پیشبینی حساسیت وقوع زمینلغزش با الگوریتم یادگیری ماشین بیشینه آنتروپی (حوزه آبخیز بار نیشابور) | ||
| پژوهشهای دانش زمین | ||
| مقاله 5، دوره 13، شماره 3 - شماره پیاپی 51، 1401، صفحه 76-96 اصل مقاله (5.14 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/esrj.2022.102965 | ||
| نویسندگان | ||
| علی دسترنج* 1؛ ابراهیم کریمی سنگچینی2 | ||
| 1بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابعطبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران | ||
| 2بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابعطبیعی لرستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، خرمآباد، ایران | ||
| چکیده | ||
| زمینلغزش یکی از مخربترین بلایای طبیعی محسوب میشود. در مواجهه با زمینلغزش در لحظه وقوع، کار چندانی نمیتوان انجام داد، درحالی که میتوان با برنامهریزی مناسب و پیشبینی شده، خسارات و تلفات احتمالی را کاهش داد. بنابراین تهیه نقشه جامع حساسیت وقوع زمینلغزش برای کاهش آسیبهای احتمالی به افراد و زیرساختها لازم و ضروری است. هدف پژوهش حاضر، اولویتبندی عوامل مؤثر بر وقوع زمینلغزش و پهنهبندی حساسیت وقوع آن با استفاده از روش حداکثر آنتروپی در حوزه آبخیز بار نیشابور، واقع در استان خراسان رضوی است. روش پژوهش در این مطالعه از نظر هدف کاربردی و از نظر ماهیت توصیفی- تحلیلی است که از روشهای کتابخانهای، بازدیدهای میدانی و مدلسازی استفاده شده است. بدین منظور با توجه به مرور منابع گسترده، 16 عامل مؤثر بر وقوع زمینلغزش در منطقه موردمطالعه انتخاب و لایه رقومی عوامل مؤثر در سامانه اطلاعات جغرافیایی تهیه شدند. سپس لایه زمینلغزشهای موجود تهیه و بهمنظور مدلسازی حساسیت وقوع زمینلغزش به صورت تصادفی 70 درصد زمینلغزشها بهمنظور آموزش(واسنجی) مدل و 30 درصد برای اعتبارسنجی نتایج مدل انتخاب شدند. سپس با استفاده از الگوریتم بیشینه آنتروپی، ارتباط بین عوامل مؤثر و موقعیت زمینلغزشها در نرمافزار MaxENT، محاسبه و به منظور طبقهبندی نقشه حساسیت زمینلغزش به محیط GIS منتقل شد. در ادامه بهمنظور ارزیابی نتایج مدل از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی (ROC) با استفاده از دودسته داده آموزش و اعتبارسنجی استفاده شد. براساس نتایج نمودار Jackknife، از بین پارامترهای انتخاب شده در فرایند مدلسازی به ترتیب لایههای طول شیب(LS)، جهت شیب و شیب بیشترین مشارکت و تأثیر را در وقوع زمینلغزشهای حوزه بار را دارند. سطح زیر منحنی (AUC) براساس منحنی تشخیص عملکرد نسبی، نشاندهنده دقت عالی (92/0=AUC) در مرحله آموزش و خیلی خوب (87/0=AUC) در مرحله اعتبار سنجی هست. براساس نتایج مدل حداکثر آنتروپی، حدود 13 درصد از حوزه بار نیشابور در پهنه حساسیت زیاد و خیلی زیاد قرار گرفته است. | ||
| کلیدواژهها | ||
| پهنهبندی؛ حداکثر آنتروپی؛ حساسیت؛ حوزه آبخیز بار؛ زمینلغزش | ||
| عنوان مقاله [English] | ||
| Landslide susceptibility predicting using the maximum entropy machine learning algorithm (Bar catchment of Nishapur) | ||
| نویسندگان [English] | ||
| ALi Dastranj1؛ Ebrahim Karimi2 | ||
| 1Soil Conservation and Watershed Management Department, khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhhad, Iran | ||
| 2Soil Conservation and Watershed Management Department Lorestan Agricultural and Natural Resources Research and Education Center, AREEO, Khoramabad, Iran | ||
| چکیده [English] | ||
| Introduction Landslides are one of the most destructive natural disasters. Landslides cause damage to a variety of engineering structures, residential areas, vital arteries such as roads, water and gas pipelines, power lines, forests and pastures, agricultural lands, sediments and muddy floods. When landslides occur not much work can be done, but damage can be reduced with pre-determined planning. Therefore, it is necessary to prepare a comprehensive landslide susceptibility map to reduce possible damage to people and infrastructure. In recent years, the use of machine learning methods and geographic information systems (GIS) in landslide sensitivity zoning has expanded and landslide sensitivity maps are prepared with acceptable accuracy. The purpose of this study is to prioritize the factors affecting the occurrence of landslides