مجتبی یمانی - دانشیار ژیومورفولوژی، دانشگاه تهران، تهران، ایران
علی احمدآبادی - استادیار ژیومورفولوژی، دانشگاه خوارزمی، تهران، ایران
غلامرضا زارع - دانشجوی دکتری ژیومورفولوژی، دانشگاه تربیت مدرس، تهران، ایران

الگوریتم SVM یا ماشین بردار پشتیبان، به عنوان یکی از روش های غیر پارامتریک بر پایه تیوری یادگیری آماری بنا شده است. براساس این تیوری، می توان کران نرخ خطای ماشین یادگیری را برای داده های طبقه بندی نشده، به عنوان نرخ خطای تعمیم یافته، در نظرگرفت. در این تحقیق، با استفاده از توابع حلقوی، چندجمله ای، شعاعی و خطی در الگوریتم SVM و معیارهای موثر در شناسایی مناطق حساس به زمین لغزش شامل: فاصله (از گسل، شبکه زهکشی)، لیتولوژی، شیب (مقدار، زاویه) و سطح ارتفاعی به ارزیابی قابلیت وقوع زمین لغرش در حوضه آبریز درکه در شمال شهر تهران پرداخته شده است. بدین منظور لایه های مکانی معیارهای شش گانه مذکور به پایگاه داده مکانی وارد و سپس استانداردسازی بر روی معیارها انجام شد و در نهایت توابع ماشین بردار پشتیبان اجرا گردید تا پهنه های حساس به زمین لغزش مشخص گردد. نتایج تحقیق نشان داد بر اساس تابع خطی بیشتر پهنه حوضه آبریز درکه حساسیت متوسطی به رخداد زمین لغزش دارد. نقشه خروجی بر طبق توابع چندجمله ای و شعاعی نیز به ترتیب بیانگر حساسیت پذیری متوسط به بالای حوضه، حساسیت بیشتر قسمت غربی حوضه به زمین لغزش است. بر اساس خروجی حاصل از تابع حلقوی اکثر پهنه این حوضه حساسیت متوسط تا بالایی را نشان می دهد. حداکثر و حداقل مساحت احتمالی حساس به زمین لغرش با 30 و 20 کیلومترمربع به ترتیب متعلق به توابع حلقوی و شعاعی است. در بین توابع اجرا شده، تابع حلقوی به خاطر انطباق بیشتر با واقعیت، بهترین عملکرد و تابع خطی از نظرعملکرد، پایین ترین دقت را نشان داد.

زمین لغزش، هوش مصنوعی، الگوریتم SVM، مدیریت محیطی، حوضه درکه