پهنهبندی وقوع خطر زمین لغزش با استفاده از مدلهای جنگل تصادفی و ماشین بردار پشتیبان (مطالعه موردی: حوضه آبخیز تالار) | ||
| پژوهشهای دانش زمین | ||
| مقاله 8، دوره 16، شماره 1 - شماره پیاپی 61، فروردین 1404، صفحه 152-168 اصل مقاله (2.16 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/esrj.2025.236839.1234 | ||
| نویسندگان | ||
| نگار باباربیع؛ قاسم لرستانی* ؛ رضا اسماعیلی | ||
| گروه جغرافیا، دانشکده علوم انسانی و اجتماعی، دانشگاه مازندران، بابلسر، ایران | ||
| چکیده | ||
| مقدمه زمین لغزش پدیدهای ژئومورفولوژیکی با پتانسیل بالای خسارات جانی و مالی میباشد که در اثر حرکت ناگهانی و سریع توده خاک، سنگ و سایر مواد در دامنههای با شیب کم تا متوسط به سمت پائین دامنه رخ میدهد. این پدیده در زمره مخربترین حوادث طبیعی در مناطق شیبدار محسوب میشود. با توجه به اهمیت و حساسیت موضوع، مقاله حاضر به پهنهبندی خطر وقوع زمین لغزش در حوضه تالار اختصاص دارد. مطالعات انجامشده در کشورهایی با شرایط اقلیمی مشابه، تجارب و چشماندازهای جهانی در خصوص پهنهبندی خطر وقوع زمین لغزش میتوانند به بهترین شکل در برنامهریزی برای مدیریت و کاهش خسارات کمک نمایند. نزدیک به 70 درصد وسعت سرزمینی ایران ارتفاع بالای 1000 متر (Zomordian, 2004) و 34 درصد، شیب بالای 10 درصد دارند (Jedari Eyvazi, 1995). این مساله، بیانگر آن است که ایران کشوری کوهستانی و مستعد وقوع حرکات دامنهای میباشد. نئوتکتونیک فعال به همراه سازندهای جوان دوران سوم زمینشناسی و شرایط آب و هوایی، زمینه را برای تسهیل وقوع حرکات دامنه به ویژه زمین لغزش مهیا میکند. در این میان، حوضه آبخیز تالار نیز با دارا بودن شرایط کوهپایهای و کوهستانی در قسمتهای مرکزی و جنوبی حوضه، مستعد وقوع زمین لغزش میباشد. ارتفاعات بلند البرز مرکزی و درههای عمیق از ویژگیهای اصلی ناهمواریهای این منطقه هستند. پوشش گیاهی منطقه شامل جنگلهای هیرکانی، مراتع کوهستانی و زمینهای کشاورزی است. اقلیم حوضه تالار معتدل و مرطوب است. بارش سالانه در این منطقه به طور متوسط بین 200 تا 1000 میلیمتر متغیر است و بیشترین بارش در فصول پاییز و زمستان رخ میدهد. این منطقه به دلیل بارشهای فراوان و توپوگرافی خاص، مستعد وقوع سیلابها و زمین لغزشها است. حوضه آبخیز تالار دارای تنوع زمینشناسی قابل توجهی است. سنگهای آهک و شیست از جمله سنگهای غالب این منطقه میباشند. به دلیل وجود گسلهای فعال و ساختارهای زمینشناسی پیچیده، پتانسیل منطقه جهت وقوع زمینلغزشها و رانشهای زمین بالا میباشد. تغییرات کاربری زمین، جنگلزدایی، آلودگی منابع آب و وقوع زمینلغزشها از جمله مشکلات اصلی این منطقه هستند. اقدامات حفاظتی و مدیریتی برای کاهش اثرات منفی این مشکلات ضروری است. با توجه به تنوع و پیچیدگیهای طبیعی، اقلیمی و انسانی این منطقه، شناخت دقیق ویژگیهای محیطی میتواند به برنامهریزی بهتر و مدیریت منابع طبیعی و زیستمحیطی کمک کند. هدف از پژوهش حاضر آن است تا با بهرهگیری از دادههای گذشته زمین لغزش و بررسی عوامل موثر بر وقوع این پدیده ژئومورفولوژیکی، با استفاده از روشهای جنگل تصادفی و بردار پشتیبان نقشه پهنهبندی زمین لغزش تهیه گردد و در ادامه دقت و کارایی مدلهای مذکور را در پیشبینی و شناسایی مناطق مستعد زمین لغزش با استفاده از منحنی ROC ارزیابی کند. متاسفانه با توجه به حساسیت بالای سازندهای دامنه شمالی البرز و تمایل مهاجران غیر بومی جهت سکونت و گذران اوقات فراغت در دامنههای کوهستانی و ییلاقی مشرف به جلگه در حوضه تالار، شرایط جهت تغییرات فاحش در کاربری اراضی فراهم شده است که در صورت وقوع زمین لغزش، خساراتهای بالای جانی و مالی غیر قابل جبرانی به همراه خواهد داشت. لذا بررسی و شناسایی پهنههای خطر زمین لغزش میتواند جهت آگاهی بخشی و کنترل لندفرمها در مواجهه با فرایندهای دامنهای حوضه تالار موثر واقع شود. از طرفی مدلهای مذکور بهطور جداگانه یا در کنار سایر مدلها در پهنهبندی خطر زمین لغزش استفاده شدهاند اما مقایسه کارایی دو مدل مذکور جهت شناسایی بهترین مدل، در محدودهای با شرایط محیطی نیمه مرطوب شمال کشورصورت نگرفته است. مواد و روشها منطقه مورد مطالعه حوضه آبخیز تالار یکی از ده حوضه بزرگ در بخش مرکزی استان مازندران، با مساحت 4/3227 کیلومترمربع در