مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از داده‌کاوی در جنگل‌های هیرکانی

مقدمه و هدف: در سال‌های اخیر، افزایش جمعیت و گسترش سکونتگاه‌ها در مناطق خطرناک تا حد زیادی تاثیر بلایای طبیعی را در کشورهای صنعتی و در حال توسعه افزایش داده است. پهنه‌بندی خطر زمین‌لغزش به شناسایی نقاط استراتژیک و مناطق بحرانی جغرافیایی مستعد، کمک می‌کند. بنابراین اقدامات برای کاهش سریع، ایمن و برنامه‌ریزی استراتژیک برای آینده اهمیت دارد. در واقع ارزیابی خطر زمین‌لغزش ممکن است یک کمک مناسب و مقرون‌به‌صرفه برای برنامه‌ریزی کاربری زمین باشد، لذا در این راستا هدف از پژوهش حاضر مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از داده‌کاوی در حوزه‌های جنگل شمال کشور است.مواد و روش‌ها: برای این منظور نقشه خطر زمین‌لغزش به روش مورا وارسون با تاثیر فاکتورهای موثر بر وقوع زمین‌لغزش شامل عوامل توپوگرافیکی، عوامل هیدرولوژیکی و اقلیمی، عوامل زمین‌شناسی، عامل پوشش زمین، عوامل انسانی، شبکه هیدروگرافی از مدل رقومی ارتفاعی، نقشه زمین‌شناسی با استفاده از نقشه سازمان زمین‌شناسی کشور تهیه و برای به دست آوردن شاخص پستی ‌و بلندی نسبی ابتدا با استفاده از منحنی میزان‌های ارتفاعی برگرفته از نقشه‌های توپوگرافی 1:25000 منطقه نقشه طبقات ارتفاعی تهیه شد. پس از آن، منطقه به شبکه‌های یک کیلومترمربعی تقسیم و نقشه‌های با کمترین و بیشترین میزان ارتفاع در شبکه‌های یک کیلومترمربعی حاصل شد؛ و در مرحله آخر با تفریق این دو نقشه، نقشه‌ای به‌دست آمد که اطلاعات آن بیانگر مقدار شاخص پستی‌ و بلندی نسبی است. برای به‌دست آوردن شاخص رطوبت خاک نیز از بارندگی ماهانه استفاده شد. در نهایت با استفاده از نقشه پهنه‌بندی حاصل شده از الگوریتم‌های سه مدل جنگل تصادفی، شبکه عصبی مصنوعی و الگوریتم درخت تصمیم برای مدل‌سازی خطر وقوع زمین‌لغزش در محیط نرم‌افزارstatistica12.0  استفاده شد. همچنین از بین شاخص‌های مورد بررسی و موثر در وقوع زمین‌لغزش که به‌عنوان متغیرهای ورودی در مدل‌سازی وارد شد؛ به‌ترتیب اولویت، درجه‌بندی صورت گرفت.یافته‌ها: برطبق نتایج، بیشترین توزیع مساحت زمین‌لغزش متعلق به طبقه با خطر کم (76 درصد) است و به‌ترتیب متغیرهای شدت بارندگی، حساسیت لیتولوژیک، پستی ‌و بلندی نسبی و شدت لرزه‌ای براساس درجه اهمیت به‌عنوان مهمترین عوامل وقوع زمین‌لغزش در نظر گرفته شد. نتایج حاصل از اعتبارسنجی با سه الگوریتم جنگل تصادفی، درخت تصمیم و شبکه عصبی مصنوعی؛ با توجه به ضریب تبیین، درصد مجذور میانگین مربعات خطا و اریبی حاصل شده در مدل‌سازی خطر وقوع زمین‌لغزش نشان داد که مدل شبکه عصبی مصنوعی با تعداد 5 لایه ورودی، 7 لایه پنهان و (12/28=r^2=0/99، %rmse= و 3/33-=bias%) نسبت به سایر روش‌ها دارای دقت بالاتری است.نتیجه‌گیری: نتایج پژوهش حاضر نشان داد روش‌های داده‌کاوی قابلیت بالایی در پیش‌بینی خطر وقوع زمین‌لغزش دارند. لذا استفاده از روش‌های مذکور می‌تواند در کاهش خطرات همراه زمین‌لغزش و برنامه‌ریزی برای کاربری زمین مورد نظر قرار گیرد.  

landslide risk modeling using data mining in hyrcanian forests

introduction and objective: in recent years, the increases in population and expansion of settlements in hazardous areas have greatly increased the impact of natural disasters in industrialized and developing countries. landslide risk zoning helps to identify strategic points and geographically prone critical areas. therefore, measures for rapid, safe mitigation and strategic planning for the future are important. in fact, landslide risk assessment may be a suitable and cost-effective help for land use planning, so in this regard, the aim of the current research is to model the risk of landslides using non-parametric data mining in watersheds of hyrcanian forests.material and methods: for this purpose, the map of landslide risk according to the mora and vahrson method with the effect of factors affecting the occurrence of landslides including topographical factors, hydrological and climatic factors, geological factors, land cover factors, human factors, hydrographic network from digital elevation model, geological map it was prepared using the map of the geological organization of the country, and to obtain the elevation index and the relative height, first, using the curve of height levels taken from the 1:25000 topographic maps of the region, the map of the elevation classes was prepared. after that, the study area was divided into one-square-kilometer grids, and maps with the lowest and highest elevations in one-square-kilometer grids were obtained; in the last step, by subtracting these two maps, a map was obtained whose information shows the value of the postal index and relative height. monthly rainfall was also used to obtain the soil moisture index. finally, algorithms of three random forest models, an artificial neural network, and a decision tree algorithm were used to model the risk of landslides in the statistica 12.0 software environment.results: according to the results, the highest distribution of landslide areas belongs to the low-risk class (76%). tp, sl, sr, and ts variables were considered the essential factors of landslide occurrence based on their importance. the results of validation with three algorithms of rf, cart, and ann showed; according to the coefficient of explanation obtained in modeling the risk of landslides, the artificial neural network model with (r2=0.99) is more accurate than other methods. conclusion: the results of the present study showed that data mining methods have a high capability in predicting the risk of landslides. therefore, the use of the mentioned methods can be considered in reducing the risks associated with landslides and planning for land use