and zoning the sensitivity of its occurrence using the maximum entropy method in the Neishabour watershed, located in Khorasan Razavi province. Materials and methods Bar watershed is one of the sub-basins of Bar River, which is located in the north of Neishabour city. This basin is limited from the northeast, east and south to the heights of Lar limestone ridge, from the west to Jurassic shales and from the northwest to the marls of Delichai Formation. In this study, landslide zoning was performed using the maximum entropy model. First, the landslides in the basin were extracted through the landslide map in the General Department of Natural Resources of Khorasan Razavi Province. Then, by conducting field visits in the basin, using local information and GPS devices, as well as using Google Earth satellite images, this map was corrected, and finally, the landslide inventory map was prepared as a point. The most important factors affecting landslides in the region include slope, slope direction, elevation classes, geology, drainage network (distance from river), road (distance from road), fault (distance from fault), topographic indexes (Steam Power Index (SPI)), Topographic Wetness Index (TWI) and Slope Length index (LS)), geomorphological indexes (Topographic Position Index (TPI)), Topographic Roughness Index (TRI) and Curvature Index, land use, Normalized Vegetation Difference Index (NDVI) Co-precipitation lines were identified and analyzed as effective factors in landslide occurrence in the study area. In order to model the sensitivity of landslides, 70% of landslides were randomly selected for training (calibration) of the model and 30% for validation of model results. The maximum entropy model was modeled as a dependent model of the presence of potential regions in MaxEnt software. The final landslide susceptibility map was zoned in five talent classes (very low, low, medium, high and very high) based on the turning points of the cumulative frequency of the pixels. In order to evaluate the results of the model, ROC curve was used using two sets of training and validation data. Results and discussion Using information provided by the General Department of Natural Resources of Khorasan Razavi Province, extensive field studies, and the use of Google Earth images, a total of 74 landslides were identified in the Bar Watershed. The sensitivity of landslides has decreased with increasing altitude up to 1650 meters and has increased from 1650 to 3200 meters. The highest susceptibility to landslides is in the northern and eastern slopes of the study area. The results of the slope study showed that with increasing the slope to 40 degrees, the sensitivity to landslides has increased and after 40 degrees the sensitivity has decreased. Landslide susceptibility has decreased with increasing distance from the fault. Regarding the effect of distance from the road on the occurrence of landslides, with increasing distance from the road to a distance of 4000 meters from the road, there is a decreasing sensitivity trend, but after this distance, this trend has increased, which is probably due to other factors. Among the different uses of the study area, weak pasture uses and rocky outcrops have the highest susceptibility to landslides, respectively. Q2 and PLQm rock units have the greatest impact on landslide susceptibility. With increasing TPI index, the sensitivity of landslide is also increasing. With increasing TRI index, the sensitivity of landslide occurrence has decreased. Slip sensitivity has also increased with increasing slope length. With increasing Stream Power Index (SPI), landslide sensitivity has increased and then decreased. According to the results of Jackknife diagram, among the selected parameters in the modeling process, the slope length (LS) layers, respectively, slope