استان مازندران و جنوب شهر قائمشهر واقع شده است. حداقل و حداکثر ارتفاع این حوضه بین 26- تا 4002 متر از سطح دریای آزاد و میانگین ارتفاع حوضه 767 متر میباشد. واحدهای ناهمواری حوضه در سه کلاس جلگه (تا 200 متر)، تپه (200-500 متر) و کوهستان (بیش از 500) قابل تفکیک است. از آنجایی که در رخداد زمین لغزش عوامل گوناگونی موثر است لذا در این پژوهش از عوامل و متغیرهای طبیعی همچون عوامل توپوگرافی شامل ارتفاع، درجه شیب، جهت شیب، شاخص رطوبت توپوگرافی، انحنای پروفیل و پلان، به همراه فاصله از رودخانه ها، فاصله از گسل، سنگشناسی، بارش، شاخص پوشش گیاهی نرمال شده (NDVI) و عوامل انسانی نظیر فاصله از جاده و کاربری اراضی استفاده شده است. برای تولید لایههای ارتفاع، درجه شیب، جهت شیب، شاخص رطوبت توپوگرافی، انحنای پروفیل، انحنای پلان و فاصله از رودخانهها از مدل رقومی ارتفاع با پیکسل اندازه 30 متری سازمان زمینشناسی ایالات متحده آمریکا (USGS) استفاده شده است. برای تولید لایههای فاصله از گسل و سنگشناسی، از نقشه 100000/1 زمینشناسی سازمان زمین شناسی ایران کمک گرفته شد. برای تولید لایه خطوط هم بارش از داده های ایستگاه های باران سنجی حوضه تالار استفاده شده است. برای تهیه لایه پوشش گیاهی (NDVI) از شاخص پوشش گیاهی و جهت تهیه لایه کاربری اراضی از تصاویر ماهواره لندست سنجنده OLI با روش طبقهبندی نظارت شده حداکثر احتمال در نرم افزار Envi5.6 بهره گرفته شد. با استفاده از دستگاه سیستم موقعیت یاب جهانی(GPS)، لایه پراکنش نقاط رخداد زمین لغزش تهیه شد. جهت انجام این کار ابتدا با برداشت میدانی، موقعیت مکانی زمین لغزشهایی که دسترسی فیزیکی به آنها میسر بود توسط GPS ثبت شد. البته به دلیل شرایط توپوگرافیکی محدوده مورد مطالعه و به دلیل صعب العبور بودن و عدم دسترسی، از نرم افزار گوگل ارث برای شناسایی برخی از نقاط لغزشی استفاده شد و در نهایت تعداد 61 نقطه لغزشی در محدوده مورد مطالعه برداشت و ثبت گردید. 70 درصد نقاط (43 نقطه) به عنوان نقاط آموزشی و 30 درصد نقاط (18 نقطه) برای اعتبارسنجی مدل به صورت تصادفی انتخاب شدند. از دادههای آموزشی جهت مدلسازی و از دادههای اعتبارسنجی برای صحت سنجی استفاده شد. جهت پهنهبندی و مدلسازی زمین لغزشها از دو روش جنگل تصادفی و ماشین بردار پشتیبان استفاده شده است. نتایج و بحث در بررسی متغیرهای طبیعی و انسانی مشخص گردید، 56 درصد زمین لغزشها در ارتفاعات بین 436 تا 1126 متر رخ دادهاند. بیش از 78 درصد زمین لغزشها در شیبهای بالای 25 درجه مشاهده میشوند. 49 درصد زمین لغزشها در دامنههای با جهت شرق، شمال شرق و 38 درصد در جهتهای جنوب و جنوب غرب اتفاق افتادهاند. 75 درصد زمین لغزشها بر روی سنگهای شیل، ماسه سنگ، کنگلومرا و مارن در سازندهای TRJsو Mm,s,l رخ دادهاند. دامنههای با انحنای کم تا متوسط با فراوانی 50 درصد بیشترین همپوشانی را با لغزشهای رخ داده، نشان میدهند. از نظر شاخص رطوبت توپوگرافی خاک، 80 درصد زمین لغزشها در مقادیر بالای 6/1 تا 8 شاخص قرار میگیرند. حدود 64 درصد زمین لغزشها در فاصله صفر تا 3/1 کیلومتری از رودخانهها قرار دارند و 51 درصد زمین لغزشهای محدوده مورد بررسی، در فاصله صفر تا 600 متری از جادهها رخ دادهاند. حدود 78 درصد زمین لغزشها در فاصله 5/2 کیلومتری از گسلها واقع شدهاند. تقریبا 50 و 45 درصد زمین لغزشهای ثبت شده، به ترتیب در اراضی مرتعی و جنگلی موجود در حوضه مورد مطالعه مشاهده میشوند. با توجه به مقادیر بالای بارش در کل حوضه، نقاط لغزشی قابل مشاهده میباشد اما از نظر فراوانی زمین لغزشها، 30 درصد تعداد زمین لغزشها در مناطق با بارش بیشتر از 581 میلیمتر مشاهده میشود. با توجه به نتایج پهنهبندی و اطلاعات دریافتی، در مدل RF بیشترین طبقه خطر به خطر خیلی کم با 54 درصد فراوانی تعلق دارد و طبقه خطر زیاد در این مدل معادل 4/18 درصد میباشد. اما در مدل SVM طبقه خیلی کم با فراوانی 6/40 درصد بیشترین گسترش را نشان میدهد و طبقه خطر خیلی زیاد معادل 11 درصد کل حوضه را به خود اختصاص داده است. 70 درصد از 61 نقطه رخداد زمین لغزشی، جهت آموزش (Training) مدل و 30 درصد نقاط جهت صحت سنجی (Validation) مدل، به صورت تصادفی انتخاب شدند تا بتوان دقت مدل را با دادههایی که در فرآیند آموزش استفاده نشدهاند، ارزیابی نمود. نتایج