ارزیابی حساسیت زمین‌لغزش با استفاده از مدل‌های داده‌کاوی، مطالعه موردی: حوزه آبخیز چهل‌چای

‌هدف از تحقیق پیش‌رو، پهنه‌بندی حساسیت زمین‏‌لغزش در حوزه‌ آبخیز چهل ‌چای، واقع در استان گلستان می ‌باشد. بدین منظور، از دو مدل داده ‌کاوی ماشین بردار پشتیبان (svm) و درخت رگرسیون تقویت شده (brt) به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند زمین ‌لغزش استفاده شد. شواهد زمین ‌لغزش با استفاده از دستگاه موقعیت‌ یاب جهانی (gps)، بازدید های میدانی و اطلاعات سازمانی موجود ثبت و در سامانه اطلاعات جغرافیایی (gis) در قالب نقشه تهیه شد. همچنین، با توجه به مرور منابع گسترده، 12 عامل زمینه ‌ساز شامل فاصله از گسل، فاصله از آبراهه، فاصله از جاده، واحدهای سنگ ‌شناسی، بافت خاک، کاربری اراضی، درجه شیب، جهت شیب، طبقات ارتفاعی، انحنای طولی و عرضی دامنه و شاخص رطوبت (wi) به عنوان عوامل موثر بر وقوع زمین ‌لغزش منطقه مورد مطالعه انتخاب و لایه‌ های مذکور در سامانه اطلاعات جغرافیایی تهیه شدند. به ‌منظور ارزیابی نتایج مدل‌ ها، از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی (roc) و 30 درصد لغزش‌ های استفاده نشده در فرایند مدل سازی استفاده شد. نتایج نشان داد که مدل ماشین بردار پشتیبان (svm) با مساحت زیر منحنی 0/82 (82 درصد) کارایی بهتری در پهنه‌ بندی حساسیت زمین ‌لغزش در حوضه مورد مطالعه داشته و مدل brt با مقدار معادل 0/77 (77 درصد) در رتبه بعدی اهمیت قرار گرفت. بر اساس نتایج مدل svm، حدود 45 درصد از حوزه آبخیز چهل‌ چای در پهنه حساسیت زیاد و خیلی زیاد به وقوع زمین ‌لغزش قرار گرفته است.

Landslide Susceptibility Assessment Using Data Mining Models, A case study: ChehelChai Basin

The current study is aimed to map landslide susceptibility in the ChehelChai Basin is located in the Golestan Province. To this end, two data mining models namely support vector machine and boosted regression tree were employed due to their robust computational algorithm. Landslide inventories were recorded through several field surveys using global positioning system (GPS), local information and available organizational resources and corresponding map was created in the geographic information system (GIS). Reviewing several worldwide studies, 12 predisposing factors including proximity to fault, proximity to stream, proximity to road, lithological units, soil texture, land use/ cover, slope degree, slope aspect, altitude, plan curvature, profile curvature and topographic wetness index (TWI) were chosen and the corresponding maps were produced in the geographic information system. In order to evaluate models’ results the receiver characteristic curve (ROC) and 30% of landslide inventories were used. Results showed that the SVM model with the AUC value of 0.82 had better performance on landslide susceptibility zonation over the study area and followed by the BRT model with the value of 0.77. Based on the SVM model results, about 45% of the ChehelChai Basin has high and very high landslide prone areas.