بررسی دقت مدل‌های glm و svm در تهیه نقشه حساسیت‌پذیری زمین لغزش (مطالعه موردی: حوزه آبخیز کرگانه، استان لرستان)

مقدمه زمین‌لغزش یکی از خطرات طبیعی است که همه ساله خسارت جانی و مالی فراوانی در مناطق کوهستانی، پر باران و لرزه‌خیز به همراه دارد. حرکت های توده ای نقش موثری در تخریب جاده‌های ارتباطی، مراتع، مناطق کوهستانی و ایجاد فرسایش و رسوب در حوزه های آبخیز دارند. شناسایی مناطق مستعد زمین‌لغزش با استفاده از پهنه‌بندی خطر با مدل‌های مناسب، یکی از اقدامات اولیه در کاهش خسارت احتمالی و مدیریت خطر است. تهیه نقشه حساسیت زمین‌لغزش به‌عنوان سنگ بنای تحقیقات زمین‌لغزش شناخته‌ شده و در مواقع بحرانی به‌عنوان یک ابزار مدیریتی مورد استفاده قرار می‌گیرد. با توجه با اینکه شناسایی مناطق دارای حساسیت زمین‌لغزش براساس روش‌های سنتی و نظرات کارشناسی از دقت مناسبی برخوردار نیست، استفاده از روش‌های نوین یادگیری ماشین مانند روش ماشین بردار پشتیبان امری لازم و ضروری به نظر می‌رسد. هدف از این تحقیق، مدل‌سازی مکانی حساسیت وقوع زمین‌لغزش با استفاده از دو روش مدل خطی تعمیم‌یافته (glm) و الگوریتم ماشین بردار پشتیبان (svm) و مقایسه کارایی این مدل‌ها در پهنه‌بندی حساسیت وقوع زمین‌لغزش در حوزه آبخیز کرگانه، استان لرستان است.مواد و روش ها حوزه آبخیز کرگانه یکی از زیر حوزه‌های بزرگ آبخیز خرم‌آباد با مساحت 294.2 کیلومترمربع است. حداقل ارتفاع حوزه آبخیز کرگانه 1300 و حداکثر آن 2700 متر است و 60 درصد از مساحت این آبخیز دارای شیب بیش از 12 درصد (شیب نسبتاً بالا و بیشتر) 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.برای این منظور، لایه نقشه پراکنش زمین‌لغزش‌های منطقه شامل 95 مورد زمین‌لغزش به صورت پهنه‌ای تهیه و به دو دسته برای آموزش مدل (70 درصد) و اعتبارسنجی مدل (30 درصد) به‌ صورت تصادفی تقسیم شدند. همچنین، 16 عامل موثر بر وقوع زمین‌لغزش در آبخیز مورد بررسی با توجه به ‌مرور منابع و استفاده از آزمون‌های تجزیه به مولفه‌های اصلی 1(pca)، tolerance و2vif  انتخاب و لایه‌های رقومی در سامانه اطلاعات جغرافیایی تهیه شد. عوامل شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زه‌کشی (فاصله از رودخانه)، جاده (فاصله از جاده)، گسل (فاصله از گسل)، شاخص‌های توپوگرافیک (شاخص توان رودخانه (spi)، شاخص رطوبت توپوگرافی (twi) و شاخص طول شیب (ls))، شاخص‌های ژئومورفولوژیک (شاخص موقعیت توپوگرافی (tpi)، شاخص ناهمواری توپوگرافی (tri) و شاخص قدرت بردار یا اندازه‌گیری زبری سطح (vrm) کاربری اراضی، فاصله از روستا، و خطوط هم بارش به عنوان موثرترین عوامل وقوع زمین‌لغزش در حوزه آبخیز کرگانه شناخته شدند. سپس نقشه خطر (استعداد) زمین‌لغزش براساس دو روش یاد شده در محیط نرم‌افزار modeco تهیه شد. در ادامه به منظور ارزیابی صحت مدل سازی و مقایسه کارایی مدل‌ها از شاخص تشخیص عملکرد نسبی (roc) استفاده گردید.نتایج و بحثبا اصلاح داده‌های زمین‌لغزش تهیه ‌شده از اداره کل منابع طبیعی به کمک تصاویر ماهواره‌ای google earth و بازدیدهای میدانی تعداد 95 زمین‌لغزش شناسایی شد که که سطحی حدود 24/1483 هکتار از حوضه را در برگرفته‌اند. براساس نتایج نمودار حداکثر احتمال3، شاخص‌های زمین شناسی، کاربری اراضی، شیب، شاخص ناهمواری توپوگرافی (tri)، طول شیب و جهت شیب مهم‌ترین پارامترهای تاثیرگذار بر وقوع زمین لغزش در حوزه آبخیز کرگانه هستند. نتایج نشان داد که روش الگوریتم ماشین بردار پشتیبان (svm) با roc برابر با 0.913 به عنوان مدل برتر برای حوضه برگزیده شد. مدل خطی تعمیم یافته با roc برابر با 0.803 نیز کارایی بالایی را از نظر ارزیابی حسایست‌پذیری زمین‌لغزش از خود نشان داد. براساس نتایج مدل الگوریتم ماشین بردار پشتیبان، حدود 19.3 درصد از حوزه آبخیز کرگانه در کلاس خطر زیاد و خیلی زیاد وقوع زمین‌لغزش قرار گرفته است. براساس نقشه شدت حساسیت‌پذیری زمین‌لغزش با مدل ماشین بردار پشتیبان، روستاهای جمشیدآباد حیدر، میلمیلک، گرمابله بالا، بنه سوره، محمودآباد بالا، اسکین بالا، چشمه پاپی، دره قاسمعلی و شیخ حیدر در خطر زیاد و خیلی زیاد وقوع زمین لغزش واقع شدند. حدود 117 کیلومتر از راه‌های ارتباطی این حوزه در کلاس خطر بالا و خیلی بالا قرار گرفتند.