ارزیابی در محدوده مورد مطالعه نشان داد که مقدار سطح زیرمنحنی در مدل SVM و RF به ترتیب برابر 12/87 و 27/85 است. که با توجه به طبقهبندی ارائه شده برای سطح زیر منحنی (1-9/0 عالی، 9/0-8/0 خیلی خوب، 8/0-7/0 خوب، 7/0-6/0 متوسط و 6/0-5/0 ضعیف)، هر دو مدل دارای دقت خیلی خوب هستند، اما در مقایسه میتوان گفت که پهنهبندی زمین لغزش حاصل از مدل ماشینبردار پشتیبان در منطقه مورد مطالعه از میزان دقت بالاتری برخوردار بوده است. به نظر میرسد اختلاف ناچیز در اعتبار مدلهای مورد بررسی به به تفاوت در تعداد و نحوه وزن دهی معیارها و همچنین اختلاف شرایط آب و هوایی حوضههای مورد مطالعه، مرتبط باشد. نتیجهگیری محدوده مورد بررسی با 61 پهنه لغزشی از مناطق بسیار حساس به زمین لغزش میباشد که با توجه به فعالیتهای روز افزون انسانی، وقوع این حرکت افزایش چشمگیری داشته است. برای ارزیابی مناطق مستعد زمین لغزش از 12 عامل موثر بر وقوع زمین لغزش (ارتفاع، شیب، جهت شیب، بارش، فاصله از رودخانه، فاصله از گسل، فاصله از جاده، شاخص پوشش گیاهی، رطوبت توپوگرافی خاک، شاخص انحناء، سنگشناسی و کاربری اراضی) بهره گرفته شد. همپوشانی نقاط لغزشی و لایههای عوامل موثر نشان داد که قسمتهای پائین دست حوضه به دلیل شیب ملایم و ارتفاع کم، جنس سنگهای تشکیل دهنده، حساسیت کمتری به وقوع زمین لغزش دارند و در مقابل قسمتهای میانی و بالادست حوضه تالار به دلیل شرایط کوهپایهای و کوهستانی، با ارتفاع و شیب زیاد و سازندهای حساس، بر شرایط بسیار مساعدتر جهت وقوع زمین لغزش دلالت دارد. نتایج حاصل از مدل جنگل تصادفی مناطق با خطر خیلی زیاد و زیاد را به ترتیب معادل 4/18 و 9/14 درصد نشان میدهد. این در حالی است که نتایج حاصل از مدل ماشین بردار پشتیبان، بر مناطق با خطر زمین لغزش خیلی زیاد و زیاد، به ترتیب معادل 11 و 7/16 درصد از منطقه دلالت دارد. در حوضه آبخیز تالار، کلاسهای با خطر خیلی زیاد و زیاد عمدتا در بخشهای مرتفع جنوبی و مرکز منطقه با شیب زیاد و در حواشی رودخانهها، آبراههها و جادهها منطبق میباشد. مقایسه مدلهای مذکور نشان داد که هر دو مدل کارایی بالایی در پهنهبندی وقوع زمین لغزش دارند اما نتایج ارزیابی منحنی راک نشان داده که مقدار سطح زیرمنحنی به دست آمده برای مدلهای ماشین بردار پشتیبان و جنگل تصادفی به ترتیب برابر 1/87 و 3/85 است. که با توجه به طبقهبندی ارائه شده برای سطح زیر منحنی، مدل ماشین بردار پشتیبان از میزان دقت بالاتری در پهنهبندی حساسیت زمین لغزش در منطقه مورد مطالعه برخوردار میباشد. با توجه به نتایج به دست آمده از دو مدل، به طور میانگین بیش از 40 درصد حوضه در خطر متوسط تا خیلی زیاد از لحاظ وقوع زمین لغزش قرار دارند و لزوم برنامهریزی جهت مدیریت حوضه و توجه بیش از پیش به این پدیده ضروری به نظر میرسد. | ||
| کلیدواژهها | ||
| حوضه تالار؛ جنگل تصادفی؛ زمین لغزش؛ ماشین بردار پشیبان؛ پهنهبندی خطر | ||
| عنوان مقاله [English] | ||
| Landslide hazard zoning using random forest and support vector machine models (Case study: Talar basin) | ||
| نویسندگان [English] | ||
| negar Babarbi؛ ghasem lorestani؛ reza esmaili | ||
| Department of Geography, Faculty of Humanities and Social Sciences, University of Mazandaran, Babolsar, Iran | ||
| چکیده [English] | ||
| Introduction Landslide is a geomorphological phenomenon with high potential for human and financial losses that occurs due to the sudden and rapid movement of soil, rock, and other materials on low to medium slopes down the slope. This phenomenon is considered one of the most destructive natural disasters in steep areas. Given the importance and sensitivity of the subject, this article is dedicated to landslide risk zoning in the Talar Basin. Studies conducted in countries with similar climatic conditions, global experiences, and perspectives on landslide risk zoning can best help in planning for management and damage reduction. Nearly 70 percent of Iran's land area is above 1000 meters in altitude (Zomordian, 2004) and 34 percent has a slope of more than 10 percent (Jedari Eyvazi, 