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
نویسندگان
دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران
استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
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, بیجاراطلاعات 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.