تحليل مكاني خطر زمين‌لغزش با تأكيد بر عوامل ژئومورفولوژيك با استفاده از مدل جنگل تصادفي (مطالعه موردي: شهرستان لارستان در استان فارس)

Spatial analysis of landslide risk with emphasis on geomorphological factors using stochastic forest model (Case study: Larestan city in Fars province)

با توجه به توانايي تكنيك‌هاي داده‌كاوي، كاربرد آن‌ها در رشته‌هاي علوم زمين گسترش فراواني داشته است. هدف از پژوهش حاضر پهنه‌بندي حساسيت زمين‌لغزش با استفاده از الگوريتم جنگل تصادفي، در شهرستان لارستان، استان فارس است. جنگل‌هاي تصادفي يك نوع مدرن از درخت - پايه هستند كه شامل انبوهي از درخت‌هاي كلاس‌بندي و رگرسيوني مي‌باشند. الگوريتم جنگل تصادفي مبتني بر دسته‌اي از درخت‌هاي تصميم است و در حال حاضر يكي از بهترين الگوريتم‌هاي يادگيري است. براي انجام پژوهش حاضر لايه‌هاي اطلاعاتي درجه شيب، جهت شيب، ارتفاع از سطح دريا، شكل شيب، فاصله از گسل، فاصله از آبراهه، فاصله از جاده، بارندگي، ليتولوژي و كاربري اراضي به‌عنوان عوامل مؤثر بر وقوع زمين‌لغزش شناسايي و نقشه‌هاي آن در نرم‌افزار ArcGIS10/2 رقومي و تهيه شدند. سپس با استفاده از الگوريتم جنگل تصادفي، ارتباط بين عوامل مؤثر و موقعيت زمين‌لغزش‌هاو وزن هر يك از آن‌ها در نرم‌افزار آماري R محاسبه و در نهايت جهت تهيه نقشه حساسيت زمين‌لغزش منطقه مورد مطالعه به محيط GIS منتقل گرديد. نتايج ارزيابي دقت روش پهنه‌بندي با استفاده از منحني تشخيص عملكرد نسبي و 30 درصد نقاط لغزشي استفاده نشده در فرآيند مدل‌سازي، بيانگر دقت عالي مدل جنگل تصادفي با سطح زير منحني 8/98 درصد است. توصيه اجرايي جهت كاهش خطر پايدارسازي مناطق ناپايدار و دوري جستن از اين مناطق است؛ و هرگونه برنامه‌ريزي در توسعه آتي عناصر كالبدي زيرساختي شهري بايد با توجه به‌احتمال سانحه زمين‌لغزش صورت گيرد.

Due to the ability of data mining techniques, their application in the field of earth sciences has been widely developed. The purpose of this study is to zoning landslide sensitivity using stochastic forest algorithm in Larestan city, Fars province. Random forests are a modern type of tree-base that includes a host of classification and regression trees. The random forest algorithm is based on a bunch of decision trees and is currently one of the best learning algorithms. For the present study, information layers of slope degree, slope direction, altitude, slope shape, distance from fault, distance from waterway, distance from road, rainfall, lithology and land use as factors affecting landslide occurrence were identified and its maps in software. ArcGIS10 / 2 digit and were prepared. Then, using a random forest algorithm, the relationship between the effective factors and the location of landslides and the weight of each of them were calculated in R statistical software and finally transferred to the GIS environment to prepare a landslide susceptibility map. The results of evaluating the accuracy of the zoning method using the relative yield detection curve and 30% of the slip points not used in the modeling process, indicate the excellent accuracy of the random forest model with the area below the curve being 98.8%. The executive recommendation is to reduce the risk of stabilization of unstable areas and to avoid these areas; an‎d any planning in the future development of the physical elements of urban infrastructure should be done with regard to the possibility of landslides.