1995). This indicates that Iran is a mountainous country and prone to slope movements. Active neotectonics, together with young Tertiary geological formations and climatic conditions, provide the basis for facilitating slope movements, especially landslides. Meanwhile, the Talar watershed is also prone to landslides due to its foothill and mountainous conditions in the central and southern parts of the basin. The high altitudes of the central Alborz and deep valleys are the main features of the ruggedness of this region. The vegetation of the region includes Hyrcanian forests, mountain pastures, and agricultural lands. The climate of the Talar basin is temperate and humid. Annual precipitation in this region varies on average between 200 - 1000 mm, and most precipitation occurs in the autumn and winter seasons. Due to its abundant rainfall and specific topography, this region is prone to floods and landslides. The Talar watershed has significant geological diversity. Limestone and schist are among the dominant rocks in this region. Due to the presence of active faults and complex geological structures, the potential of the region for landslides is high. Land use changes, deforestation, water pollution, and Mass movements are among the main problems of this region. Conservation and management measures are necessary to reduce the negative effects of these problems. Given the diversity and complexity of the natural, climatic, and human factors of this region, accurate knowledge of environmental characteristics can help in better planning and management of natural and environmental resources. The aim of the present study is to use past landslide data and investigate the factors affecting the occurrence of this geomorphological phenomenon, to prepare a landslide zoning map using random forest and support vector methods, and to further evaluate the accuracy and efficiency of the aforementioned models in predicting and identifying landslide-prone areas using the ROC curve. Unfortunately, due to the high sensitivity of the formations of the northern Alborz range and the tendency of non-native immigrants to settle and spend their leisure time in the mountainous and summer slopes overlooking the plain in the Talar basin, conditions have been created for drastic changes in land use, which in the event of a landslide will cause high and irreparable losses in terms of life and property. Therefore, investigating and identifying landslide hazard zones can be effective in raising awareness and controlling landforms in the face of slope processes in the Talar basin. On the other hand, the aforementioned models have been used separately or in combination with other models in landslide hazard zoning, but a comparison of the efficiency of the two aforementioned models to identify the best model in an area with semi-humid environmental conditions in the north of the country has not been conducted. Materials and Methods The Talar watershed is one of the ten largest basins in the central part of Mazandaran Province, with an area of 3227.4 square kilometers, located in Mazandaran Province and south of the city of Qaemshahr. The minimum and maximum elevation of this basin is between -26 and 4002 meters above sea level. The average elevation of the basin is 767 meters. The ruggedness units of the basin can be divided into three classes: plain (up to 200 meters), hills (200-500 meters), and mountains (more than 500). Since various factors are effective in landslide occurrence, in this study, natural factors and variables such as topographic factors including altitude, slope, slope