مدل سازی حساسیت زمین لغزش با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی (مطالعه موردی، حوزه‌ی آبخیز سد ریسعلی دلواری)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم و کشاورزی ساری، ساری، ایران

2 استادیار بخش منابع طبیعی و محیط زیست دانشکده کشاورزی دانشگاه شیراز

چکیده

هدف از پژوهش حاضر مدل‌سازی مکانی حساسیت زمین‌لغزش با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی و اولویت‌بندی عوامل موثر بر وقوع آن در حوزه آبخیز سد رئیسعلی دلواری می‌باشد. برای این منظور، ابتدا نقشه پراکنش زمین‌لغزش‌های منطقه با استفاده از بازدیدهای صحرایی و بانک اطلاعات زمین‌لغزش‌های کشور تهیه شد. در مجموع از 279 زمین‌لغزش شناسایی شده، هفتاد درصد (195) آن برای مدل‌سازی و سی درصد (84) باقیمانده به-منظور ارزیابی مدل تهیه شده استفاده شد. برای این منظور لایه‌های اطلاعاتی ارتفاع، جهت شیب، درجه شیب، انحناء سطح، انحناء نیمرخ، TWI، فاصله از شبکه آبراهه، تراکم زهکشی، فاصله از گسل، فاصله از جاده، زمین‌شناسی و NDVI انتخاب شد. مدل جنگل تصادفی بر اساس ارتباط بین متغیر وابسته (زمین‌لغزش‌ها) و متغیرهای مستقل (عوامل موثر) در محیط نرم‌افزار R و با استفاده از بسته نرم‌افزاری "randomForest" اجرا و نقشه حساسیت زمین-لغزش تهیه شد. ارزیابی مدل مذکور با استفاده از منحنی تشخیص عملکرد نسبی (ROC) و بر اساس سی درصد از داده‌های لغزشی استفاده نشده در فرآیند مدل‌سازی انجام شد. نتایج ارزیابی بیان‌گر دقت عالی 983/0 (3/98 درصد) مدل جنگل تصادفی بود. هم‌چنین اولویت‌بندی عوامل موثر بیان‌گر اهمیت درجه شیب، ارتفاع، انحناء نیمرخ، فاصله از جاده و واحدهای سنگ‌شناسی بود. بنابراین نقشه حساسیت زمین‌لغزش تهیه شده می‌تواند نقش به‌سزائی در آمایش سرزمین و هم‌چنین مدیریت حوزه آبخیز سد رئیسعلی دلواری داشته باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide susceptibility modelling using random forest machine learning algorithm (Case study: Rais Ali Delvari Dam Watershed)

نویسندگان [English]

  • Naser Heydari 1
  • Mahmoud Habibnejad 1
  • Ataollah Kavian 1
  • Hamid Reza Porghasemi 2
1 1 Department of Watershed Sciences Engineering, Faculty of Natural Resources, University of Agricultural Science and Natural Resources of Sari, Sari, Iran
2 Associate Professor
چکیده [English]

The aim of this study was landslide susceptibility modelling using random forest machine learning technique and prioritization of effective factors on landslide occurrence in Rais Ali Delvari Dam Watershed. For this aim, at first landslide inventory map was prepared using extensive field surveys and Iranian Landslides Working Party. In total, of 279 identified landslide locations, 70% was used for modelling purposes and the remaining (30%) was applied for validation of the built model. In the current study, different thematic layers including elevation, slope angle, plan curvature, profile curvature, topographic wetness index (TWI), distance from rivers, drainage density, distance from faults, distance from roads, lithological units, and normalized difference vegetation index (NDVI) were selected. In the next step, random forest algorithm run using package of “randomForest” and according to relationship beteen dependent (landslides) and independent (effective factors) variables in R statistical software and landslide susceptibility map was prepared. Accuracy of the mentioned model was test using the receiver operating characteristic (ROC) curve and also based on 30% of unused landslides in modelling process. Accuracy results indicated that random forest model with an AUC value of 0.983 had an excellent precision. Also, prioritization of effective factors showed that slope angle, elevation, plan curvature, distance from road, and lithological units had the highest effect on landslide occurrence.
So, the prepared landslide susceptibility map could be effective in land use planning and also management of Rais Ali Delvari Dam Watershed.

کلیدواژه‌ها [English]

  • : Landslide susceptibility modelling
  • random forest
  • Mean decrease accuracy
  • Rais Ali Delvari Dam Watershed

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 30 مهر 1398
  • تاریخ دریافت: 26 اردیبهشت 1398
  • تاریخ بازنگری: 04 تیر 1398
  • تاریخ پذیرش: 12 شهریور 1398