كليدواژه :
شاخصهاي مورفومتريك , SVM , ANN , منحني ROC , حوضه آبخيز چريك‌آباد
چكيده فارسي :
هدف اين مطالعه ارزيابي كارايي دو مدل داده‌كاوي شبكه عصبي مصنوعي و الگوريتم ماشين پشتيبان بردار در سه حالت استفاده از شاخصهاي مورفومتريك شامل شاخص خيسي توپوگرافي، شاخص موقعيت توپوگرافي، شاخص توان آبراهه، شاخص طول شيب، شاخص ناهمواري زمين، شاخص تعادل جرم، شاخص انحناي پروفيل و شاخص انحناي سطح؛ استفاده از عوامل محيطي و انساني شامل بارندگي، ارتفاع حوضه، درجه شيب، جهت شيب، ليتولوژي، كاربري اراضي، شاخص تفاضل نرمال‌شده پوشش گياهي (NDVI)، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و تركيبي از دو حالت فوق، در پهنه بندي حساسيت زمين لغزش هاي حوضه آبخيز چريك‌آباد اروميه است. براي اين منظور با استفاده از بازديدهاي ميداني و تصاوير گوگل ارث، تعداد 92 نقطه لغزشي در حوضه شناسايي شدند. نقشه شاخص هاي مورفومتريك و عوامل محيطي و انساني در SAGA_GIS6.4 و ArcGIS10.5 تهيه و رقومي شدند. نتايج ارزيابي دو مدل با استفاده از منحني ROC نشان داد كه در حالت استفاده از شاخص هاي مورفومتريك دو مدل SVM و ANN به ترتيب با سطح زير منحني 0/742 و 0/763 داراي عملكرد خوب در پهنه بندي حساسيت زمين لغزش ها بوده اند. در حالت استفاده از عوامل انساني و محيطي، دو مدل فوق به ترتيب با سطح زير منحني 0/876 و 0/929 داراي عملكرد خوب و خيلي خوب؛ و در حالت استفاده از هر دو عوامل انساني و محيطي به همراه شاخص هاي مورفومتريك، دو مدل با سطح زير منحني 0/940 و 0/936 داراي عملكرد تقريباً يكسان با رتبه عالي در پهنه بندي مناطق حساس بوده اند. بالاترين مقدار مجموع كيفيت (Qs) و نسبت تراكمي (Dr) بيشترين همبستگي بين رده هاي خطر براي مدل SVM در حالت سوم بوده است. نتايج حاصل از شاخص كاپا در حالت برتر نشان داد كه به ترتيب عوامل ليتولوژي، LS و ارتفاع حوضه بيشترين تأثير را بر وقوع زمين لغزش ها داشته اند؛ بنابراين تأثير عوامل طبيعي نسبت به عوامل انساني و در حالت كلي شاخص هاي مورفومتري در مقايسه با عوامل محيطي و انساني در وقوع لغزش ها بيشتر بوده و حوضه ذاتاً حساس به وقوع لغزش است.
چكيده لاتين :
The purpose of this study was to evaluate the performance of two data mining models; artificial neural
network and vector support machine algorithm in three modes: Using morphometric indices including
topographic wetness index, topographic position index, stream power index, length slope index, terrain
ruggedness index, mass balance index, profile curvature index and surface curvature index; Using
environmental and human factors including rainfall, basin height, slope, slope direction, lithology, land use,
normalized vegetation difference index, distance from stream, distance from road, and distance from fault;
and a combination of the above two conditions in zoning the landslide sensitivity of the Cherikabad
watershed in Urmia. For this purpose, 92 landslide points in the watershed were identified using field study
and Google Earth images. The map of morphometric indices and maps of environmental and human factors
were prepared and digitized in ArcGIS10.5. The evaluation results of the two models using the ROC curve
showed that in the case of using only morphometric indices, the two models SVM and ANN with the area
under the curve of 0.742 and 0.763, respectively, have good performance in landslide sensitivity zoning. In
the case of using human and environmental factors, the above two models with an area under the curve of
0.876 and 0.929 have good and very good performance, respectively; and in the case of using both human
and environmental factors along with morphometric indices, the two models with an area under the curve
of 0.940 and 0.936 had almost the same performance with excellent rank in the zoning of sensitive areas.
Moreover, the highest quality sum (Qs) and Density ratio (Dr) had the highest correlation between risk
categories for the SVM model in the third case. The results of Kappa index in the superior state showed
that lithology, LS, and basin height factors had the greatest effect on the occurrence of landslides,
respectively. Therefore, the effects of natural factors in comparison with human factors, and in general, the
morphometric indices are higher in the occurrence of landslides than environmental and human factors, and
the basin is inherently sensitive to landslides.