direction, topographic moisture index, profile and plan curvature, along with distance from rivers, distance from faults, lithology, precipitation, normalized difference vegetation index (NDVI) and human factors such as distance from road and land use have been used. To produce the altitude, slope, slope direction, topographic moisture index, profile curvature, plan curvature and distance from rivers layers, the United States Geological Survey (USGS) digital elevation model with 30-meter pixel size was used. To produce the distance from faults and lithology layers, the 1/100,000 geological map of the Geological Survey of Iran was used. To produce the precipitation contour layer, data from rain gauge stations in the Talar basin were used. To prepare the vegetation layer (NDVI), the vegetation index was used, and to prepare the land use layer, the Landsat OLI satellite images were used with the supervised maximum likelihood classification method in Envi5.6 software. Using the Global Positioning System (GPS), the distribution layer of landslide occurrence points was prepared. To do this, first, by field surveying, the location of landslides that were physically accessible was recorded by GPS. Of course, due to the topographic conditions of the study area and due to their impassability and inaccessibility, Google Earth software was used to identify some landslide points, and finally, 61 landslide points were collected and recorded in the study area. 70% of the points (43 points) were randomly selected as training points and 30% of the points (18 points) were randomly selected for model validation. Training data was used for modeling and validation data was used for accuracy. Two methods, random forest and support vector machine, were used for landslide zoning and modeling. Results and Discussion In the study of natural and human variables, it was determined that 56% of landslides occurred at altitudes between 436 and 1126 meters. More than 78% of landslides are observed on slopes above 25 degrees. 49% of the landslides occurred in the east, northeast and 38% in the south and southwest directions. 75% of landslides occurred on shale, sandstone, conglomerate, and marl rocks in TRJs and Mmsl formations. Slopes with low to medium curvature with a frequency of 50% show the highest overlap with landslides. In terms of soil topographic moisture index, 80% of landslides are in values above 1.6 to 8 indices. About 64% of landslides are located within 0 to 1.3 km of rivers, and 51% of landslides in the study area occur within 0 to 600 m of roads. About 78% of landslides are located within 2.5 km of faults. Approximately 50 and 45% of recorded landslides occur in pasture and forest areas in the study basin, respectively. Due to the high rainfall in the entire basin, landslide hotspots are visible, but in terms of landslide frequency, 30% of landslides occur in areas with rainfall greater than 581 mm. According to the zoning results and the information received, in the RF model, the highest risk class belongs to very low risk with a frequency of 54%, and the high risk class in this model is 18.4%. However, in the SVM model, the very low class shows the highest spread with a frequency of 40.6%, and the very high risk class accounts for 11% of the entire basin. 