پهنه بندی حساسیت وقوع زمین لغزش با استفاده از الگوریتم های یادگیری ماشین (منطقه مورد مطالعه: بخشی از حوزه آبخیز هراز)

زمین لغزش یکی از انواع پدیده های زمین شناسی در سراسر جهان است که هر ساله تلفات جانی و خسارات اقتصادی زیادی را به همراه دارد. بنابراین، این پژوهش به منظور ارزیابی پهنه بندی حساسیت وقوع زمین لغزش با استفاده از الگوریتم های مختلف یادگیری ماشین از نوع ماشین پشتیبان بردار (SVM) و رگرسیون فرآیند گاوسی (SVM) با دو کرنل (PUK و RBF) و جنگل تصادفی (RF) در بخشی از حوزه آبخیز هراز، ایران انجام شده است. در پژوهش حاضر از نه عامل شیب، جهت، ارتفاع، زمین شناسی، کاربری اراضی، فاصله از گسل، فاصله از جاده، فاصله از رودخانه و بارش به عنوان پارامترهای ورودی و نقاط لغزشی و غیرلغزشی به عنوان پارامتر خروجی برای مدل سازی و پهنه بندی حساسیت وقوع زمین لغزش استفاده شد. از مجموع ۱۴۸ نقاط لغزشی و غیرلغزشی، ۷۰ درصد برای مرحله آموزش و ۳۰ درصد برای مرحله آزمایش مدل سازی استفاده شد. برای ارزیابی کارایی مدل ها و انتخاب مدل بهینه از معیارهای سنجش خطای مدل Accuracy، F۱-score و AUC و برای تحلیل حساسیت از روش حذفی استفاده شد. نتایج به دست آمده نشان داد که مدل RF (با ۹/۰Accuracy =، ۹۵۷/۰F۱-score= و ۹۹۹/۰AUC=) در بخش آزمایش در مقایسه با دیگر مدل ها به عنوان بهترین مدل برای پهنه بندی حساسیت وقوع زمین لغزش انتخاب شد. بر اساس نتایج نقشه پهنه بندی مشخص شد که به ترتیب ۸۶/۳۱، ۱۶/۳۲، ۳۸/۱۳، ۷۳/۹ و ۸۴/۱۲ درصد در طبقات با حساسیت خیلی کم، کم، متوسط، زیاد و خلیی زیاد قرار دارد. علاوه براین نتایج تحلیل حساسیت مدل نشان داد که جهت شیب، حساس ترین پارامتر در پهنه بندی خطر وقوع زمین لغزش است. مقایسه نتایج مدل ها نشان داد که ارتباط معناداری بین مقادیر پیش بینی شده و مقادیر مشاهداتی با استفاده از مدل های استفاده شده وجود ندارد. بر اساس نتایج به دست آمده از نقشه پهنه بندی حساسیت وقوع زمین لغزش می توان به اولویت بندی و مدیریت مناطق پایدار و با حساسیت کم به وقوع حرکت های توده ای برای اجرای عملیات عمرانی پرداخت.

کلیدواژه ها:

حوزه آبخیز هراز ، رگرسیون فرآیند گاوسی ، زمین لغزش ، شاخص حساسیت زمین لغزش ، ماشین بردار پشتیبان ، مدل جنگل تصادفی