مقایسه و تلفیق الگوریتم های یادگیری ماشین و شیء پایه برای غربالگری عوامل زمینه ساز و تهیه نقشه طبقه بندی زمین لغزش

چکیده سابقه و هدف: زمین لغزش به عنوان یکی از مخرب ترین مخاطرات طبیعی پس از زلزله، خسارات جبران ناپذیری به محیط زیست و زیرساخت ها وارد می کند. ایران به دلیل شرایط زمین شناختی و اقلیمی خاص خود، هرساله شاهد وقوع زمین لغزش های متعددی است که نیازمند مطالعات دقیق و اقدامات پیشگیرانه است. در مطالعه حاضر یک روش تلفیقی با استفاده از قابلیت و توانایی الگوریتم های یادگیری ماشین برای انتخاب ویژگی های موثر در شناسایی زمین لغزش و مقایسه الگوریتم های شیء پایه جهت تهیه نقشه طبقه بندی زمین لغزش با استفاده از تصاویر ماهواره ای گائوفن-۱ توسعه داده شد. درنهایت نمودار وابستگی جزئی زمین لغزش ها با هر یک از متغیرهای مستقل استخراج شده ترسم گردید.مواد و روش ها: به منظور شناسایی زمین لغزش های حوزه آبخیز محمدآباد گلستان از دو تصویر ماهواره گائوفن-۱ مربوط به اسفند ۱۴۰۱ و خرداد ۱۴۰۲ استفاده شد. به علت متفاوت بودن فصول دو تصویر، تمام پردازش های دو تصویر به صورت مجزا صورت گرفت. در اولین مرحله ۲۱۸ زمین لغزش با استفاده از بازدید میدانی شناسایی گردید که ۷۰ درصد آن برای آموزش مدل و ۳۰ درصد باقیمانده برای ارزیابی نتایج استفاده شد. طبقه بندی تصاویر ماهواره ای و استخراج کلاس های لغزش و فاقد لغزش بااستفاده از طبقه بندی شیء پایه انجام شد؛ که شامل دو مرحله قطعه بندی و طبقه بندی است. بعد از انجام مرحله قطعه بندی تصویر با الگوریتم قطعه بندی چندمقیاسه، انتخاب ویژگی با استفاده از سه الگوریتم شبکه عصبی، درخت تصمیم و جنگل تصادفی انجام شد و عوامل موثر بر شناسایی زمین لغزش با استفاده از تصاویر ماهواره ای از هر کدام از قطعات استخراج گردید سپس ویژگی های انتخاب شده بر اساس ویژگی هم خطی بررسی شدند. در مرحله بعد، این ویژگی ها در طبقه بندی و شناسایی زمین لغزش با چهار الگوریتم شیء پایه ماشین بردار پشتیبان، نزدیک ترین همسایه، درخت تصمیم و جنگل تصادفی مورداستفاده قرار گرفتند سپس عملکرد الگوریتم ها با شاخص های صحت کلی، ضریب کاپا، ضریب سورنسن، نرخ مثبت صحیح و نرخ مثبت کاذب مقایسه شد و مناسب ترین الگوریتم برای شناسایی زمین لغزش با استفاده از تصویر ماهواره ای انتخاب شد. یافته ها: نتایج انتخاب ویژگی نشان داد از بین سه روش مورد بررسی در این مطالعه، الگوریتم جنگل تصادفی با دقت بالاتری ویژگی های موثر در شناسایی زمین لغزش با استفاده از تصاویر ماهواره ای را تعیین کرد. بررسی طبقه بندی زمین لغزش ها با چهار الگوریتم شیءگرا ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی و نزدیک ترین همسایه نشان داد، الگوریتم ماشین بردار پشتیبان با صحت بالای ۹۲ درصد و ضریب کاپا بالای ۸۵/۰ به نسبت سایر الگوریتم ها شناسایی زمین لغزش های منطقه مورد مطالعه را به خوبی انجام داده است.نتیجه گیری: مطالعه حاضر نشان داد که استفاده از قابلیت و توانایی الگوریتم های یادگیری ماشین و تلفیق آن با الگوریتم های شیء پایه می تواند به عنوان روش قابل اعتماد برای شناسایی سریع و ارزان زمین لغزش ها با استفاده از تصاویر ماهواره ای مورداستفاده قرار گیرد. شناسایی زمین لغزش ها اولین گام مطالعه این مخاطره طبیعی است به طوری که نتایج آن می تواند در بهبود برنامه ریزی، مدیریت و کاهش خسارات ناشی از زمین لغزش به مدیران امر و کارشناسان اجرایی کشور کمک کنند. به منظور انجام مطالعات آتی پیشنهاد می گردد که تصاویر با قدرت تفکیک مکانی بالا تهیه شود تا با جزئیات بالا بتوان به شناسایی زمین لغزش ها اقدام نمود.

کلیدواژه ها:

زمین لغزش ، شیءپایه ، داده کاوی ، جنگل تصادفی ، ماشین بردار پشتیبان