نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشآموخته کارشناسی ارشد سنجش از دور وGIS، دانشکده علوم جغرافیایی و برنامهریزی، دانشگاه اصفهان، اصفهان، ایران
2 استادیار گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامهریزی، دانشگاه اصفهان، اصفهان، ایران
3 استادیار گروه مهندسی نقشهبرداری، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Natural hazards are among the most pressing environmental problems, causing annual fatalities, injuries, and homelessness for millions worldwide. Landslides represent one of the most destructive natural hazards, threatening human lives and inflicting substantial damage to natural resources. Unlike other natural events that occur probabilistically over time, landslides have the potential for instantaneous occurrence. In mountainous regions and steep slopes, landslides not only lead to loss of life, but also alter and degrade the environment each year. This study evaluated and predicted landslide hazard in the Alvand watershed of Kermanshah using data mining algorithms. 14 parameters were employed to model the probability of landslide hazard: elevation, slope, slope aspect, geology, land use, Topographic Wetness Index (TWI), Stream Power Index (SPI), distance from stream, drainage density, distance from fault, fault density, mean annual rainfall, distance from road, and Normalized Difference Vegetation Index (NDVI). 4 data-mining algorithms—Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Rotation Forest (RoF)—were applied for modeling. Based on the results obtained from Overall Accuracy (OA) and the Kappa coefficient, the models achieved the following performance: DT (OA = 82.91%, Kappa = 0.78), RF (OA = 96.47%, Kappa = 0.93), RoF (OA = 87.47%, Kappa = 0.82), and SVM (OA = 93.90%, Kappa = 0.90). These findings demonstrated the high accuracy of the RF and SVM methods in predicting landslide hazard in the Alvand watershed.
Keywords: Landslide, Data-Mining, Alvand Watershed.
Introduction
Natural hazards are among the environmental problems that annually lead to the death and injury of many people and cause homelessness for millions around the world. Landslides, in particular, are one of the most destructive natural hazards. In addition to threatening human lives, they cause further damage to natural resources and exert pressure on the economic development of countries, especially developing nations. The financial losses resulting from natural hazards can lead to stagnation in economic growth and prosperity. Slope instability in steep mountainous lands is a major challenge for land managers worldwide. Furthermore, landslides result from complex and diverse processes and are considered among the most serious and destructive natural hazards in mountainous regions globally. A distinctive feature of landslides is their potential for instantaneous occurrence. The Alvand watershed in Kermanshah Province, given its topographic, climatic, and morphological conditions, is one of the areas where investigating landslide probability is essential. The aim of this research was to zone areas susceptible to landslide occurrence and compare the performance of Decision Tree (DT), Random Forest (RF), Rotation Forest (RoF), and Support Vector Machine (SVM) models for landslide prediction in the study area The Alvand River watershed is located in the southwest of Kermanshah Province. The Alvand River is a border river between Iran and Iraq and the region lies between Mesopotamia and the Iranian plateau. The study area covers 112,332.77 hectares and is situated between 34°34' to 34°15' N latitude and 45°35' to 46°09' E longitude. Elevation in the basin ranges from 329 to 2,672 meters above sea level with a mean elevation of 1,098 meters.
Materials & Methods
To model the probability of landslide hazard, 14 physiographic, hydrological, geological, and environmental parameters were selected based on a review of relevant literature and the specific characteristics of the study area. These parameters included elevation, aspect, slope, land use and land cover, Topographic Wetness Index (TWI), Stream Power Index (SPI), stream density, fault density, distance from faults, average annual rainfall, distance from roads, vegetation density index (NDVI), and geology. All parameter layers were converted into raster format with a consistent spatial resolution and were resampled to ensure uniform geographic extent and cell size for integration into the modeling process. In this research, 4 efficient data-mining algorithms were employed for modeling: Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Rotation Forest (RoF). These algorithms were selected due to their proven performance in landslide susceptibility studies and their ability to handle high-dimensional, non-linear environmental data. The landslide inventory map was prepared using field surveys, historical records, and interpretation of satellite imagery. A total of landslide locations were identified and randomly divided into two independent datasets: training samples (70% of the data) and test samples (30% of the data). The training samples were used to calibrate the models by learning the relationships between the landslide occurrence and the fourteen conditioning factors. The test samples, which were not involved in the model building process, were used to evaluate the predictive accuracy and generalizability of the developed models. Model performance was assessed using the Overall Accuracy (OA) and the Kappa coefficient, both of which were derived from the confusion matrix comparing predicted and observed landslide occurrences in the test dataset.
Research Findings
Based on the results obtained from the Overall Accuracy (OA) and Kappa coefficient, the performances of the four models were as follows:
DT Model: OA = 82.91%, Kappa = 0.78
RF Model: OA = 96.47%, Kappa = 0.93
RoF Model: OA = 87.47%, Kappa = 0.82
SVM Model: OA = 93.90%, Kappa = 0.90
These findings indicated the high accuracy of the RF and SVM methods in predicting landslide hazard in the Alvand watershed. Landslide susceptibility maps of the study area were generated by using all four methods.
Discussion of Results & Conclusion
The performances of the DT and RoF methods were comparatively weaker than those of the other two algorithms. In contrast, the best results were achieved by using the RF and SVM methods. The high accuracy exceeding 90% (97% for RF and 94% for SVM), along with their Kappa coefficients above 0.9, indicated excellent modeling performance for landslide susceptibility zoning in the study area. The superior performance of these two ensemble-based and kernel-based methods could be attributed to their robustness in handling complex, non-linear relationships among the fourteen conditioning factors, as well as their abilities to reduce overfitting compared to single decision tree models, such as DT. In conclusion, this study demonstrated the high predictive accuracy of the RF and SVM models for landslide hazard assessment in the Alvand watershed. The outstanding accuracy—above 90% for both methods—coupled with their high Kappa values (>0.9), confirmed the suitability of these two approaches for landslide hazard zoning in the region. Future research could explore the integration of deep learning models or the application of these methods to other watersheds with similar topographic and climatic conditions to further validate their generalizability.
کلیدواژهها [English]
مقدمه
زمینلغزش از بلایای طبیعی بسیار مخرب است که سالانه در سراسر جهان خسارات مادی زیادی به بار میآورد و جان تعداد زیادی از انسانها را میگیرد (Froude & Petley, 2018, p. 2161). حساسیت به خطر زمینلغزش به ارزیابی احتمال وقوع یک فاجعه زمینشناسی براساس عواملی مانند شرایط زمینشناسی منطقه، متغیرهای محیطی و رخدادهای وقوع زمینلغزش در گذشته اشاره دارد (Guzzetti et al., 2005, p. 272; Zhao et al., 2024, p. 7475). این پدیده در مناطق کوهستانی و شیبدار بهعنوان یکی از جدیترین چالشهای مدیریت محیطی مطرح است که نهتنها جان انسانها را تهدید میکند، توسعه اقتصادی بهویژه در کشورهای درحال توسعه را با اختلال مواجه میسازد. عوامل متعددی از قبیل بارندگیهای شدید، زمینلرزه، تخریب پوشش گیاهی و فعالیتهای انسانی غیراصولی در تشدید و وقوع زمینلغزش نقش دارند. اگرچه جلوگیری کامل از وقوع آن اغلب ناممکن است، شناسایی دقیق مناطق مستعد، گام اول و ضروری برای مدیریت ریسک و کاهش خسارات محسوب میشود. در این راستا، در دهههای اخیر استفاده از روشهای کمّی و الگوریتمهای پیشرفته یادگیری ماشین برای پهنهبندی خطر زمینلغزش گسترش چشمگیری یافته است. پژوهشهای متعددی در سطح جهانی به بررسی کارایی این مدلها پرداختهاند؛ برای مثال، مطالعاتی مانند فام و همکاران و احمد و همکاران با استفاده از الگوریتمهایی چون جنگل تصادفی (RF) و درخت تقویتشدۀ اکستریم (ERT) به دقتهای زیادی در پیشبینی دست یافتهاند (Ahmed et al., 2020, p. 5; Pham et al., 2022, p. 1). همچنین، رویکردهای تلفیقی مانند ترکیب شبکههای عصبی کانولوشن با الگوریتمهای فراابتکاری (Hakim et ai., 2022, p. 305) و نیز روشهای نیمهنظارتی نامتوازن (Huang et al., 2024, p. 250) برای بهبود دقت و پایدارسازی نتایج ارائه شدهاند. در بستر ملی نیز تحقیقات گستردهای با بهرهگیری از مدلهای متنوع انجام شده است؛ از جمله کاربرد مدل بیزین (سیلاخوری و همکاران، ۱۴۰۲، ص. 122)، توابع شواهد وزنی (WOE) (میرزانیا و شهابی، ۱۳۹۸، ص. 317) و الگوریتمهای یادگیری ماشین مانند مدل حداکثر آنتروپی (ذاکرینژاد و عموشاهی، 1401، ص. 128)، درخت تصمیم و جنگل تصادفی (امامی و یوسفی، ۱۴۰۲، ص. 183؛ ذاکرینژاد و کهرانی، ۱۴۰۲، ص.17). با وجود این پیشینه غنی، تمرکز بیشتر مطالعات داخلی بر مناطق خاصی بوده و به مقایسه سیستماتیک و همزمان چندین الگوریتم یادگیری ماشین کلاسیک و نوین در حوضههای آبخیز با شرایط توپوگرافیکی و اقلیمی ویژه مانند حوضه آبخیز الوند در استان کرمانشاه کمتر توجه شده است. این حوضه به دلیل ویژگیهای طبیعی خود مستعد وقوع زمینلغزش ارزیابی میشود و عدم شناسایی دقیق مناطق پرخطر میتواند پیامدهای انسانی و اقتصادی شدیدی به دنبال داشته باشد؛ بنابراین، مطالعه حاضر با هدف پرکردن این شکاف پژوهشی، به پهنهبندی حساسیت زمینلغزش در حوضه الوند و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادف (RF)، جنگل چرخشی (ROF) و ماشین بردار پشتیبان (SVM) میپردازد. انتظار میرود نتایج این تحقیق بتواند مدل بهینهای را برای پیشبینی خطر در منطقه معرفی نماید و مبنایی علمی برای برنامهریزیهای مدیریت ریسک و توسعه پایدار در دستان تصمیمگیرندگان قرار دهد.