70% of the 61 landslide occurrence points were randomly selected for model training and 30% for model validation to evaluate the accuracy of the model with data that were not used in the training process. The evaluation results in the study area showed that the area under the curve in the SVM and RF models is 12.87 and 27.85, respectively. According to the classification provided for the area under the curve (excellent 0.9-1, very good 0.8-0.9, good 0.7-0.8, moderate 0.6-0.7, and poor 0.5-0.6), both models have very good accuracy, but in comparison, it can be said that the landslide zoning obtained from the support vector machine model in the study area has a higher level of accuracy. It seems that the slight difference in the validity of the models under study is related to the difference in the number and weighting of the criteria, as well as the difference in the climatic conditions of the study basins. Conclusion The studied area with 61 landslide zones is a very sensitive area to landslides, which has increased significantly due to increasing human activities. To evaluate landslide-prone areas, 12 factors affecting landslide occurrence (elevation, slope, slope direction, precipitation, distance from the river, distance from the fault, distance from the road, vegetation index, soil topographic moisture, curvature index, lithology and land use) were used. The overlap of landslide points and layers of effective factors showed that the lower parts of the basin due to the gentle slope and low altitude, the type of constituent rocks, are less sensitive to landslide occurrence, and in contrast, the middle and upstream parts of the Talar basin due to foothill and mountainous conditions, with high altitude and slope and sensitive formations, indicate much more favorable conditions for landslide occurrence. The results of the random forest model indicate very high and high risk areas as 18.4 and 14.9 percent, respectively. While the results of the support vector machine model indicate Listed hazard classes areas as 11 and 16.7 percent of the area, respectively. In the Talar basin, the risk classes mainly coincide in the southern and central highlands with steep slopes and on the edges of rivers and roads. Comparison of the aforementioned models showed that both models have high efficiency in landslide occurrence zoning, but the results of ROC curve evaluation showed that the area under the curve obtained for the support vector machine and random forest models are 87.1 and 85.3, respectively. According to the classification provided for the area under the curve, the support vector machine model has a higher accuracy in landslide susceptibility zoning in the study area. According to the results obtained from the two models, on average more than 40 percent of the basin is at medium to very high risk of landslide occurrence, and the need for planning for basin management and paying more attention to this phenomenon seems essential. | ||
| کلیدواژهها [English] | ||
| Talar basin, Random forest, Landslide, Support vector machine, Hazard zone | ||
| مراجع | ||
|
Ahmadi, A.M. and Veisi, A.K., 2021. Landslide risk assessment related to Paveh urban development, Quantitative Geomorphology Research, v. 10(1), p. 172-191. Akinci, H., Kilcoglu, C. and Dogan, S., 2020. Random forest – based landslide susceptibility mapping in regions of Artvin, Turkey, ISPRS International Journal of GeoInformation, v. 9(9), 553 p. https://doi.org/10.3390/ijgi9090553. Bayati Khatibi, M., Hasanpour, S. and Faizizadeh, B., 2024. Assessing the risk of gas pipelines passing through mountainous areas and investigating their threat from landslides using hybrid-fuzzy algorithms (case study: Tehran's third line). Quantitative Geomorphology Research, v. 12(4), p. 128-149. Bui, D.T., Lofman, O., Revhaug, I. and Dick, O., 2011. Landslide susceptibility analysis in the Hoa Binh province of Vietnam using statistical index and logistic