اثر شاخص‌های مورفومتری در بهبود کارایی مدل‌های داده‌کاوی به‌منظور پهنه‌بندی حساسیت زمین‌لغزش حوضه آبخیز چریک‌آباد ارومیه

جغرافیا و مخاطرات محیطی

مقاله 3، دوره 10، شماره 4 - شماره پیاپی 40، بهمن 1400، صفحه 47-68   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.69707.1041

نویسندگان

عبدالعزیز حنیفی نیا^{* 1}؛ حبیب نظرنژاد²

¹دانشجوی دکتری مدیریت حوزه‌های آبخیز، گروه مرتع و آبخیزداری دانشگاه ارومیه، ارومیه، ایران

²- دانشیار گروه مرتع و آبخیزداری دانشگاه ارومیه، ارومیه، ایران

چکیده

هدف این مطالعه ارزیابی کارایی دو مدل داده‌کاوی شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان­ بردار در سه حالت استفاده از شاخص­های مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح­‌؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب­، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI)، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و ترکیبی از دو حالت فوق، در پهنه­بندی حساسیت زمین­لغزش­های حوضه آبخیز چریک‌آباد ارومیه است. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، تعداد 92 نقطه ­لغزشی در حوضه شناسایی شدند. نقشه شاخص­های مورفومتریک و عوامل محیطی و انسانی در SAGA_GIS6.4 و ArcGIS10.5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC نشان داد که در حالت استفاده از شاخص­های مورفومتریک دو مدل SVM و ANN به ترتیب با سطح زیر منحنی 742/0 و 763/0 دارای عملکرد خوب در پهنه­بندی حساسیت زمین­لغزش­ها بوده­اند. در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 876/0 و 929/0 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی به همراه شاخص­های مورفومتریک، دو مدل با سطح زیر منحنی 940/0 و 936/0 دارای عملکرد تقریباً یکسان با رتبه عالی در پهنه­بندی مناطق حساس بوده­اند.­ بالاترین مقدار مجموع کیفیت (Qs) و نسبت تراکمی (Dr) بیشترین همبستگی بین رده­های خطر برای مدل SVM در حالت سوم بوده است. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، LS و ارتفاع حوضه بیشترین تأثیر را بر وقوع زمین­لغزش­ها داشته­اند؛ بنابراین تأثیر عوامل طبیعی نسبت به عوامل انسانی و در حالت کلی شاخص­های مورفومتری در مقایسه با عوامل محیطی و انسانی در وقوع لغزش­ها بیشتر بوده و حوضه ذاتاً حساس به وقوع لغزش­ است.

کلیدواژه‌ها

شاخص‌های مورفومتریک؛ SVM؛ ANN؛ منحنی ROC؛ حوضه آبخیز چریک‌آباد

مراجع

احمدآبادی، علی؛ رحمتی، مریم؛ 1394. کاربرد شاخص‌های کمّی ژئومورفومتریک در شناسایی پهنه‌های مستعد زمین‌لغزش با استفاده از مدل‌SVM، مطالعه موردی: آزادراه خرم‌آباد_پل‌زال. پژوهش‌های ژئومورفولوژی کمّی. سال 3. شماره 4. صفحات 197-213.

حنیفی‌نیا، عبدالعزیز؛ نظرنژاد، حبیب؛ نجفی، سعید؛ کرنژادی، آیدینگ؛ 1399. اولویت‌بندی عامل‌های مؤثر بر وقوع زمین‌لغزش و پهنه‌بندی حساسیت آن در آبخیز چریک‌آباد ارومیه با استفاده از مدل آنتروپی شانون.­ پژوهش‌های آبخیزداری. دوره 33. شماره 4. 32-48.

حنیفی‌نیا، عبدالعزیز؛ نظرنژاد، حبیب؛ نجفی، سعید؛ کرنژادی، آیدینگ؛ 1398. پهنه‌بندی حساسیت زمین‌لغزش با استفاده از مدل فرایند سلسله مراتبی در حوزه آبخیز چریک‌آباد ارومیه. چهاردهمین همایش ملی علوم و مهندسی آبخیزداری ایران. 25 و 26 تیر ماه 1398.

شیرانی، کورش؛ سیف، عبدالله؛ 1390. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش‌های آماری (منطقه پیشکوه، شهرستان فریدون‌شهر). علوم زمین. دوره 22. شماره 85. 149-158.

صمدی، میثم؛ جلالی، سعیده؛ قشلاقچایی، محمود؛ کرنژادی، آیدینگ؛ 1395. بررسی شاخص‌های مورفومتری در حوزه آبخیز چهل‌چای استان گلستان با استفاده از .GIS مهندسی نقشه‌برداری و اطلاعات مکانی. دوره 7. شماره 4. 37-48.

عبادی، فؤاد؛ ایلدرمی، نوری؛ بابائی، خالد؛ 1398. پهنه‌بندی خطر زمین‌لغزش در آبخیز سد چراغ ویس کردستان با مدل‌هایIRAT  و­LNRF. پژوهش‌های آبخیزداری. پیاپی 32. شماره 3. 37-52.

