ارزیابی مدل‌های جنگل تصادفی و ماشین بردار پشتیبان در تهیه نقشه حساسیت زمین لغزش (مطالعه موردی: حوضه تجن، استان مازندران)

تهیه نقشه حساسیت زمین‌لغزش با استفاده از یادگیری ماشین ابزاری مفید برای مدیریت زمین در مناطق مستعد به این پدیده است. هدف این مطالعه، تهیه نقشه حساسیت زمین‌لغزش در حوضه تجن با یادگیری ماشین است. بدین منظور 21 عامل موثر در وقوع زمین لغزش در چهار طبقه عوامل زمین‌شناسی، اقلیمی و محیطی، توپوگرافی و هیدرولوژیکی شناسایی و رستر آنها در نرم‌افزارهای envi 5.6، saga gis و arcgis تهیه شد. با بازدیدهای میدانی موقعیت 155 زمین‌لغزش ثبت و در arcgis به‌ لایه نقطه‌ای تبدیل شدند. کلیه عوامل با فرمت ascii و لایه نقطه‌ای (لایه آموزشی) وارد نرم افزار r شدند. برای آموزش مدل‌های ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf)، 70 درصد از داده‌ها (109 واقعه) و برای آزمون 30 درصد (46 واقعه) استفاده شد. ارزیابی مدل rf با منحنی roc نشان داد که نمره‌های 0.972 و 0.949 در مراحل آموزش و آزمون را کسب کرده است. اطلاعات مدل rf نشان می‌دهد که موثرترین عوامل شامل جهت شیب، فاصله از آبراهه، فاصله از جاده، درجه شیب و شاخص موقعیت توپوگرافی هستند. نتایج مدل svm نشان داد که پتانسیل طبقه حساسیت زیاد در حوضه بیشتر از rf است و نمرات auc به ترتیب 0.906 و 0.831 به‌دست آمد. نتایج مدل svm نشان داد که پتانسیل طبقه حساسیت زیاد در حوضه نسبت به پیش‌بینی مدل rf بیشتر شده است. موثرترین عوامل در مدل svm شامل طبقات ارتفاعی، بارندگی، جهت شیب، فاصله از آبراهه و فاصله از جاده می‌باشند. مدل svm در مقایسه با مدل rf عملکردی ضعیفی در پیش‌بینی نقشه حساسیت زمین لغزش دارد. نتایج دسته‌بندی سطح خطر در مدل rf، بترتیب خیلی زیاد (10.19%)، زیاد (4.17%)، متوسط (10.76%)، کم (15.62%) و خیلی کم (59.26%) از مساحت حوضه است. در مدل svm نیز بترتیب سهم طبقات خیلی زیاد 5.51%، زیاد 15.58%، متوسط 5.33%، کم 4.47% و خیلی کم 69.09% محاسبه شده است.

evaluation of random forest and support vector machine models in landslide risk mapping (case study: tajan basin, mazandaran province)

the development of landslide susceptibility maps using machine learning is an effective tool for managing land in vulnerable regions. this study generates a landslide susceptibility map for the tajan watershed using machine learning techniques. twenty-one factors influencing landslides were identified and categorized into geological, climatic, environmental, topographical, and hydrological factors. raster data was prepared using envi 5.6, saga gis, and arcgis software. field surveys documented 155 landslide locations, converted to point layers in arcgis. this data, along with the training layer, was imported into r software in ascii format. for model training, support vector machine (svm) and random forest (rf) algorithms were applied, using 70% of the data (109 samples) for training and the remaining 30% (46 samples) for testing. evaluation of the rf model using the roc curve showed high predictive accuracy, with scores of 0.972 for training and 0.949 for testing. analysis of the rf model identified key factors influencing landslides, including aspect, distance from streams and roads, slope, and the topographic position index. the svm model results indicated a greater proportion of high-susceptibility areas in the watershed than the rf model. auc values for the svm model were slightly lower, at 0.906 for training and 0.831 for testing. the svm model highlighted elevation classes, rainfall, aspect, and distance from streams and roads as significant factors but underperformed compared to the rf model in mapping landslide susceptibility. risk classification with the rf model showed that 10.19% of the area is very high risk, 4.17% high risk, 10.76% moderate risk, 15.62% low risk, and 59.26% very low risk. conversely, the svm model predicted smaller very high-risk areas at 5.51%, high risk at 15.58%, moderate risk at 5.33%, low risk at 4.47%, and very low risk at 69.09%.