direction and slope have the most participation and impact in the occurrence of landslide landslides. According to the results, 13% of the area has high and very high sensitivity, 73% has low and very low sensitivity and 14% of the area has medium sensitivity. The area under the curve (AUC) based on the relative performance detection curve indicates excellent accuracy (AUC = 0.92) in the training phase and very good (AUC = 0.87) in the validation phase. Based on the results of the maximum entropy model, about 13% of the Neishabour load field is located in the high and very high sensitivity zones. Conclusion Distribution factor analysis showed that the slope length (LS) factors for slope and slope direction have the highest participation and impact in the occurrence of landslide landslides and distance from the fault, NDVI index and TWI index have the least impact on landslide occurrence. Interpretation of the results of ROC curve mapping showed that the accuracy of the model in estimating sensitive areas in both training and validation stages was excellent and very good, respectively, which according to the results of Phillips et al. (2006) means excellent performance of the model. is. Based on the obtained results, it can be said that the maximum entropy model has high speed and accuracy in determining landslide-sensitive areas due to the unlimited ability of the maximum entropy algorithm to measure complex linear and other linear relationships. Identifying sensitive areas, using this model can be considered as a solution. The results of this study also showed that the maximum entropy model is a promising approach for modeling landslide sensitivity. Because the plan has a high accuracy in identifying and separating landslide sensitive areas, decision makers and engineers to introduce areas with different landslide sensitivities in order to build a suitable place to prevent the destruction of sediment structures, slope management, drainage and transfer Water from sensitive areas close to the implementation of structures, road network development and land use planning programs will help. The resultant landslide susceptibility maps can be useful in appropriate watershed management practices and for sustainable development in the region. | ||
| کلیدواژهها [English] | ||
| Zoning, Maximum entropy, Sensitivity, Bar catchment of Nishapur, landslide | ||
| مراجع | ||
|
-بابلی مؤخر، ح.، شیرانی، ک. و تقیان، ع.ر.، ۱۳۹۷. ارزیابی نقشه پهنهبندی حساسیت زمینلغزش با استفاده از روش تلفیقی فاکتور اطمینان و رگرسیون لجستیک با به کارگیری شاخصهای ژئو مورفومتریک، فصلنامه پژوهشهای ژئومورفولوژی کمی، شماره ۷(۳)، ص 91-116.
-تیموری، م. و اسدی نلیوان، ا.، ۱۳۹۸. پهنهبندی حساسیت و اولویتبندی عوامل مؤثر بر وقوع زمینلغزش با استفاده از مدل حداکثر آنتروپی (مطالعه موردی: استان لرستان)، نشریه هیدروژیومورفولوژی، شماره ۶(۲۱)، ص ۱۵۵-۱۷۹.
-حیدری، ن.، حبیب نژاد، م.، کاویان، ع. و پورقاسمی، ح.، 1399. مدلسازی حساسیت زمینلغزش با الگوریتم یادگیری ماشین جنگل تصادفی در آبخیز سد رئیسعلی دلواری، فصلنامه پژوهشهای آبخیزداری (پژوهش و سازندگی)، شماره ۱۲۶، ص ۲-۱۳.
-رجبزاده، ف.، غیاثی، س. و رحمتی، ا.، ۱۳۹۷. کارایی الگوریتم حداکثر آنتروپی و سامانه اطلاعات جغرافیایی در ارزیابی حساسیت پذیری زمینلغزشهای کمعمق، فصلنامه حفاظت منابع آب و خاک، شماره ۸(۲)، ص ۵۷-۷۴.
-روستایی، ش.، مختاری، د. و اشرفی فینی، ز.، 1399. پهنهبندی خطر زمینلغزش در حوضه آبریز طالقان با استفاده از شاخص آنتروپی شانون، نشریه علمی جغرافیا و برنامهریزی، شماره 24(71)، ص 150-125.
-رحمتی، ا.، طهماسبی پور، ن.، حقی زاده، ع.، پورقاسمی، ح. و فیضی زاده، ب.، 1397. ارزیابی کارایی مدل بیشینه آنتروپی در پیشبینی استعداد وقوع فرسایش آبکندی حوزه آبخیز کشکان-پل دختر، مجله مهندسی و مدیریت آبخیز، شماره 10(4)، ص 727-738.
-طالبی، ع.، نفرزادگان، ع. و ملکی نژاد، ح.، ۱۳۸۹. مروری بر مدلسازی تجربی و فیزیکی زمینلغزشهای ناشی از بارندگی، فصلنامه پژوهشهای جغرافیای طبیعی، شماره ۴۱(۷۰)، ص 63-۴۵.
