بررسی عوامل موثر و ارزیابی حساسیت نسبت به زمین لغزش با استفاده از روشهای یادگیری ماشین

زمین لغزش از جمله مخاطرات طبیعی است که علیرغم خسارات جانی و مالی بسیار، موجب تخریب عرصه های منابع طبیعی و محیط زیستخصوصا در مناطق مرتفع و شیبدار میگردد. امروزه بکارگیری روشهای داده کاوی مبتنی بر یادگیری ماشین به منظور پهنه بندی و پیش بینی حساسیت نسبت به زمین لغزش از اهمیت ویژه ای برخوردار میباشند. اهداف این پژوهش الویت بندی عوامل موثر، پهنه بندی و پیش بینی حساسیت نسبت به رخداد زمین لغزش با استفاده از مدلهای شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و معرفی مناسب ترین آنها در منطقه دوآب صمصامی استان چهارمحال بختیاری میباشد. نقشه پراکنش زمین لغزش ها به عنوان واقعیت زمینی و متغیر وابسته، پس از بازدید میدانی به کمک سامانه موقعیت یاب جهانی و تصاویر ماهواره ای، تعداد ۱۷۴ پهنه ی لغزشی شناسایی و ثبت شد. در همین راستا با شناسایی ۱۵ عامل تاثیرگذار بر رخداد زمین لغزش شامل لایه سنگ شناسی، فاصله از گسل، آبراهه و جاده، بارش متوسط سالیانه، کاربری اراضی، شیب، جهت و طول شیب، شاخص های رطوبت و وضعیت توپوگرافی، شاخص توآن آبراهه، شاخص همگرایی، بافت و تحدب سطح زمین به عنوان عوامل یا متغیرهای مستقل در محیطSAGA GIS®۷.۷.۱ بهمنظور تحلیل آماری و مدلسازی آماده و با استفاده از شاخص نسبت فراوانی (FR) در محیط ArcGIS®۱۰.۸ کمی گردیدند. استقلال داده ها با استفاده از تحلیل رگرسیون چندمتغیره خطی مورد آزمون قرار گرفت. به منظور اجرا و اعتبارسنجی مدلها، داده های پراکنش زمین لغزش به ترتیب به نسبت ۱۲۲)%۷۰ زمین لغزش )و ۵۲) %۳۰ زمین لغزش ) بصورت تصادفی تقسیم گردیدند. پس از اجرای مدلها، نقشه های پهنه بندی حساسیت به پنج کلاس خیلی کم تا خیلی زیاد طبقه بندی شدند. در نهایت به منظور ارزیابی دقت طبقه بندی و اعتبارسنجی مدلها، از شاخص FR&SCAI و AUC-ROC استفاده گردید. نتایج نشان داد دو عامل طول شیب و شاخص رطوبت توپوگرافی دارای همپوشانی اطلاعاتی می باشند و در مراحل بعدی از فرآیند مدلسازی حذف شدند. نتایج بررسی عوامل موثر در هر دو مدل متفقا نشان داد، عوامل سنگ شناسی، کاربری اراضی و جهت شیب به ترتیب تاثیر به سزایی در رخداد زمین لغزش ها داشته اند. نتایج ارزیابی طبقه بندی و اعتبارسنجی مدلها نشان داد مدل جنگل تصادفی (AUC-ROC=۰/۹۱۹) نسبت به شبکه عصبی مصنوعی AUC-۰/۸۴۵) (ROC= از دقت و کارآمدی بیشتری در پیشبینی رخداد زمین لغزش ها برخوردار است.

کلیدواژه ها:

شبکه عصبی مصنوعی ، جنگل تصادفی ، دوآب صمصامی ، زمین لغزش ، پهنهبندی