نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، دانشکده منابع طبیعی، دانشگاه یزد

2 دانش‌‌آموخته کارشناسی ارشد، آبخیزداری، دانشگاه یزد

3 استادیار، منابع طبیعی و محیط‌زیست، دانشگاه شیراز

چکیده

با توجه به توانایی­ تکنیک­های داده­ کاوی، کاربرد آن­ها در رشته ­های مختلف مهندسی و علوم زمین گسترش فراوانی داشته است. هدف از پژوهش حاضر پهنه‌بندی حساسیت زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی، در حوزه آبخیز سردارآباد در شهرستان خرم‌آباد، استان لرستان است. جنگل‌های تصادفی یک نوع مدرن از درخت- پایه هستند که شامل انبوهی از درخت­های کلاس‌بندی و رگرسیونی می­باشند. الگوریتم جنگل تصادفی مبتنی بر دسته‌ای از درخت‌های تصمیم است و در حال حاضر یکی از بهترین الگوریتم‌های یادگیری است. برای انجام پژوهش حاضر لایه‌های اطلاعاتی درجه شیب، جهت شیب، ارتفاع از سطح دریا، شکل شیب، فاصله از گسل، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی به‌عنوان عوامل مؤثر بر وقوع زمین‌لغزش شناسایی و نقشه­ های آن در نرم‌افزار ArcGIS10.2 رقومی و تهیه گردیدند. سپس با استفاده از الگوریتم جنگل تصادفی، ارتباط بین عوامل مؤثر و موقعیت زمین­لغزش­ها و وزن هر یک از آن­ها در نرم‌افزار آماری R محاسبه و درنهایت جهت تهیه نقشه حساسیت زمین‌لغزش منطقه موردمطالعه به محیط GIS منتقل گردید. نتایج ارزیابی دقت روش پهنه‌بندی با استفاده از منحنی تشخیص عملکرد نسبی و 30 درصد نقاط لغزشی استفاده‌نشده در فرآیند مدل‌سازی، بیان‌گر دقت عالی مدل جنگل تصادفی با سطح زیر منحنی 8/98 درصد است. هم‌چنین بر اساس الگوریتم جنگل تصادفی، عوامل لیتولوژی، فاصله از جاده و فاصله از رودخانه به ترتیب بیش­ترین تأثیر را در وقوع زمین‌لغزش حوزه آبخیز سردارآباد داشته­اند.
با توجه به توانایی­ تکنیک­های داده­کاوی، کاربرد آن­ها در رشته­های مختلف مهندسی و علوم زمین گسترش فراوانی داشته است.هدفازپژوهشحاضرپهنه‌بندیحساسیتزمین‌لغزشبااستفادهازالگوریتمجنگلتصادفی،درحوزهآبخیزسردارآباددرشهرستان خرم‌آباد، استانلرستاناست. جنگل‌هایتصادفییکنوعمدرناز درخت- پایههستندکهشاملانبوهیازدرخت­هایکلاس‌بندیورگرسیونیمی­باشند. الگوریتمجنگلتصادفیمبتنیبردسته‌ایازدرخت‌هایتصمیماستودر حالحاضریکیازبهترین الگوریتم‌هاییادگیریاست.برای انجام پژوهش حاضرلایه‌هایاطلاعاتیدرجهشیب،جهتشیب،ارتفاعازسطحدریا،شکلشیب، فاصلهازگسل،فاصلهازآبراهه،فاصله از جاده، بارندگی، لیتولوژیوکاربریاراضیبه‌عنوانعواملمؤثربروقوعزمین‌لغزششناساییونقشه­های آن درنرم‌افزار ArcGIS10.2 رقومی و تهیه گردیدند. سپسبااستفادهازالگوریتمجنگلتصادفی،ارتباط بین عوامل مؤثر و موقعیت زمین­لغزش­ها و وزنهریکازآن­هادرنرم‌افزارآماری R محاسبهو درنهایت جهت تهیه نقشهحساسیتزمین‌لغزش منطقهموردمطالعهبه محیط GIS منتقل گردید.نتایجارزیابیدقتروشپهنه‌بندیبااستفادهازمنحنیتشخیصعملکردنسبیو30درصدنقاطلغزشی استفاده‌نشدهدرفرآیندمدل‌سازی،بیان‌گردقتعالیمدلجنگلتصادفی با سطح زیر منحنی 8/98درصد است.هم‌چنینبر اساس الگوریتمجنگلتصادفی، عوامللیتولوژی، فاصلهاز جادهوفاصله از رودخانهبه ترتیب بیش­ترین تأثیر رادروقوعزمین‌لغزشحوزه آبخیز سردارآباد داشته­اند.

