اثر شاخص‌های مورفومتری در بهبود کارایی مدل‌های داده‌کاوی به‌منظور پهنه‌بندی حساسیت زمین‌لغزش حوضه آبخیز چریک‌آباد ارومیه

هدف این مطالعه ارزیابی کارایی دو مدل داده‌کاوی شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان بردار در سه حالت استفاده از شاخص های مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح ‌؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب ، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال‌شده پوشش گیاهی (ndvi)، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و ترکیبی از دو حالت فوق، در پهنه بندی حساسیت زمین لغزش های حوضه آبخیز چریک‌آباد ارومیه است. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، تعداد 92 نقطه لغزشی در حوضه شناسایی شدند. نقشه شاخص های مورفومتریک و عوامل محیطی و انسانی در saga_gis6.4 و arcgis10.5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی roc نشان داد که در حالت استفاده از شاخص های مورفومتریک دو مدل svm و ann به ترتیب با سطح زیر منحنی 0.742 و 0.763 دارای عملکرد خوب در پهنه بندی حساسیت زمین لغزش ها بوده اند. در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 0.876 و 0.929 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی به همراه شاخص های مورفومتریک، دو مدل با سطح زیر منحنی 0.940 و 0.936 دارای عملکرد تقریباً یکسان با رتبه عالی در پهنه بندی مناطق حساس بوده اند. بالاترین مقدار مجموع کیفیت (qs) و نسبت تراکمی (dr) بیشترین همبستگی بین رده های خطر برای مدل svm در حالت سوم بوده است. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، ls و ارتفاع حوضه بیشترین تاثیر را بر وقوع زمین لغزش ها داشته اند؛ بنابراین تاثیر عوامل طبیعی نسبت به عوامل انسانی و در حالت کلی شاخص های مورفومتری در مقایسه با عوامل محیطی و انسانی در وقوع لغزش ها بیشتر بوده و حوضه ذاتاً حساس به وقوع لغزش است.

the effect of morphometry indices on improving theperformance of data mining models for landslide sensitivity zoning in cherikabad watershed, urmia

the purpose of this study was to evaluate the performance of two data mining models; artificial neural network and vector support machine algorithm in three modes: using morphometric indices including topographic wetness index, topographic position index, stream power index, length slope index, terrain ruggedness index, mass balance index, profile curvature index and surface curvature index‌; using environmental and human factors including rainfall, basin height, slope, slope direction, lithology, land use, normalized vegetation difference index, distance from stream, distance from road, and distance from fault; and a combination of the above two conditions in zoning the landslide sensitivity of the cherikabad watershed in urmia. for this purpose, 92 landslide points in the watershed were identified using field study and google earth images. the map of morphometric indices and maps of environmental and human factors were prepared and digitized in arcgis10.5. the evaluation results of the two models using the roc curve showed that in the case of using only morphometric indices, the two models svm and ann with the area under the curve of 0.742 and 0.763, respectively, have good performance in landslide sensitivity zoning. in the case of using human and environmental factors, the above two models with an area under the curve of 0.876 and 0.929 have good and very good performance, respectively; and in the case of using both human and environmental factors along with morphometric indices, the two models with an area under the curve of 0.940 and 0.936 had almost the same performance with excellent rank in the zoning of sensitive areas. moreover, the highest quality sum (qs) and density ratio (dr) had the highest correlation between risk categories for the svm model in the third case. the results of kappa index in the superior state showed that lithology, ls, and basin height factors had the greatest effect on the occurrence of landslides, respectively. therefore, the effects of natural factors in comparison with human factors, and in general, the morphometric indices are higher in the occurrence of landslides than environmental and human factors, and the basin is inherently sensitive to landslides.