ارزیابی حساسیت زمین‌لغزش با استفاده از روش‌های شبکه عصبی مصنوعی و الگوریتم ماشین بردار پشتیبان (مطالعه موردی: جاده‌ی حیران- استان اردبیل)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

2 دانش‌آموخته دکتری ژئومورفولوژی دانشگاه تبریز.

3 دانشجوی دکتری ژئومورفولوژی دانشگاه تهران.

4 دانشجوی دکتری ژئومورفولوژی دانشگاه محقق اردبیلی.

10.22034/gmpj.2020.122210

چکیده

زمین­لغزش­ها همواره موجب خسارات جانی و مالی، از دست رفتن منابع طبیعی و زیرساخت‌های زیربنایی از قبیل جاده­ها، پل‌ها و خطوط ارتباطی می­شوند. جاده ارتباطی حیران در حال حاضر تحت تأثیر فرایند لغزش و گسیختگی دامنه‌ای دستخوش تغییر می‌باشد. در این پژوهش حساسیت زمین‌لغزش محور ارتباطی حیران با استفاده مدل‌های شبکه عصبی مصنوعی و توابع خطی، چندجمله‌ای، شعاعی و حلقوی الگوریتم ماشین بردار پشتیبان موردبررسی قرار گرفت. معیارهای مؤثر در شناسایی حساسیت زمین‌لغزش در سطح منطقه موردمطالعه شامل لایه‌های استخراج‌شده از سطوح ارتفاعی، زمین‌شناسی، کاربری اراضی، فاصله از گسل، شیب، جهت شیب و فاصله از جاده می‌باشد. لایه‌های اطلاعاتی بعد از آماده‌سازی در محیط نرم‌افزار SPSS Modeler اجرا شد و نقش و ارزش هرکدام از پارامترها بر اساس روش‌های مختلف به دست آمد. بر اساس نتایج ارزیابی مدل به ترتیب عامل زمین‌شناسی، ارتفاع، جهت شیب و کاربری اراضی، بیشترین ارزش را در ناپایداری دامنه‌ها در این محدوده داشته‌اند. همچنین نتایج نشان داد، کاربری‌های که در طبقه حساسیت زیاد قرارگرفته‌اند عمدتاً مربوط به اراضی مرتع، زمین کشاورزی و جاده‌های ارتباطی ( بالاتر از 1400 متر) می‌باشند که در قسمت‌های غربی گردنه حیران واقع‌شده‌اند. سازندهای تحت تأثیر لغزش در محدوده موردمطالعه عمدتاً تناوب توف، ماسه‌سنگ توفی به همراه گدازه‌های برشی و گدازه‌های پیروکسن آندزیت می‌باشد. در قالب مقایسه بین مدل‌ها جهت ارزیابی مطابقت آن با واقعیت منطقه به نظر می‌رسد مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی کارایی بهتری جهت ارزیابی حساسیت زمین‌لغزش در محور ارتباطی گردنه حیران دارد. شایان‌ذکر است، لزوم توجه به نقشه‌های حساسیت زمین‌لغزش طی عملیات جاده‌سازی و تعریض آن می‌تواند سبب کاهش ریسک مخاطره‌ی زمین‌لغزش در محدوده مسیر جاده حیران-آستارا گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of landslide sensitivity by neural network method and Vector machine algorithm (Case study: Heyran Road -Ardebil province)

نویسندگان [English]

  • Fariba Esfandiary Darabad 1
  • masoud rahimi 2
  • asghar navidfar 3
  • mehrvarz Arsalan 4
1 University of Mohaghegh Ardabil
2 PhD in Geomorphology, Graduated from the University of Tabriz
3 dent of Geomorphology, University of Tehran
4 of Geomorphology, University of Mohaghegh Ardabil
چکیده [English]

