معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیشبینی حساسیت زمینلغزشهای سطحی اطراف شهر بیجار
نویسندگان
1 دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران
2 استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
3 استادیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران
4 استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
5 دانشیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
doi
10.22111/gdij.2017.3076چکیده
افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشههای پیشبینی مکانی مخاطرات زمینی از جمله زمینلغزشها یکی از چالشهای پیش رو در این گونه مطالعات میباشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF)،برای افزایش میزان صحت پیشبینی مناطق حساس به وقوع زمینلغزشهای سطحی اطراف شهر بیجار میباشد. در ابتدا، نوزده عامل مؤثر بر وقوع زمینلغزشهای سطحی منطقهی مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب(Curvature)، تقعر و تحدب شیب(Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratioدوازده عامل مؤثر از بین آنها انتخاب و جهت مدلسازی به کار گرفته شدند. اهمیّت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبیRS-RFبررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROCبرای ارزیابی مدلها هم برای دادههای تعلیمی و هم برای دادههای صحتسنجی استفاده شدند. نقشههای پیشبینی مکانی وقوع زمینلغزشهای سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RFدرجه شیب مهمترین فاکتورهای مؤثر بر وقوع زمینلغزشهای منطقهی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تأیید این مدلها برای دادههای تعلیمی و دادههای صحتسنجی بودند. نتایج ارزیابی صحت نقشه پهنهبندی به دست آمده نشان داد که درصد مساحت زیر منحنیROC(AUROC) برای دادههای تعلیمی در مدل RF و مدل ترکیبی RS-RFارائه شده به ترتیب 729/0 و 784/0 وبرای دادههای صحتسنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspaceمنجر به افزایش صحت پیشبینی مکانی حساسیت زمینلغزشهای سطحی منطقهی مورد مطالعه شده است. دستیابی به یک نقشهی پیشبینی مکانی زمینلغزشهای سطحی با صحت بالاتر، کمکشایانی در توسعهی معقولتر تأسیسات، اراضی شهری و روستایی، طرحهای آمایش سرزمین، طرحهای آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش تودهای و انتقال رسوبات به پاییندست خواهد شد.