ارزیابی مکانی و پهنه بندی خطر زمین لغزش حوضه آبریز زمکان با استفاده از ماشین بردار پشتیبان و رگرسیون لجستیک (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در پژوهش حاضر خطر وقوع زمین لغزش در حوضه آبریز زمکان، واقع در استان کرمانشاه، ارزیابی شد. دو مدل ماشین بردار پشتیبان (SVM) و رگرسیون لجستیک برای تهیه نقشه حساسیت زمین لغزش استفاده شد. در راستای اهداف تحقیق، 13 لایه اطلاعاتی شامل ارتفاع، شیب، جهت شیب، عدد ناهمواری ملتون، تحدب سطح زمین، طول دامنه، عمق دره، رطوبت توپوگرافیک، بارش، سازندهای زمین شناسی، فاصله از آبراهه، فاصله از جاده و پوشش گیاهی به عنوان متغیرهای مستقل استفاده شد. حدود 70 درصد پیکسل های لغزشی حوضه به منظور آموزش و 30 درصد برای اعتبارسنجی مدل استفاده شدند. اعتبارسنجی مدل ها با کاربست منحنی ROC صورت گرفت. نتایج نشان دهنده کارایی و دقت بالاتر تابع پایه شعاعی (RBF) مدل SVM برای تهیه نقشه خطر زمین لغزش منطقه است. مساحت زیر منحنی (AUC) تابع پایه شعاعی حدود 951/0 برای آموزش مدل و 944/0 برای آزمون مدل به دست آمد. نتایج بیانگر این است که فاکتورهای شیب با ضریب 28/0، بارش با ضریب 27/0، لیتولوژی با ضریب 26/0 و ارتفاع با ضریب 22/0 کنترل کننده های اصلی وقوع زمین لغزش در سطح حوضه آبریز زمکان هستند. توابع مدل SVM و هم چنین رگرسیون لجستیک نیز اثرات قطعی فاکتورهای انتخابی بر وقوع زمین لغزش را تائید کردند. براساس نقشه پهنه بندی زمین لغزش حدود 35 درصد مساحت حوضه مطالعاتی در کلاس خطرپذیری زیاد و بسیار زیاد قرار گرفته است. پهنه های مذکور عمدتاً در نیمه شرقی حوضه توزیع شده اند. ارتفاع زیاد، غلبه شیب های تند، دریافت نزولات جوی قابل توجه و رخنمون وسیع سازند کژدمی با تناوبی از لایه های آهکی، رسی، مارنی و شیلی مهم ترین دلایل حساسیت بالای این پهنه ها نسبت به زمین لغزش هستند.Spatial assessment and zoning of landslide risk in Zamkan watershed using support vector machine and logistic regression
In the current study, the risk of landslides in the Zamkan Watershed, located in Kermanshah Province, was evaluated. Two machine learning models, Support Vector Machine (SVM), and Logistic Regression, were used to prepare a landslide susceptibility map. Toward this, 13 informational layers including elevation, slope, aspect, Melton ruggedness number, terrain convexity, stream length, valley depth, topographic wetness index, precipitation, geological formations, distance from rivers, distance from roads, and vegetation cover were utilized as independent variables. Approximately 70% of the watershed's landslide pixels were used for model training, and 30% for model validation. Model validation was performed using ROC curves. The results indicated the higher performance and accuracy of the radial basis function (RBF) kernel of the SVM model for generating landslide hazard maps in the study area. The area under the curve (AUC) for the RBF kernel was approximately 0.951 for model training and 0.944 for model testing. The results suggest that slope with a coefficient of 0.28, precipitation with a coefficient of 0.27, lithology with a coefficient of 0.26, and elevation with a coefficient of 0.22 are the main controlling factors for landslides occurrence in the Zamkan Watershed. Both the SVM model and logistic regression confirmed the deterministic effects of selected factors on landslides. About 35% of the study area as classified as highly susceptible to landslides, primarily in the eastern half of the watershed. Factors such as high elevation, steep slopes, heavy precipitation, and the Kazhdomi Formation's composition were identified as key contributors to this susceptibility.
تبلیغات
