ابراهیمی، ل.، و ایلانلو، م.، 1404. پهنهبندی خطر وقوع زمین لغزش با استفاده از تکنیک مدلسازی الگوریتم یادگیری ماشین (نمونه موردی: شهرستان ایذه). مدیریت مخاطرات محیطی، 12(1): 64-51.
احمدآبادی، ع.، و رحمتی، م.، 1394. کاربرد شاخصهای کمی ژئومورفومتریک در شناسایی پهنههای مستعد زمینلغزش با استفاده از مدل SVM (مطالعه موردی: آزادراه خرم آباد-پل زال). پژوهشهای ژئومورفولوژی کمی، 4(3): 213-197.
باباربیع، ن.، لرستانی، ق.، و اسماعیلی، ر.، 1404. پهنهبندی وقوع زمین لغزش با استفاده از مدلهای جنگل تصادفی و ماشین بردار پشتیبان (مطالعه موردی: حوضه آبخیز تالار). پژوهشهای دانش زمین، 16(1): 168-152.
تیموری، م.، و اسدی نیلوان، ا.، 1398. پهنهبندی حساسیت و اولویتبندی عوامل موثر بر وقوع زمینلغزش با استفاده از مدل حداکثر آنتروپی (مطالعه موردی: استان لرستان). هیدروژئومورفولوژی، 21(6): 179-155.
دسترنج، ع.، حمزه، ن.، و وکیلی تجره، ف.، 1402. ارزیابی نقشه حساسیت زمینلغزش با استفاده از الگوریتم یادگیری ماشین و اولویتبندی عوامل مؤثر بر وقوع زمینلغزش. علوم و مهندسی آبخیزداری ایران، 17(63): 83-71.
ذاکری نژاد، ر.، و عموشاهی، ن.، 1401. ارزیابی خطر زمینلغزش با استفاده از دادههای سنجشازدور و مدل حداکثر آنتروپی (منطقه موردمطالعه: حوضه آبخیز کمه، جنوب استان اصفهان). پژوهشهای ژئومورفولوژی کمی، 11(2): 149-128.
زارعی، م.، مرادی، ح.، علوی نیا، ح.، و علیآبادی، ک.، 1402.ارزیابی و پهنهبندی خطر وقوع زمینلغزش در حوضه آبخیز بیونیژ، استان کرمانشاه. فصلنامه مطالعات جغرافیایی مناطق کوهستانی، 1(13): 188-169.
صادقی، ع.، طالبی، ع.، و زارعی، پ.، 1401. تعیین آستانه بارش بحرانی در وقوع زمینلغزشهای سطحی بر اساس مدل فرآیند محور (مطالعه موردی: منطقهی جوانرود، استان کرمانشاه). پژوهشهای ژئومورفولوژی کمی، 10(4)، 177-156.
صدیقی، ح.، و قاسمی، ا.ر.، 1402. مدلسازی خطر وقوع زمینلغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهارمحال و بختیاری). پژوهش های دانش زمین، 14(4): 60-42.
عسگری، ش.، قنواتی، ع.، و شادفر، ص.، 1397. تحلیل فضایی شاخصهای تاثیرگذار زمین لغزشها بر بار رسوبی حوضه سد ایلام. فضای جغرافیای، 18(63): 318-299.
علیپور، ح.، و ملکیان، آ.، 1394. پهنهبندی خطر زمینلغزش در حوزه آبخیز جهان اسفراین خراسان شمالی. نشریه جغرافیا و توسعه، 13(39): 180-165.
کرنژادی، آ.، و پورقاسمی، ح.م.، 1398. ارزیابی حساسیت زمینلغزش با استفاده از مدلهای دادهکاوی، مطالعه موردی: حوزه آبخیز چهلچای. مهندسی و مدیزیت ابخیز. 11(1)، 42-28.
کریمیسنگچینی، ا.، دسترنج، ع.، آرامی، ح.، شادفر، ص.، و ویسکرمی، ا.، 1403.کاربرد الگوریتم یادگیری ماشین بیشینه آنتروپی در پهنهبندی خطر زمینلغزش حوزه آبخیز کرگانه، استان لرستان. علوم و مهندسی آبخیزداری ایران، 18(64): 63-50.
