چکیده:
هدف این مطالعه ارزیابی کارایی دو مدل شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان بردار در سه حالت استفاده از شاخصهای مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب، جهت شیب، لیتولوژی، کاربری اراضی، NDVI، آبراهه، جاده و گسل؛ و ترکیبی از دو حالت فوق، در پهنهبندی حساسیت زمینلغزش آبخیز چریک آباد میباشد. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، نقاط لغزشی در حوضه شناسایی شدند. نقشه شاخصهای مورفومتریک با استفاده از مدل رقومی ارتفاعی (5/12×5/12) متر در SAGA_GIS6. 4 و ArcGIS10. 5؛ و نقشههای عوامل محیطی و انسانی در ArcGIS10. 5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC نشان داد که در حالت استفاده از تنها شاخصهای مورفومتریک، دو مدل SVM و ANN به ترتیب با سطح زیر منحنی 742/0 و 763/0 دارای عملکرد خوب؛ در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 876/0 و 929/0 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی بههمراه شاخصهای مورفومتریک، دو مدل با سطح زیر منحنی 940/0 و 936/0 دارای عملکرد عالی در پهنهبندی مناطق حساس بودهاند. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، LS و ارتفاع حوضه بیشترین تاثیر را بر وقوع زمینلغزشها داشتهاند.
The purpose of this study was to evaluate the performance of two data mining models; artificial neural network and vector support machine algorithm in three modes: Using morphometric indices including topographic wetness index, topographic position index, stream power index, length slope index, terrain ruggedness index, mass balance index, profile curvature index and surface curvature index; Using environmental and human factors including rainfall, basin height, slope, slope direction, lithology, land use, normalized vegetation difference index, distance from stream, distance from road, and distance from fault; And a combination of the above two conditions in zoning the landslide sensitivity of the Cherikabad watershed in Urmia. For this purpose, 92 landslide points in the watershed were identified using field study and Google Earth images. The map of morphometric indices and maps of environmental and human factors were prepared and digitized in ArcGIS10.5. The evaluation results of the two models using the ROC curve showed that in the case of using only morphometric indices, the two models SVM and ANN with the area under the curve of 0.742 and 0.763, respectively, have good performance in landslide sensitivity zoning. In the case of using human and environmental factors, the above two models with an area under the curve of 0.876 and 0.929 have good and very good performance, respectively; and in the case of using both human and environmental factors along with morphometric indices, the two models with an area under the curve of 0.940 and 0.936 had almost the same performance with excellent rank in the zoning of sensitive areas. Moreover, the highest quality sum (Qs) and Density ratio (Dr) had the highest correlation between risk categories for the SVM model in the third case. The results of Kappa index in the superior state showed that lithology, LS, and basin height factors had the greatest effect on the occurrence of landslides, respectively. Therefore, the effects of natural factors in comparison with human factors, and in general, the morphometric indices are higher in the occurrence of landslides than environmental and human factors, and the basin is inherently sensitive to landslides.
خلاصه ماشینی:
اثر شاخص هاي مورفومتري در بهبود کارايي مدل هاي داده کاوي به منظور پهنه بندي حساسيت زمين لغزش حوضه آبخيز چريک آباد اروميه عبدالعزيز حنيفي نيا١ - دانشجوي دکتري مديريت حوزه هاي آبخيز، گروه مرتع و آبخيزداري دانشگاه اروميه ، اروميه ، ايران حبيب نظرنژاد - دانشيار گروه مرتع و آبخيزداري دانشگاه اروميه ، اروميه ، ايران تاريخ دريافت : ١٤٠٠/١/١٨ تاريخ بازنگري: ١٤٠٠/٤/١١ تاريخ تصويب : ١٤٠٠/٥/١٥ چکيده هدف اين مطالعه ارزيابي کارايي دو مدل داده کاوي شبکه عصبي مصنوعي و الگوريتم ماشين پشتيبان بردار در سه حالت استفاده از شاخص هاي مورفومتريک شامل شـاخص خيسـي توپـوگرافي، شـاخص موقعيـت توپوگرافي، شاخص توان آبراهه ، شاخص طول شيب ، شـاخص نـاهمواري زمـين ، شـاخص تعـادل جـرم ، شاخص انحناي پروفيل و شاخص انحناي سطح ؛ استفاده از عوامل محيطي و انساني شامل بارندگي، ارتفاع حوضه ، درجه شيب ، جهت شيب ، ليتولوژي، کاربري اراضي، شاخص تفاضل نرمـال شـده پوشـش گيـاهي (NDVI)، فاصله از آبراهه ، فاصله از جاده و فاصله از گسل ؛ و ترکيبي از دو حالـت فـوق ، در پهنـه بنـدي حساسيت زمين لغزش هاي حوضه آبخيز چريک آباد اروميه است .
از بين مدل هاي داده کاوي دو مدل الگوريتم پشتيبان بـردار٣ و شـبکه عصـبي مصنوعي ٤ در تحقيقات پهنه بندي حساسيت زمين لغزش ها از اهميت بالايي برخوردارند کـه ازجملـه ايـن پـژوهش هـا ميتوان به استفاده از مدل الگوريتم ماشين پشتيبان بردار توسط (تيـئن بـوي و همکـاران ٥، ٢٠١٤؛ هانـگ و همکـاران ، 6 ٢٠١٦؛ رودپشتي و همکاران ٧، ٢٠١٧؛ وخشوري و همکاران ٨، ٢٠١٩)؛ استفاده از مدل شبکه عصـبي مصـنوعي توسـط (آرنون و همکاران ٩، ٢٠١٤؛ آديتيان و همکاران ١٠، ٢٠١٨؛ براگـاگنولو و همکـاران ١، ٢٠٢٠) و ترکيـب دو مـدل شـبکه 1 Guzzetti 2 Haghighat 3 Support vector machine 4 Artificial Neural Networks 5 Tien Bui 6 Hong 7 Roodposhti 8 Vakhshoori 9 Arnone 10 Aditian عصبي مصنوعي و ماشين پشتيبان بـردار توسـط (چـن و همکـاران ٢، ٢٠١٧؛ يـو و چـن ٣، ٢٠٢٠؛ فنـگ و همکـاران ، 4 ٢٠٢٠) اشاره کرد.