پهنهبندی خطر وقوع زمینلغزش با استفاده از تکنیک مدلسازی الگوریتم یادگیری ماشین (نمونۀ موردی: شهرستان ایذه)
نویسندگان
1 استادیار گروه جغرافیا، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران.
2 استادیار گروه جغرافیا، واحد ماهشهر، دانشگاه آزاد اسلامی، ماهشهر، ایران.
doi
10.22059/jhsci.2025.394488.879چکیده
هدف: پهنهبندی خطر وقوع زمینلغزش میتواند مرجع مؤثری برای کاهش مخاطرات طبیعی و برنامهریزی کاربری زمین باشد، اما فرایند مدلسازی شامل دانشی چندرشتهای است که سبب پیچیدگی آن میشود. این پژوهش با هدف پهنهبندی خطر وقوع زمینلغزش در شهرستان ایذه با استفاده از روش مدلسازی الگوریتم یادگیری ماشین MLR انجام گرفته است. روش پژوهش: در این پژوهش، مدلسازی با در نظر گرفتن چهارده عامل پیشبینیکننده اعمال شد. لایههای موضوعی همۀ عوامل پیشبینی کننده و زمینلغزشهای موجود در نرمافزار ArcMap 10.8، SAGA-GIS 9.0.1، Rstudio، ENVI 5.6 و اغلب از مشتقات مبتنی بر DEM و دادههای میدانی برای تهیۀ لایههای دادۀ عوامل پیشبینیکننده تهیه شد. یافتهها: نتایج مدلسازی نشان داد که الگوریتم MLR با ضریب کاپای 9711/0، RMSE برابر با 0102/0 و R² معادل 9812/0 عملکرد بسیار دقیقی در پیشبینی و تبیین خطر زمینلغزش دارد. این ارقام گویای توافق زیاد میان مقادیر واقعی و پیشبینیشده و قدرت توضیحی زیاد مدل هستند. در میان عوامل مؤثر شناساییشده، فاصله از جادهها (با ضریب اهمیت 73/0)، شیب (62/0)، زمینشناسی (54/0) و فاصله از رودخانه (42/0) بیشترین تأثیر را در وقوع لغزشهای زمین داشتهاند. همچنین فشار ناشی از راهسازی، جهت تابش، افزایش شیب و ماهیت نرم سنگهای گچساران، مارن و رسوبات کواترنری بهعنوان عوامل تشدیدکنندۀ ناپایداری دامنهها شناسایی شدند. در مقابل، گسلها، ارتفاع و شاخص رطوبت توپوگرافی تأثیر کاهنده یا خنثی بر وقوع زمینلغزش نشان دادهاند. براساس نقشۀ پهنهبندی خطر تولیدشده توسط مدل MLR، حدود 7/21 درصد از منطقه (96905 هکتار) در طبقۀ «خطرناک» و 3/15 درصد (20338 هکتار) در طبقۀ «خیلی خطرناک» قرار گرفتهاند. این موضوع نشان میدهد که بخش بزرگی از منطقه بهخصوص مناطق جنوبی دارای حساسیت زیاد به زمینلغزش است که ضرورت اقدامات مدیریتی پیشگیرانه را دوچندان میکند.