پیش‌بینی مکانی زمین‌لغزش‌های سطحی با استفاده از مدل‌های آماری و یادگیری ماشین (مطالعۀ موردی: حوضه سرخون)

تهیۀ نقشۀ حساسیت پذیری زمین لغزش به عنوان اولین گام مهم در ارزیابی خطر زمین لغزش محسوب می شود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (lmt) با مدل آماری رگرسیون لجستیک (lr) به منظور مدل سازی حساسیت پذیری زمین لغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدین منظور ابتدا نقشۀ پراکنش با تعداد 98 موقعیت زمین لغزش با استفاده از داده های عملیات میدانی و همچنین داده های تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه داده ها، 100 موقعیت غیرزمین لغزشی نیز شناسایی شدند. نقاط زمین لغزشی و غیرزمین لغزشی به صورت تصادفی به دو دسته دادۀ مدل سازی و اعتبارسنجی تقسیم شدند. سپس بیست عامل موثر با توجه به مرور منابع و خصوصیات زمین محیطی حوضه شناسایی شدند. در ادامه، مدل های lmt و lr برای شناسایی تاثیر عوامل موثر روی وقوع زمین لغزش و همچنین ارزیابی حساسیت پذیری زمین لغزش ها، به وسیلۀ داده های مرحلۀ آموزش به کار گرفته شدند. در نهایت، عملکرد این دو مدل از طریق سطح زیر منحنی عامل گیرنده (auc) مورد بررسی قرار گرفت. نتایج اعتبارسنجی مدل ها حاکی از آن بود که مدل lr با auc برابر با 0.797 عملکرد مناسب تری نسبت به مدل lmt (0.740 = auc) از خود نشان داده، هر چند که هر دو مدل ابزارهای مفیدی برای پیش بینی مکانی حساسیت پذیری زمین لغزش هستند. بنابراین مدل lr می تواند به عنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تاثیر زمین لغزش در منطقۀ مورد مطالعه پیشنهاد شود.

spatial prediction of shallow landslides using statistical and machine learning models (case study: sarkhoon watershed)

landslide susceptibility mapping is considered as the first important step in landslide risk assessment. the main purpose of this study is to compare the performance of a machine learning algorithm (a logistic model tree), and a statistical model (a logistic regression), for landslide susceptibility modeling in the sarkhoon watershed, chaharmahal and bakhtiari province. for this purpose, at first, a landslide inventory map including a total of 98 landslide locations was constructed using historical landslides, and extensive field surveys. in addition, a total of 100 nonlandslide locations were also identified to construct a database. the landslide and nonlandslide locations were randomly selected and divided into two groups with a 70/30 ratio for modelling and validation processes. twenty conditioning factors were selected based on literature review and geoenvironmental properties in the study area. subsequently, the logistic model tree (lmt) and the logistic regression (lr) models were applied to identify the influence of conditioning factors on landslide occurrence. finally, the performance of the models in landslide susceptibility mapping was investigated using the area under the receiver operating characteristics curve (auc). the results concluded that the lr model (auc = 0.797) outperformed and outclassed the lmt (auc = 0.740) model in the study area. although both models were reliable tools for spatial prediction of landslide susceptibility; however, the lr model was more accurate that it can be proposed as an alternative tool for better management of areas prone to landslide in the study area.