پیش‌بینی حساسیت به زمین‌لغزش حوزه آبخیز پلرود با روش‌های یادگیری ماشین
الموضوعات : مدیریت سوانح طبیعی
مرضیه حیدری
1
,
علی فضل الهی
2
,
سید پدرام نی‌نیوا
3
1 - دانشجوی کارشناسی ارشد، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران.
2 - استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران.
3 - دکتری علوم و مهندسی آبخیزداری (حفاظت آب و خاک)، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
الکلمات المفتاحية: پهنه‌بندی, جنگل تصادفی, سامانه اطلاعات جغرافیایی (GIS), مخاطرات طبیعی, ناپایداری دامنه‌ها,
ملخص المقالة :
زمین‌لغزش یکی از مهم‌ترین مخاطرات ژئومورفولوژیکی است که تهدیدی جدی برای منابع طبیعی، زیرساخت‌ها و سکونتگاه‌های انسانی محسوب می‌شود. هدف این پژوهش، پهنه‌بندی حساسیت زمین‌لغزش در حوزه آبخیز پلرود با استفاده از الگوریتم‌های یادگیری ماشین و ارزیابی تطبیقی عملکرد آن‌ها بود. بدین منظور، سه الگوریتم جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و درخت تصمیم (DT) به کار گرفته شد و 19 متغیر مؤثر در قالب عوامل توپوگرافی، هیدرولوژیکی و محیطی - انسانی در فرایند مدل‌سازی مورد استفاده قرار گرفت. داده‌های رخداد زمین‌لغزش به‌صورت تصادفی به دو بخش 70 درصد برای آموزش و 30 درصد برای ارزیابی مدل‌ها تقسیم شدند. عملکرد مدل‌ها با استفاده از شاخص‌هایی، شامل سطح زیر منحنی (AUC)، دقت کلی، حساسیت، ویژگی، صحت، ضریب همبستگی R، امتیاز F1، CV-ROC و ضریب کاپا ارزیابی شد. نتایج نشان داد الگوریتم RF نسبت به سایر مدل‌ها توان بالاتری در شناسایی الگوی مکانی حساسیت زمین‌لغزش داشته و با ارائه توزیع واقع‌بینانه‌تر از پهنه‌های پرخطر، حدود 24 درصد از مساحت حوضه را در کلاس حساسیت زیاد طبقه‌بندی کرد. لذا، مقدار AUC برابر0/75 و CV-ROC برابر 0/97 بیانگر پایداری مناسب مدل است، هرچند دقت کلی 0/62 اثر نامتوازن بودن داده‌ها را نشان می‌دهد. در مقابل، مدل SVM گرایش بیشتری به طبقه‌بندی نواحی کم‌خطر داشت و مدل DT پایداری کمتری نشان داد. تحلیل اهمیت متغیرها نقش‌برجسته شاخص‌های مورفومتری TRI و TPI و متغیرهای هیدرولوژیکی SPI و CN را در کنترل ناپایداری دامنه‌ها تأیید کرد. در مجموع، نتایج پژوهش برتری الگوریتم RF و کارایی و قابلیت اطمینان بیشتر آن در پهنه‌بندی حساسیت زمین‌لغزش را تأیید می‌کند.
باباربیع، نگار، لرستانی، قاسم، و اسماعیلی، رضا (1404). پهنه‌بندی وقوع خطر زمین‌لغزش با استفاده از مدل‌های جنگل تصادفی و ماشین بردار. پژوهش‌های دانش زمین، 16(1)، 152-168. doi:org/10.48308/esrj.2025.236839.1234
بابلی مؤخر، حمید، تقیان، علی رضا، و شیرانی، کورش (1397). ارزیابی نقشه پهنه‌بندی حساسیت زمین‌لغزش با استفاده از روش تلفیقی فاکتور اطمینان و رگرسیون لجستیک با به‌کارگیری شاخص‌های ژئومورفومتریک. پژوهش‌های ژئومورفولوژی کمّی، 7(3)، 91-116. dor:isc.ac/dor/20.1001.1.22519424.1397.7.3.6.4
حجازی، سید اسدالله (1393). پهنه‌بندی خطر زمین‌لغزش در حوضه گویجه بل اهر با استفاده از سیستم اطلاعات جغرافیایی (GIS). جغرافیا و برنامه‌ریزی، 18(50)، 135-152.
