پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از تکنیک مدل‌سازی الگوریتم یادگیری ماشین (نمونۀ موردی: شهرستان ایذه)

هدف: پهنه‌بندی خطر وقوع زمین‌لغزش می‌تواند مرجع موثری برای کاهش مخاطرات طبیعی و برنامه‌ریزی کاربری زمین باشد، اما فرایند مدل‌سازی شامل دانشی چندرشته‌ای است که سبب پیچیدگی آن می‌شود. این پژوهش با هدف پهنه‌بندی خطر وقوع زمین‌لغزش در شهرستان ایذه با استفاده از روش مدل‌سازی الگوریتم یادگیری ماشین mlr انجام گرفته است.روش پژوهش: در این پژوهش، مدل‌سازی با در نظر گرفتن چهارده عامل پیش‌بینی‌کننده اعمال شد. لایه‌های موضوعی همۀ عوامل پیش‌بینی کننده و زمین‌لغزش‌های موجود در نرم‌افزار arcmap 10.8، saga-gis 9.0.1، rstudio،  envi 5.6 و اغلب از مشتقات مبتنی بر dem و داده‌های میدانی برای تهیۀ لایه‌های دادۀ عوامل پیش‌بینی‌کننده تهیه شد.یافته‌ها: نتایج مدل‌سازی نشان داد که الگوریتم mlr با ضریب کاپای 0.9711، rmse برابر با 0.0102 و r² معادل 0.9812 عملکرد بسیار دقیقی در پیش‌بینی و تبیین خطر زمین‌لغزش دارد. این ارقام گویای توافق زیاد میان مقادیر واقعی و پیش‌بینی‌شده و قدرت توضیحی زیاد مدل هستند. در میان عوامل موثر شناسایی‌شده، فاصله از جاده‌ها (با ضریب اهمیت 0.73)، شیب (0.62)، زمین‌شناسی (0.54) و فاصله از رودخانه (0.42) بیشترین تاثیر را در وقوع لغزش‌های زمین داشته‌اند. همچنین فشار ناشی از راه‌سازی، جهت تابش، افزایش شیب و ماهیت نرم سنگ‌های گچساران، مارن و رسوبات کواترنری به‌عنوان عوامل تشدیدکنندۀ ناپایداری دامنه‌ها شناسایی شدند. در مقابل، گسل‌ها، ارتفاع و شاخص رطوبت توپوگرافی تاثیر کاهنده یا خنثی بر وقوع زمین‌لغزش نشان داده‌اند. براساس نقشۀ پهنه‌بندی خطر تولیدشده توسط مدل mlr، حدود 21.7 درصد از منطقه (96905 هکتار) در طبقۀ «خطرناک» و 15.3 درصد (20338 هکتار) در طبقۀ «خیلی خطرناک» قرار گرفته‌اند. این موضوع نشان می‌دهد که بخش بزرگی از منطقه به‌خصوص مناطق جنوبی دارای حساسیت زیاد به زمین‌لغزش است که ضرورت اقدامات مدیریتی پیشگیرانه را دوچندان می‌کند.

landslide risk zoning using machine learning algorithm modeling technique (case study: izeh county)

objective:  landslide risk zoning can be an effective reference for natural hazard reduction and land use planning, but the modeling process involves multidisciplinary knowledge, which leads to its complexity. this research aims to zoning landslide risk in izeh county using the mlr machine learning algorithm modeling technique.method: in this study, modeling was applied by considering fourteen predictors. thematic layers of all predictors and landslides were prepared in arcmap 10.8, saga-gis 9.0.1, rstudio, envi 5.6, and mainly from dem-based derivatives and field data to prepare predictor data layers.results: the modeling results showed that the mlr algorithm, with a kappa coefficient of 0.9711, rmse of 0.0102, and r² of 0.9812, has a very accurate performance in predicting and explaining landslide risk. these figures indicate a high agreement between the actual and predicted values and a high explanatory power of the model. among the identified effective factors, distance from roads (with an importance coefficient of 0.73), slope (0.62), geology (0.54), and distance from the river (0.42) had the greatest impact on the occurrence of landslides. also, pressure from road construction, radiation direction, increasing slope, and the soft nature of gachsaran rocks, marl, and quaternary sediments were identified as factors that exacerbate slope instability. in contrast, faults, elevation, and topographic moisture index have shown a reducing or neutral effect on the occurrence of landslides. based on the hazard zoning map produced by the mlr model, about 21.7 percent of the area (equivalent to 96,905 hectares) is in the &hazardous& class and 15.3 percent (20,338 hectares) is in the &very hazardous& class.conclusions:  this indicates that a significant part of the region, especially the southern regions, is highly susceptible to landslides, which doubles the need for preventive management measures