پیش‌بینی حساسیت وقوع زمین‌لغزش با الگوریتم یادگیری ماشین بیشینه آنتروپی (حوزه آبخیز بار نیشابور)

زمین‌لغزش یکی از مخرب‌ترین بلایای طبیعی محسوب می‌شود. در مواجهه با زمین‌لغزش در لحظه وقوع، کار چندانی نمی‌توان انجام داد، درحالی ‌که می‌توان با برنامه‌ریزی مناسب و پیش‌بینی ‌شده، خسارات و تلفات احتمالی را کاهش داد. بنابراین تهیه نقشه جامع حساسیت وقوع زمین‌لغزش برای کاهش آسیب‌های احتمالی به افراد و زیرساخت‌ها لازم و ضروری است. هدف پژوهش حاضر، اولویت‌بندی عوامل موثر بر وقوع زمین‌لغزش و پهنه‌بندی حساسیت وقوع آن با استفاده از روش حداکثر آنتروپی در حوزه آبخیز بار نیشابور، واقع در استان خراسان رضوی است. روش پژوهش در این مطالعه از نظر هدف کاربردی و از نظر ماهیت توصیفی- تحلیلی است که از روش‌های کتابخانه‌ای، بازدیدهای میدانی و مدل‌سازی استفاده‌ شده است. بدین منظور با توجه به‌ مرور منابع گسترده، 16 عامل موثر بر وقوع زمین‌لغزش در منطقه موردمطالعه انتخاب و لایه رقومی عوامل موثر در سامانه اطلاعات جغرافیایی تهیه شدند. سپس لایه زمین‌لغزش‌های موجود تهیه و به‌منظور مدل‌سازی حساسیت وقوع زمین‌لغزش به ‌صورت تصادفی 70 درصد زمین‌لغزش‌ها به‌منظور آموزش(واسنجی) مدل و 30 درصد برای اعتبارسنجی نتایج مدل انتخاب شدند. سپس با استفاده از الگوریتم بیشینه آنتروپی، ارتباط بین عوامل موثر و موقعیت زمین‌لغزش‌ها در نرم‌افزار maxent، محاسبه و به ‌منظور طبقه‌بندی نقشه حساسیت زمین‌لغزش به محیط gis منتقل شد. در ادامه به‌منظور ارزیابی نتایج مدل از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی (roc) با استفاده از دودسته داده آموزش و اعتبارسنجی استفاده شد. براساس نتایج نمودار jackknife، از بین پارامترهای انتخاب ‌شده در فرایند مدل‌سازی به ترتیب لایه‌های طول شیب(ls)، جهت شیب و شیب بیشترین مشارکت و تاثیر را در وقوع زمین‌لغزش‌های حوزه بار را دارند. سطح زیر منحنی (auc) براساس منحنی تشخیص عملکرد نسبی، نشان‌دهنده دقت عالی (0.92=auc) در مرحله آموزش و خیلی خوب (0.87=auc) در مرحله اعتبار سنجی هست. براساس نتایج مدل حداکثر آنتروپی، حدود 13 درصد از حوزه بار نیشابور در پهنه حساسیت زیاد و خیلی زیاد قرار گرفته است.

landslide susceptibility predicting using the maximum entropy machine learning algorithm (bar catchment of nishapur)

landslides are one of the most destructive natural disasters. landslides cause damage to a variety of engineering structures, residential areas, vital arteries such as roads, water and gas pipelines, power lines, forests and pastures, agricultural lands, sediments and muddy floods. when landslides occur not much work can be done, but damage can be reduced with pre-determined planning. therefore, it is necessary to prepare a comprehensive landslide susceptibility map to reduce possible damage to people and infrastructure. in recent years, the use of machine learning methods and geographic information systems (gis) in landslide sensitivity zoning has expanded and landslide sensitivity maps are prepared with acceptable accuracy. the purpose of this study is to prioritize the factors affecting the occurrence of landslides and zoning the sensitivity of its occurrence using the maximum entropy method in the neishabour watershed, located in khorasan razavi province.materials and methodsbar watershed is one of the sub-basins of bar river, which is located in the north of neishabour city. this basin is limited from the northeast, east and south to the heights of lar limestone ridge, from the west to jurassic shales and from the northwest to the marls of delichai formation. in this study, landslide zoning was performed using the maximum entropy model. first, the landslides in the basin were extracted through the landslide map in the general department of natural resources of khorasan razavi province. then, by conducting field visits in the basin, using local information and gps devices, as well as using google earth satellite images, this map was corrected, and finally, the landslide inventory map was prepared as a point. the most important factors affecting landslides in the region include slope, slope direction, elevation classes, geology, drainage network (distance from river), road (distance from road), fault (distance from fault), topographic indexes (steam power index (spi)), topographic wetness index (twi) and slope length index (ls)), geomorphological indexes (topographic position index (tpi)),