پیش بینی مکانی زمین لغزش های سطحی با استفاده از مدل‏ های آماری و یادگیری ماشین (مطالعه موردی: حوضه سرخون)

چکیده مقاله

تهیه نقشه حساسیت­پذیری زمین­لغزش به­عنوان اولین گام مهم در ارزیابی خطر زمین­لغزش محسوب می ­شود. هدف اصلی این پژوهش مقایسه عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) به ­منظور مدل­سازی حساسیت ­پذیری زمین­لغزش در حوضه سرخون استان چهارمحال و بختیاری است. بدین ­منظور ابتدا نقشه پراکنش با تعداد 98 موقعیت زمین ­لغزش با استفاده از داده­های عملیات میدانی و همچنین داده­ های تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه داده­ ها، 100 موقعیت غیرزمین ­لغزشی نیز شناسایی شدند. نقاط زمین­ لغزشی و غیرزمین ­لغزشی به صورت تصادفی به دو دسته داده مدل­سازی و اعتبارسنجی تقسیم شدند. سپس بیست عامل مؤثر با توجه به مرور منابع و خصوصیات زمین­محیطی حوضه شناسایی شدند. در ادامه، مدل­های LMT و LR برای شناسایی تأثیر عوامل مؤثر روی وقوع زمین­ لغزش و همچنین ارزیابی حساسیت­ پذیری زمین­لغزش­ها، به ­وسیله داده ­های مرحله آموزش به­ کار گرفته شدند. در نهایت، عملکرد این دو مدل از طریق سطح زیر منحنی عامل گیرنده (AUC) مورد بررسی قرار گرفت. نتایج اعتبارسنجی مدل­ها حاکی از آن بود که مدل LR با AUC برابر با 797/0 عملکرد مناسب­تری نسبت به مدل LMT (740/0 = AUC) از خود نشان داده، هر چند که هر دو مدل ابزارهای مفیدی برای پیش ­بینی مکانی حساسیت ­پذیری زمین ­لغزش هستند. بنابراین مدل LR می­ تواند به عنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تأثیر زمین ­لغزش در منطقه مورد مطالعه پیشنهاد شود.