کلیدواژه‌ها

عنوان مقاله [English]

Investigation of the possibility of landslide hazard mapping using the Random Forest algorithm (Case study: Sardarabad Watershed, Lorestan Province)

نویسندگان [English]

  • Ali Talebi 1
  • Sahar Goudarzi 2
  • Hamid Reza Pourghsemi Pourghsemi 3

1 Associate Professor, Watershed Management Department, Faculty of Natural Resources, Yazd University, Yazd, Iran

2 MSc in Watershed Management, Faculty of Natural Resources, Yazd University, Yazd, Iran

3 Assistant Professor, Department of Natural Resources and Environment, Faculty of Agriculture Shiraz University, Shiraz, Iran

چکیده [English]

With respect to the ability of data analysis techniques, their applications in various engineering and geosciences disciplines have been expanded. In this study, the random forest algorithm has been used for landslide susceptibility mapping in the Sardarabad Watershed, Lorestan Province. Random forest is another popular and very efficient algorithm, based on model aggregation ideas, for both regression and classification problems. The method combines the idea of bagger with random feature selection. For this purpose, layers of slope, aspect, elevation, curvature, distance from the fault, distance from the river, distance from the road, rainfall, lithology and land use were prepared as the factors influencing landslide. Then, their maps were digitized in ArcGIS10.2 map-software. Then, sensitive areas to landslides were evaluated using adaptive random forest algorithms. Meanwhile, random forest algorithms were written in R software and finally, ROC curves were used for evaluating the models. Based on the obtained results in the study area, the accuracy of the random forest algorithm is 98.8%. Overall, the random forest algorithm indicates that lithology and distance to roads are the main factors on landslide occurrence. Overall, the random forest algorithm indicates that lithology and distance to roads are the main factors on landslide occurrence.

کلیدواژه‌ها [English]

  • Random Forest algorithm
  • watershed Sardarabad
  • landslides
  • ROC curve

ابراهیم‌خانی، سمیه؛ افضلی، مهدی؛ شکوهی، علی (1390). پیش‌بینی و بررسی عوامل تصادفات جاده‌ای با استفاده از الگوریتم‌های داده‌کاوی، فصلنامه دانش انتظامی زنجان، شماره 1، سال اول، صص 111-127.

ابراهیمی، افسانه؛ شاد، روزبه؛ قائمی، مرجان (1394). پیش‌بینی خطر زمین‌لغزش با استفاده از مدل سیستم استنتاج نروفازی تطبیقی و GIS، نخستین همایش و نمایشگاه بین‌المللی ایمنی امنیت و مدیریت بحران در سوانح طبیعی.

پور قاسمی، حمیدرضا؛ مرادی، حمیدرضا؛ محمدی، مجید (1386). پهنه‌بندی خطر زمین‌لغزش با روش آماری Frequency ratio در حوزه آبخیز صفارود، مجموعه مقالات سومین کنفرانس سراسر آبخیزداری و مدیریت منابع آب‌وخاک، دانشگاه شهید باهنر کرمان، آذرماه 1386، صص 179-174.

پورقاسمی، حمیدرضا؛ مرادی، حمیدرضا؛ فاطمی عقدا، سید محمود؛ مهدوی فر، محمدرضا؛ محمدی، مجید (1388). ارزیابی خطر زمین­لغزش با استفاده از روش تصمیم‌گیری چند معیاره فازی، مجله علوم و مهندسی آبخیزداری ایران.

پورقاسمی، حمیدرضا (1392). پیش‌بینی خطر زمین‌لغزش با استفاده از روش‌های داده‌کاوی در شمال شهر تهران، رساله دکتری علوم و مهندسی آبخیزداری، دانشگاه تربیت مدرس، 143 ص.

پورقاسمی، حمیدرضا (1392). پهنه‌بندی حساسیت زمین‌لغزش با استفاده از الگوریتم جنگل تصادفی و سامانه اطلاعات مکانی، بیست و دومین همایش و نمایشگاه ملی ژئوماتیک.

پور­ قاسمی، حمیدرضا؛ ذبیحی، محسن؛ بهزاد فر، مرتضی (1394). تهیۀ نقشۀ پتانسیل آب زیرزمینی با استفاده از مدل­های آنتروپی شانون و جنگل تصادفی در دشت بجنورد، فصلنامه اکو هیدرولوژی، دوره دوم، شماره 2، صص: 232-221.