regression, Natural hazards, v. 59, p. 1413-1444. Destranj, A. and Karimi Sangchini, I., 2022. Predicting the sensitivity of landslide occurrence with the maximum entropy machine learning algorithm (Nyshabur watershed). Earth Science Research, v. 13(3), p. 76-96. Emaduddin, S., Taheri, V., Mohammad Ghasemi, M. and Nazari Gazik, Z., 2021. Landslide susceptibility zoning using frequency ratio models and statistical index in Oghan watershed. Quantitative Geomorphology Research, v. 9(4), p. 75-95. Esfandiari Darabad, F., Rahimi, M., Navidfar, A. and Mehrovarz, A., 2020. Landslide susceptibility assessment using artificial neural network methods and support vector machine algorithm (case study: Hiran road-Ardebil province). Quantitative Geomorphology Research, v. 9(3), p. 18-33. Gao, Y., Li, B., Gao, H., Chen, L. and Wang, Y., 2020. Dynamic characteristics of high-elevation and longrunout landslides in the Emeishan basalt area: a case study of the Shuicheng “7.23”landslide in Guizhou, China. Landslides, v. 17, p. 1663-1677. Goli Mokhtari, L. and Naimi Tabar, M., 2022. Spatial modeling and prediction of landslide risk using advanced data mining algorithms (case study: Kalat city). Quantitative Geomorphology Research, v. 10(4), p. 116-137. Hallaji, M., Zanganeh Asadi, M.A. and Amir Ahmadi, A.G., 2020. Evaluating the effectiveness of landslide susceptibility prediction models in the Bar watershed of Neyshabur. Watershed Management Research, v. 33(2), p. 20-30. Heydari, N., Habibnejad, M., Kavian, A. and Pourqasmi, H., 2020. Landslide susceptibility modeling with random forest machine learning algorithm in Rais Ali Delwari dam watershed, Watershed Research, v. 33(1), p. 2-13. Hussin, H., Zumpano, P., Reichenbach, S. and Sterlacchini, M.M., 2016. Different landslide sampling strategies in a grid-based bi-variate statistical susceptibility model, Geomorphology, v. 15, p. 508-523. Ilderami, A. and Ebadi, F., 2021. Evaluating the effectiveness of landslide risk zoning models in the Kurdistan Dam watershed, Quantitative Geomorphology Research, v. 10(2), p. 64-83. Jedari Eyvazi, J., 1995. Geomorphology of Iran, Payam Noor Publications, v. 1, 110 p. Kanevski, M., Timonin, V. and Pozdnukhov, A., 2009. Machine learning for spatial environmental data: theory, applications, and software. EPFL press. Kanungo, D.P., Arora, M.K., Sarkar, S. and Gupta, R.P., 2006. A Comparative Study of Conventional, ANN Black Box, Fuzzy and Combined Neural and Fuzzy Weighting Procedures for Landslide Susceptibility Zonation in Darjeeling Himalayas, Engineering Geology, v. 85, p. 347-366. Karami, F., Bayati Khatibi, M., Khairizadeh, M. and Mokhtari Asl, A., 2020. Evaluating the effectiveness of the support vector machine algorithm in landslide susceptibility zoning of Ahrchai catchment area. Geography and Environmental Hazards, v. 8(4), p. 1-17. Karanjadi, A., Ong, M., Pourqasmi, H., Behermand, A. and Motamedi, M., 2020. Landslide susceptibility prediction using Mahalanobis distance and machine learning hybrid models (case study: Oghan watershed, Golestan province), Earth Science Research, v. 11(2), p. 1-18. Li, Q., Wang, Y.M., Zhang, K.B., Yu, H. and Tao, Z.Y., 2020. Field investigation and numerical study of a siltstone slope instability induced by excavation and rainfall, Landslides, v. 17, p. 1485-1499. Naimi Tabar, M., Zanganeh Asadi, M.A. and Kerami, M., 2021. Landslide risk zoning and assessment using confidence factor, surface density, and hybrid Bayes theorem models (case study: Baqi basin, Neishabur). Quantitative Geomorphology Research, v. 10(1), p. 112-129. Park, S. and Kim, J., 2019. Landslide susceptibility mapping based on random forest and boosted regression tree models, and a comparison of their performance. Applied Sciences, v. 9(5), 942 p. https://doi.org/10.3390/app9050942. Pourghasemi, H.R., Jirandeh, A.G., Pradhan, B., Xu, C. and Gokceoglu, C., 2013. