ارائۀ مدل پيش‌بيني كنندۀ آسيب‌پذيري كالبدي محلات در برابر زلزله با استفاده از يادگيري ماشين (مطالعه‌ي موردي: منطقۀ 1 شهرداري تهران)

مديريت بحران هوشمند (در سه مرحلۀ قبل، حين و پس‌ازآن)، با تأكيد بر آمادگي و پيش‌بيني آسيب‌پذيري در برابر زلزله، امكان پيش‌بيني، كاهش آسيب‌پذيري و افزايش قدرت در تصميم سازي را فراهم مي‌آورد. اين مقاله بر آن است تا با استفاده از يادگيري ماشين، به ارائۀ مدل پيش بيني‌كنندۀ آسيب‌پذيري كالبدي در برابر زلزله بپردازد. روش پژوهش كمي است. داده‌هاي ارائه‌شده به ماشين براي آموزش و تست، مربوط به پهنه‌هاي محلات منطقۀ 1 شهرداري تهران بوده‌اند (كه در محدودۀ خطر گسل‌ شمال تهران قرار دارند). ويژگي‌هاي مورد تأكيد كه ماشين براساس آنها آموزش ديده تا مدل پيش‌بيني‌كننده‌ را ارائه دهد، مشتمل بر موارد زير هستند: ويژگي‌هاي الگوي قطعات و ساختار ابنيه، الگوي معبر، كاربري اراضي و موقعيت نسبت به گسل اصلي و فرعي بوده‌اند. مجموعۀ داده‌ها مشتمل بر 1997 سطر و 26 ستون بوده است. برخي از داده‌ها از جي.آي.اس. منطقه استخراج و بخش ديگري از داده‌ها از تحليل نقشۀ پهنه‌ها به دست آمد. با توجه به بهره‌گيري از رويكرد يادگيري ماشين نظارت‌شده، برچسب‌گذاري توسط محققان در پنج طيف انجام شد. براي آموزش ماشين از الگوريتم درخت تصميم، ماشين بردار پشتيبان و شبكۀ عصبي چندلايه استفاده شد. حجم داده‌‌‌هاي آموزش به تست 70 به 30 در نظر گرفته شد. با بررسي دقت مدل توسط ماتريس درهم‌آميختگي، مشخص شد كه الگوريتم درخت تصميم با دقت 99.50، حساسيت 99.42 و خطاي 0.5 داراي عملكرد بهتري نسبت به دو الگوريتم ديگر است. شبكۀ عصبي نيز با دقت 97.85، حساسيت 97.57 و خطاي 2.15، داراي عملكرد مناسبي است. بررسي ميزان اعتمادپذيري مدل پيش‌بيني كننده با داده‌هاي مربوط به محلۀ جوانمرد قصاب در منطقۀ 20 نيز نشان داد كه ماشين آموزش‌ديده، با دقت بالاي 97 درصد قابليت پيش‌بيني پذيري دارد. بدين‌ترتيب ماشين آموزش‌ديده با دقت و سرعت بالا مي‌تواند به پيش‌بيني ميزان آسيب‌پذيري بافت‌هاي كالبدي در برابر زلزله بپردازد.