ارزیابی و پیش‌بینی مکانی مخاطرۀ زمین‌لغزش در جادۀ کوهستانی سنندجکامیاران با استفاده از الگوریتم‌های پیشرفتۀ داده‌کاوی

زمین‌لغزش‌ها از بلایای طبیعی هستند که سالانه خسارت‌های مالی و جانی زیادی را در کشور ایجاد می‌کنند. شناخت مناطق پرخطر می‌تواند در کاهش خسارت‌ها و تصمیم‌گیری در زمینۀ سیاست‌های توسعۀ اراضی موثر باشد. هدف این پژوهش، پیش‌بینی مکانی خطر زمین‌لغزش در محدودۀ جادۀ ارتباطی سنندجکامیاران در استان کردستان است. در این تحقیق، پهنه‌بندی خطر زمین‌لغزش با استفاده از الگوریتم‌های پیشرفتۀ داده‌کاوی از قبیل مدل تابع شواهد قطعی (ebf) و شواهد وزنی (woe) انجام گرفت. ابتدا 79 زمین‌لغزش با استفاده از پیمایش میدانی شناسایی شد. سپس این نقاط به‌طور تصادفی به‌منظور تهیۀ مدل و اعتبارسنجی به‌ترتیب به دو گروه آموزش (70 درصد، 55 نقطه) و اعتبارسنجی (30 درصد، 24 نقطه) تقسیم شدند. در این پژوهش، با توجه به تحقیقات قبلی و شرایط منطقه، چهارده عامل موثر در وقوع زمین‌لغزش‌ها شامل شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم رودخانه، فاصله از گسل، فاصله از جاده، کاربری اراضی، جنس خاک، انحنای شیب، لیتولوژی، شاخص تفرق پوشش گیاهی ((ndvi، شاخص توان آبراهه (spi) و شاخص رطوبت توپوگرافی (twi) برای پهنه‌بندی پتانسیل خطر زمین‌لغزش در نظر گرفته شدند. همچنین در این پژوهش با استفاده از منحنی ویژگی عملگر نسبی (roc)، عملکرد هر دو مدل بررسی شد.نتایج تحلیل منحنی ویژگی عملگر نسبی نشان داد که مدل‌های woe و ebf به‌ترتیب دارای مقدار auc 0.89 و 0.79 هستند؛ بنابراین مدل woe نسبت به ebf دارای بیشترین مقدار auc بوده و بهترین مدل برای پیش‌بینی مکانی خطر زمین‌لغزش در منطقۀ پژوهش است. افزون‌بر آن، نتایج نشان داد که الگوریتم‌های پیشرفتۀ داده‌کاوی بنا به ساختار خود از دقت کافی در پیش‌بینی مکانی زمین‌لغزش در منطقۀ پژوهش برخوردارند.

Evaluation and spatial prediction of landslide hazard in mountainous road of SanandajKamyaran using advanced data mining algorithms

Landslides are natural disasters that cause a lot of financial and life losses in the country, annually. Identifying high risk areas can reduce the damages and be effective on land development policies. The aim of this study was to spatial prediction of landslide hazard in SanandajKamyaran main road in Kurdistan province. In current study, landslide hazard mapping were performed using advanced data mining algorithms including weights of evidence (WOE), and evidential belief function (EBF). Firstly, 79 landslides location were obtained from field surveys. Then, these landslides were randomly categorized into two groups of training (70%, 55 locations) and validation (30%, 24 locations). In the current study according to previous studies and geography conditions, fourteen conditioning factors including slope, aspect, curvature, elevation, distance to fault, lithology, SPI, TWI, soil type, density of river, normalized difference vegetation index (NDVI), distance to river, distance to road, the slope angle, and land use were determined to landslide hazard potential mapping. Also, in this research, the receiver operating characteristic (ROC) curve and the area under the curve (AUC) were used for validation of the two achieved landslide susceptibility maps. The AUC results introduced the success rates of 0.89 and 0.79 for WOE and EBF, respectively. Therefore, WOE model, having the highest AUC, was the most accurate method for spatial prediction of landslide hazard in the study area. In addition, the results of the study showed that advanced data mining algorithms based on their structure have sufficient accuracy to spatial prediction of landslide in the study area.