ارزیابی کارایی الگوریتم ماشین بردار پشتیبان در پهنه بندی حساسیت زمین لغزش حوضه آبریز اهرچای

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 8، شماره 4 - شماره پیاپی 32، بهمن 1398، صفحه 1-17   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v8i4.83263

نویسندگان

فریبا کرمی^* ؛ مریم بیاتی خطیبی؛ منصور خیری زاده؛ ابوالفضل مختاری اصل

دانشگاه تبریز

چکیده

برای کاهش خطرات احتمالی و مدیریت اراضی، ترسیم نقشه حساسیت زمین­لغزش، در مناطق مستعد ضروری است. هدف اصلی این پژوهش، ارزیابی کارایی الگوریتم ماشین بردار پشتیبان (SVM) در پهنه­بندی حساسیت زمین­لغزش حوضه آبریز اهرچای در شمال غرب ایران، است. رخداد زمین­لغزش به عنوان یکی از مهم­ترین مسائل و مخاطرات محیطی این حوضه به شمار می­آید. در ابتدا زمین­لغزش­های منطقه مطالعاتی با استفاده از تصاویر ماهواره­ای گوگل ارث مربوط به تابستان 1396 شناسایی شدند و پس از بازدیدهای میدانی متعدد برای شناسایی و مطابقت با واقعیت، نقشه پراکنش زمین­لغزش­ها ترسیم گردید. در حدود 200 مورد زمین­لغزش در حوضه آبریز اهرچای شناسایی شد. 70 درصد از زمین­لغزش­ها برای آموزش مدل و 30 درصد از آنها برای اعتبارسنجی مدل مورد استفاده قرار گرفت. برای تهیه نقشه حساسیت زمین­لغزش با استفاده از الگوریتم ماشین بردار پشتیبان از 14 معیار مؤثر در وقوع زمین­لغزش، شامل ارتفاع، جهت و زاویه شیب، تحدب دامنه، طول دامنه (LS)، شاخص رطوبت توپوگرافی (TWI)، عمق دره (VD)، لیتولوژی، فاصله از گسل، کاربری اراضی، شاخص NDVI، فاصله از آبراهه، توان رودخانه (SPI) و بارش استفاده شد. درنهایت نقشه حساسیت زمین لغزش در 5 کلاس بسیار زیاد، زیاد، متوسط، کم و بسیار کم تهیه گردید. برای ارزیابی عملکرد این الگوریتم از منحنی (ROC) و سطح زیرمنحنی (AUC) استفاده شد. نتایج ارزیابی 4 تابع از الگوریتم ماشین بردار پشتیبان نشان داد که تابع پایه شعاعی (RBF) با سطح زیرمنحنی 988/0 = AUC و 958/0= AUC به ترتیب برای داده­های آموزشی و صحت­سنجی، در پهنه­بندی حساسیت زمین­لغزش­های منطقه مطالعاتی بهترین عملکرد را دارد. همچنین به دلیل قدرت تشخیص بالای آزمون، منحنی ROC بالای قطر مربع قرار می­گیرد و بنابراین به حالت ایده­آل نزدیک­تر می­باشد. نتایج پهنه­بندی نیز نشان داد که 61/26 درصد از اراضی منطقه که عمدتاً در غرب و بالادست حوضه و بخش­های جنوبی آن واقع شده­اند در کلاس با حساسیت زیاد و بسیار زیاد قرار گرفتند.

کلیدواژه‌ها

پهنه بندی حساسیت زمین لغزش؛ الگوریتم ماشین بردار پشتیبان (SVM)؛ تابع پایه شعاعی (RBF)؛ حوضه آبریز اهرچای

سایر فایل های مرتبط با مقاله

1-Karami-Final.pdf

مراجع

اجل لوئیان، رسول؛ میرصانعی، رضا؛ فاتحی، لیلا؛ 1392. شناخت و تحلیل کاربردی زمین‌لغزش. انتشارات جهاد دانشگاهی. اصفهان.

