بررسی کارایی مدل های هوش مصنوعی و آماری دو متغیره در تعیین مناطق حساس به وقوع زمین لغزش در استان آذربایجان غربی

زمینه و هدف: زمین لغزش، یکی از مخاطرات طبیعی است که منجر به خسارات جانی و مالی فراوان می شود. پژوهشگران در موضوع حساسیت به وقوع زمین لغزش، به بررسی احتمال وقوع زمین لغزش با توجه به شرایط توپوگرافی و ژئومحیطی می پردازند و اطلاعات به دست آمده، در مدیریت خطر زمین لغزش حیاتی است. تهیه نقاط حساس به وقوع زمین لغزش یک ابزار ضروری برای ارزیابی خطر زمین لغزش بوده و در برنامه ریزی و مدیریت بهتر این مناطق بسیار کاربردی است. در این پژوهش مدل های مبتنی بر هوش مصنوعی و دو متغیره آماری در تعیین نقاط حساس به زمین لغزش در استان آذربایجان غربی مورد بررسی و مقایسه قرار گرفته است.روش پژوهش: برای تهیه نقاط حساس به وقوع زمین لغزش در استان آذربایجان غربی که در شمال غربی ایران واقع شده است، از روش های مبتنی بر هوش مصنوعی و دو متغیره آماری بهره گرفته شد. این مطالعه در چهار مرحله صورت گرفت. مرحله اول شامل مطالعه زمین لغزش های منطقه بر اساس بانک اطلاعات سازمان جنگل ها، مراتع و آبخیزداری ایران (frwo) و شناسایی 110 زمین لغزش با بررسی های میدانی، تفسیر عکس های هوایی و تصاویر ماهواره ای گوگل ارث، مرحله دوم جمع آوری داده ها و ایجاد پایگاه داده های مکانی فاکتورهای موثر، مرحله سوم به کارگیری روش نسبت فراوانی (fr)، آنتروپی شانون (se)، بگینگ (ba)، جنگل تصادفی (rf) و مدل ترکیبی جنگل های تصادفی و بگینگ (rf ba) و مرحله چهارم: اعتبارسنجی روش ها با استفاده از روش منحنی مشخصه عملکرد سیستم (roc) بود. بر اساس بررسی های میدانی و مطالعات مشابه، 12 عامل موثر بر وقوع زمین لغزش شامل ارتفاع، زاویه شیب، جهت شیب، فاصله از گسل، فاصله از رودخانه، فاصله از جاده، تراکم زهکشی، تراکم جاده، بارندگی، خاک، کاربری زمین و سنگ شناسی شناسایی شد. در بررسی های میدانی، 110 زمین لغزش در استان آذربایجان غربی مشخص شد. 70 درصد از داده ها به طور تصادفی انتخاب و برای مدل سازی مورد استفاده قرار گرفتند و 30 درصد داده ها برای اعتبار سنجی استفاده گردید.یافته ها: در میان جهت های جغرافیایی، جهت جنوبی با وزن 1/49 دارای بیش ترین تاثیر بر وقوع زمین لغزش های استان بود. کمترین وزن نیز مربوط به مناطق مسطح بود که در آن هیچ گونه لغزشی رخ نداده است. نتایج فاکتور شیب نشان داد که شیب های میانی دارای بیشترین تاثیر بر وقوع زمین لغزش است، به طوری که در شیب های کم به دلیل وجود جاذبه کم، زمین لغزش کم تر رخ می دهد و شیب های بسیار تند نیز مربوط به مناطق کوهستانی بوده که با سنگ پوشیده شده و خاک بسیار نازکی وجود دارد که برای لغزش مناسب نمی باشد. بررسی عامل کاربری اراضی نشان داد که 48 درصد از لغزش ها در مناطق کشاورزی رخ می دهد. بر طبق بررسی های این پژوهش، بیشتر زمین لغزش ها در نزدیکی رودخانه ها و گسل ها رخ داده است. همچنین در بعضی مناطق، نزدیک ترین فواصل به جاده، بیشترین خطر را برای زمین لغزش دارد.نتایج: نتایج این تحقیق نشان داد که مدل های هوش مصنوعی (جنگل تصادفی rf و مدل ترکیبی جنگل های تصادفی و بگینگ rf ba) دارای کارایی بالاتری نسبت به مدل های آماری (نسبت فراوانی fr و آنتروپی شانون se) است. دقت مدل های ترکیبی بیشتر از مدل های منفرد بود. نتایج منحنی roc دقت 0/92، 0/91، 0/89 و 0/88 را با مدل های rf- ba، rf، fr و se نشان داد.

evaluation of the efficiency of artificial intelligence and bivariate statistical models in determining landslide prone areas in west azerbaijan

background and aims: landslide is one of the natural hazards that lead to a lot of human and financial losses. researchers on the subject of landslide susceptibility are investigating the possibility of landslides with respect to topographic and geo environmental conditions, and the obtained information is critical in landslide risk management preparation of landslide sensitive points is an essential tool for assessing landslide risk and is very useful in better planning and management of these areas. in this research, models based on artificial intelligence and two statistical variables in determining landslide sensitive points in west azerbaijan province have been studied and compared.methods: methods based on artificial intelligence and two statistical variables were used to prepare landslide sensitive points in the province of west azerbaijan, which is located in northwestern iran. this study was conducted in four stages. the first stage: the study of landslides in the studied region based on the database of the forests, rangelands and watershed organization of iran (frwo) and the identification of 110 landslides through field surveys, interpretation of aerial photographs and google earth satellite images, the second stage: data collecting and creating a spatial databases of effective factors, the third stage: applying the frequency ratio (fr), shannon entropy (se), bagging (ba), random forest (rf) and hybrid model (rf ba) and stage four: methods validating using the system performance curve (roc). based on field surveys and similar studies, 12 factors affecting landslide occurrence including altitude, slope angle, slope direction, distance from fault, distance from river, distance from road, drainage density, road density, rainfall, soil, land use and lithology were identified. in the field survey, 110 landslides were identified in west azerbaijan. 70 percent of the data were randomly selected and used for modeling and 30 percent of the data were used for validation.results: in terms of geographical directions, the southern direction with a weight of 1.49 had the greatest impact on the occurrence of landslides in the province. the least weight was related to flat areas where no landslide occurred. the results of slope factor showed that the middle slopes had the greatest effect on the occurrence of landslides, so that in low slopes due to low gravity, less landslides occur and too much slopes were related to mountainous areas that were covered with rocks and there was very thin soil that is not suitable for landslide. the study of land use factor showed that 48 percent of landslides occured in agricultural areas. the results showed that most of the landslides occurred near rivers and faults. also, in some areas, the closest distances to the road had the greatest risk of landslideconclusion: the results of this study showed that the artificial intelligence models (rf and the combined model rf ba) had the higher efficiency than the statistical models (fr and se). the accuracy of the combined models was higher than the single models. the roc curve results showed the accuracy of 0.92, 0.91, 0.89 and 0.88 with rf ba, rf, fr and se models, respectively.