­عرب‌عامری، علیرضا؛ رضایی، خلیل؛ سهرابی، مسعود؛ شیرانی، کورش؛ 1397. ارزیابی کارایی پارامترهای کمی ژئومورفومتریک در افزایش صحت نقشه‌های پهنه بندی حساسیت زمین‌لغزش (مطالعه موردی: حوضه فریدون شهر، استان اصفهان)­. پ‍‍ژوهشنامه مدیریت حوزه آبخیز. شماره 18. جلد 9. 220-232.

کرمی، فریبا؛ بیاتی خطیبی، مریم؛ خیری‌زاده، منصور؛ مختاری اصل، ابوالفضل؛1398. ارزیابی کارایی الگوریتم ماشین بردار پشتیبان در پهنه‌بندی حساسیت زمین‌لغزش حوضه آبریز اهرچای. جغرافیا و مخاطرات محیطی. دوره 8. شماره 32. 1-17.

میرزانیا، صالح؛ شهابی، هیمن؛ 1398. ارزیابی و پیش‌بینی مکانی مخاطرۀ زمین‌لغزش در جادۀ کوهستانی سنندج-کامیاران با استفاده از الگوریتم‌های پیشرفتۀ داده‌کاوی. مدیریت مخاطرات محیطی. دوره 6. شماره 4. 317-340.

نوجوان، محمد­رضا؛ شاه‌زیدی، سمیه‌سادات؛ داودی، محمود؛ امین رعایا، هاجر؛ 1398. پهنه بندی خطر زمین‌لغزش با استفاده از تلفیق دو مدل فرآیند تحلیل سلسله مراتبی و فازی (مطالعه موردی: حوضه آبخیز کمه، استان اصفهان). پژوهش­های ژئومورفولوژی کمّی. دوره 7. شماره 4. صفحات 142-159.

 

Aditian A, Kubota T, Shinohara Y. 2018. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia, Geomorphology 318: 101-111.

Arnone E, Francipane A, Noto LV, Scarbaci A, La Loggia G. 2014. Strategies investigation in using artificial neural network for landslide susceptibility mapping: application to a Sicilian catchment, Journal of Hydroinformatics 16(2): 502-515.

Ben-Hur Asa, Horn David, Siegelmann Hava, Vapnik Vladimir N. 2001. Support vector clustering, Journal of Machine Learning Research 2: 125–137.

Boser BE, Guyon IM, Vapnik VN. 1992. A training algorithm for optimal margin classifiers. Proceedings of the fifth annual workshop on Computational learning theory– COLT '92. p. 144. CiteSeerX 10.1.1.21.3818.

Bragagnolo L, da Silva R­V, Grzybowski JMV. 2020. Landslide susceptibility mapping with r. landslide: A free open-source GIS-integrated tool based on Artificial Neural Networks, Environmental Modelling & Software 123, 104565.

Cama M, Conoscenti C, Lombardo L, Rotigliano, E. 2016. Exploring relationships between grid cell size and accuracy for debris-flow susceptibility models: a test in the Giampilieri catchment (Sicily, Italy), Environ. Earth Sci 75 (3): 1–21.

Carrara A, Crosta G, Frattini P. 2008. Comparing models of debris-flow susceptibility in the alpine environment. Geomorphology 94(3-4): 353-378.

Chen W, Pourghasemi HR, Kornejady A, Zhang N. 2017. Landslide spatial modeling: Introducing new ensembles of ANN, MaxEnt, and SVM machine learning techniques, Geoderma 305: 314-327.

Fang Z, Wang Y, Peng L, Hong H. 2020. Integration of convolutional neural network and conventional machine learning classifiers for landslide susceptibility mapping. Computers & Geosciences139, 104470.

Fell R, Corominas J, Bonnard C, Cascini L, Leroi E, Savage WZ. 2008. Guidelines for landslide susceptibility, hazard and risk zoning for land use planning, Engineering Geology 102(3): 85-98.

Gee, M. D. (1991). Classification of landslide hazard zonation methods and a test of predictive capability, Landslides, Bell, G., (ed.), Balkema, Rotterdam 947- 952.

Guha-Sapir D, Below R, Hoyois P. 2020. EM-DAT: international disaster database. Brussels, Belgium: Université Catholique de Louvain. Available from: http://www.emdat.be.

Guzzetti F, CesareMondini A, Cardinali M, Fiorucci F, Santangelo M, Chang KT. 2012. Landslide inventory maps: new tools for an old problem, EarthScience Review 112: 42-66.

Haghighat M, Abdel-Mottaleb M, Alhalabi W. 2016. Discriminant correlation analysis: Real-time feature level fusion for multimodal biometric recognition. IEEE Transactions on Information Forensics and Security, 11(9): 1984-1996.

Hong H, Pourghasemi HR, Pourtaghi, ZS. 2016. Landslide susceptibility assessment in Lianhua County (China): a comparison between a random forest data mining technique and bivariate and multivariate statistical models, Geomorphology 259: 105-118.