احمدآبادی، علی؛ رحمتی، مریم؛ 1394. کاربرد شاخص‌های کمی ژئومورفومتریک در شناسایی پهنه‌های مستعد زمین‌لغزش با استفاده از مدل SVM (مطالعه موردی: آزاد راه خرم آباد- پل زال). پژوهش‌های ژئومورفولوژی کمی. سال چهارم. شماره 3. صص 213-197.

بختیاری، محسن؛ گومه، زینت؛ معماریان، هادی؛ 1397. مقایسه سه روش فرایند تحلیل سلسه مراتبی فازی، شبکه عصبی و تراکم سطح در ارزیابی کمی و پهنه‌بندی حساسیت زمین‌لغزش در محیط GIS(مطالعه موردی: حوزه آبخیز سیمره هرمیان). جغرافیا و مخاطرات محیطی. شماره بیست و هفت. صص 19-40.

عابدینی، موسی؛ روستایی، شهرام؛ فتحی، محمد حسین؛ 1397. شناسایی و طبقه بندی انواع زمین لغزش‌ها با استفاده از ویژگی‌های طیفی و مکانی با رویکرد روش شیء گرا ) نصیرآباد تا سد ستارخان اهر). نشریه جغرافیا و برنامه‌ریزی. شماره 22 (66). صص 205-178.

عابدینی، موسی؛ قاسمیان، بهاره؛ شیرزادی، عطاالله؛ 1393. مدلسازی خطر وقوع زمین‌لغزش با استافاده از مدل رگرسیون لجستیک (مطالعه موردی: استان کردستان، شهرستان بیجار). فصلنامه جغرافیا و توسعه. 12 (37). صص .85-102

عمیدی، م؛ (------). نقشه زمین‌شناسی ورقه اهر. مقیاس1:250000. انتشارات سازمان زمین‌شناسی کشور.

فریدی، م.، حق فرشی، ع؛ 1385. نقشه زمین‌شناسی ورقه خوجا، مقیاس1:100000. انتشارات سازمان زمین‌شناسی کشور.

قاسمیان، بهاره؛ عابدینی، موسی؛ روستایی، شهرام؛ شیرزادی، عطاالله؛ 1396. ارزیابی حساسیت زمین لغزش با استفاده از الگوریتم ماشین پشتیبان بردار (مطالعه موردی: شهرستان کامیاران: استان کردستان). پژوهش‌های ژئومورفولوژی کمی. سال ششم. شماره 3. صص 36-15.

کرمی، فریبا؛ 1391. ارزیابی حساسیت زمین‌لغزش در حوضه‌های کوهستانی نیمه خشک، با استفاده از روشهای آماری و مدل شاهد وزنی (مطالعه موردی: حوضه زهکشی سعیدآبادچای، شمال غرب ایران). فصلنامه تحقیقات جغرافیایی. شماره 106. صص21-44.

مهدوی، م.ع.، امینی فضل،ج؛ 1367. نقشه زمین‌شناسی ورقه اهر، مقیاس1:100000، انتشارات سازمان زمین‌شناسی کشور.

مهرپرتو،م.، امینی فضل، آ.، رادفر، ج؛ 1371. نقشه زمین‌شناسی ورقه ورزقان، مقیاس1:100000، انتشارات سازمان زمین‌شناسی کشور.

یمانی، مجتبی؛ احمدآبادی، علی؛ زارع، غلامرضا؛ 1391. به کارگیری الگوریتم ماشین‌های پشتیبان بردار در پهنه بندی خطر وقوع زمین لغزش (مطالعه موردی: حوضه آبریز درکه). جغرافیا و مخاطرات محیطی. شماره سوم. صص 125- 142.

Aghdam IN, Varzandeh MHM, Pradhan, B. ( 2016). Landslide susceptibility mapping using an ensemble statistical index (wi) and adaptive neuro-fuzzy inference system (anfis) model at alborz mountains (iran). Environ. Earth Sci 75: 1–20.

