تهیه نقشه مناطق مستعد وقوع زمین‌لغزش با استفاده از مدل‌های آماری و یادگیری ماشین (مطالعه موردی: کشور اتریش)

زمین‌لغزش یکی از شایع‌ترین مخاطرات طبیعی در سرتاسر جهان است. شناسایی مناطق مستعد وقوع زمین‌لغزش یکی از روش‌هایی است که می‌توان از آن برای پیش‌بینی و کاهش خسارات احتمالی ناشی از زمین‌لغزش بهره برد. هدف از این پژوهش تهیۀ نقشۀ مناطق مستعد وقوع زمین‌لغزش در کشور اتریش با استفاده از مدل‌های آزمون آماری t و جنگل تصادفی است. در این پژوهش، 9 معیار موثر در وقوع زمین‌لغزش مورد بررسی قرار گرفت که عبارت‌اند از: ارتفاع، شیب، جهت شیب، فاصله تا آبراهه‌ها، فاصله تا گسل، فاصله تا راه، پوشش زمین، لیتولوژی و بارش. در مدل آزمون آماری t ابتدا با استفاده از آزمون t وزن هر یک از معیارها محاسبه شد و در ادامه با استفاده از روش جمع وزنی ساده، لایه‌های معیار و وزن هر یک از آن‌ها با یکدیگر تلفیق شد و بر این اساس، نقشۀ مناطق مستعد وقوع زمین‌لغزش به‌دست آمد. در مدل جنگل تصادفی، یادگیری بر اساس درختان متعدد تصمیم‌گیر انجام شد و بر پایۀ نقاط وقوع زمین‌لغزش و نقشۀ لایه‌های معیار، وزن نسبی هر یک از لایه‌ها محاسبه شد. در نهایت نقشۀ مناطق مستعد وقوع زمین‌لغزش تهیه شد. به‌منظور مقایسۀ دو مدل با یکدیگر، منحنی مشخصۀ عملکرد نسبی و سطح زیر منحنی به‌کار رفت. بر این اساس، مدل جنگل تصادفی با سطح زیر منحنی 0/893 عملکرد نسبتاً بهتری را نسبت به مدل آزمون آماری t با سطح زیر منحنی 0/852 ارائه داد. بررسی اهمیت معیارهای مختلف نشان داد معیارهای شیب و بارش در هر دو مدل از بیشترین اهمیت در وقوع زمین‌لغزش برخوردارند. بر اساس نتایج به‌دست‌آمده، هر دو مدل از مزیت‌های‌ منحصربه‌فردی در تهیۀ نقشۀ مناطق مستعد وقوع زمین‌لغزش برخوردارند؛ به‌طوری‌که صحت بیشترِ مدلِ جنگل تصادفی، و امکان وزن‌دهی به معیارها و زیرمعیارها در مدل آزمون آماری t، باعث می‌شود تا هر دو مدل در این زمینه دارای جنبۀ کاربردی باشند. 

landslide susceptibility mapping using statistical and machine learning models (case study: austria)

landslides are a common natural hazard around the world, but the accuracy of the maps produced can be impacted by various adverse effects and uncertainties. researchers have continuously sought to improve the accuracy of landslide susceptibility maps. this study aims to create a landslide susceptibility map for austria using t-test and random forest models. nine criteria for landslide occurrence, including elevation, slope, aspect, distance to drainages, distance to faults, distance to roads, land cover, lithology, and precipitation, were used. in the t-test model, the weight of each criterion was calculated using the t-statistical test and then combined with each other using the simple additive weighting technique to draw the final landslide susceptibility map. the random forest model was trained using multiple decision trees and based on the landslide occurrence points and criterion layers, the relative weight of each layer was calculated, resulting in the final landslide susceptibility map. the receiver operating characteristic (roc) curve and area under the roc curve (auc) were used to compare the two models, with the results showing that the random forest model performed better with an auc of 0.893, compared to the t-test model with an auc of 0.852. the importance of different criteria was assessed, and it was found that slope and precipitation were the most important factors in the occurrence of landslides in both models. the results showed that both models have unique advantages in landslide susceptibility mapping. accordingly, the higher accuracy of the random forest model, and the possibility of weighting the criteria and sub-criteria in the t-test model, make both models practical in this field.