تهيه نقشه حساسيت زمين‌لغزش با استفاده از كشف قوانين طبقه‌بندي توسط الگوريتم بهينه‌سازي كلوني مورچه و GIS

Landslide Susceptibility Mapping Using Classification Rule Discovery by Ant Colony Optimization and GIS

تهيه نقشه حساسيت زمين‏لغزش ابزاري ضروري براي مديريت بحران است. هدف اين پژوهش، تهيه نقشه حساسيت زمين‏لغزش با استفاده ازكشف قوانين طبقه‌بندي (CRD) توسط بهينه‌سازي كلوني مورچه(ACO) است. اين روش مدل‌سازي براي ارزيابي حساسيت زمين‏لغزش در شهرستان جوانرود استان كرمانشاه به‌كار گرفته شد. براي اين منظور، لايه‏هاي موضوعي شامل شيب، فاصله از گسل‏ها، فاصله از آبراهه، بارندگي، كاربري و بافت خاك استفاده شدند. در اين تحقيق روش يكي‌ در يك زمان (OAT) به‌عنوان روش تحليل حساسيت براي به‌دست آوردن وابستگي خروجي‏هاي مدل به پارامترهاي ورودي استفاده شد. سپس، عملكرد الگوريتم ارايه‌شده از راه مقايسه با الگوريتم درخت تصميم‏گيري C5- كه يك روش كشف قوانين طبقه‏بندي شناخته‌شده است- اعتبارسنجي شد. براي سنجش صحت نقشه حساسيت زمين‏لغزش به‌دست‌آمده، اين نقشه با توزيع زمين‏لغزش‏هاي مشاهده‌شده ارزيابي شد. نقشه به‌دست‌آمده نشان مي‌دهد قدرت پيش‏بيني مدل بسيار بالاست. به‌طور كلي، حدود 20 درصد از منطقه مورد مطالعه در طبقات حساس و بسيار حساس قرار مي‌گيرد و اغلب زمين‏لغزش‏هاي پيشين (81.25 درصد) در اين طبقات رخ داده‌اند. براساس نتايج اين پژوهش، اين مدل را مي‏توان به‌گونه‌اي كارآمد، در تهيه نقشه‏هاي حساسيت زمين‏لغزش به‌كار برد.

Landslide susceptibility mapping is a fundamental tool for disaster management. The purpose of the present study is to investigate the landslide susceptibility mapping using Classification Rule Discovery (CRD) by Ant Colony Optimization (ACO). This modeling approach was applied for Landslide susceptibility assessment in Javanroud county of Kermanshah province.For this purpose, thematic layers including slope, distance to faults, distance to stream, rainfall, land use, and soil texture were used. The One-At-a-Time (OAT) approach was utilized as the sensitivity analysis method to determine the dependency of model outcomes on the input parameters. Then the performance of the proposed algorithm was validated by comparing it with C5 decision tree algorithm, which is a well-known classification rule discovery method. To assess the accuracy of the resulting landslide susceptibility map, it was evaluated by the distribution of the observed landslides. The resulting map showed that the predictive power of the model is very high. Overall, about 20% of the study area falls in susceptible and very susceptible classes, and most of the previous landslides (81.25%) occur in the same classes.The results also indicated that the model can be effectively used in preparation of landslide susceptibility maps.