ارزیابی حساسیت زمین‌لغزش با استفاده از الگوریتم ماشین پشتیبان‌بردار (مطالعه موردی: شهرستان کامیاران، استان کردستان)

نویسندگان

1 دانشگاه محقق اردبیلی

2 دانشگاه تبریز

3 دانشگاه کردستان

چکیده

یکی از انواع فرآیندهای دامنه­ای که هر ساله موجب خسارات جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می­شود، پدیده زمین­لغزش است. شناسایی مناطق مستعد وقوع زمین­لغزش از طریق پهنه­بندی خطر، یکی از اقدامات مؤثر و ضروری در کاهش خطرات احتمالی و مدیریت آن می­باشد. هدف اصلی این پژوهش، ارزیابی حساسیت زمین­لغزش در شهرستان کامیاران با استفاده از مدل ماشین­پشتیبان­بردار می­باشد. در ابتدا، نقشه پراکنش زمین­لغزش با 60 نقطه لغزشی در منطقه مورد مطالعه با استفاده از منابع مختلف ترسیم گردید. پس از آن مکان­های لغزشی، به صورت تصادفی به یک نسبت 70 به 30 برای ساخت مدل زمین­لغزش و اعتبارسنجی آن تقسیم شدند. آموزش و صحت­سنجی تابع RBF از الگوریتم SVM توسط یک پایگاه داده مکانی با مجموع دوازده عامل زمین­لغزش از جمله شیب، جهت شیب، ارتفاع، انحنای شیب، انحنای عرضی شیب، انحنای طولی شیب، شدت تابش خورشید، لیتولوژی، کاربری اراضی، فاصله از گسل، فاصله از جاده و فاصله از رودخانه با توجه به مدل مرجع مورد بررسی قرار گرفتند. در نهایت منطقه مورد مطالعه به پنج کلاس حساسیت بسیار بالا، بالا، متوسط، کم و بسیار کم تقسیم شد. سپس عمکرد این الگوریتم با استفاده از منحنی ROC مورد بررسی قرار گرفت. نتایج نشان می­دهد که سطح زیر منحنی (AUC) با استفاده از مجموعه داده­های آموزشی (970/0) و با استفاده از داده­های صحت­سنجی (882/0) می­باشد. لذا تجزیه و تحلیل نتایج نشان­دهنده آن بود که تابع RBF مدل SVM عملکرد خوبی جهت ارزیابی حساسیت زمین­لغزش در منطقه مورد مطالعه دارد و نتایج به دست­آمده از این پژوهش می­تواند برای برنامه­ریزی کاربری اراضی، کاهش خطرات زمین­لغزش و تصمیم­گیری در مناطق مستعد ­لغزش مفید واقع گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide Susceptibility assessment using Support vector machine algorithm (Case Study: Kamyaran County, Kurdistan province)

چکیده [English]

One of the slopping processes which created much damage in many locations of Iran and the world is Landslide phenomenon. Identification of susceptible areas to landslide occurrence is one of the basic measures for reduction of the possible risk and management. The main goal of this research is to evaluate Landslide Susceptibility assessment using Support vector machine algorithm. At first, a landslide inventory map with 60 landslide locations for the study area was drawn from various sources. Landslide locations were then spatially randomly split in a ratio of 70/30 for building landslide model and for the model validation.Training and testing of RBF Function the SVM algorithm was evaluated over an assembly of spatial attributes, which included slope angle, elevation, aspect, solar radiation, profile curvature, plan curvature, lithology, land use, distance to fault, distance to road and distance to river with respect of the referent model. Finally the study area was classified into five sensitivity classes’ very high, high, moderate, low and very low. Then Performance of the method has been evaluated using the ROC curve. The results show that area under the ROC curve (AUC) using training dataset is (0/950) and using validation dataset is (0/931). Therefore, analysis and comparison of the results show that RBF Function SVM model performed well for landslide susceptibility assessment in the study area and the results from this the results from this study can be useful for land use planning, mitigate landslide hazards and decision making in landslide prone areas.

کلیدواژه‌ها [English]

  • Susceptibility
  • Landslide
  • Support Vector Machine Algorithm
  • ROC curve
  • Kamyaran