| پهنه‌بندی حساسیت نسبت به زمین‌لغزش با استفاده از روش‌های احتمالاتی دو متغیره و یادگیری ماشین |
| کد مقاله : 1023-SCWMWR |
| نویسندگان |
|
کورش شیرانی *1، رضا نادری سامانی2 1دانشیار پژوهشکده حفاظت خاک و آبخیزداری کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی 2مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران |
| چکیده مقاله |
| زمین‌لغزش از مخرب‌ترین بلایای طبیعی با پیامدهای اجتماعی، اقتصادی و زیست‌محیطی است که امروزه با روش‌های جدید و متنوع می‌توان با منظور مدل‌سازی و پیش‌بینی این رخداد، دست یافت. هدف از انجام این پژوهش پهنه‌بندی و پیش‌بینی حساسیت نسبت به رخداد زمین‌لغزش با استفاده از روش‌های احتمالاتی دو متغیره و یادگیری ماشین اعم از رگرسیون پشتیبان (SVR)، سیستم استنتاج فازی-عصبی تطبیقی (ANFIS)، شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، دمپسترشفر و حداکثر آنتروپی و معرفی مناسب‌ترین آن‌ها در حوضه‌ی دوآب صمصامی در ایران می‌باشد. نقشه پراکنش رخداد زمین‌لغزش بر اساس 170 پهنه لغزشی بر اساس اطلاعات موجود و بررسی تصاویر Google Earth تهیه شد. از این تعداد 70% به عنوان داده‌های آموزشی و 30% به عنوان داده‌های آزمایشی بصورت نقطه لغزشی به ترتیب برای اجرا و اعتبارسنجی مدل به طور تصادفی انتخاب و تقسیم شدند. در مرحله بعد از 13 عامل زمین‌شناسی، هیدرولوژیک، مورفومتریک حوضه به همراه داده‌های اقلیم (به عنوان متغیر مستقل) و به منظور پهنه‌بندی و مدل‌سازی استفاده شد. ارتباط بین عوامل موثر و رخدادهای زمین‌لغزش توسط شاخص نسبت‌فراوانی (FR)، کمی و وزن‌دار شدند. نقشه‌های پهنه‌بندی حساسیت حاصل از اجرای 6 مدل توسط شاخص‌های نسبت فراوانی و سطح سلول هسته (FR & SCAI) و سطح زیر منحنی ویژگی عملکرد گیرنده (AUC-ROC) مورد ارزیابی، اعتبارسنجی و مقایسه قرار گرفتند. نتایج ارزیابی و اعتبارسنجی مدل‌ها نشان داد AUC-ROC برای مدل‌های رگرسیون بردار پشتیبان، مدل دمپسترشفر، مدل جنگل تصادفی، مدل حداکثرآنتروپی، سیستم استنتاج فازی_ عصبی تطبیقی و مدل شبکه عصبی مصنوعی به ترتیب 0.84،0.85،0.91،0.91،0.96،0.97 است. نقشه‌های پهنه‌بندی حساسیت نسبت به زمین‌لغزش حاصل از این پژوهش می‌تواند مبنای برنامه‌ریزی و مدیریت بحران ناشی از رخداد لغزش قرار گیرد. خروجی این پژوهش برای توسعه پروژه‌های آتی در ارگان‌های مختلف فعال در اکثر کشورهای در حال توسعه ضرورت خواهد داشت و به عنوان پایه‌ای به کاهش خطر لغزش و مدیریت آن کمک خواهد کرد. |
| کلیدواژه ها |
| زمین‌لغزش، یادگیری ماشین، روش‌احتمالاتی دو متغیره، دوآب صمصامی |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
