شناسایی مناطق مستعد فرسایش خندقی و زمین لغزش در قالب نقشه دو خطره با استفاده از مدلهای یادگیری ماشین در حوزه ی آبخیز گرگانرود
عنوان مقاله: شناسایی مناطق مستعد فرسایش خندقی و زمین لغزش در قالب نقشه دو خطره با استفاده از مدلهای یادگیری ماشین در حوزه ی آبخیز گرگانرود
شناسه ملی مقاله: JR_JWMS-17-62_008
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_JWMS-17-62_008
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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
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.
کلمات کلیدی: 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.
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1863121/