینزاده، محمدحسین. محمدرضا ثروتی، عادل منصوری، بابک میرباقری، سعید خضری. 1388. پهنهبندی ریسک وقوع حرکات تودهای با استفاده از مدل رگرسیون لجستیک، فصلنامه زمین شناسی ایران، سال سوم، شماره یازدهم، صفحات 27 –37.
6- دولتخواهی، زهرا؛ جوادی، محمدرضا؛ وفاخواه، مهدی. 1396. استفاده از روش های آماری رگرسیون دو و چند متغیره در پهنه بندی خطر زمین لغزش (مطالعه موردی: حوزه آبخیز شمال تهران)، پژوهشنامه مدیریت حوزه آبخیز، دوره هشتم، شماره 15، صص 179-171.
7- شیرزادی، عطااله، سلیمانی کریم، حبیبنژاد محمود، کاویان عطااله، چپی کامران. 1396. معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیشبینی حساسیت زمینلغزشهای سطحی اطراف شهر بیجار، جغرافیا و توسعه، شماره 46، صفحات 246 – 225.
8- صفاری، امیر؛ رعیتی شوازی، منیره؛ جاناحمدی، مریم؛ شیرزاد مالیری، لیلا. 1394. پهنهبندی خطر زمینلغزش با استفاده از مدل نسبت فراوانی و منطق فازی (مطالعه موردی: بخش مرکزی شهرستان جم)، فصلنامه جغرافیای طبیعی، سال هشتم، شماره 30 ، صص 29-15.
9- صفاری، امیر؛ هاشمی، معصومه. 1395. پهنهبندی حساسیت وقوع زمینلغزش با مدلهای آنتروپی و منطق فازی (مطالعه موردی:شهرستان کرمانشاه)، دوره نهم، شماره 34، صص 62-43.
10-عابدینی، موسی. 1395. ژئومورفولوژی تکتونیکی، تألیف، 2 جلد، جلد دوم، چاپ اول، انتشارات دانشگاه محقق اردبیلی، 214 صفحه.
11- عربعامری، علیرضا؛ شیرانی، کورش؛ حلبیان، امیرحسین. 1395. ارزیابی توانایی پیشبینی مدلهای آماری و لجستیک برای تهیه نقشه پهنهبندی خطر زمینلغزش (مطالعه موردی: حوضه ونک)، فصلنامه جغرافیای طبیعی، سال نهم، شماره 32 ، صص 140-123.
12- فتحآبادی، ابوالحسن؛ قندی، اکرم؛ روحانی، حامد؛ سیدیان، مرتضی. 1395. بررسی کارایی روشهای دو و چند متغیره در پهنهبندی خطر زمینلغزش (مطالعه موردی: حوضهی چهلچای)، پژوهشهای فرسایش محیطی، سال چهارم، شماره 24، صص 46 – 23.
13- محمدنیا، ملیحه؛ امیراحمدی، ابوالقاسم؛ بهرامی، شهرام. 1395. کاربرد مدل شواهد وزنی در ارزیابی حساسیت زمین لغزش با استفاده از فناوری سامانه اطلاعات جغرافیایی (مطالعه موردی: حوضه آبخیز جاغرق)، فصلنامه تحقیقات جغرافیایی، سال سی و یکم، شماره دوم، شماره پیایی 70، صص 154-141.
14- یمانی، مجتبی، احمدآبادی، علی، زارع، غلامرضا. 1391. بهکارگیری الگوریتم ماشین های پشتیبان بردار در پهنه بندی خطر وقوع زمین لغزش (مطالعه موردی: حوضه آبریز درکه)، جغرافیا و مخاطرات محیطی، شماره سوم، صص 142 – 125.
_||_15- Ahmad, A., Dey, L., 2005. A feature selection technique for classificatory analysis. Pattern Recogn. Let. 26 (1), 43–56.
16- 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/s12665-017-6502-3 .
17- Cruden DM, (1991) A simple definition of a landslide. Bull Eng. Geol Environ 43:27–29.
18- Debeljak, M.,Dzˇeroski, S., (2009).In:Jopp,F.,Reuter,H.,Breckling,B.(Eds.),Decision Trees in Scological Modelling in Modelling Complex Ecological Dynamics. Springer, Berlin Heidelberg, pp.197–2092011.