-عظیم پورمقدم، و.، 1394. پهنهبندی خطر زمینلغزش با استفاده از تئوری بیزین و دمپستر-شیفر (مطالعه موردی: بخش از حوزه آبخیز بابلرود)، پایاننامه کارشناسیارشد، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه ساری.
-علی پور، ح. و ملکیان، آ.، ۱۳۹۴. پهنهبندی خطر زمینلغزش در حوضه آبخیز جهان اسفراین خراسان شمالی، فصلنامه جغرافیا و توسعه، شماره ۱۳(۳۹)، ص ۱۶۵-۱۸۰.
-قاسمیان، ب.، عابدینی، م.، روستایی، ش. و شیرزادی، ع.، ۱۴۰۰. ارزیابی حساسیت زمینلغزش با استفاده از مدل جدید ترکیبی الگوریتم مبنا (مطالعه موردی: شهرستان کامیاران، استان کردستان)، فصلنامه پژوهشهای ژئومورفولوژی کمی، شماره ۹(۴)، ص ۱۳۰-۱۴۶.
-قاسمیان، ب.، عابدینی، م.، روستایی، ش. و شیرزادی، ع.، 1396. ارزیابی حساسیت زمین لغزش با استفاده از الگوریتم ماشین پشتیبان بردار (مطالعه موردی: شهرستان کامیاران، استان کردستان)، فصلنامه پژوهشهای ژئومورفولوژی کمی، شماره 6(3)، ص 15-36.
-کرنژادی، آ.، اونق، م.، پورقاسمی، ح.، بهرهمند، ع. و معتمدی، م.، ۱۳۹۹. پیشبینی حساسیت زمینلغزش با استفاده از مدلهای ترکیبی فاصله ماهالانوبیس و یادگیری ماشین (مطالعه موردی: حوزه آبخیز اوغان، استان گلستان)، مجله پژوهشهای دانش زمین، شماره ۱۱(۴۲)، ص ۱-۱۸.
-کرنژادی، آ. و پورقاسمی، ح.، ۱۳۹۸. ارزیابی حساسیت زمین لغزش با استفاده از مدلهای دادهکاوی، مطالعه موردی: حوزه آبخیز چهل چای، مجله مهندسی و مدیریت آبخیز، شماره ۱۱(۱)، ص ۴۲-۲۸.
-کوه پیما، ا.، 1396. پهنهبندی حساسیت، ارزیابی و مدیریت ریسک زمینلغزش (مطالعه موردی: حوزه آبخیز لتیان)، رساله دکتری، دانشگاه تهران، پردیس کشاورزی و منابع طبیعی، دانشکده منابع طبیعی، تهران، ایران.
-محمدنیا، م. و فلاح قالهری، غ.، ۱۳۹۷. شبیهسازی احتمال وقوع زمینلغزش با استفاده از منطق فازی و فرایند تحلیل سلسله مراتبی، فصلنامه تحقیقات کاربردی علوم جغرافیایی، شماره ۱۸(۴۸)، ص ۱۳۰-۱۱۵.
-محمدیاری، ف.، میرسنجری، م. و زرندیان، ا.، 1397. پایش تغییرات پوشش گیاهی حوزه آبخیز کرج با استفاده از شاخص نرمال شده اختلاف پوشش گیاهی و تحلیل گرادیان، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، شماره 9(4)، ص 55-72.
-ملکی، ا.، مارابی، ه. و رحیمی، ح.، ۱۳۹۵. ارزیابی شاخص موقعیت توپوگرافی (TPI) در زون سنندج - سیرجان و زاگرس شکسته، فصلنامه پژوهشهای ژئومورفولوژی کمی، شماره ۵(۱)، ص ۱۲۹-۱۴۱.
-Chen, W., Zhang, S., Li, R. and Shahabi, H., 2018. Performance evaluation of the GIS-based data mining techniques of best-first decision tree, random forest, and naïve Bayes tree for landslide susceptibility modeling, Science of the total environment, v. 644, p. 1006-1018. -Dahal, R.K., Hasegawa, S., Nonomura, A., Yamanaka, M., Dhakal, S. and Paudyal, P., 2008. Predictive modelling of rainfall-induced landslide hazard in the Lesser Himalaya of Nepal based on weights-of-evidence. Geomorphology, v. 102(3-4), p. 496-510. -Ercanoglu, M. and Gokceoglu, C., 2002. Assessment of landslide susceptibility for a landslide-prone area (north of Yenice, NW Turkey) by fuzzy approach. Environmental geology, v. 41(6), p. 720-730. -Fathi, M.H., Khohdel, K., Shoreh Kandi, A., Ashrafifeini, Z. and Khaliji, M.A., 2015. The combination of spectral and spatial data in zoning oflandslide susceptibility (Case study: Sangorchay reservoir) Journal of Biodiversity and Environmental Sciences (JBES), p. 515-527. -Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi, E. and Savage, W.Z., 2008. Guidelines for landslide susceptibility, hazard and risk zoning for land-use planning. Engineering geology, v. 102(3-4), p. 99-111. -Kerekes, A.H., Poszet, S.L. and Andrea, G.Á.L., 2018. Landslide susceptibility assessment using the maximum entropy model in a sector of the Cluj–Napoca Municipality, Romania. Revista de Geomorfologie, v. 20(1), p. 130-146. -Kornejady, A., Ownegh, M. and Bahremand, A., 2017. Landslide susceptibility assessment using maximum entropy model with two different data sampling methods. Catena, v. 152, p. 144-162. -Kornejady, A., Pourghasemi, H.R. and Afzali, S.F., 2019. Presentation of RFFR new ensemble model for landslide susceptibility assessment in Iran. In Landslides: theory, practice and modelling, Springer, Cham., p. 123-143. -Lee, S., Hwang, J. and Park, I., 2013. Application of data-driven evidential belief functions to landslide susceptibility mapping in Jinbu, Korea. Catena, v. 100, p. 15-30. -Liu, J. and Duan, Z., 2018. Quantitative assessment of landslide susceptibility comparing statistical index, index of entropy, and weights of evidence in the Shangnan area, China. Entropy, v. 20(11), p. 868-884. -Meten, M., PrakashBhandary, N. and Yatabe, R., 2015. Effect of landslide factor combinations on the prediction accuracy of landslide susceptibility maps in the Blue Nile Gorge of Central Ethiopia. Geoenvironmental Disasters, v. 2(1), p. 1-17. -Mirzaei, G., Soltani, A., Soltani, M. and Darabi, M., 2018. An integrated data-mining and multi-criteria decision-making approach for hazard-based object ranking with a focus on landslides and floods. Environmental Earth Sciences, v. 77(16), p. 1-23. -Pandey, V.K., Pourghasemi, H.R. and Sharma, M.C., 2020. Landslide susceptibility mapping using maximum entropy and support vector machine models along the Highway Corridor, Garhwal Himalaya. Geocarto International, v. 35(2), p. 168-187. -Park, N.W., 2015. Using maximum entropy modeling for landslide susceptibility mapping with multiple geoenvironmental data sets. Environmental Earth Sciences, v. 73(3), p. 937-949. -Pradhan, B., 2011. Use of GIS-based fuzzy logic relations and its cross application to produce landslide susceptibility maps in Malaysia, Environmental Earth Sciences, v. 63, p. 329-349. -Phillips, S.J., Anderson, R.P. and Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecological modelling, v. 190(3), p. 231-259. -Tien Bui, D., Shahabi, H., Shirzadi, A., Chapi, K., Alizadeh, M., Chen, W. and Tian, Y., 2018. Landslide detection and susceptibility mapping by airsar data using support vector machine and index of entropy models in cameron highlands, Malaysia, Remote Sensing, v. 10(10), p. 15-27. -Wang, P., Bai, X., Wu, X., Yu, H., Hao, Y. and Hu, B.X., 2018. GIS-based random forest weight for rainfall-induced landslide susceptibility assessment at a humid region in Southern China. Water, v. 10(8), p. 1019-1034. -Zare, M., Pourghasemi, H.R., Vafakhah, M. and Pradhan, B., 2013. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms, Arabian Journal of Geosciences, v. 6(8), p. 2873-2888. | ||
|
آمار تعداد مشاهده مقاله: 8,774 تعداد دریافت فایل اصل مقاله: 4,738 |
||