پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,623 |
| تعداد مقالات | 71,542 |
| تعداد مشاهده مقاله | 126,884,619 |
| تعداد دریافت فایل اصل مقاله | 99,924,802 |
ارزیابی نقش ویژگی های ژئومورفیک موثر بر آسیب پذیری و حساسیت اراضی به زمین لغزش با استفاده از روش های یادگیری ماشین(مطالعه موردی : حوزه آبخیز کاکاشرف استان لرستان) | ||
| نشریه محیط زیست طبیعی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 آذر 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jne.2024.376982.2675 | ||
| نویسندگان | ||
| علی اکبر نظری سامانی* 1؛ رضا فتحی گنجی1؛ سادات فیض نیا1؛ عبدارضا نوریزدان2 | ||
| 1دانشکده منابع طبیعی، دانشگاه تهران | ||
| 2اداره کل منابع طبیعی و آبخیزداری لرستان | ||
| چکیده | ||
| زمین لغزش ها به عنوان یک مخاطره و اختلال زمینی، تأثیرهای مستقیم و غیر مستقیمی زیادی برشرایط جوامع انسانی، محیط طبیعی و تغییر سیمای سرزمین میتواند به عنوان یک اختلال عمل کند و موجب خسارت‌های گسترده ای شوند. لذا تعیین عوامل موثر بر آسیب‌پذیری به آن برای مدیریت این مخاطره ضروری است. هدف این پژوهش، شناخت عوامل موثر بر حساسیت اراضی به زمین لغزش و تهیه نقشه حساسیت به زمین لغزش با پایۀ تلفیق روش‌های یادگیری ماشین و مدل‌سازی آماری است. در این بررسی با استفاده از الگوریتم جنگل تصادفی، از بین عوامل موثر (شیب، جهت شیب، موقعیت توپوگرافی، رطوبت توپوگرافی، انحنای سطحی، سنگ‌شناسی، فاصله از گسل، فاصله ازآبراهه، فاصله از جاده و کاربری اراضی)وزن و درجۀ اهمیت مشخص شد. سپس با تکنیک‌های شبکه عصبی مصنوعی و MaxEnt برای مدل‌سازی و پیش‌بینی مناطق مستعد زمین‌لغزش استفاده شد. برای ارزیابی دقت مدل‌ها، با انجام اعتبار سنجی در محدودۀ مجاور حوزه آبخیز کاکاشرف، شاخص‌های ارزیابی محاسبه شد. نتایج نشان داد که عوامل فاصله از گسل و شیب، به ترتیب بیشترین اهمیت را در حساسیت اراضی به زمین لغزش دارند. بر پایه شاخص سطح زیر منحنی (AUC) مدل شبکه عصبی 0.92 نسبت به مدل MaxEnt با مقدار 0.801، دقت بیشتری در پیش بینی مناطق مستعد به زمین لغزش را نشان داد. بیشترین آسیب‌پذیری متعلق به اراضی مجاور آبراهه فاصله کمتر از 200 متر با خطوط گسلش و شیب 20-40% است؛ فلذا مدیریت و پوشش کاربری اراضی در این اراضی از اولویت بیشتری برخوردار است. این نتایج می تواند در بهبود مدیریت و برنامه ریزی اراضی در مناطق مستعد زمین لغزش ،حفاظت از منابع طبیعی، مدیریت ریسک موثر باشد. | ||
| کلیدواژه‌ها | ||
| حساسیت اراضی؛ جنگل تصادفی؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| Evaluating the role of geomorphic characteristics in landslide vulnerability and sensitivity (case study: Kakasharaf Drainage Basin, Lorestan Province) | ||
| نویسندگان [English] | ||
| Aliakbar Nazari Samani1؛ Reza fathiganji1؛ Sadat Feiznia1؛ Abdolreza Nourizdan2 | ||
| 1Faculty of Natural Resources University of Tehran | ||
| 2General Department of Natural Resources and Watershed of Lorestan, Iran | ||
| چکیده [English] | ||
| andslides, as a geo-hazard and disturbance, can exert significant direct and indirect impacts on human communities, the natural environment, and the landscape. Determining the factors influencing vulnerability to landslides is therefore essential for hazard management. This study aims to identify the key factors affecting land sensitivity to landslides and to create a landslide susceptibility map through the integration of machine learning methods and statistical modeling In this study, the random forest algorithm was used to assign weights and importance rankings to effective factors, including slope, slope aspect, TPI,TWI, Plan curvature, lithology, distance from faults, distance from streams, distance from roads, and landuse. Subsequently, artificial neural network and MaxEnt techniques were applied to model and predict landslide-prone areas.To assess the model accuracy, validation was conducted within the Kakashraf watershed boundary, and evaluation metrics were calculated. The results indicated that the distance from faults and slope are the most significant factors in determining land susceptibility to landslides. Based on the Area Under the Curve (AUC) metric, the neural network model with an AUC of 0.92 showed greater accuracy in predicting landslide-prone areas compared to the MaxEnt model, which had an AUC of 0.801.The highest vulnerability was found in lands near watercourses, within 200 meters of fault lines, and on slopes of 20-40%. Therefore, managing and monitoring land use in these areas is of high priority. These findings can be instrumental in improving land management and planning in landslide-prone areas,protecting natural resources, and facilitating effective risk management. | ||
| کلیدواژه‌ها [English] | ||
| Sensitivity, MaxEnt, random forest, neural network | ||
|
آمار تعداد مشاهده مقاله: 66 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب