شاخص IGR

زمین لغزش ها به عنوان یکی از مخرب ترین پدیده های طبیعی محسوب می شوند. به دلیل تهدید آن ها، باید یک نقشه جامع حساسیت زمین لغزش برای کاهش آسیب های احتمالی به افراد و زیرساخت ها تهیه شود. کیفیت نقشه های حساسیت زمین لغزش تحت تأثیر بسیاری از عوامل، از جمله کیفیت داده های ورودی و انتخاب مدل های ریاضی است. هدف اصلی این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی به نام Rotation Forest - Functional Trees (RF-FT) که یک رویکرد هوشمند ترکیبی از دو تکنیک یادگیری ماشین مدل Functional Trees (FT) و تکنیک طبقه بندی مدل Rotation Forest (RF) برای ارزیابی حساسیت زمین لغزش های اطراف شهر کامیاران واقع در استان کردستان می باشد. در ابتدا، بیست و یک عامل مؤثر بر وقوع زمین لغزش های منطقه مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع، انحنای شیب، انحنای عرضی شیب، انحنای طولی شیب، تابش خورشید، عمق دره، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول دامنه، کاربری اراضی، تراکم پوشش گیاهی، فاصله از گسل، تراکم گسل، فاصله از جاده، تراکم جاده، فاصله از آبراهه، تراکم آبراهه، همباران و لیتولوژی  به همراه نقشه پراکنش زمین لغزش با 60 نقطه لغزشی برای جمع آوری داده های آموزشی و آزمون جمع آوری شدند. سپس، بر اساس شاخص Information Gain Ratio هفده عامل مؤثر از بین آن ها انتخاب و جهت مدل سازی به کار گرفته شدند. در مرحله بعد  مدل هیبریدی RFFT برای ارزیابی حساسیت زمین لغزش با استفاده از مجموعه داده های آموزشی ساخته شد. عملکرد مدل پیشنهادی RFFT با استفاده از چندین پارامتر آماری از جمله حساسیت، شفافیت، صحت، مجذور مربعات خطا، منحنی نرخ موفقیت و سطح زیر این منحنی مورد ارزیابی قرار گرفت.