تعیین عامل‌های موثر و ارزیابی حساسیت به زمین‏ لغزش با روش‏ های جنگل تصادفی و شبکه‌‎ی عصبی مصنوعی در منطقه‌ی دوآب صمصامی استان چهارمحال و بختیاری

زمین‏لغزش از جمله خطرهای زمین‏شناسی است که امروزه روش‏های داده‏کاوی مبتنی بر یادگیری ماشین برای مدل‏سازی و پیش‏بینی آن توسعه داده شده‌است. هدف‌های این پژوهش اولویت‌بندی عامل‌های موثر، پهنه‏بندی و پیش‏بینی حساسیت به رخ‌داد زمین‏لغزش با مدل‏های شبکه‌ی عصبی مصنوعی و جنگل تصادفی، و معرفی مناسب‏ترین آن‏ها در منطقه‌ی دوآب صمصامی استان چهارمحال و بختیاری است. برای پهنه‏بندی و مدل‏سازی از 15 عامل‌ زمین‏شناسی، ریخت‌شناسی، آب‌شناسی، انسان‏ساخت (متغیرهای مستقل) و 174 رخ‌داد زمین‏لغزش شناسایی و ثبت‌شده (متغیر وابسته) بهره‌گیری شد. رخ‌دادهای زمین‏لغزش به دو دسته‌ی داده‌ی آموزشی (70%) و آزمایشی (30 %) برای مدل‏سازی و اعتبارسنجی به‌شکل تصادفی تقسیم شد. ارتباط میان عامل‌های موثر و رخ‌دادهای لغزشی با نسبت فراوانی کمّی و وزن‏دار شد. برای کاهش اثر هم‏پوشانی اطلاعاتی عامل‌های موثر، با تحلیل وایازی چندمتغیره‌ی خطی، استقلال داده‏ها آزموده شد. برای مدل‏سازی و پهنه‏بندی حساسیت زمین ‏لغزش، مدل‏های جنگل تصادفی و شبکه‌ی عصبی مصنوعی برازش و توسعه داده شد. نقشه‏های پهنه ‏بندی حساسیت به‌دست‌آمده از برازش دو مدل با شاخص‏های نسبت فراوانیسطح سلول هسته، نرخ توفیق، و سطح زیر منحنی ویژگی عمل‌کرد گیرنده (aucroc) ارزیابی، اعتبارسنجی و مقایسه کرده شد. نتیجه‌های بررسی عامل‌های موثر در هر دو مدل نشان داد که عامل‌های سنگ‏ شناسی، کاربری و وجه شیب تاثیر بسزایی در رخ‌داد زمین‏ لغزش‏ها دارند و بخش زیادی (بیش از 82%) از زمین‏لغزش‏ها در رده‌ها‌ی حساسیت خیلی‏زیاد و زیاد قرار می‌گیرند. نتیجه ارزیابی طبقه‌‏بندی و اعتبارسنجی مدل‏ها نشان داد که دقت و کارآمدی مدل جنگل تصادفی (0/919aucroc=) در پیش‏بینی رخ‌داد زمین‏ لغزش‏ها بیش‌تر از شبکه‌ی عصبی مصنوعی (0/845aucroc=) است. نتیجه‌های این پژوهش ممکن است برای بهره‌گیری دستگاه‌های اجرایی در مدیریت و برنامه‌ریزی کردن طرح‌های توسعه‌یی و اجرایی عمرانی، توسعه‌ی شهری، و روستایی، برآورد دقیق‌تر در مدل‌های فرسایش و رسوب در آبخیزها، حفاظت خاک و عرصه‌های منابع طبیعی کشور سودمند باشد.

Determination of Effective factors and Assessment of Landslide Susceptibility Using Random Forest and Artificial Neural Network in Doab Samsami Region, Chaharmahal va Bakhtiari Province

Nowadays, landslides are among the geological hazards that data mining methods based on machine learning have been developed to model and predict. This paper addresses the development of a landslide susceptibility assessment that uses machine learning techniques and GIS. Artificial Neural Network (ANN) and Random Forest (RF) were compared for the landslide spatial modeling. The landslide susceptibility zoning maps consider 15 layers including geologic, morphologic, hydrologic, manmade parameters (independent variables) for landslide susceptibility assessment, and Doab Samsami watershed in Chaharmahal Bakhtiari province was chosen for the application of models due to data availability and the 174 total landslide occurrences (dependent variables). The relationship between effective factors and landslide occurrences was quantified and weighted using frequency ratio. Data independence was tested using linear multivariate regression analysis, tolerance, and VIF indices. In order to implement and validate the model, the landslide locations were randomly divided into two subsets, namely, training (70% of the total) and testing (30%), respectively. Subsequently, RF and ANN models were developed and the landslide susceptibility zonation map was produced. Maps were evaluated and validated using frequency ratio & seed cell area index, success rate, area under of receiver Operating characteristic (AUCROC). Results illustrated that the two factors of slope length and topographic wetness index have multicollinearity or information overlap and were removed from the modeling process in later stages. Effective factor analysis in both models showed that lithology, land use, and aspect slope factors had a significant effect on landslides, respectively. Also, the results of classification and validation of models showed that the random forest (RF) model (AUCROC = 0.919) was more accurate and efficient than the artificial neural network (AUCROC = 0.845) for landslide occurrence prediction. The results of this study can be used by executive administrations for management and planning in development and executive plans, including ruralurban development, accurate estimation in erosion models in watersheds, soil conservation, and natural resources protection.