شناسایی مهمترین عوامل پیش‌بینی‌کننده در تهیه نقشه حساسیت‌پذیری زمین‌لغزش با استفاده از مدل بیشینه آنتروپی

ناپایداری ‌های دامنه و زمین ‌لغزش ‌ها از مخاطرات مهمی برای فعالیت ‌های  انسانی هستند که اغلب سبب از دست رفتن منابع اقتصادی، خسارات به اموال و تاسیسات می شوند. این مخاطرات در شیب ‌های طبیعی و یا شیب ‌هایی که به دست انسان تغییر یافته ‌اند، اتفاق می ‌افتد. در پژوهش حاضر، به ‌منظور مدل‌سازی و تهیه نقشه حساسیت‌ پذیری خطر زمین‌لغزش حوزه آبخیز گرگان‌رود از مدل بیشینه آنتروپی که یکی از مدل ‌های پیشرفته داده‌ کاوی است، استفاده شده است. در مرحله اول نقشه پراکنش زمین‌لغزش‌ های منطقه شامل 351 نقطه لغزشی بود تهیه شد. برای مدل ‌سازی بیشینه آنتروپی 18 متغیر مستقل به‌ عنوان عوامل پیش‌ بینی کننده شامل مدل رقومی ارتفاعی، درصد شیب، جهت شیب، بارندگی، فاصله از گسل، فاصله از شبکه زهکشی، فاصله از جاده، کاربری اراضی، تراکم زهکشی، سازند سنگ‌شناسی، بافت خاک، انحنای طرح، انحنای پروفیل، شاخص رطوبت توپوگرافی، عامل طول شیب، شاخص توان جریان، موقعیت شیب نسبی و شاخص زبری سطح شناسایی و به مدل معرفی شد. سه سری متفاوت از نقاط وقوع زمین لغزش (s1, s2, s3) شامل 70 درصد برای آموزش مدل و 30 درصد برای اعتبارسنجی به‌صورت تصادفی آماده شد تا قوت یا استحکام مدل مورد ارزیابی قرار بگیرد. دقت مدل بر اساس شاخص roc مورد ارزیابی قرار گرفت و مدل بیشینه آنتروپی دقت پیش‌بینی عالی (بالای 80 درصد) از خود نشان داد. همچنین، در این پژوهش درجه اهمیت متغیر ها به‌ وسیله مدل مورد بررسی قرار گرفت و عوامل مدل رقومی ارتفاعی (32.4 درصد اهمیت)، سنگ‌ شناسی (22.9 درصد اهمیت) و فاصله از گسل (14.8 درصد اهمیت) به‌ ترتیب به ‌عنوان مهمترین عوامل پیش‌ بینی کننده در این منطقه شناسایی شدند.

identification the most important predictors in landslide susceptibility mapping using maximum entropy model

slope instability and landslides are important hazards to human activities that often result in the loss of economic resources, property damage and facilities. these hazards occur in the natural or man-made slopes. in the current study, the maximum entropy model was used which is one of the progressive data mining models, in order to modelling landslide susceptibility map for gorganrood watershed. in the first step, the landslide inventory map was prepared consiste of 351 landslides. 18 geo-environmental factors were selected as predictors, such as: digital elevation model, slope percent, aspect, distance from fault, distance from river, distance from road, rainfall, landuse, drainage density, lithology, soil texture, plan curvature, profil curvature, lithological formation, topographic wetness index, ls factor, stream power index, relative slope position and surface roughness index. three different sample data sets (s1, s2, and s3) including 70% for training and 30% for validation were randomly prepared to evaluate the robustness of the model. the accuracy of the predictive model was evaluated by drawing receiver operating characteristic (roc) curves and by calculating the area under the roc curve (auc). the me model performed excellently both in the degree of fitting and in predictive performance (auc values well above 0.8), which resulted in accurate predictions. furthermore, in this study the importance of variables was evaluated by the model. dem (digital elevation model) (32.4% importance), lithology (22.9% importance) and distance from fault (14.8% importance) were identified respectively the main controlling factor among all other variables.