مقایسه کارایی برخی از مدل‌های یادگیری ماشین در تهیه نقشه حساسیت‌پذیری به حرکات توده‌ای (مطالعه موردی: استان چهارمحال و بختیاری)

حرکات تود ه ای در زمره خطرناک ترین حوادث طبیعی در مناطق کوهستانی به شمار می روند. پژوهش حاضر از مدل‌های یادگیری ماشین(ml)  برای تهیه نقشه حساسیت به حرکات توده ای در استان چهارمحال و بختیاری استفاده می کند. این مدل ها بر پایه مجموعه اطلاعات جامع 864 حرکت توده ای شامل جریان واریزه، زمین لغزش و ریزش سنگ در طول 42 سال گذشته (1356تا1397 خورشیدی) و همچنین 12 عامل موثر در رخداد این حرکات، مورد بررسی،  آزمون و اعتبارسنجی قرارگرفته اند. نتایج اعتبارسنجی نشان می دهدکه روشrandom forest) rf) جنگل تصادفی مناسب ترین مدل برای تهیه نقشه های حساسیت به حرکات توده ای است. افزون براین، روش های multivariate adaptive regression splines) mars ،(mixture discriminant additive) mda) و brt (boosted regression trees) نیز نتایج نسبتاً دقیقی ارائه داده اند. نتایج سطح زیر منحنی (auc) برای اعتبارسنجی روش هایrf، mars،mda و brt به‌ترتیب 0/968، 0/845، 0/828، و 0/765 است. برپایه نقشه حساسیت به حرکات توده ای تولید شده توسط مدل rf، 32 درصد از سطح استان در کلاس های حساسیت بالا و بسیار بالا شناسایی شده است. بیشتر مناطق در معرض خطر حرکات توده ای در باختر و مرکز استان چهارمحال و بختیاری واقع هستند. افزون براین، یافته‌های این پژوهش نشان می‌دهدکه ارتفاع، زاویه شیب، فاصله از جاده‌ها و فاصله از گسل‌ها عوامل بحرانی در وقوع حرکات توده‌ ای هستند. نتایج این پژوهش رهیافتی را برای کاهش خسارات ناشی از خطرات طبیعی ارائه می کند.

comparison of the efficiency of some machine learning models for mass movement susceptibility mapping (case study: chaharmahal and bakhtiari province)

mass movements are among the most dangerous natural hazards in mountainous regions. the present study employs machine learning (ml) models for mass movement susceptibility mapping (mmsm) in iran based on a comprehensive dataset of 864 mass movements which include debris flow, landslide, and rockfall during the last 42 years (1977–2019) as well as 12 conditional factors. the results of validation stage show that rf (random forest) is the most viable model for mass movement susceptibility maps. in addition, mars (multivariate adaptive regression splines), mda (mixture discriminant additive), and brt (boosted regression trees) models also provide relatively accurate results. results of the auc for validation of produced maps were 0.968, 0.845, 0.828, and 0.765 for rf, mars, mda, and brt, respectively. based on mmsm generated by rf model, 32% of study area is identified to be under high and very high susceptibility classes. most of the endangered areas for mass movement are in the west and central parts of the chaharmahal and bakhtiari province. in addition, our findings indicate that elevation, slope angle, distance from roads, and distance from faults are critical factors for mass movement. our results provide a perspective view for decision makers to mitigate natural hazards.