Hsieh CJ, Chang KW, Lin CJ, Keerthi SS, Sundararajan S. 2008. A dual coordinate descent method for large-scale linear SVM, In Proceedings of the 25th international conference on Machine learning (408-415).

Huang F, Cao Z, Guo J, Jiang SH, Li S, Guo Z. 2020. Comparisons of heuristic, general statistical and machine learning models for landslide susceptibility prediction and mapping, Catena 191, 104580.

Kavzoglu T, Kutlug Sahin E, Colkesen I. 2015. An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district, ORIGINAL PAPER 76:471–496.

Kirkos S, Manolopoulos Y. 2004. September. Data mining in finance and accounting: a review of current research trends, In Proceedings of the 1st international conference on enterprise systems and accounting (ICESAcc) 63-78 pp.‏

Lee S, Min K. 2001. Statistical analysis of landslide susceptibility at Yongin, Korea, Environmental Geology 40: 1095-1113.

Lucchese, L.‌V., de Oliveira GG, Pedrollo OC. 2021. Investigation of the influence of nonoccurrence sampling on landslide susceptibility assessment using Artificial Neural Networks, Catena 198, 105067.

Marjanović M, Kovačević M, Bajat B, Voženílek V. 2011. Landslide susceptibility assessment using SVM machine learning algorithm, Engineering Geology 123(3): 225-234.

Meyer D, Leisch F, Hornik K. 2003. The support vector machine under test, Neurocomputing 55(1-2): 169-186.

Möller M, Volk M, Friedrich K, Lymburner L. (2008). Placing soil-genesis and transport processes into a landscape context: A multiscale terrain-analysis approach, Journal of Plant Nutrition and Soil Science 171 (3): 419-430.

Moore ID, Grayson RB, Ladson AR. 1991. Digital terrain modeling: a review of hydrological, geomorphological, and biological applications, Hydro Process 5: 3-30.

Ocakoglu F, Gokceoglu C, Ercanoglu M. 2002. Dynamics of a complex mass movement triggered by heavy rainfall: a case study from NW Turkey, Geomorphology 42(3-4): 329-341.

Pontius JRG, Schneider LC. 2001. Land-cover change model validation by a ROC method for the Ipswich watershed, Massachusetts, USA, Agriculture, Ecosystems & Environment 85(1-3): 239-248.

Prasad R, Pandey A, Singh KP, Singh VP, Mishra RK, Singh D. 2012. Retrieval of spinach crop parameters by microwave remote sensing with back propagation artificial neural networks: A comparison of different transfer functions, Advances in space research 50(3): 363-370.

Press William H, Teukolsky SA, Vetterling WT, Flannery BP. 2007. Section 16.5. Support Vector Machines. Numerical Recipes: The Art of Scientific Computing (3rd ed.). New York: Cambridge University Press.

Rabby YW, Hossain MB, Abedin J. 2020. Landslide Susceptibility Mapping in Three Upazilas of Rangamati Hill District Bangladesh: Application and Comparison of GIS-based Machine Learning Methods, Geocarto International 1-24.

Roodposhti MS, Safarrad T­, Shahabi H. 2017. Drought sensitivity mapping using two one-class support vector machine algorithms, Atmospheric Research 193: 73-82.

Sarkar S, Kanungo DP, Mehrotra, GS. 1995. Landslide hazard zonation: a case study in Garhwal Himalaya, India, Mountain Research and Development 15(4): 301-309.

Schmidhuber J. 2015. "Deep Learning". Scholarpedia, 10 (11): 85–117.

Shahabi H, Khezri S, Ahmad BB, Hashim M. 2014. Landslide susceptibility mapping at central Zab basin, Iran: A comparison between analytical hierarchy process, frequency ratio and logistic regression models, Catena 115: 55-70.

Shalev-Shwartz S, Singer Y, Srebro N, Cotter A. 2011. Pegasos: Primal estimated sub-gradient solver for SVM, Mathematical programming 127(1): 3-30.

Tien Bui D, Pradhan B, Revhaug I, Trung TC. 2014. A comparative assessment between the application of fuzzy unordered rules induction algorithm and J48 decision tree models in spatial prediction of shallow landslides at Lang Son City, Vietnam, In Remote sensing applications in environmental research 87-111.

Vakhshoori V, Pourghasemi HR, Zare, M., & Blaschke, T. (2019. Landslide susceptibility mapping using GIS-based data mining algorithms, Water 11(11): 2292.

Xie W, Li X, Jian W, Yang Y, Liu H, Robledo LF, Nie W. 2021. A Novel Hybrid Method for Landslide Susceptibility Mapping-Based GeoDetector and Machine Learning Cluster: A Case of Xiaojin County, China, ISPRS International Journal of Geo-Information 10(2): 1-19.

Yalcin A. 2011. A geotechnical study on the landslides in the Trabzon Province, NE, Turkey, Applied clay science 52: 11-29.

Yu C, Chen J. 2020. Landslide Susceptibility Mapping Using the Slope Unit for Southeastern Helong City, Jilin Province, China: A Comparison of ANN and SVM, Symmetry 12(6): 10-47.