ارزيابي حساسيت زمين‌لغزش با استفاده از الگوريتم ماشين پشتيبان‌بردار (مطالعه موردي: شهرستان كامياران، استان كردستان)

Landslide Susceptibility assessment using Support vector machine algorithm (Case Study: Kamyaran County, Kurdistan province)

يكي از انواع فرآيندهاي دامنه ­اي كه هر ساله موجب خسارات جاني و مالي فراوان در بسياري از نقاط ايران و جهان مي­ شود، پديده زمين ­لغزش است. شناسايي مناطق مستعد وقوع زمين­ لغزش از طريق پهنه ­بندي خطر، يكي از اقدامات مؤثر و ضروري در كاهش خطرات احتمالي و مديريت آن مي­ باشد. هدف اصلي اين پژوهش، ارزيابي حساسيت زمين­ لغزش در شهرستان كامياران با استفاده از مدل ماشين ­پشتيبان­ بردار مي­ باشد. در ابتدا، نقشه پراكنش زمين ­لغزش با 60 نقطه لغزشي در منطقه مورد مطالعه با استفاده از منابع مختلف ترسيم گرديد. پس از آن مكان­هاي لغزشي، به صورت تصادفي به يك نسبت 70 به 30 براي ساخت مدل زمين ­لغزش و اعتبارسنجي آن تقسيم شدند. آموزش و صحت ­سنجي تابع RBF از الگوريتم SVM توسط يك پايگاه داده مكاني با مجموع دوازده عامل زمين ­لغزش از جمله شيب، جهت شيب، ارتفاع، انحناي شيب، انحناي عرضي شيب، انحناي طولي شيب، شدت تابش خورشيد، ليتولوژي، كاربري اراضي، فاصله از گسل، فاصله از جاده و فاصله از رودخانه با توجه به مدل مرجع مورد بررسي قرار گرفتند. در نهايت منطقه مورد مطالعه به پنج كلاس حساسيت بسيار بالا، بالا، متوسط، كم و بسيار كم تقسيم شد. سپس عمكرد اين الگوريتم با استفاده از منحني ROC مورد بررسي قرار گرفت. نتايج نشان مي­ دهد كه سطح زير منحني (AUC) با استفاده از مجموعه داده­ هاي آموزشي (970/0) و با استفاده از داد ه­هاي صحت­سنجي (0/882) مي­ باشد. لذا تجزيه و تحليل نتايج نشان­ دهنده آن بود كه تابع RBF مدل SVM عملكرد خوبي جهت ارزيابي حساسيت زمين­ لغزش در منطقه مورد مطالعه دارد و نتايج به دست ­آمده از اين پژوهش مي ­تواند براي برنامه ­ريزي كاربري اراضي، كاهش خطرات زمين­لغزش و تصميم گيري در مناطق مستعد ­لغزش مفيد واقع گردد.

One of the slopping processes which created much damage in many locations of Iran and the world is Landslide phenomenon. Identification of susceptible areas to landslide occurrence is one of the basic measures for reduction of the possible risk and management. The main goal of this research is to evaluate Landslide Susceptibility assessment using Support vector machine algorithm. At first, a landslide inventory map with 60 landslide locations for the study area was drawn from various sources. Landslide locations were then spatially randomly split in a ratio of 70/30 for building landslide model and for the model validation.Training and testing of RBF Function the SVM algorithm was evaluated over an assembly of spatial attributes, which included slope angle, elevation, aspect, solar radiation, profile curvature, plan curvature, lithology, land use, distance to fault, distance to road and distance to river with respect of the referent model. Finally the study area was classified into five sensitivity classes’ very high, high, moderate, low and very low. Then Performance of the method has been evaluated using the ROC curve. The results show that area under the ROC curve (AUC) using training dataset is (0/950) and using validation dataset is (0/931). Therefore, analysis and comparison of the results show that RBF Function SVM model performed well for landslide susceptibility assessment in the study area and the results from this the results from this study can be useful for land use planning, mitigate landslide hazards and decision making in landslide prone areas.