ارزیابی و مقایسه کارایی مدل های یادگیری ماشین SVM، ANN و MaxEnt در تهیه نقشه حساسیت زمین لغزش آبخیز زیارت، استان گلستان

زمین لغزش یکی از خسارت بارترین مخاطرات دامنه ای در مناطق کوهستانی است. کارایی سه مدل یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و بیشینه آنتروپی (MaxEnt) در تهیه نقشه حساسیت زمین لغزش آبخیز زیارت (استان گلستان) ارزیابی و مقایسه شد. با برداشت میدانی GPS، ۱۱۶ نقطه لغزشی ثبت شد. به منظور حفظ پراکنش فضایی نقاط در واحدهای زمین شناسی، طبقات ارتفاعی و شیب، از روش نمونه گیری تصادفی طبقه ای استفاده شد. ۸۱ نقطه (۷۰درصد) برای آموزش و ۳۵ نقطه (۳۰درصد) برای اعتبارسنجی تخصیص یافت. در مجموع ۵ گروه عامل اصلی (توپوگرافی، هیدرولوژی، زمین شناسی، مورفومتری و انسانی) با ۲۳ زیرعامل (شیب، جهت، ارتفاع، عمق دره، انحنای پروفیل و سطح، شاخص توپوگرافی، موقعیت نسبی شیب، همگرایی، بازشدگی مثبت و منفی، بارندگی، فاصله از آبراهه، شاخص رطوبت توپوگرافی، شاخص توان آبراهه، جریان تجمعی، سازند زمین شناسی، فاصله از گسل، بافت خاک، شاخص تعادل جرم، شاخص زبری ملتون، شاخص قدرت بردار) انتخاب شدند. مدل سازی با نرم افزار ModEco و ارزیابی دقت با منحنی ROC و شاخص سطح زیر منحنی (AUC) انجام شد. یافته ها نشان داد که مدل ANN با AUC معادل ۰.۹۳۶ و مدل SVM با AUC معادل ۰.۹۳۴ عملکردی خوب و بسیار نزدیک دارند و مدل MaxEnt با AUC معادل ۰.۹۰۴ در رتبه پایین تری قرار می گیرد. موثرترین عوامل وقوع زمین لغزش به ترتیب ارتفاع (منطبق بر پهنه بارش بالای ۵۵۰ میلی متر)، سازندهای شمشک و شیست گرگان، و فاصله از مناطق مسکونی بودند. با توجه به تغییرات کاربری اراضی و افزایش ساخت وساز در آبخیز زیارت، اعمال محدودیت در تغییر کاربری و ممنوعیت ساخت وساز در دامنه های شیب تند پیشنهاد می شود.

کلیدواژه ها:

بیشینه آنتروپی ، پهنه بندی حساسیت زمین لغزش ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان ، یادگیری ماشین