Aghdam, I. N., Pradhan, B., Panahi, M. (2017). Landslide susceptibility assessment using a novel hybrid model of statistical bivariate methods (FR and WOE) and adaptive neuro-fuzzy inference system (ANFIS) at southern Zagros Mountains in Iran. Environmental Earth Sciences, 76(6): 237. DOI:10.1007/s12665-017-6558-0
Arabameri A, Pradhan B, Rezaei K, Lee S, Sohrabi M. (2020). An ensemble model for landslide susceptibility mapping in a forested area. Geocarto Int. 35(15):1680–1705. doi: 10.1080/10106049.2019.1585484. 10.1080/10106049.2019.1585484
Ashraf Mohammad,O., Kamal Hamaamin, H., Azad, J., Rasooli, S., Li, H. (2025). Spatial prediction of landslide susceptibility using the data-mining algorithm (case study: Kamyaran county). Frontier in Earth Science, https://doi.org/10.3389/feart.2025.1619876
Breiman L. (2001). Random forests. Mach Learn. 45(1):5–32. https://doi.org/10.1023/A:1010933404324
Brenning, A. (2005). Spatial prediction models for landslide hazards: review, comparison and evaluation. Nat Hazard Earth Syst 5:853–862. https://doi.org/10.5194/nhess-5-853-2005
Chang Z., Catani F., Huang F., Liu G., Meena S.R., Huang J., Zhou C. (2023). Landslide susceptibility prediction using slope unit-based machine learning models considering the heterogeneity of conditioning factors. Journal of Rock Mechanics and Geotechnical Engineering, 15(5): 1127–1143. https://doi.org/10.1016/j.jrmge.2022.07.009
Chen, W., Zhang, S., Li, R., Shahabi, H. (2018). Performance evaluation of the GIS-based data mining techniques of best-first decision tree, random forest, and naïve bayes tree for landslide susceptibility modeling. Sci. Total Environ. 644: 1006-1018. DOI:10.1016/j.scitotenv.2018.06.389
Chowdhury,M. Hafsa,B. (2022). Landslide susceptibility mapping using bivariate statistical models and GIS in chattagram district, Bangladesh, Geotech. Geol. Eng. (40): 3687–3710, https://doi.org/10.1007/s10706-022-02111-y
Dahal R.K., Hasegawa S., Nonomura A., Yamanaka M., Masuda T., Nishino K. (2008). GIS-based weights-ofevidence modelling of rainfall-induced landslides in small catchments for landslide susceptibility mapping. Environmental Geology, 54: 311–324. DOI:10.1007/s00254-007-0818-3
Dou, J., Yunus, A. P., Xu, Y., Zhu, Z., Chen, C. W., Sahana, M., Khosravi, K., Yang, Y., & Pham, B. T. (2019). Torrential rainfall-triggered shallow landslide characteristics and susceptibility assessment using ensemble data-driven models in the Dongjiang Reservoir Watershed, China. Natural Hazards, 97(2), 579–609. doi:10.1007/s11069-019-03659-4. DOI:10.1007/s11069-019-03659-4
Guo, Q., Kelly, M., Graham, C.H. (2005). Support vector machines for predicting distribution of Sudden Oak Death in California. Ecol. Model. 182, 75–90. doi:10.1016/j.ecolmodel.2004.07.012
Hong H, Pradhan B, Bui DT, Xu C, Youssef AM, Chen W. (2017). Comparison of four kernel functions used in support vector machines for landslide susceptibility mapping: a case study at Suichuan area (China). Geomatics Nat Hazards Risk. 8(2):544–569. doi: 10.1080/19475705.2016.1250112
Huang, C., Davis, L.S., Townshend, J.R.G. (2002). An assessment of support vector machines for land cover classification. Int. J. Remote Sens. DOI:10.1080/01431160110040323
Iverson, R. M., & George, D. L. (2016). Modelling landslide liquefaction, mobility bifurcation and the dynamics of the 2014 Oso disaster. Geotechnique, 66(3), 175–187. doi:10.1680/jgeot.15.LM.004.
Jaafari, A., Najafi, A., Pourghasemi, H. R., Rezaeian, J., & Sattarian, A. (2014). GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian forest, northern Iran. International Journal of Environmental Science and Technology, 11(4), 909–926. doi:10.1007/s13762-013-0464-0
Jakkula, V. (2006). Tutorial on Support Vector Machine (svm). 37 School of EECS, Washington State University. https://api.semanticscholar.org/CorpusID:15115403
Kang, D., Dan, Sh., Hua, Zh., Jingly, L., Chenlu, W., Zhenguo, W., Shaohua, W.(2025). Study on landslide hazard risk in Wenzhou based on slope units and machine learning approaches.ScienceReports. https://doi.org/10.1038/s41598-025-91669-7
Kim JC, Lee S, Jung HS, Lee S. (2018). Landslide susceptibility mapping using random forest and boosted tree models in Pyeong-Chang, Korea. Geocarto Int. 33(9):1000–1015. doi:10.1080/10106049.2017. 1323964.
