مقایسه و تلفیق الگوریتمهای یادگیری ماشین و شیء پایه برای غربالگری عوامل زمینهساز و تهیه نقشه طبقهبندی زمینلغزش
نویسندگان
1 دانشجوی دکتری مدیریت حوزههای آبخیز، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
2 استاد بخش علوم خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
3 دانشیار گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
4 نویسنده مسئول، استاد گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
doi
10.22069/jwsc.2025.22812.3759چکیده
چکیده سابقه و هدف: زمینلغزش بهعنوان یکی از مخربترین مخاطرات طبیعی پس از زلزله، خسارات جبرانناپذیری به محیطزیست و زیرساختها وارد میکند. ایران بهدلیل شرایط زمینشناختی و اقلیمی خاص خود، هرساله شاهد وقوع زمینلغزشهای متعددی است که نیازمند مطالعات دقیق و اقدامات پیشگیرانه است. در مطالعه حاضر یک روش تلفیقی با استفاده از قابلیت و توانایی الگوریتمهای یادگیری ماشین برای انتخاب ویژگیهای مؤثر در شناسایی زمینلغزش و مقایسه الگوریتمهای شیء پایه جهت تهیه نقشه طبقهبندی زمینلغزش با استفاده از تصاویر ماهوارهای گائوفن-1 توسعه داده شد. درنهایت نمودار وابستگی جزئی زمینلغزشها با هر یک از متغیرهای مستقل استخراجشده ترسم گردید.مواد و روشها: بهمنظور شناسایی زمینلغزشهای حوزه آبخیز محمدآباد گلستان از دو تصویر ماهواره گائوفن-1 مربوط به اسفند 1401 و خرداد 1402 استفاده شد. به علت متفاوت بودن فصول دو تصویر، تمام پردازشهای دو تصویر بهصورت مجزا صورت گرفت. در اولین مرحله 218 زمینلغزش با استفاده از بازدید میدانی شناسایی گردید که 70 درصد آن برای آموزش مدل و 30 درصد باقیمانده برای ارزیابی نتایج استفاده شد. طبقهبندی تصاویر ماهوارهای و استخراج کلاسهای لغزش و فاقد لغزش بااستفادهاز طبقهبندی شیء پایه انجام شد؛ که شامل دو مرحله قطعهبندی و طبقهبندی است. بعد از انجام مرحله قطعهبندی تصویر با الگوریتم قطعهبندی چندمقیاسه، انتخاب ویژگی با استفاده از سه الگوریتم شبکه عصبی، درخت تصمیم و جنگل تصادفی انجام شد و عوامل مؤثر بر شناسایی زمینلغزش با استفاده از تصاویر ماهوارهای از هر کدام از قطعات استخراج گردید سپس ویژگیهای انتخابشده بر اساس ویژگی همخطی بررسی شدند. در مرحله بعد، این ویژگیها در طبقهبندی و شناسایی زمینلغزش با چهار الگوریتم شیء پایه ماشین بردار پشتیبان، نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی مورداستفاده قرار گرفتند سپس عملکرد الگوریتمها با شاخصهای صحت کلی، ضریب کاپا، ضریب سورنسن، نرخ مثبت صحیح و نرخ مثبت کاذب مقایسه شد و مناسبترین الگوریتم برای شناسایی زمینلغزش با استفاده از تصویر ماهوارهای انتخاب شد. یافتهها: نتایج انتخاب ویژگی نشان داد از بین سه روش مورد بررسی در این مطالعه، الگوریتم جنگل تصادفی با دقت بالاتری ویژگیهای مؤثر در شناسایی زمینلغزش با استفاده از تصاویر ماهوارهای را تعیین کرد. بررسی طبقهبندی زمینلغزشها با چهار الگوریتم شیءگرا ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه نشان داد، الگوریتم ماشین بردار پشتیبان با صحت بالای 92 درصد و ضریب کاپا بالای 85/0 به نسبت سایر الگوریتمها شناسایی زمینلغزشهای منطقه مورد مطالعه را بهخوبی انجام داده است.نتیجهگیری: مطالعه حاضر نشان داد که استفاده از قابلیت و توانایی الگوریتمهای یادگیری ماشین و تلفیق آن با الگوریتمهای شیء پایه میتواند بهعنوان روش قابلاعتماد برای شناسایی سریع و ارزان زمینلغزشها با استفاده از تصاویر ماهوارهای مورداستفاده قرار گیرد. شناسایی زمینلغزشها اولین گام مطالعه این مخاطره طبیعی است بهطوریکه نتایج آن میتواند در بهبود برنامهریزی، مدیریت و کاهش خسارات ناشی از زمینلغزش به مدیران امر و کارشناسان اجرایی کشور کمک کنند. بهمنظور انجام مطالعات آتی پیشنهاد میگردد که تصاویر با قدرت تفکیک مکانی بالا تهیه شود تا با جزئیات بالا بتوان به شناسایی زمینلغزشها اقدام نمود.
