شناسایی مناطق مستعد فرسایش خندقی و زمین لغزش در قالب نقشه دو خطره با استفاده از مدلهای یادگیری ماشین در حوزه ی آبخیز گرگانرود
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 56
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-17-62_008
تاریخ نمایه سازی: 3 دی 1402
Abstract:
پژوهش حاضر با هدف شناسایی مناطق مستعد فرسایش خندقی و زمین لغزش به صورت نقشهی دو خطره در قالب یک نقشهی واحد در حوزه آبخیز گرگانرود انجام شد. علاوه برآن، استفاده از دو مدل یادگیری ماشینی RF و SVM برای تعیین ارتباط میان این خطرات و متغیرهای زمین - محیطی و همچنین تهیه نقشه مناطق مستعد وقوع هر خطر به صورت منفرد به عنوان هدف ثانویه مدنظر قرار گرفت. برای اعتبارسنجی نقشه های استعداد وقوع هر خطر، از منحنیROC استفاده شد، و بهترین مدل برای تعیین نقشه حساسیتپذیری هر خطر با بالاترین دقت انتخاب شد. در نهایت با ادغام نقشه حساسیت مربوط به خطرات زمینلغزش و فرسایش خندقی با ترکیب مدل های مختلف و مدل برتر، نقشه حساسیت دو خطره به دست آمد. نتایج نشان داد مدل RF با (۹/۸۲ AUC=) برای خطر زمینلغزش و (۹/۹۶ AUC=) برای فرسایش خندقی نسبت به مدل SVM با مقدار(۰/۷۶ AUC=) برای خطر زمینلغزش و (۹/۹۳ AUC=) برای فرسایش خندقی دارای دقت بالاتری است. در نهایت با ادغام نقشه حساسیت مربوط به هر خطر یک نقشهی واحد و جامع که نشاندهندهی مناطق مستعد هردو خطر باشد به دست آمد. نقشه نهایی میتواند به عنوان ابزاری باارزش برای برنامه ریزی پایدار برای کاربری اراضی در مناطق مستعد چند خطره مورداستفاده قرار گیرد.
Keywords:
Spatial prediction , Natural hazards , two- hazard map , Machine learning models , Relative receiver operating characteristic curve , پیش بینی مکانی , مخاطرات طبیعی , نقشه دو خطره , مدل های یادگیری ماشینی , منحنی تشخیص عملکرد نسبی.
Authors
نرگس جاویدان
Sari Agricultural Sciences and Natural Resources University
عطااله کاویان
Sari Agricultural Sciences and Natural Resources University
سجاد رجبی
Sari Agricultural Sciences and Natural Resources University
حمیدرضا پورقاسمی
Faculty of Agriculture, Shiraz University, Shiraz, Iran
زینب جعفریان
Sari Agricultural Sciences and Natural Resources University
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :