مدل سازی خطر وقوع فرونشست زمین با استفاده از الگوریتم جنگل تصادفی (مطالعه موردی: حوزه آبریز دشت تسوج)

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 472

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIRS-10-3_006

تاریخ نمایه سازی: 13 آذر 1398

چکیده مقاله:

وقوع پدیده فرونشست زمین و خطرات احتمالی آن در حوزه آبریز دشت تسوج استان آذربایجان شرقی به علت بروز بحران آب و دوره خشک سالی موجود در منطقه طی سالیان اخیر افزایش چشمگیری داشته است. به منظور برنامه ­ریزی برای کاهش خطرات ناشی از فرونشست زمین، شناسایی مناطق پرخطر و مستعد وقوع این پدیده ضروری است. در این مطالعه به مدل سازی خطر وقوع فرونشست زمین در بستر الگوریتم جنگل تصادفی با بهره­ گیری از نقاط فرونشست ­های ثبت شده و یازده متغیر محیطی موثر بر وقوع فرونشست (ارتفاع، شیب، جهت، شاخص رطوبت توپوگرافی، فاصله از آبراهه، تراکم زهکشی، فاصله از گسل، سنگ شناسی، کاربری اراضی، سطح آب زیرزمینی و افت سطح آب زیرزمینی) پرداخته شده است. قابلیت پیش­ بینی و صحت نتایج مدل با استفاده از منحنی تشخیص عملکرد نسبی (ROC) و مساحت سطح زیر این منحنی (AUC) مورد ارزیابی قرارگرفته است. ارزیابی نتایج مدل نشان دهنده دقت بسیار مناسب مدل 0.86 است. بر اساس نتایج حاصل از مدل با روش میانگین کاهشی دقت، متغیر­های سطح آب زیرزمینی، فاصله از گسل و افت سطح آب زیرزمینی تاثیر بیشتری بر پتانسیل وقوع فرونشست در منطقه موردمطالعه داشته­ اند. همچنین مطابق نتایج حاصل به ترتیب 18 و 11 درصد از مساحت منطقه موردمطالعه در کلاس پرخطر و بسیار پرخطر ازنظر وقوع فرونشست قرارگرفته که حاکی از شرایط خطرناک منطقه است. استفاده از نتایج حاصل از این تحقیق توسط مدیران و برنامه ­ریزان نقش موثری در کاهش خطرات ناشی از فرونشست زمین خواهد داشت، همچنین ارائه و اجرای راهکار­های عملیاتی را تسهیل می ­کند.

نویسندگان

داود مختاری

استاد گروه ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز

حمید ابراهیمی

دانشجو دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید بهشتی

سعید سلمانی

دانش آموخته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • امیراحمدی، ا.، ن. معالی اهری و ط. احمدی. 1392. تعیین ...
  • حبیب­زاده، ا.، ش. روستایی و م. ر. نیکجو. 1393. ارزیابی ...
  • رضایی بنفشه، م.، ط. جلالی عنصری، م. ضرغامی و ا. ...
  • رهنما، ح. و س. میراثی. 1395. تحلیل و ارزیابی پارامتر­های ...
  • شادفر، ص.، ا. نصیری، س. چیتگر و ع. احمدی. 1394. ... [مقاله ژورنالی]
  • قاسمی، ا.، ا. فلاح و ش. شتایی جویباری. 1395. ارزیابی ...
  • بررسی عوامل مؤثر بر کیفیت آب زیرزمینی دشت تسوج [مقاله کنفرانسی]
  • ملکی، ا. و پ. رضایی. 1395. پیش­بینی مکان­های در معرض ...
  • ندیری، ع.، ا. اصغری مقدم، ه. عبقری و ا. فیجانی. ...
  • ندیری، ع.، ا. اصغری مقدم، ه. عقبری، ع. کلانتری اسکویی، ...
  • Al-Halbouni D, Holohan EP, Saberi L, Alrshdan H, Sawarieh A, ...
  • Arpaci A, Malowerschnig B, Sass O, Vacik H. 2014. Using ...
  • Billi A, Valle A, Brilli M, Faccenna C, Funiciello R. ...
  • Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32. ...
  • Caramanna G, Ciotoli G, Nisio S. 2008. A review of ...
  • Chen W, Xie X, Wang J, Pradhan B, Hong H, ...
  • Choi J-K, Kim K-D, Lee S, Won J-S. 2010. Application ...
  • Cutler DR, Edwards Jr TC, Beard KH, Cutler A, Hess ...
  • Day M. 1983. Doline morphology and development in Barbados. Annals ...
  • De Waele J, Gutiérrez F, Parise M, Plan L. 2011. ...
  • Deverel SJ, Rojstaczer S. 1996. Subsidence of agricultural lands in ...
  • Galloway DL, Jones DR, Ingebritsen SE. 1999. Land subsidence in ...
  • Galve JP, Gutiérrez F, Remondo J, Bonachea J, Lucha P, ...
  • Gao Y, Alexander E, Barnes RJ. 2005. Karst database implementation ...
  • Gutiérrez F, Parise M, De Waele J, Jourde H. 2014. ...
  • Hosmer Jr DW, Lemeshow S, Sturdivant RX. 2013. Applied logistic ...
  • Kim K-D, Lee S, Oh H-J. 2009. Prediction of ground ...
  • Lamelas M, Marinoni O, Hoppe A, De La Riva J. ...
  • Lee S, Park I, Choi J-K. 2012. Spatial prediction of ...
  • Liaw A, Wiener M. 2002. Classification and regression by randomForest. ...
  • Moore ID, Grayson R, Ladson A. 1991. Digital terrain modelling: ...
  • Motagh M, Djamour Y, Walter TR, Wetzel H-U, Zschau J, ...
  • Nicodemus KK. 2011. Letter to the editor: On the stability ...
  • Oh H-J, Lee S. 2010. Assessment of ground subsidence using ...
  • Pal M. 2005. Random forest classifier for remote sensing classification. ...
  • Park I, Lee J, Saro L. 2014. Ensemble of ground ...
  • Perrin J, Cartannaz C, Noury G, Vanoudheusden E. 2015. A ...
  • Pourghasemi HR, Kerle N. 2016. Random forests and evidential belief ...
  • Pourtaghi ZS, Pourghasemi HR, Aretano R, Semeraro T. 2016. Investigation ...
  • Pradhan B. 2013. A comparative study on the predictive ability ...
  • Pradhan B, Abokharima MH, Jebur MN, Tehrany MS. 2014. Land ...
  • Prasad AM, Iverson LR, Liaw A. 2006. Newer classification and ...
  • Rahmati O, Pourghasemi HR, Melesse AM. 2016. Application of GIS-based ...
  • Regmi AD, Yoshida K, Nagata H, Pradhan AMS, Pradhan B, ...
  • Shao Y, Lunetta RS. 2012. Comparison of support vector machine, ...
  • Sharma P, Jones CE, Dudas J, Bawden GW, Deverel S. ...
  • Taheri K, Gutiérrez F, Mohseni H, Raeisi E, Taheri M. ...
  • Trigila A, Iadanza C, Esposito C, Scarascia-Mugnozza G. 2015. Comparison ...
  • نمایش کامل مراجع