مقایسه کارایی برخی از مدل های یادگیری ماشین در تهیه نقشه حساسیت پذیری به حرکات توده ای (مطالعه موردی: استان چهارمحال و بختیاری)
- سال انتشار: 1402
- محل انتشار: فصلنامه علوم زمین، دوره: 33، شماره: 2
- کد COI اختصاصی: JR_GSJ-33-2_010
- زبان مقاله: فارسی
- تعداد مشاهده: 61
نویسندگان
مرکز تحقیقات و آموزش کشاورزی ومنابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران
مرکز تحقیقات و آموزش کشاورزی ومنابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران
چکیده
Mass movements are among the most dangerous natural hazards in mountainous regions. The present study employs machine learning (ML) models for mass movement susceptibility mapping (MMSM) in Iran based on a comprehensive dataset of ۸۶۴ mass movements which include debris flow, landslide, and rockfall during the last ۴۲ years (۱۹۷۷–۲۰۱۹) as well as ۱۲ conditional factors. The results of validation stage show that RF (random forest) is the most viable model for mass movement susceptibility maps. In addition, MARS (multivariate adaptive regression splines), MDA (mixture discriminant additive), and BRT (boosted regression trees) models also provide relatively accurate results. Results of the AUC for validation of produced maps were ۰.۹۶۸, ۰.۸۴۵, ۰.۸۲۸, and ۰.۷۶۵ for RF, MARS, MDA, and BRT, respectively. Based on MMSM generated by RF model, ۳۲% of study area is identified to be under high and very high susceptibility classes. Most of the endangered areas for mass movement are in the west and central parts of the Chaharmahal and Bakhtiari Province. In addition, our findings indicate that elevation, slope angle, distance from roads, and distance from faults are critical factors for mass movement. Our results provide a perspective view for decision makers to mitigate natural hazards.کلیدواژه ها
زمین لغزش, هوش مصنوعی, پهنه بندی, جنگل تصادفیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.