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.

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.