accuracy assessment of glm and svm models in preparing a landslide susceptibility map (case study: karganeh watershed, lorestan province)

introduction landslide is one of the natural hazards that causes a lot of human and financial damage every year in mountainous, rainy and seismic areas. mass movements play an effective role in destroying communication roads, pastures, mountainous areas and causing erosion and sedimentation in watersheds. identifying landslide-prone areas through risk zoning with appropriate models is unique of the main methods in reducing potential damage and hazard managing. landslide susceptibility map preparation is known as the cornerstone of landslide research and is used as a management tool in times of crisis. considering that the identification of landslide sensitive areas based on traditional methods and expert opinions is not accurate enough, the use of modern machine learning methods such as the support vector machine method seems to be necessary and necessary. the purpose of this research is to spatially model landslide susceptibility using two methods: generalized linear model (glm) and support vector machine (svm) and compare the efficiency of these models in zoning landslide susceptibility in karganeh watershed, lorestan province.materials and methodskarganeh watershed is one of the large sub-watersheds of khorramabad with an area of 294.2 square kilometers. the minimum height of the this watershed is 1300 and the maximum is 2700 meters, and 60% of the area of this watershed has a slope of more than 12% (relatively high slope and more).the research method in this study is applied in terms of purpose and in terms of descriptive-analytical nature, library methods, field visits and modeling are used. on behalf of this goal, the distribution map layer of landslides in the watershed including 95 cases of landslides was prepared and separated into two sets for model training (70%) and model validation (30%) randomly. also, 16 causes disturbing the happening of landslides in this watershed were selected permitting to the review of sources and the usage of principal component analysis (pca), tolerance and vif tests. digital layers of effective factors in geographic information system were equipped. slope factors, slope direction, elevation classes, geology, drainage network (distance from the river), road (distance from the road), fault (distance from the fault), topographic indicators (river power index (spi), topographic moisture index (twi) and slope length index (ls)), geomorphological indices (topographic position index (tpi), topographic roughness index (tri) and power vector index or surface roughness measurement (vrm) of land use, distance from the village, and rain lines as the most effective factors landslide occurrences in karganeh watershed were known. then, the landslide hazard map was prepared based on the two mentioned methods in the modeco software environment. next, in order to evaluate the accuracy of the modeling and compare the efficiency of the models, the relative performance recognition index (roc) was used.results and discussion by correcting the landslide data provided by the general directorate of natural resources with the help of google earth satellite images and field visits, 95 landslides were identified, which cover an area of 1483.24 hectares of this watershed. established on the fallouts of the maximum likelihood diagram, geological, land use, slope, topographic roughness index (tri), slope length and slope direction are the best significant factors inducing the event of landslides in karganeh watershed. the results showed that the support vector machine (svm) method with roc equal to 0.913 was chosen as the best model for the basin. the generalized linear model with roc equal to 0.803 also showed high efficiency in terms of landslide susceptibility evaluation. permitting to the results of the support vector machine, about 19.3% of the karganeh watershed is in the high and very high hazard class of landslide happening.