بررسی کارایی مدل های هوش مصنوعی و آماری دو متغیره در تعیین مناطق حساس به وقوع زمین لغزش در استان آذربایجان غربی
عنوان مقاله: بررسی کارایی مدل های هوش مصنوعی و آماری دو متغیره در تعیین مناطق حساس به وقوع زمین لغزش در استان آذربایجان غربی
شناسه ملی مقاله: JR_WSRCJ-11-4_005
منتشر شده در در سال 1401
شناسه ملی مقاله: JR_WSRCJ-11-4_005
منتشر شده در در سال 1401
مشخصات نویسندگان مقاله:
آزاد آرام - دانشجوی دکتری، گروه علوم و مهندسی خاک، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
محمدرضا دلالیان - استادیار-گروه علوم و مهندسی خاک- دانشکده کشاورزی-دانشگاه آزاد اسلامی- واحد تبریز- تبریز- ایران
سیامک ساعدی - استادیار، گروه علوم و مهندسی خاک، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
امید رفیعیان - استادیار، گروه محیط زیست، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
صمد دربندی - استادیار، گروه علوم و مهندسی آب، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
خلاصه مقاله:
آزاد آرام - دانشجوی دکتری، گروه علوم و مهندسی خاک، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
محمدرضا دلالیان - استادیار-گروه علوم و مهندسی خاک- دانشکده کشاورزی-دانشگاه آزاد اسلامی- واحد تبریز- تبریز- ایران
سیامک ساعدی - استادیار، گروه علوم و مهندسی خاک، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
امید رفیعیان - استادیار، گروه محیط زیست، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
صمد دربندی - استادیار، گروه علوم و مهندسی آب، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
زمینه و هدف: زمین لغزش، یکی از مخاطرات طبیعی است که منجر به خسارات جانی و مالی فراوان می شود. پژوهشگران در موضوع حساسیت به وقوع زمین لغزش، به بررسی احتمال وقوع زمین لغزش با توجه به شرایط توپوگرافی و ژئومحیطی می پردازند و اطلاعات به دست آمده، در مدیریت خطر زمین لغزش حیاتی است. تهیه نقاط حساس به وقوع زمین لغزش یک ابزار ضروری برای ارزیابی خطر زمین لغزش بوده و در برنامه ریزی و مدیریت بهتر این مناطق بسیار کاربردی است. در این پژوهش مدل های مبتنی بر هوش مصنوعی و دو متغیره آماری در تعیین نقاط حساس به زمین لغزش در استان آذربایجان غربی مورد بررسی و مقایسه قرار گرفته است.روش پژوهش: برای تهیه نقاط حساس به وقوع زمین لغزش در استان آذربایجان غربی که در شمال غربی ایران واقع شده است، از روش-های مبتنی بر هوش مصنوعی و دو متغیره آماری بهره گرفته شد. این مطالعه در چهار مرحله صورت گرفت. مرحله اول شامل مطالعه زمین-لغزش های منطقه بر اساس بانک اطلاعات سازمان جنگل ها، مراتع و آبخیزداری ایران (FRWO) و شناسایی ۱۱۰ زمین لغزش با بررسی های میدانی، تفسیر عکس های هوایی و تصاویر ماهواره ای گوگل ارث، مرحله دوم جمع آوری داده ها و ایجاد پایگاه داده های مکانی فاکتورهای موثر، مرحله سوم به کارگیری روش نسبت فراوانی (FR)، آنتروپی شانون (SE)، بگینگ (BA)، جنگل تصادفی (RF) و مدل ترکیبی جنگل های تصادفی و بگینگ (RF-BA) و مرحله چهارم: اعتبارسنجی روش ها با استفاده از روش منحنی مشخصه عملکرد سیستم (ROC) بود. بر اساس بررسی های میدانی و مطالعات مشابه، ۱۲ عامل موثر بر وقوع زمین لغزش شامل ارتفاع، زاویه شیب، جهت شیب، فاصله از گسل، فاصله از رودخانه، فاصله از جاده، تراکم زهکشی، تراکم جاده، بارندگی، خاک، کاربری زمین و سنگ شناسی شناسایی شد. در بررسی های میدانی، ۱۱۰ زمین لغزش در استان آذربایجان غربی مشخص شد. ۷۰ درصد از داده ها به طور تصادفی انتخاب و برای مدل سازی مورد استفاده قرار گرفتند و ۳۰ درصد داده ها برای اعتبار سنجی استفاده گردید.یافته ها: در میان جهت های جغرافیایی، جهت جنوبی با وزن ۴۹/۱ دارای بیش ترین تاثیر بر وقوع زمین لغزش های استان بود. کمترین وزن نیز مربوط به مناطق مسطح بود که در آن هیچ گونه لغزشی رخ نداده است. نتایج فاکتور شیب نشان داد که شیب های میانی دارای بیشترین تاثیر بر وقوع زمین لغزش است، به طوری که در شیب های کم به دلیل وجود جاذبه کم، زمین لغزش کم تر رخ می دهد و شیب های بسیار تند نیز مربوط به مناطق کوهستانی بوده که با سنگ پوشیده شده و خاک بسیار نازکی وجود دارد که برای لغزش مناسب نمی باشد. بررسی عامل کاربری اراضی نشان داد که ۴۸ درصد از لغزش ها در مناطق کشاورزی رخ می دهد. بر طبق بررسی های این پژوهش، بیشتر زمین لغزش ها در نزدیکی رودخانه ها و گسل ها رخ داده است. همچنین در بعضی مناطق، نزدیک ترین فواصل به جاده، بیشترین خطر را برای زمین لغزش دارد. نتایج: نتایج این تحقیق نشان داد که مدل های هوش مصنوعی (جنگل تصادفی RF و مدل ترکیبی جنگل های تصادفی و بگینگ RF-BA) دارای کارایی بالاتری نسبت به مدل های آماری (نسبت فراوانی FR و آنتروپی شانون SE) است. دقت مدل های ترکیبی بیشتر از مدل های منفرد بود. نتایج منحنی ROC دقت ۹۲/۰، ۹۱/۰، ۸۹/۰ و ۸۸/۰ را با مدل های RF-BA، RF، FR و SE نشان داد.
کلمات کلیدی: آنتروپی شانون, بگینگ, جنگل تصادفی, نسبت فراوانی, هوش مصنوعی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1529045/