پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,228 |
| تعداد مقالات | 67,735 |
| تعداد مشاهده مقاله | 115,070,612 |
| تعداد دریافت فایل اصل مقاله | 89,799,903 |
پیشبینی مکانی زمین‌لغزش‌های سطحی با استفاده از مدلهای آماری و یادگیری ماشین (مطالعۀ موردی: حوضه سرخون) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 2، دوره 71، شماره 4، اسفند 1397، صفحه 869-884 اصل مقاله (1.46 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2018.268247.1314 | ||
| نویسندگان | ||
| زهرا براتی1؛ ابراهیم امیدوار* 2؛ عطااله شیرزادی3 | ||
| 1دانشجوی کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران. | ||
| 2استادیار گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران. | ||
| 3دکترای علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه کردستان، کردستان، ایران. | ||
| چکیده | ||
| تهیۀ نقشۀ حساسیتپذیری زمینلغزش بهعنوان اولین گام مهم در ارزیابی خطر زمینلغزش محسوب میشود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) بهمنظور مدلسازی حساسیتپذیری زمینلغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدینمنظور ابتدا نقشۀ پراکنش با تعداد 98 موقعیت زمینلغزش با استفاده از دادههای عملیات میدانی و همچنین دادههای تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه دادهها، 100 موقعیت غیرزمینلغزشی نیز شناسایی شدند. نقاط زمینلغزشی و غیرزمینلغزشی به صورت تصادفی به دو دسته دادۀ 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 زمینلغزش و همچنین ارزیابی حساسیتپذیری زمینلغزشها، بهوسیلۀ دادههای مرحلۀ آموزش بهکار 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 پیشبینی مکانی حساسیتپذیری زمینلغزش هستند. بنابراین مدل LR میتواند بهعنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تأثیر زمینلغزش در منطقۀ مورد مطالعه پیشنهاد شود. | ||
| کلیدواژه‌ها | ||
| ارزیابی آماری؛ حوضۀ سرخون؛ حساسیتپذیری؛ زمینلغزش؛ سامانۀ اطلاعات جغرافیایی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Spatial prediction of shallow landslides using statistical and machine learning models (case study: Sarkhoon watershed) | ||
| نویسندگان [English] | ||
| Zahra Barati1؛ Ebrahim Omidvar2؛ Ataollah Shirzadi3 | ||
| 1Msc. Student Department of Range and Watershed Management, Faculty of Natural Resources and Earth Sciences, University of Kashan, Kashan, Iran | ||
| 2Assistant Professor Department of Range and Watershed Management, Faculty of Natural Resources and Earth Sciences, University of Kashan, Kashan, Iran | ||
| 3Department of Rangeland and Watershed Management, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran | ||
| چکیده [English] | ||
| Landslide susceptibility mapping is considered as the first important step in landslide risk assessment. The main purpose of this study is to compare the performance of a machine learning algorithm (a logistic model tree), and a statistical model (a logistic regression), for landslide susceptibility modeling in the Sarkhoon watershed, Chaharmahal and Bakhtiari province. For this purpose, at first, a landslide inventory map including a total of 98 landslide locations was constructed using historical landslides, and extensive field surveys. In addition, a total of 100 non-landslide locations were also identified to construct a database. The landslide and non-landslide locations were randomly selected and divided into two groups with a 70/30 ratio for modelling and validation processes. Twenty conditioning factors were selected based on literature review and geo-environmental properties in the study area. Subsequently, the logistic model tree (LMT) and the logistic regression (LR) models were applied to identify the influence of conditioning factors on landslide occurrence. Finally, the performance of the models in landslide susceptibility mapping was investigated using the area under the receiver operating characteristics curve (AUC). The results concluded that the LR model (AUC = 0.797) outperformed and outclassed the LMT (AUC = 0.740) model in the study area. Although both models were reliable tools for spatial prediction of landslide susceptibility; however, the LR model was more accurate that it can be proposed as an alternative tool for better management of areas prone to landslide in the study area. | ||
| کلیدواژه‌ها [English] | ||
| Statistical assessment, Sarkhoon watershed, Susceptibility, landslide, GIS, Machine learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 421 تعداد دریافت فایل اصل مقاله: 480 |
||