Alimohammadlou Y, Najafi A, Yalcin A. (2013). Landslide process and impacts: A propused classification method, Catena 104:219-232.

Bui TD, Parahan B, Lofman O, Revhaug I. (2012). Landslide susceptibility assessment in Vietnam, Using Support Vector Machines, Descision Tree and Naïve Bayes Models. Mathematival Prolems in Engineering, Article ID 974638, 26 pages.

Chalkias Ch, Ferentinou M, Polykretis Ch. (2014). GIS-Based Landslide Susceptibility Mapping on the Peloponnese Peninsula, Greece, Geosciences 4(3): 176-190.

Chauhan S, Sharma M, Arora MK, Gupta Nk. 2010. Landslide susceptibility zonation through ratings derived from artificial neural network, International Journal of Applied Earth observation and Geoinformation 12: 340-350.

Chen W, Panahi M, Tsangaratos P, Shahabi H, Ilia I, Panahi S, Li S, Jaafari A, Ahmad BB. (2019). Applying population-based evolutionary algorithms and a neuro-fuzzy system for modeling landslide susceptibility. Catena 172: 212–231.

Chen W, Shahabi H, Zhang Sh, Khosraveri Kh, Shirzadi A, Chapi K, Pham TB, Zhang T, Zhang H,Chai H,Ma J,Chen Y, Wang X, Li R, Ahmad BB. (2018). Landslide susceptibility modeling based on GIS and noval bagging- based kernel logistic regression. applied sciences 8, 2540: 1-21.

Gomez H, Kavzoglu T. (2005). Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela. Engineering Geology 78(1–2): 11–27.

Lee S, Hong SM, Jung HS. (2017). A Support Vector Machine for landslide susceptibility mapping in Gangwon Provine, Korea. Susceptibility 9(48): 1-15.

Pavel M, Nelson JD, Fannin RJ. (2011). An analysis of landslide susceptibility zonation using a subjective geomorphic mapping and existing landslides. Computers & Geosciences 37(4):554-566.

Pham BT, Pradhan B, Bui DT, Prakash I, Dholakia MB. (2016). A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of Uttarakhand area (India). Environmental Modelling & Software 84:240–50.

Pourghasemi HR, Goli Jirandeh A, Pradhan B, Xu CH, Gokceoglu C. (2013). Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. J. Earth. Syst. Sci 122(2): 349-369.

Pradhan B. (2013). A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Comput Geosci 51:350–365.

Raja NB, Çiçek I, Türkoğlu N, Aydin O, Kawasaki A. (2017). Landslide susceptibility mapping of the Sera River Basin using logistic regression model. Nat. Hazards 85 (3): 1323–1346.

Shirzadi A, Tien Bui D, Pham B TH, Solaimani K, Chapi K, Kavian A, Shahabi H. (2017.) Shallow landslide susceptibility assessment using a novel hybrid intelligence approach, Environmental Earth Sciences 76(60): 1-18.

Tsangaratos P, Benardos A. (2014). Estimating Landslide susceptibility through a artificial neural network classifier, Nat Hazards 74: 1489-1516.

Wang Q, Guo Y,Li W, He J, Wu Zh.(2019). Predictive modeling of landslide hazards in Wen County, Northwestern Chaina: Based on information value, weight of evidence and certainty factors, Geomatics. Natural Hazards and Risk 10(1): 820-835.

Yao X, Tham LG, Dai FC. (2008). Landslide susceptibility mapping based on support vector machine: A case study on natural slopes of Hong Kong, China. Geomorphology, 101: 572–582.

Yesilnacar E, Topla T. (2005). Landslide Susceptibility Mapping a Comparison of Logistic Regression and Neural Networks Methods in a Medium Scale (Turkey). Engineering Geology, 79: 251–266.