Extended Abstract
Introduction
The occurrence of landslides is the result of the interaction of complex and diverse environmental factors. These factors are divided into the trigger and the primary cause. Landslide occurrence triggers include weathering, earthquakes, rainfall and snow melting. Human activity like construction of roads and buildings on steep slopes and dispersal of water from supply systems and sewers could also trigger the occurrence of the phenomena (Cubito et al., 2005).
In this Investigation will be using data layers Region, Identifying of the most important factors landslide prone areas in Heyran road and in this Investigation effectiveness of methods used to be examined.
Introduction
The occurrence of landslides is the result of the interaction of complex and diverse environmental factors. These factors are divided into the trigger and the primary cause. Landslide occurrence triggers include weathering, earthquakes, rainfall and snow melting. Human activity like construction of roads and buildings on steep slopes and dispersal of water from supply systems and sewers could also trigger the occurrence of the phenomena (Cubito et al., 2005).
In this Investigation will be using data layers Region, Identifying of the most important factors landslide prone areas in Heyran road and in this Investigation effectiveness of methods used to be examined.
Materials & Methods
In this study landslide sensitivity preparation mapping, position had landslide occurred in the study area bye GPS it got recorded and using geology Astara map Layer was extracted fault. Besides these layers used were layers of elevation, slope and aspect of the DEM with a resolution of 30 m. To do this research using the data above according to SVM algorithm landslide susceptibility maps sensitive communication axis was determined Heyran. SVM algorithm is based on statistical learning theory. According to this theory can be bound for to data error rate unclassified machine learning, to be considered as a generalized error rate. In this study, a better estimate of landslide susceptibility neural network method was used. After preparation of the layer of elevation, slope, aspect, geology, faults, land use and other factors data inputted in software SPSS Modeler. Software output for each one of the factors was just small amounts in continue investigation process landslide susceptibility map used software GIS was prepared.
Results & Discussion
In the zoning of landslide sensitivity, the most important part of the work is the preparation of a layer of dispersion of landslides in the region. The accuracy and precision of zoning is main due to this part of the work. In order to assess the accuracy and correctness of the zoning of field works, the study of landslides is an integral part and field works were carried out to identify landslides in the region. GPS is most important tool at this stage. A total of 42 cases of major landslides were recorded during Heyran. In this research, the Heiran road was investigated using neural network methods and vector machine algorithm. The layers used is elevation, slope, aspect, geological formations, faults, land use. Most affected by slope instability, mainly related to land use pasture, farmland and roads linking within the elevation is 1,400 meters high. In the overall evaluation of the performance of the models, sigmoid kernel model have better performance due to the layers used and the conditions of the axis of communication. So the results of these two models can be the basis of zoning.




Conclusion
Slope instability as one of the most important geomorphological hazards in some areas has made significant and has created serious problems for residents. This research has been carried out to identify areas of potential Landslide in the Heyran-Astara. This communication road is very important for landslide occurrence. In addition to road hazards, there are multiple slides along the road. It was necessary to study and compare accurate zoning methods for proper evaluation in this range. In this study, neural network models and four models vector machine algorithm has been evaluated and compared. According to the results of the sigmoid kernel and sigmoid kernel models, more than 80 percent of the 42 landslides are recorded in a large and very high class. In the overall assessment of the performance of the models, the sigmoid kernel and Neural network models are more consistent with the layers used and the conditions of the Heyran-Astara communication road and the registered position of the slides. So the results of these two models can be the basis of zoning.
Keywords: Landslide susceptibility, artificial neural network, support-vector machines, Heyran Road.
Keywords: Landslide susceptibility, artificial neural network, support-vector machines, Heyran Road.

کلیدواژه‌ها [English]

