توسعه مدل های یادگیری ماشین توضیح پذیر بهینه سازی شده به منظور تهیه نقشه حساسیت چندمخاطره ای سیل، زمین لغزش و فرونشست زمین (مطالعه موردی: سواحل دریای خزر)

پیشینه و اهداف: استان های شمالی ایران (گلستان، مازندران و گیلان) در امتداد دریای خزر قرار گرفته اند و ترکیب آب وهوای مرطوب، توپوگرافی شیب دار البرز، برداشت بی رویه آب زیرزمینی برای کشاورزی و تغییر سریع کاربری اراضی موجب می شود این منطقه به طور هم زمان در معرض سیل، زمین لغزش و فرونشست زمین قرار گیرد. با وجود این هم زمانی، بیشتر مطالعات پیشین هر یک از مخاطرات را به صورت مجزا بررسی کرده اند و بینش محدودی درباره مکان های همپوشانی فضایی این تهدیدها و چگونگی مدیریت مشترک آن ها در مقیاس منطقه ای ارائه کرده اند. مدل های حساسیت موجود اغلب بر الگوریتم های یادگیری ماشین منفرد و بدون تنظیم سیستماتیک فراپارامترها متکی هستند و خروجی های آن ها به عنوان جعبه سیاه در نظر گرفته می شود، که این موضوع کاربرد آن ها را در تصمیم گیری مبتنی بر شواهد محدود کرده و اعتماد ذی نفعان را تضعیف می کند. هدف این پژوهش، توسعه یک چارچوب بهینه سازی شده و تفسیرپذیر برای تهیه نقشه های حساسیت توامان هر سه مخاطره در این منطقه و پشتیبانی از برنامه ریزی یکپارچه ریسک و سیاست گذاری آگاهانه کاربری اراضی است.روش ها : یک مدل ترکیبی شامل رگرسیون بردار پشتیبان به همراه الگوریتم بهینه سازی گرگ خاکستری با جهش دومرحله ای (SVR-TMGWO) به صورت جداگانه برای هر مخاطره ساخته شد. اطلاعات رخدادهای سیل و زمین لغزش طی یک دوره بیست ساله (۲۰۰۰ تا ۲۰۲۰) از سازمان زمین شناسی و اکتشافات معدنی ایران و سازمان منابع طبیعی و آبخیزداری کشور گردآوری شد، و موقعیت نقاط فرونشست از تحلیل های تداخل سنجی راداری Sentinel-۱ استخراج گردید. نقاط عدم رخداد به صورت رندوم در خارج از بافر ۲۰۰۰ متری اطراف رخدادهای ثبت شده و با نسبت ۱:۱ تولید شدند تا توازن دسته ای حفظ شود، و سپس داده ها در درون خوشه های K-means (که مقدار بهینه K از طریق تحلیل های Gap و Silhouette تعیین شد) به نسبت ۷۰٪ آموزش و ۳۰٪ آزمون تقسیم گردیدند تا توزیع داده ها در فضای ویژگی بین دو زیرمجموعه متوازن باقی بماند. هجده عامل موثر شامل متغیرهای توپوگرافی، هیدرولوژیکی، محیطی، انسان ساخت و ویژگی های فیزیکی خاک برای هر پیکسل آماده سازی شد. الگوریتم TMGWO سه فراپارامتر مدل SVR ( یعنی C، ε و γ) را به صورت هم زمان برای هر مخاطره تنظیم کرد و پیکربندی های متمایزی متناسب با فیزیک هر فرآیند به دست داد. دقت مدل با استفاده از شاخص های AUC-ROC، RMSE، R² و R² تعدیل شده روی داده های آزمون مستقل ارزیابی شد. به منظور غلبه بر محدودیت جعبه سیاه بودن یادگیری ماشین، مقادیر شپلی (SHAP) در دو سطح جهانی و محلی محاسبه شد تا سهم هر عامل موثر در پیش بینی، هم در سطح منطقه ای و هم در موقعیت های منفرد، آشکار گردد. در پایان، سه نقشه حساسیت تک مخاطره ای در قالب یک نقشه چندمخاطره ای هشت طبقه ای تلفیق شدند که پهنه های با همپوشانی یگانه، دوگانه و سه گانه را مشخص می کند.یافته ها: الگوریتم TMGWO به طور پیوسته مقدار AUC-ROC را در مرحله آزمون نسبت به مدل پایه SVR  بهبود بخشید و به ۸۴۰۴/۰ برای سیل، ۹۳۲۹/۰ برای زمین لغزش و ۹۶۴۲/۰ برای فرونشست رسید، و در عین حال فاصله میان مرحله آموزش و آزمون را کاهش داد که نشان دهنده کنترل بیش برازش در مقایسه با مدل پایه بهینه نشده است. تحلیل SHAP ارتفاع را به عنوان عامل غالب در هر سه مخاطره شناسایی کرد، اما عوامل ثانویه متفاوتی برای هر فرآیند آشکار ساخت. نقشه چندمخاطره ای نشان داد که پهنه های با همپوشانی سه گانه از نظر فضایی محدود و در نواحی انتقالی میان کوهستان و دشت متمرکز هستند.نتیجه گیری: چارچوب پیشنهادی SVR-TMGWO در ترکیب با تفسیرپذیری مبتنی بر SHAP، نقشه های حساسیت فضایی صریح و از نظر فیزیکی معنادار را برای سه مخاطره هم زمان در شمال ایران تولید کرد. نقشه چندمخاطره ای هشت طبقه ای حاصل، مناطق اولویت دار را برای برنامه ریزی یکپارچه کاربری اراضی، حفاظت از زیرساخت ها و اولویت بندی هشدار اولیه مشخص می کند، در حالی که خروجی های SHAP استدلال مدل را برای ذی نفعان غیرمتخصص شفاف می سازد. در پژوهش های آتی، گنجاندن پویایی های زمانی از طریق تحلیل های چندزمانه InSAR و سناریوهای اقلیمی، مقایسه با گزینه های یادگیری عمیق مانند شبکه های عصبی پیچشی، و گسترش چارچوب به ارزیابی کامل ریسک از طریق در نظر گرفتن مولفه های در معرض قرارگرفتگی و آسیب پذیری توصیه می شود.

کلیدواژه ها:

حساسیت چندمخاطره ای ، رگرسیون بردار پشتیبان ، الگوریتم گرگ خاکستری یادگیری ماشین ، توضیح پذیر استان های شمالی ایران