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran, Journal of Earth System Science, v. 122, p. 349-369. Pourghasemi, H., Yansari, Z., Panagos, P. and Pradhan, B., 2018. Analysis and evaluation of landslide susceptibility: A review on articles published during 2005-2016 (periods of 2005-2012 and 2013-2016), Arabian Journal of Geosciences, ISSN 1866-7511, v. 11(9), DOI: 10.1007/s12517-018-3531-5. Prada-Sarmiento, L.F., Cabrera, M.A., Camacho, R., Estrada, N. and Ramos-Cañón, A.M., 2019. The Mocoa Event on March 31 (2017): analysis of a series of mass movements in a tropical environment of the Andean-Amazonian Piedmont, Landslides, v. 16, p. 2459-2468. Pradhan, B., 2013. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Computers & Geosciences, v. 51, p. 350-365. Qiyasi, V., Shirkhani Cheshme Shafi, M. and Yousefi, M., 2023. An overview of the studies done in the field of landslide risk zoning (random forest algorithm). New approaches in civil engineering, v. 6(4), p. 1-10. Sadeghi, A., Sharifi Hashtchin, S., Rahimipour Shekhaninejad, M.A. and Mahmoudi Chenari, H., 2022. Landslide behavior measurement using interferometric method of the studied area: Ardal city, Quantitative geomorphology researches, 11th year, v. 1, p. 133-153. Sadeghi, A., Talebi, A. and Zarei, P., 2022. Determining the threshold of critical precipitation in the occurrence of surface landslides based on the process-oriented model (case study: Javanroud region, Kermanshah province). Quantitative Geomorphology Research, v. 10(4), p. 156-177. Sadidi, J. and Maliki, R., 2022. Comparison of support vector machine, random forest and logistic regression algorithms in landslide risk zoning on Mahabad Sardasht road. Journal of Remote Sensing and Geographic Information System in Environmental Sciences, v. 2(4), p. 81-100. Shi, W., Li, Y., Zhang, W., Liu, J., He, S., Mo, P. and Guan, F., 2020. The loess landslide on 15 march 2019 in Shanxi Province, China. Landslides, v. 17, p. 677-686. Shirani, K. and Naderi Samani, R., 2022. Determining effective factors and assessing susceptibility to landslides with random forest and artificial neural network methods in the Samsami watershed area of Chaharmahal and Bakhtiari province. Watershed Research, v. 35(1), p. 40-60. Talebi, A., Goderzai, S. and Pourqasmi, H., 2018. Investigating the possibility of preparing a landslide risk map using random forest algorithm (study area: Sardarabad watershed, Lorestan province), Natural environment hazards, v. 7(16), p. 45-64. Xu, C., Dai, F., Xu, X. and Lee, Y.H., 2012. GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China, Geomorphology, v. 145, p. 70-80. Zhang, K., Wu, X., Niu, R., Yang, K. and Zhao, L., 2017. the assessment of landslide susceptibility mapping using random forest and decision tree methods in the three Gorges Reservoir area, china, Environmental Earth sciences, v. 76(11), p. 1-20. Zhao, Z., Liu, Z.Y. and Xu, C., 2021. Slope unit based lalndslide susceptibility mapping using certainty factor, support vector machine, random forest, CF- svm and CF-RF models, Frontiers in Earth science, v. 9, 589630, p. 1-16. Zomordian, M.J., 2004. Geomorphology of Iran (structural processes and internal dynamics), Ferdowsi University of Mashhad Publications, v. 1, 251 p. | ||
|
آمار تعداد مشاهده مقاله: 3,576 تعداد دریافت فایل اصل مقاله: 1,924 |
||