معرفي يك مدل جديد تركيبي الگوريتم مبنا به منظور پيش بيني حساسيت زمين‌لغزش هاي سطحي اطراف شهر بيجار

A Novel Ensemble Algorithm Based Model for Shallow Landslide Susceptibility Assessment Around the Bijar City

افزايش صحت و اعتماد و در نتيجه كاهش عدم قطعيت نقشه هاي پيش بيني مكاني مخاطرات زميني از جمله زمين‌لغزش ها يكي از چالش هاي پيش رو در اين گونه مطالعات مي باشد. هدف اين پژوهش ارايه يك مدل تركيبي جديد داده كاوي الگوريتم- مبنا به نام Random Subspace-Random Forest (RS-RF)، براي افزايش ميزان صحت پيش بيني مناطق حساس به وقوع زمين‌لغزش هاي سطحي اطراف شهر بيجار مي باشد. در ابتدا، نوزده عامل موثر بر وقوع زمين‌لغزش هاي سطحي منطقه‌ي مورد مطالعه شامل درجه شيب، جهت شيب، ارتفاع از سطح دريا، انحناي معمولي شيب (Curvature)، تقعر و تحدب شيب (Profile curvature)، همگرايي و واگرايي شيب (Plan curcvature)، شدت تابش خورشيد (Solar radiation)، شاخص قدرت جريان، شاخص نمناكي توپوگرافي، شاخص طول و زاويه شيب، كاربري ارضي، شاخص پوشش گياهي، ليتولوژي، فاصله از گسل، تراكم گسل، بارندگي، فاصله از آبراهه، تراكم آبراهه و فاصله از شبكه جاده شناسايي شدند. سپس، بر اساس شاخص Information Gain Ratio دوازده عامل موثر از بين آن ها انتخاب و جهت مدل سازي به كار گرفته شدند. اهميّت نسبي هر كدام از عوامل در مدل Random Forest و مدل تركيبي RS-RF بررسي شدند. معيارهاي Kappa، Precision، Recall، F-Measure، AUROC براي ارزيابي مدل ها هم براي داده هاي تعليمي و هم براي داده هاي صحت سنجي استفاده شدند. نقشه هاي پيش بيني مكاني وقوع زمين‌لغزش هاي سطحي با اين دو مدل نيز به دست آمدند. نتايج نشان داد كه در مدل RF جهت شيب و در مدل تركيبي RS-RF درجه شيب مهم ترين فاكتورهاي موثر بر وقوع زمين‌لغزش هاي منطقه‌ي مورد مطالعه شناخته شدند. نتايج ارزيابي مدل توسط معيارهاي معرفي شده بيانگر تاييد اين مدل ها براي داده هاي تعليمي و داده‌هاي صحت سنجي بودند. نتايج ارزيابي صحت نقشه پهنه بندي به دست آمده نشان داد كه درصد مساحت زير منحني ROC(AUROC) براي داده هاي تعليمي در مدل RF و مدل تركيبي RS-RFارايه شده به ترتيب 729/0 و 784/0 و براي داده هاي صحت سنجي به ترتيب 717/0 و 771/0 به دست آمدند. بطور كلي، نتايج نشان داد كه تكنيك Random Subspace منجر به افزايش صحت پيش بيني مكاني حساسيت زمين‌لغزش هاي سطحي منطقه‌ي مورد مطالعه شده است. دستيابي به يك نقشه‌ي پيش بيني مكاني زمين‌لغزش هاي سطحي با صحت بالاتر، كمك‌شاياني در توسعه‌ي معقول تر تاسيسات، اراضي شهري و روستايي، طرح هاي آمايش سرزمين، طرح هاي آبخيزداري و همچنين جلوگيري از هدر رفت خاك و فرسايش توده اي و انتقال رسوبات به پايين‌دست خواهد شد.

The accuracy and reliance increase and consequently reduction of uncertainty of spatial prediction maps of environmental hazards including landslides is one of the challenges facing with in such studies Therefore, the objective of this research is to introduce a hybrid model of data mining algorithm named Random Forest (RF)-Random Subspace (RF-RS) in order to enhance the accuracy of spatial prediction map of landslide-prone areas around the city of Bijar, Kurdistan province, Iran. Firstly, 19 affecting factors on shallow landslides in the study area including slope degree, slope aspect, elevation, curvature, profile curvature, plan curvature, solar radiation, stream power index (SPI), topographic wetness index (TWI), length-angle of slope (LS), land use, normalized difference vegetation index (NDVI), litho logy, distance to fault, fault density, rainfall, distance to stream, stream density and distance to road were identified. Then based on Information Gain Ratio (IGR), twelve factors among them were selected to be used in modeling. The elative importance of each factor was assessed by Random Forest (RF) model as well as Random Forest-Random Subspace (RF-RS) hybrid model. Kappa, Precision, Recall, and AUROC indices were used to evaluate the models not only for training dataset but also for testing dataset. Shallow landslide susceptibility maps of the study area were prepared using both models. The results showed that slope aspect in the RF model and slope degree in the RF-RS hybrid model is the most important affecting factor on landslide occurrence in the area. The model evaluation results indicated that both models are reasonable in application for shallow landslide susceptibility mapping. The findings also indicated that the percentage of area under the curve of ROC (AUROC) was 0.729 and 0.784 for training dataset by RF and RF-RS hybrid model, respectively, while these values were 0.717 and 0.771 for testing dataset. In conclusion, it can be claimed that the new technique (RF-RS hybrid model) is able to increase the accuracy of spatial prediction map of shallow landslides in the study area. This accurate map will help decision-makers to protect infrastructures of an area, to develop better land-use planning programs and to more effectively control sediments.