ارزیابی نقشه حساسیت زمین لغزش با استفاده از الگوریتم یادگیری ماشین و اولویت بندی عوامل موثر بر وقوع زمین لغزش
- سال انتشار: 1402
- محل انتشار: مجله علوم و مهندسی آبخیزداری ایران، دوره: 17، شماره: 63
- کد COI اختصاصی: JR_JWMS-17-63_007
- زبان مقاله: فارسی
- تعداد مشاهده: 47
نویسندگان
KHorasan Razavi
KHorasan Razavi
Teharan University
چکیده
هدف از مطالعه پیش رو، مدل سازی مکانی حساسیت وقوع زمین لغزش با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی و اولویت بندی عوامل موثر بر وقوع زمین لغزش در حوزه آبخیز بار نیشابور، استان خراسان رضوی است. الگوریتم جنگل تصادفی مبتنی بر دسته ای از درخت های تصمیم است و در حال حاضر یکی از بهترین الگوریتم های یادگیری ماشین است. برای این منظور، لایه نقشه پراکنش زمین لغزش های منطقه شامل ۷۳ زمین لغزش تهیه و به دو دسته برای آموزش مدل (۷۰ درصد) و اعتبارسنجی مدل (۳۰ درصد) به صورت تصادفی تقسیم شدند. همچنین، ۱۶ عامل موثر بر وقوع زمین لغزش در منطقه موردمطالعه با توجه به مرور منابع گسترده شناسایی و لایه های رقومی در سامانه اطلاعات جغرافیایی تهیه شد. به منظور ارزیابی قدرت پیش بینی مدل از مساحت زیر منحنی تشخیص عملکرد نسبی (ROC) برای دو مرحله آموزش و اعتبارسنجی مدل استفاده شد. نتایج ارزیابی مدل نشان داد که مدل جنگل تصادفی با مقادیر سطح زیر منحنی ۰/۹ دارای دقت عالی در مرحله آموزش و ۰/۸۹ دارای دقت خیلی خوب در مرحله اعتبارسنجی است. نتایج اولویت بندی عوامل موثر بر وقوع زمین لغزش در منطقه موردمطالعه نشان داد که عوامل طول شیب و شیب دارای بیشترین اهمیت هستند. بر اساس نتایج مدل جنگل تصادفی، ۲۳/۷ درصد منطقه موردمطالعه در پهنه حساسیت خیلی زیاد و زیاد واقع شده است.کلیدواژه ها
Random Forest algorithm, Bar watershed, ROC, الگوریتم جنگل تصادفی, حوزه بار, ROCاطلاعات 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.