دسترنج، علی، و کریمی سنگچینی، ابراهیم (1401). پیش‌بینی حساسیت وقوع زمین‌لغزش با الگوریتم یادگیری ماشین بیشینه آنتروپی (حوزه آبخیز بار نیشابور). پژوهش‌های دانش زمین، 13(51)، 76-96. doi:org/10.48308/esrj.2022.102965
دسترنج، علی، کریمی سنگچینی، ابراهیم، و نور، حمزه (1403). ارزیابی ریسک زمین‌لغزش در حوزه آبخیز بار نیشابور، استان خراسان رضوی. علوم و مهندسی آبخیزداری ایران، 18(67). doi:org/10.22034/18.67.4
ساداتی، سید حمید، موسوی، سید رمضان، وهاب‌زاده کبریا، قربان، و روشان، سید حسن. (1404). ارزیابی مدل‌های جنگل تصادفی و ماشین بردار پشتیبان در نقشه‌برداری خطر زمین‌لغزش (مطالعه موردی: حوضه تجن، استان مازندران). مجله مخاطرات طبیعی محیطی، 14(45)، 133-154. doi:org/10.22111/jneh.2025.50031.2071
طالبی، علی، نفرزادگان، علیرضا، و ملکی نژاد، حسین (1388). مروری بر مدل‌سازی تجربی و فیزیکی زمین‌لغزش‌های ناشی از بارندگی. پژوهش‌های جغرافیای طبیعی (پژوهش‌های جغرافیایی)، 41(70)، 45-64.
فیض‌نیا، سادات، حسن‌زاده، محمد، و احمدی، حسن (1380). پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز شلمان رود در استان گیلان. منابع طبیعی ایران، 54(3)، 207-220.
مددی، عقیل، پیروزی، الناز، و فعال‌نذیری، مهدی (1399). ارزیابی مقایسه‌ای الگوریتم‌های تصمیم‌گیری چندمعیارة MABAC و CODAS در پهنه‌بندی خطر زمین‌لغزش، نمونة پژوهش: شهرستان کوثر. جغرافیا و برنامه‌ریزی محیطی، 31(4)، 1-24. doi:org/10.22108/gep.2020.124723.1348
نظریانی، نسترن، و فلاح، اصغر (1402). مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از داده‌کاوی در جنگل‌های هیرکانی. پژوهش‌نامه مدیریت حوزه آبخیز، 14(27)، 123-134. doi:org/2010.61186/jwmr.14.27.123
Abdo, H. G., & Richi, S. M. (2024). Application of machine learning in the assessment of landslide susceptibility: A case study of mountainous eastern Mediterranean region, Syria. Journal of King Saud University-Science, 36(5), 103174. doi:org/10.1016/j.jksus.2024.103174.
Akbar, T. A., & Ha, S. R. (2011). Landslide hazard zoning along Himalayan Kaghan Valley of Pakistan—by integration of GPS, GIS, and remote sensing technology. Landslides, 8(4), 527–540. doi:org/10.1007/s10346-011-0260-1.
Allegri, E., Zanetti, M., Torresan, S., & Critto, A. (2024). Pluvial flood risk assessment for 2021–2050 under climate change scenarios in the Metropolitan City of Venice. Science of the Total Environment, 914, 169925. doi:org/10.1016/j.scitotenv.2024.169925.
Arabameri, A., Saha, S., Roy, J., Chen, W., Blaschke, T., & Tien Bui, D. (2020). Landslide susceptibility evaluation and management using different machine learning methods in the Gallicash River Watershed, Iran. Remote Sensing, 12(3), 475. doi:org/10.3390/rs12030475.
Cui, J., Kou, P., Tao, Y., Jin, Z., Huang, Y., & Zhang, J. (2024). Enhanced Landslide Susceptibility Mapping Using Machine Learning and InSAR Integration: A Case Study in Wushan County, Three Gorges Reservoir Area, China. doi:org/10.21203/rs.3.rs-4766128/v1.
Fatemi Aghda, S. M., Bagheri, V., & Razifard, M. (2018). Landslide susceptibility mapping using fuzzy logic system and its influences on mainlines in lashgarak region, Tehran, Iran. Geotechnical and Geological Engineering, 36(2), 915–937. doi:org/10.1007/s10706-017-0365-y.
Haftlang, K. K., & Lang, K. K. H. (2003). The book of Iran: a survey of the geography of Iran. Alhoda UK.
Kühnl, M., Sapena, M., Wurm, M., Geiß, C., & Taubenböck, H. (2023). Multitemporal landslide exposure and vulnerability assessment in Medellín, Colombia. Natural Hazards, 119(2), 883–906. doi:org/10.1007/s11069-022-05679-z.