19- Doetsch P, Buck C, Golik P, Hoppe N, Kramp M, Laudenberg J, Oberdörfer C, Steingrube
20- Gama J (2004) Functional trees. Mach Learn 55:219–250.
21- Han, J, Kamber M, (2012), "Data Mining: Concepts and Techniques", San Diego Academic Press, Pp1-740.
22- Hastie, T., Tibshirani, R., Friedman, J.H., (2001). The Elements of Statistical Learning: Data Mining. Inference and Prediction. Springer Verlag, New York.
23- Jie Wang, Min Guo b, Kazuhide Sawada, Jie Lina, Jinchi Zhanga, (2015), Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models, Catena 135: 271–282.
24- Kavzoglu, Taskin; Sahin Emrehan, Kutlug; Colkesen, Ismail (2015) An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district, Nat Hazards, 76:471–496.
25- Koehorst, B.A.N. Kjekstad, O. Patel, D. Lubkowski, Z. Knoeff, J.G. Akkerman, G.J, (2005). Workpackage 6 Determination of Socio- Economic Impact of Natural Disasters, Assessing socioeconomicImpact in Europe, PP.173.
26- Landwehr, N., Hall,M., Frank, E., 2005. Logistic model trees. Mach. Learn. 59 (1), 161–205.
27- Nithya, N.S., Duraiswamy, K., 2014. Gain ratio based fuzzy weighted association rule mining
classifier for medical diagnostic interface. Sadhana 39 (1), 39–52.
28- Peng Ling, Ruiqing Niu Bo Huang, Xueling Wua, Yannan Zhao, Runqing Ye, (2014), Landslide susceptibility mapping based on rough set theory and support vector machines: A case of the Three Gorges area, China. Geomorphology 204 287–301.
29- Pradhan, B., 2011. Use of GIS-based fuzzy logic relations and its cross application to produce landslide susceptibility maps in three test areas in Malaysia. Environmental Earth Sciences 63 (2), 329–349.
30- Pradhan Biswajeet (2013), A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS, Computers & Geosciences 51, PP: 350–365.
31- Quinlan, J.R. (1993). C4.5: programs for machine learning. Morgan Kaufmann, San Mateo, CA, USA.
32- Shahabi H, Khezri S, Ahmad BB, Hashim M, (2014), Landslide susceptibility mapping at central Zab basin, Iran: a comparison between analytical hierarchy process, frequency ratio and logistic regression models. CATENA 115:55–70.
33- Shirzadi Ataollah, Tien Bui Dieu, Thai Pham Binh, Solaimani Karim, Chapi Kamran, Kavian Ataollah, Shahabi Himan, Revhaug Inge (2017), Shallow landslide susceptibility assessment using a novel hybridintelligence approach, Environ Earth Sci 76:60, DOI 10.1007/s12665-016-6374-y.
34- Thai Pham, B.T., Tien Bui, D., Pourghasemi, H.R., Indra, P., Dholakia, M.B., (2015). Landslide susceptibility assessment in the Uttarakhand area (India) using GIS: a comparison study of prediction capability of naïve bayes, multilayer perceptron neural networks, and functional trees methods. Appl. Climatol. 122 (3e4), 1e19.
35- Tien Bui Dieu, Biswajeet Pradhan, Owe Lofman, and Inge Revhaug, (2012), Landslide Susceptibility Assessment in Vietnam Using Support Vector Machines, Decision Tree, a Naive Bayes Models, Mathematical Problems in Engineering. Pp. 1-26, p 7.
36- Tien Bui Dieu, Tran Anh Tuan, Harald Klempe, Biswajeet Pradhan, Inge Revhaug, (2015) spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree, Landslides.
37- Tsangaratos P, Ilia I (2015), Landslide susceptibility mapping using a modified decision tree classifier in the Xanthi Perfection, Greece Landslides: 1-16 doi: 10.1007/s10346-015-0565-6.
37- Vapnik, V.N., 1995. The Nature of Statistical Learning Theory. Springer, New York.
2 pp.
38- Yesilnacar, E, Topla, T, (2005). Landslide susceptibility mapping a comparison of logistic regression and neural networks methods in a medium scale (Turkey). Engineering Geology, Volume 79, Pages 251–266.
39- Zhao Y and Y. Zhang, (2008)“Comparison of decision tree methods for finding active objects,” Advances in Space Research, vol. 41, no. 12, pp. 1955–1959.