رجبی، معصومه؛ فیض­الله پور، مهدی (1392). پهنه‌بندی زمین‌لغزش‌های حوضه‌ی رودخانه‌ی گیوی چای با استفاده از مدل پرسپترون چندلایه از نوع پیش­خور پس انتشار، مجله جغرافیا و توسعه، شماره 36، صص: 180-161.

فرشاد، محمد؛ ساده، جواد (1392). مکان‌یابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی، رگرسیون تعمیم‌یافته و الگوریتم جنگل تصادفی، سیستم‌های هوشمند در مهندسی برق. سال چهارم، شماره 2، صص: 14-1.

طالبی، علی (1390). بررسی اثر جریان‌های زیرسطحی در وقوع زمین‌لغزش‌های سطحی، هفتمین همایش ملی علوم و مهندسی آبخیزداری ایران، 8 ص.

 طالبی، علی (1390). جزوه درسی حرکت­های توده‌ای، دانشگاه یزد، 247 ص.

کمک پناه، علی؛ منتظر القائم، سعید (١٣٧٣). مجموعه مقالات اولین کارگاه تخصصی بررسی راهبردهای کاهش خسارات زمین­لغزه در کشور. موسسه بین‌المللی زلزله‌شناسی و مهندسی زلزله.

محمدی، مجید (1386). تحلیل خطر حرکات توده‌ای و ارائه مدل منطقه‌ای مناسب با استفاده از GIS مطالعه موردی: بخشی از حوزه آبخیز هراز، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکده منابع طبیعی و علوم دریایی، 79 ص.

مقدم نیا، علیرضا؛ زارع، محمد؛ تالی خشک، صادق؛ سلمانی، حسین (1392). پهنه‌بندی حساسیت خطر زمین‌لغزش با استفاده از مدل نرو فازی در حوزه آبخیز واز. دانشگاه علوم کشاورزی و منابع طبیعی ساری، پژوهشنامه مدیریت حوزه آبخیز، سال ششم، شماره 11، صص:110-101.

Breiman, L. (2001). Random forests Machine Learning 45(l), 5-32.

Gokceoglu, C, Sezer, E. (2009). A statistical assessment on international landslide literature (1945-2008). Landslides 6, 345-351.

Hastie, T. 2001, The elements of statistical learning: data mining, inference, and prediction, In Springer series in statistics New York, xvi: p. 533.

Jaada, M. (2009). Landslides Hazard Analysis Using Frequency Ratio Model. Universiti Putra Malaysia, Serdang, 181 pp.

Naghibi, A, Pourghasemi, H.R. (2015). A comparative assessment of three machine learning models and their performance comparison by bivariate and multivariate. Water Resource Management, 29pp, 5217–5236.

Nefeslioglu, H.A, Duman, T.Y, Durmaz, S. (2008). Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Eastern Black Sea Region of Turkey). Geomorphology, 94: 401-418.

Nicodemus, K.K. (2011). Letter to the Editor: On the stability and ranking of predictors from random forest variable importance measures. Briefings in Bioinformatics, 12(4), 369–373.

Pistocchi, A. Luzi, L and Napolitano, P. 2002, The use of predictive modeling techniques for optimal exploitation of spatial databases: a case study in landslide hazard mapping with expert-system-like methods, Environmental Geology 41:765-75.

Pourghasemi, H.R, Beheshtirad. M, Pradhan, B. (2014), A comparative assessment of prediction capabilities of modified analytical hierarchy process (M-AHP) and Mamdani fuzzy logic models in Netcad-GIS for forest fire susceptibility mapping. Geomatics. Natural Hazards and Risk, DOI: 10.1080/19475705.2014.984247

Pourghasemi, H.R. Moradi, H.R, Fatemi Aghda, S.M. (2013). Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances. Natural Hazards, 69:749–779.

Pradhan, B. Lee, S. (2010). Landslide susceptibility assessment and factor effect analysis: back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling. Environmental Modeling and Software, 25 (6): 747–759.

Rahmati, O. Pourghasemi, H.R. Melesse, A-M. (2016). Application of GIS-based data-driven random forest and maximum entropy models for groundwater potential mapping: A case study at Mehran Region, Iran. Catena, 137: 360–372.

Swets, J.A. (1988). Measuring the accuracy of diagnostic systems. Science 240, 1285–1293.

Yesilnacar, E.K. (2005). The application of computational intelligence to landslide susceptibility mapping in Turkey, Ph.D. Thesis. Department of Geomatics the University of Melbourne, 423pp.

Youssef, A-M. Pourghasemi, H.R. Pourtaghi, Z.S. Al-Katheeri, M.M. (2015). Landslide susceptibility mapping using the random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin. Asir Region, Saudi Arabia, Landslides, 1-14.