ارزيابي حساسيت زمين‌لغزش با استفاده از مدل‌هاي داده‌كاوي، مطالعه موردي:

Landslide Susceptibility Assessment Using Data Mining Models, A case study: Chehel-Chai Basin

‌هدف از تحقيق پيش‌رو، پهنه‌بندي حساسيت زمين‌لغزش در حوزه‌ آبخيز چهل­‌چاي، واقع در استان گلستان مي­‌باشد. بدين منظور، از دو مدل داده­‌كاوي ماشين بردار پشتيبان (SVM) و درخت رگرسيون تقويت شده (BRT) به لحاظ الگوريتم محاسباتي توانمند در زمينه ارزيابي فرايند زمين­‌لغزش استفاده شد. شواهد زمين­‌لغزش با استفاده از دستگاه موقعيت‌­ياب جهاني (GPS)، بازديد­هاي ميداني و اطلاعات سازماني موجود ثبت و در سامانه اطلاعات جغرافيايي (GIS) در قالب نقشه تهيه شد. همچنين، با توجه به مرور منابع گسترده، 12 عامل زمينه­‌ساز شامل فاصله از گسل، فاصله از آبراهه، فاصله از جاده، واحدهاي سنگ­‌شناسي، بافت خاك، كاربري اراضي، درجه شيب، جهت شيب، طبقات ارتفاعي، انحناي­ طولي و عرضي دامنه و شاخص رطوبت (WI) به­عنوان عوامل موثر بر وقوع زمين­‌لغزش منطقه مورد مطالعه انتخاب و لايه‌­هاي مذكور در سامانه اطلاعات جغرافيايي تهيه شدند. به­‌منظور ارزيابي نتايج مدل‌­ها، از مقدار مساحت زير منحني تشخيص عملكرد نسبي (ROC) و 30 درصد لغزش‌­هاي استفاده نشده در فرايند مدل­سازي استفاده شد. نتايج نشان داد كه مدل ماشين بردار پشتيبان (SVM) با مساحت زير منحني 0/82 (82 درصد) كارايي بهتري در پهنه‌­بندي حساسيت زمين­‌لغزش در حوضه مورد مطالعه داشته و مدل BRT با مقدار معادل 0/77 (77 درصد) در رتبه بعدي اهميت قرار گرفت. بر اساس نتايج مدل SVM، حدود 45 درصد از حوزه آبخيز چهل‌­چاي در پهنه حساسيت زياد و خيلي ­زياد به وقوع زمين­‌لغزش قرار گرفته است.

The current study is aimed to map landslide susceptibility in the Chehel-Chai Basin is located in the Golestan Province. To this end, two data mining models namely support vector machine and boosted regression tree were employed due to their robust computational algorithm. Landslide inventories were recorded through several field surveys using global positioning system (GPS), local information and available organizational resources and corresponding map was created in the geographic information system (GIS). Reviewing several worldwide studies, 12 predisposing factors including proximity to fault, proximity to stream, proximity to road, lithological units, soil texture, land use/ cover, slope degree, slope aspect, altitude, plan curvature, profile curvature and topographic wetness index (TWI) were chosen and the corresponding maps were produced in the geographic information system. In order to evaluate models’ results the receiver characteristic curve (ROC) and 30% of landslide inventories were used. Results showed that the SVM model with the AUC value of 0.82 had better performance on landslide susceptibility zonation over the study area and followed by the BRT model with the value of 0.77. Based on the SVM model results, about 45% of the Chehel-Chai Basin has high and very high landslide prone areas.