  • Landslide susceptibility
  • Artificial Neural Network
  • support-vector machines
  • Heyran Road
  • احمدآبادی، ع.، رحمتی، م.،1394. کاربرد شاخص‌های کمی ژئومورفومتریک در شناسایی پهنه‌های مستعد زمین‌لغزش با استفاده از مدل SVM (مطالعه موردی: آزادراه خرم‌آباد-پل زال)، پژوهش‌های ژئومورفولوژی کمی. دوره 4، شماره 3، صص 197-213.           
  • اسفندیاری درآباد، ف.، 1387. پهنه‌بندی پتانسیل خطر زمین‌لغزش جاده ارتباطی اردبیل-آستارا با استفاده از GIS، فصل‌نامه جغرافیایی سرزمین. سال پنجم، شماره 18، صص 113-124.
  • اسفندیاری درآباد، ف.، رحیمی، م.، خیری زاده، م.، 1397. ارزیابی و پیش‌بینی مکانی وقوع زمین‌لغزش با استفاده از مدل‌های آماری فاکتور قطعیت و رگرسیون لجستیک (منطقه مطالعاتی: جاده مواصلاتی خلخال- سرچم)، پژوهش‌های ژئومورفولوژی کمی. دوره 1، شماره 2، صص 145-158.
  • اصغری، ص.، بلواسی، ا.، 1397. مقایسه مدل شبکه عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین‌لغزش(مطالعه موردی: حوضه آبریز سیمره چنار)، پژوهش‌های ژئومورفولوژی کمی. دوره 7، شماره 2، صص 158-182.  
  • صفاری، ا.، بهشتی، ا.، صفیری، ن.، 1392. مقایسه مدل‌های آماری دومتغیره و منطق فازی در پهنه‌بندی زمین‌لغزش (مطالعه موردی: محدوده گردنه حیران در محور اردبیل – آستارا)، دومین کنفرانس بین‌المللی مخاطرات محیطی.
  • رضایی مقدم، م.ح.، 1377. پژوهشی پیرامون علل زمین‌لغزه‌های گردنه حیران، دانشکده ادبیات و علوم انسانی دانشگاه تبریز، شماره 168.
  • روستایی، ش.، خدایی، ل.، 1395. ارزیابی روش‌های تحلیل شبکه (ANP) و رگرسیون لجستیک در بررسی پتانسیل وقوع زمین‌لغزش در محدوده محور و مخزن سد، مطالعه موردی: سد قلعه چای. پژوهش‌های ژئومورفولوژی کمی. دوره 5، شماره 3، صص 67-80.   
  • روستایی، ش.، مختاری، د.، اشرفی، ز.، 1397. شناسایی و پایش ناپایداری دامنه‌ای به روش پردازش اینترفرومتری تفاضلی در حوضه آبریز طالقان .پژوهش‌های ژئومورفولوژی کمی. دوره 7، شماره 3 ، صص 18-30.
  • عمادالدین، س.، مرادی؛ آ.، 1397. ارزیابی خطر زمین‌لغزش با استفاده از فرایند سلسله مراتبی(AHP)، تحلیل شبکه عصبی مصنوعی(ANN) و مطالعات میدانی با رویکرد ریسک(مطالعه موردی: محور جاده هراز)، پژوهش‌های ژئومورفولوژی کمی. دوره 6، شماره 4، صص 172-190.      
  • فیض­نیا، س.، حسن­زاده، م.، احمدی، ح.، 1380. پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز شلمان رود در استان گیلان، منابع طبیعی ایران، دوره 54، شماره 3، صص 207-220.
  • Aksoy, B. and Ercanoglu, M., 2012. Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey). Computers & Geosciences, 38(1), pp.87-98.
  • Conforti, M., Pascale, S., Robustelli, G., & Sdao, F. 2014. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy). Catena, 113, 236-250.
  • Cubito, A., Ferrara, V. and Pappalardo, G., 2005. Landslide hazard in the Nebrodi Mountains (Northeastern Sicily). Geomorphology, 66(1), pp.359-372.
  • Das, I., Sahoo, S., van Westen, C., Stein, A. and Hack, R., 2010. Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas (India). Geomorphology, 114(4), pp.627-637.
  • Dou, J., Yamagishi, H., Pourghasemi, H. R., Yunus, A. P., Song, X., Xu, Y., & Zhu, Z. (2015). An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan. Natural Hazards, 78(3), 1749-1776.
  • Fernandes, N.F., Guimarães, R.F., Gomes, R.A., Vieira, B.C., Montgomery, D.R. and Greenberg, H., 2004. Topographic controls of landslides in Rio de Janeiro: field evidence and modeling. Catena, 55(2), pp.163-181.
  • Girma, F., Raghuvanshi, T.K., Ayenew, T., Hailemariam, T., 2015. Landslide hazard zonation in Ada Berga District, Central Ethiopia – a GIS based statistical approach. J. Geomatics 90, 25–38 (i).
  • Hamza, T., & Raghuvanshi, T. K. 2017. GIS based landslide hazard evaluation and zonation–A case from Jeldu District, Central Ethiopia. Journal of King Saud University-Science, 29 (2), 151-165.
  • Hong, H., Pradhan, B., Jebur, M. N., Bui, D. T., Xu, C., & Akgun, A. 2016. Spatial prediction of landslide hazard at the Luxi area (China) using support vector machines. Environmental Earth Sciences, 75(1), 40.
  • Hsu, C. H., Tsao, T. C., Huang, C. M., Lee, C. F., & Lee, Y. T. 2016. Using Remote Sensing Techniques to Identify the Landslide Hazard Prone Sections along the South Link Railway in Taiwan. Procedia Engineering, 143, 708-716.
  • Jenks, George F. 1967. "The Data Model Concept in Statistical Mapping", International Yearbook of Cartography 7: 186-190.
  • Kavzoglu, T., & Mather, P. M. 2003. The use of backpropagating artificial neural networks in land cover classification. International journal of remote sensing, 24(23), 4907-4938.
  • Melchiorre, C., Matteucci, M., Azzoni, A. and Zanchi, A., 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation. Geomorphology, 94(3), pp.379-400.
  • Moreiras, S.M., 2005. Climatic effect of ENSO associated with landslide occurrence in the Central Andes, Mendoza province, Argentina. Landslides, 2(1), pp.53-59.
  • Pan, X., Nakamura, H., Nozaki, T., Huang, X., 2008. A GIS-based landslide hazard assessment by multivariate analysis Landslides. J Jpn. Landslide. Soc. 45 (3), 187–195.
  • Polykretis, C., & Chalkias, C. 2018. Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models. Natural hazards, 93(1), 249-274.
  • Raghuvanshi, T.K., Ibrahim, J., Ayalew, D., 2014. Slope stability susceptibility evaluation parameter (SSEP) rating scheme – an approach for landslide hazard zonation. J. Afr. Earth Sci. 99, 595– 612.
  • Saito, H., Murakami, W., Daimaru, H., & Oguchi, T. 2017. Effect of forest clear-cutting on landslide occurrences: Analysis of rainfall thresholds at Mt. Ichifusa, Japan. Geomorphology, 276, 1-7.
  • Tsangaratos, P. and Ilia, I., 2016. Comparison of a logistic regression and Naïve Bayes classifier in landslide susceptibility assessments: The influence of models complexity and training dataset size. Catena, 145, pp.164-179.
  • Vapnik, V. (2013). The nature of statistical learning theory. Springer science & business media.
  • Yao, X., Tham, L. G., & Dai, F. C. 2008. Landslide susceptibility mapping based on support vector machine: a case study on natural slopes of Hong Kong, China. Geomorphology, 101(4), 572-582.