Lin, L., Lin, Q., & Wang, Y. (2017). Landslide susceptibility mapping on a global scale using the method of logistic regression. Natural Hazards and Earth System Sciences, 17(8), 1411–1424. doi:org/10.5194/nhess-17-1411-2017, 2017.
Meles, M. B., Younger, S. E., Jackson, C. R., Du, E., & Drover, D. (2020). Wetness index based on landscape position and topography (WILT): Modifying TWI to reflect landscape position. Journal of Environmental Management, 255, 109863. doi:org/10.1016/j.jenvman.2019.109863.
Mirzaei, S., Vafakhah, M., Pradhan, B., & Alavi, S. J. (2021). Flood susceptibility assessment using extreme gradient boosting (EGB), Iran. Earth Science Informatics, 14(1), 51–67. doi:org/10.1007/s12145-020-00530-0.
Mojaddadi, H., Pradhan, B., Nampak, H., Ahmad, N., & Ghazali, A. H. bin. (2017). Ensemble machine-learning-based geospatial approach for flood risk assessment using multi-sensor remote-sensing data and GIS. Geomatics, Natural Hazards and Risk, 8(2),1080–1102. doi:org/10.1080/19475705.2017.1294113.
Norallahi, M., & Seyed Kaboli, H. (2021). Urban flood hazard mapping using machine learning models: GARP, RF, MaxEnt and NB. Natural Hazards, 106, 119–137. doi:org/10.1007/s11069-020-04453-3.
Pandey, A., Dabral, P. P., Chowdary, V. M., & Yadav, N. K. (2008). Landslide hazard zonation using remote sensing and GIS: a case study of Dikrong river basin, Arunachal Pradesh, India. Environmental Geology, 54(7), 1517–1529. doi:org/10.1007/s00254-007-0933-1.
Patel, M., Chavda, M., Patel, R., Goswami, A., & Mevada, J. (2024). Predicting Landslide Using Machine Learning Techniques. ITM Web of Conferences, 65, 3012. doi:org/10.1051/itmconf/20246503012.
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. doi:org/10.1007/s12665-010-0705-1.
Sahin, E. K., Colkesen, I., & Kavzoglu, T. (2020). A comparative assessment of canonical correlation forest, random forest, rotation forest and logistic regression methods for landslide susceptibility mapping. Geocarto International, 35(4), 341–363. doi:org/10.1080/10106049.2018.1516248.
SELLAMI, E. M., & Rhinane, H. (2024). Google Earth Engine and Machine Learning for Flash Flood Exposure Mapping—Case Study: Tetouan, Morocco. Geosciences (Switzerland), 14(6). doi:org/10.3390/geosciences14060152.
Shahabi, H., Ahmadi, R., Alizadeh, M., Hashim, M., Al-Ansari, N., Shirzadi, A., Wolf, I. D., & Ariffin, E. H. (2023). Landslide susceptibility mapping in a mountainous area using machine learning algorithms. Remote Sensing, 15(12), 3112. doi:org/10.3390/rs15123112.
Towfiqul Islam, A. R. M., Talukdar, S., Mahato, S., Kundu, S., Eibek, K. U., Pham, Q. B., Kuriqi, A., & Linh, N. T. T. (2021). Flood susceptibility modelling using advanced ensemble machine learning models. Geoscience Frontiers, 12(3). doi:org/10.1016/j.gsf.2020.09.006
Wang, Y., Fang, Z., & Hong, H. (2019). Comparison of convolutional neural networks for landslide susceptibility mapping in Yanshan County, China. Science of the Total Environment, 666, 975–993. doi:org/10.1016/j.scitotenv.2019.02.263.
Yu, H., Pei, W., Zhang, J., & Chen, G. (2023). Landslide susceptibility mapping and driving mechanisms in a vulnerable region based on multiple machine learning models. Remote Sensing, 15(7), 1886. doi:org/10.3390/rs15071886.
Zare, M., Pourghasemi, H. R., Vafakhah, M., & Pradhan, B. (2013). Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arabian Journal of Geosciences, 6(8), 2873–2888. doi:org/10.1007/s12517-012-0610-x
Zhuo, L., Huang, Y., Zheng, J., Cao, J., & Guo, D. (2023). Landslide susceptibility mapping in Guangdong Province, China, using random forest model and considering sample type and balance. Sustainability, 15(11), 9024. doi:org/10.3390/su15119024.