Lee S., Min K. (2001). Statistical analysis of landslide susceptibility at Yongin, Korea. Environmental Geology, 40, 1095–1113. https://doi.org/10.1007/s002540100310
Nefeslioglu HA, Duman TY, Durmaz S. (2008). Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Eastern Black Sea region of Turkey). Geomorphology. 94(3–4):401–418. https://doi.org/10.1016/j.geomorph.2006.10.036
Nelder JA, Wedderburn R.W.M. (1972). Generalized linear models. J R Stat Soc A135:370–384. https://www.jstor.org/stable/2344614
Nhu VH, Mohammadi A, Shahabi H, Ahmad BB, Al-Ansari N, Shirzadi A, Clague JJ, Jaafari A, Chen W, Nguyen H. (2020). Landslide susceptibility mapping using machine learning (ML) algorithms and remote sensing data in a tropical environment. Int J Environ Res Public Health. 17(14):1–23. doi: 10.3390/ ijerph17144933. doi:10.3390/ijerph17144933
Niraj K., Singh A., Shukla D.P. (2023). Effect of the normalized difference vegetation index (NDVI) on GIS-enabled bivariate and multivariate statistical models for landslide susceptibility mapping. Journal of the Indian Society of Remote Sensing, 51(8), 1739–1756. https://doi.org/10.1007/s12524-023-01738-5
Park NW. (2015). Using maximum entropy modeling for landslide susceptibility mapping with multiple geoenvironmental data sets. Environ Earth Sci. 73(3):937–949. doi: 10.1007/s12665-014-3442-z.
Polykretis C, Ferentinou M, Chalkias C. (2015). A comparative study of landslide susceptibility mapping using landslide susceptibility index and artificial neural networks in the Krios River and Krathis River catchments (northern Peloponnesus, Greece). Bull Eng Geol Environ. 74(1):27–45. doi: 10.1007/s10064- 014-0607-7
Pourghasemi HR, Pradhan B, Gokceoglu C. (2012). Remote sensing data derived parameters and its use in landslide susceptibility assessment using Shannon’s Entropy and GIS. Appl. Mech. Mater., 225: 486–491. https://doi.org/10.4028/www.scientific.net/AMM.225.486
Shahabi H, Hashim M. (2015). Landslide susceptibility mapping using GIS-based statistical models and Remote sensing data in tropical environment. Sci Rep. 5(1):1–15. doi: 10.1038/srep09899.
Statnikov, A., Aliferis, C.F., Hardin, D.P., Guyon, I. (2011). A Gentle Introduction to Support Vector Machines in Biomedicine: Volume 1: Theory and Methods. World Scientific Publishing Co Inc. 200. https://doi.org/10.1142/7922
Sun, X., Shan, R., Liu, F. (2020). Spatio-temporal quantification of patterns, trade-offs and synergies among multiple hydrological ecosystem services in different topographic basins. J. Clean. Prod. 268, 122338. https://doi.org/10.1016/j.jclepro.2020.122338
Tyagi A., Tiwari R.K., James N. (2023). Mapping the landslide susceptibility considering future land-use land-cover scenario. Landslides, 20(1), 65–76. https://doi.org/10.1016/j.jclepro.2020.122338
Vakhshoori V., Zare M. (2016). Landslide susceptibility mapping by comparing weight of evidence, fuzzylogic, and frequency ratio methods. Geomatics, Natural Hazards and Risk, 7(5), 1731–1752. https://doi.org/10.1080/19475705.2016.1144655
Xiong, K., Adhikari, B. R., Stamatopoulos, C. A., Zhan, Y., Wu, S., Dong, Z., & Di, B. (2020). Comparison of different machine learning methods for debris flow susceptibility mapping: A case study in the Sichuan Province, China. Remote Sensing, 12(2), 295. doi:10.3390/rs12020295.
Zhang W., He Y., Wang L., Liu S., Meng X. (2023). Landslide Susceptibility mapping using random forest and extreme gradient boosting: A case study of Fengjie, Chongqing. Geological Journal, 58(6), 2372-2387. https://doi.org/10.1002/gj.4683
