مدل‌سازی مکانی زمین‌‌لغزش‌‌های استان خراسان رضوی با استفاده از روش‌‌های یادگیری ماشین

مقدمهانسان با مسائل محیط زیستی فراوانی مواجه است. بلایای طبیعی جزئی از این مشکلات هستند که سالانه موجب کشته و مجروح شدن صدها هزار تن و بی‌خانمان شدن میلیون‌‌ها نفر در سراسر جهان می‌‌شوند. مخاطرات ژئومورفولوژیک به‌عنوان پدیده‌ای بالقوه زیان‌بار مطرح است که مهم‌ترین آنها حرکت‌های توده‌ای و زمین‌لغزش‌ها هستند. حرکت توده‌ای، شامل حرکت به سمت بیرون یا رو به پایین یک توده از مواد تشکیل‌دهنده دامنه تحت‌تاثیر نیروی گرانش است. این نوع حرکات عمدتاً در اثر نیروی ثقل، عوامل طبیعی مثل بارش شدید، زلزله، اشباع شدن خاک از آب و همچنین، علل انسانی مثل تخریب پوشش گیاهی و عملیات نادرست مهندسی به وقوع می‌پیوندد. برطبق گزارش‌های جهانی مخاطرات طبیعی در سال 2012، لغزش در میان هفت بلایای طبیعی خطرناک جهان قرار گرفت. وقوع مخاطرات طبیعی (ازجمله زمین‌لغزش‌ها) فشار جدی بر روی توسعه اقتصادی کشورها، به‌‌ویژه کشورهای جهان سوم دارد. به‌طوری‌که خسارت‌‌های مالی ناشی از مخاطرات طبیعی، رشد و شکوفایی اقتصادی را با رکود مواجه می‌سازد. سرزمین ایران با توپوگرافی نسبتاً کوهستانی، فعالیت زمین‌ساختی و لرزه‌خیزی زیاد و شرایط متنوع زمین‌شناسی و اقلیمی عمده شرایط طبیعی را برای ایجاد طیف وسیعی از زمین‌لغزش‌ها فراهم کرده است. مواد و روش‌هاهدف از این پژوهش، مدل‌‌سازی مکانی حساسیت زمین‌‌لغزش با استفاده از روش‌‌های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان و درخت رگرسیون تقویت‌‌شده در استان خراسان رضوی است. در ابتدا، نقشه پراکنش زمین‌‌لغزش‌‌های منطقه در بازدیدهای صحرایی و با استفاده از بانک اطلاعات زمین‌‌لغزش‌‌های کشور تهیه شد. در مرحله بعد، 70 درصد زمین‌‌لغزش‌‌های شناسایی‌‌شده برای فرایند مدل‌‌سازی و 30 درصد برای ارزیابی مدل‌‌های یاد شده، به‌‌کار برده شد. لایه‌‌های اطلاعاتی ارتفاع، شیب، جهت شیب، فاصله از آبراهه، تراکم آبراهه، فاصله از جاده، فاصله از گسل، کاربری زمین، شاخص پوشش گیاهی، انحنای سطح، انحنای نیمرخ، بارش و واحدهای سنگ‌‌شناسی انتخاب و نقشه‌‌های آن در محیط arcgis تهیه شد. نتایج و بحثنتایج اولویت‌‌بندی عوامل موثر با استفاده از مدل جنگل تصادفی نشان داد که عوامل بارش و ارتفاع بیشترین تاثیر را در وقوع رخداد زمین‌‌لغزش‌‌های منطقه موردمطالعه داشته است. همچنین، نتایج ارزیابی مدل‌‌های یادگیری ماشین با استفاده از منحنی تشخیص عملکرد نسبی (roc) نشان داد نقشه تهیه شده با روش جنگل تصادفی بیشترین دقت (0.97) را در تهیه نقشه پتانسیل زمین‌‌لغزش در منطقه موردمطالعه داشته است و بر این اساس، بیش از 25 درصد منطقه در کلاس خطر زیاد و خیلی ‌‌زیاد قرار دارد. نتیجه‌گیریاین نقشه می‌‌تواند به برنامه‌ریزان محیطی جهت پروژه‌های عمرانی کمک کند و از تغییر کاربری و ساخت‌وساز در مناطق با حساسیت بالا جلوگیری شود. همچنین، می‌توان با آگاه نمودن مردم، فعالیت‌های ناصحیح انسانی در این زمینه را کاهش داد. گرچه کنترل زمین‌لغزش در حال وقوع اغلب امکان‌پذیر نبوده و یا در صورت امکان بسیار پرهزینه است ولی می‌توان با مدیریت صحیح در جهت پیشگیری و یا کاهش خطرات آن با در نظر گرفتن ویژگی‌های منطقه مطالعاتی، فعالیت‌هایی را به انجام رساند. امید است، با شناسایی عوامل موثر در وقوع حرکت‌های توده‌ای و پهنه‌بندی آن، بتوان کمک موثری در تدوین برنامه مدیریت خطر و کاهش خسارت‌های ناشی از این پدیده نمود.

spatial modeling of landslides in khorasan razavi province using machine learning methods

introductionhumanity is facing many environmental challenges. natural disasters are among these problems, causing the death and injury of hundreds of thousands of people and rendering millions homeless worldwide every year. geomorphological hazards, particularly mass movements and landslides, are considered some of the most potentially harmful phenomena. mass movement refers to the outward or downward movement of domain-forming materials under the influence of gravity. these movements are primarily triggered by gravity, natural factors such as heavy rainfall, earthquakes, and soil saturation with water, as well as human activities like deforestation and improper engineering operations. according to the 2012 world natural hazards report, landslides were ranked among the seven most dangerous natural disasters globally. the occurrence of natural hazards, including landslides, exerts considerable pressure on the economic development of countries, especially in developing regions, with financial damages hindering economic growth and prosperity. iran, with its mountainous terrain, high tectonic and seismic activity, and diverse geological and climatic conditions, has created natural conditions conducive to a wide range of landslides. materials and methodsthe aim of this study is to spatially model landslide susceptibility using machine learning techniques, including random forest, support vector machine, and enhanced regression tree, in razavi khorasan province. initially, the distribution map of landslides in the region was prepared through field visits and data from the national landslides database. in the next step, 70% of the identified landslides were used for model development, while 30% were reserved for model evaluation. the information layers for altitude, slope, slope direction, distance from waterway, waterway density, distance from roads, distance from faults, land use, vegetation index, surface curvature, profile curvature, precipitation, and selected lithological units were prepared and mapped using arcgis. results and discussionprioritization of the factors affecting landslide occurrence using the random forest model showed that precipitation and altitude had the greatest impact on landslides in the study area. additionally, the evaluation of the machine learning models using the relative operating characteristic (roc) curve indicated that the landslide potential map generated by the random forest method had the highest accuracy (0.97). based on this map, more than 25% of the area was classified into high and very high-risk zones. conclusionthis map can assist environmental planners in construction projects and help prevent land-use changes and construction in high-risk areas. additionally, public awareness campaigns can reduce harmful human activities in these zones. while controlling landslides may not always be feasible or is often very expensive, proper management can help mitigate or reduce risks. by identifying the key factors in mass movement occurrences and zoning the areas accordingly, it is hoped that this research will contribute to the development of effective risk management plans and reduce the damage caused by landslides.