معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیش بینی حساسیت زمین لغزش های سطحی اطراف شهر بیجار

  • سال انتشار: 1396
  • محل انتشار: فصلنامه جغرافیا و توسعه، دوره: 15، شماره: 46
  • کد COI اختصاصی: JR_GDIJ-15-46_014
  • زبان مقاله: فارسی
  • تعداد مشاهده: 468
دانلود فایل این مقاله

نویسندگان

عطااله شیرزادی

دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران

کریم سلیمانی

استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

محمود حبیب نژاد روشن بها

استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

عطااله کاویان

دانشیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

چکیده

افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه­های پیش­بینی مکانی مخاطرات زمینی از جمله زمین لغزش­ها یکی از چالش­های پیش رو در این گونه مطالعات می­باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده ­کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF)،برای افزایش میزان صحت پیش­بینی مناطق حساس به وقوع زمین لغزش­های سطحی اطراف شهر بیجار می­باشد. در ابتدا، نوزده عامل موثر بر وقوع زمین لغزش­های سطحی منطقه ی مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب(Curvature)، تقعر و تحدب شیب(Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratioدوازده عامل موثر از بین آن­ها انتخاب و جهت مدل­سازی به کار گرفته شدند. اهمیت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبیRS-RFبررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROCبرای ارزیابی مدل­ها هم برای داده­های تعلیمی و هم برای داده­های صحت­سنجی استفاده شدند. نقشه­های پیش­بینی مکانی وقوع زمین لغزش­های سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RFدرجه شیب مهم­ترین فاکتورهای موثر بر وقوع زمین لغزش­های منطقه ی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تایید این مدل­ها برای داده­های تعلیمی و داده های صحت­سنجی بودند. نتایج ارزیابی صحت نقشه پهنه­بندی به دست آمده نشان داد که درصد مساحت زیر منحنیROC(AUROC) برای داده­های تعلیمی در مدل RF و مدل ترکیبی  RS-RFارائه شده به ترتیب 729/0 و 784/0 وبرای داده­های صحت­سنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspaceمنجر به افزایش صحت پیش­بینی مکانی حساسیت زمین لغزش­های سطحی منطقه ی مورد مطالعه شده است. دستیابی به یک نقشه ی پیش­بینی مکانی زمین لغزش­های سطحی با صحت بالاتر، کمک شایانی در توسعه ی معقول­تر تاسیسات، اراضی شهری و روستایی، طرح­های آمایش سرزمین، طرح­های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده­ای و انتقال رسوبات به پایین دست خواهد شد.

کلیدواژه ها

زمین لغزش سطحی, الگوریتم, Random Forest, Random Subspace, بیجار

اطلاعات 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.