آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,531 |
| تعداد مقالات | 18,706 |
| تعداد مشاهده مقاله | 61,554,499 |
| تعداد دریافت فایل اصل مقاله | 22,278,688 |
تحلیل و پهنهبندی خطر زمین لغزش با استفاده از الگوریتمهای ماشینبردار پشتیبان، جنگل تصادفی و تقویت گرادیانی درخت تصمیم (مطالعه مورد: حوضه آبخیز شلمانرود، گیلان) | ||
| جغرافیا و برنامهریزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 شهریور 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/gp.2026.72191.3538 | ||
| نویسندگان | ||
| موسی عابدینی* 1؛ نسرین حسن زاده بابلان2 | ||
| 1دانشکده علوم انسانی،استاد گروه جغرافیای طبیعی دانشگاه محقق اردبیلی | ||
| 2دانشجوی دکتری، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
| چکیده | ||
| هدف پژوهش حاضر تحلیل و پهنهبندی خطر زمینلغزش در حوضه آبخیز شلمانرود در استان گیلان با بهرهگیری از الگوریتمهای یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و تقویت گرادیانی درخت تصمیم (GTB) میباشد. بنابراین، ابتدا عوامل مؤثر بر وقوع زمینلغزش شامل ارتفاع، لیتولوژی، شیب، جهت شیب، فاصله از آبراهه، فاصله از گسل، فاصله از جاده، انحناء دامنه، بارش و پوشش گیاهی با استفاده از دادههای سنجشازدور، مدل رقومی ارتفاعی 30 متر ASTER و سایر منابع معتبر تهیه و در محیط سامانه اطلاعات جغرافیایی و گوگل ارث انجین پردازش و تهیه شدند. بهمنظور مدلسازی، ۴۵۰ نقطه زمینلغزش شناساییشده بهعنوان دادههای وابسته مورد استفاده قرار گرفت و بههمراه نمونههای غیرلغزشی، به دو بخش آموزشی (۷۰ درصد) و اعتبارسنجی (۳۰ درصد) تقسیم شدند. سپس، مدلهای SVM، RF و GTB در محیط Google Earth Engine آموزش داده شده و نقشههای پیوسته احتمال وقوع زمینلغزش تولید گردید. این نقشهها با استفاده از روش نقاط شکست طبیعی به پنج کلاس خطر (خیلی کم تا خیلی زیاد) طبقهبندی شدند. نتایج نشان داد که الگوی مکانی خطر زمینلغزش در حوضه مورد مطالعه از جنوب به شمال روندی کاهشی دارد؛ بهطوریکه بیشترین پهنههای پرخطر در نواحی جنوبی و جنوبغربی با شیبهای تند، ارتفاع بالا و لیتولوژی ناپایدار متمرکز شدهاند، در حالیکه نواحی شمالی دارای خطر کمتر و پایداری نسبی هستند. مقایسه مدلها نشان داد که هر سه الگوریتم عملکرد بسیار مطلوبی در پیشبینی مناطق مستعد زمینلغزش دارند، بهطوریکه مقادیر سطح زیر منحنی برای مدلهای RF، SVM و GTB، بهترتیب برابر با 999/0، 997/0 و 998/0 بهدست آمد. بهطور کلی نتایج بیانگر دقت بسیار بالای مدلها و قابلیت اعتماد آنها در پهنهبندی خطر زمینلغزش است. تحلیل اهمیت متغیرها نشان داد که عامل شیب بیشترین نقش را در وقوع زمینلغزش ایفا میکند. این یافتهها میتواند در کاهش خسارات ناشی از زمینلغزش در مناطق مشابه مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ منحنی ROC/AUC؛ زمین لغزش؛ GEE؛ شلمانرود | ||
|
آمار تعداد مشاهده مقاله: 4 |
||