ارزیابی روش های مختلف پهنه‌بندی خطر وقوع زمین‌لغزش در اکوسیستم های جنگلی

امروزه مهندسین جنگل هنگام طراحی شبکه جاده های جنگلی، با بهره جستن از انواع روش های پهنه بندی، مبادرت به شناسایی واریانت های کم خطر تر جاده های جنگلی از نظر زمین لغرش می‌کنند تا از این طریق، هزینه های تعمیر و نگهداری جاده ها را کاهش دهند. به دلیل ارتباط زمین‌لغزش با مسیریابی جاده های جنگلی، پیدا کردن روش مناسب پهنه بندی خطر زمین لغزش که قابلیت به کارگیری در مناطق مختلف جنگل را نیز دارا باشد، یکی از مهم ترین گام ها برای تحقق یک طراحی هوشمند توسط کارشناسان و مهندسین جنگل است. بنابراین هدف از این پژوهش، دست یافتن به روشی مناسب برای پهنه بندی خطر زمین‌لغزش، به منظور طراحی بهتر شبکه جاده های جنگلی است. روش‌های بسیاری برای پهنه بندی خطر وقوع زمین لغزش در دنیا معرفی شده اند که به سه دسته روش های آماری (مانند روش های دو متغیره و چندمتغیره، رگرسیون لجستیک و مدل ارزش اطلاعات)، ابتکاری یا تجربی (مانند روش استوینسن، نیلسن و براب، آنبالاگان و مورا-وارسون) و ترکیبی (مانند شبکه عصبی مصنوعی و منطق فازی) تقسیم بندی می‌شوند. از بین روش های آماری: مدل دو متغیره، روش های تجربی: مدل مورا-وارسون و روش های تلفیقی: شبکه عصبی مصنوعی بیش ترین کاربرد را دارند. نتایج این پژوهش بیان گر این موضوع است که مدل های آماری قابلیت بهتر و کاربرد بیش تری در پهنه‌بندی خطر زمین‌لغزش نسبت به مدل های ابتکاری دارند، هرچند که مدل های تلفیقی (مانند شبکه عصبی مصنوعی و منطق فازی) بیش ترین صحت و دقت را در بین روش ها دارا می باشند و اگر داده هایی با تعداد کم موجود باشد، مطمئناً روش‌های تلفیقی می توانند پهنه‌بندی دقیق تری را نسبت به دیگر مدل ها در ارتباط با خطر زمین لغزش در جنگل ارایه دهند.