منطقه مورد مطالعه
حوضه رودخانه الوند در جنوب غربی استان کرمانشاه واقع شده است. رودخانه الوند رودخانه مرزی است که بین کشورهای ایران و عراق است. این منطقه در حدفاصل بینالنهرین و فلات ایران قرار گرفته است. منطقه مدنظر با مساحت 112332.77 هکتار بین عرض جغرافیایی ´35 ˚34 تا ´15 ˚34 شمالی و طول جغرافیایی ´35 ˚45 تا ´09 ˚46 شرقی واقع شده است. ارتفاع آن از سطح دریا بین 329 تا 2672 متر متغییر بوده و متوسط ارتفاع حوضه مورد مطالعه 1098 متر است (شکل 1). این حوضه به دلیل شرایط ژئومورفولوژیکی و اقلیمی خود دارای پهنههای وسیعی از زمینلغزشها است (شکل 2).
شکل 1. نقشه موقعیت جغرافیایی منطقه مورد مطالعه
Fig 1. Map of the geographical location of the study area
|
|
|
شکل 2. تصاویر بازدید میدانی از حوضه آبخیز الوند
Fig 2. The taken photos of the study area
روش تحقیق
با توجه به اینکه عوامل مختلفی در وقوع زمینلغزش تأثیر دارد، در این تحقیق با توجه به مطالعات پژوهشهای پیشین از شاخصهای تأثیرگذار استفاده شده است. این شاخصها عبارتند از: زمینشناسی، شاخص پوشش گیاهی، توپوگرافی، فاصله از جاده، فاصله از گسل، فاصله از آبراهه، تراکم آبراهه، تراکم گسل و شاخصهای فیزیوگرافی مستخرج از مدل ارتفاعی رقومی زمین (DEM) شامل ارتفاع، شیب، جهت شیب و همچنین برخی شاخصهای هیدرولوژیکی شامل شاخص رطوبت توپوگرافی و شاخص قدرت جریان در این تحقیق استفاده شده است (شکل 3). در ادامه مطابق جدول 1 هر یک از شاخصها بهصورت لایۀ رستری برای ارزیابی و پیشبینی حساسیت وقوع زمینلغزش برای حوضۀ مورد مطالعه با قدرت تفکیک مکانی 30 متر تهیه شدند.
جدول 1 . معیارها و شاخصهای مورد استفاده در انجام پژوهش
Table 1. Criteria and indicators used in conducting the research
|
معیارهای انتخابشده |
ردیف |
معیارهای انتخابشده |
ردیف |
|
تراکم آبراهه (Stream Density) از شبکه آبراهه استخراجشده از DEM. |
8 |
ارتفاع (Elevation) مدل رقومی ارتفاع (DEM) از SRTM (30 m) |
1 |
|
فاصله از گسل (Distance to Fault) از لایه گسل، استفاده از ابزار Euclidean Distance در ArcGIS.. |
9 |
شیب (Slope) مشتق گرفتهشده از DEM |
2 |
|
فاصله از جاده(Distance to Road) از دادههای شبکه راه (OpenStreetMap) و ابزار Euclidean Distance. |
10 |
جهت شیب (Aspect) مشتق گرفتهشده از DEM |
3 |
|
فاصله از آبراهه (Distance to Stream) از لایه آبراههها با ابزار Euclidean Distance در ArcGIS. |
11 |
زمینشناسی (Geology) نقشۀ زمینشناسی سازمان زمینشناسی کشور |
4 |
|
شاخص رطوبت توپوگرافی (Topographic Wetness Index) محاسبه از DEM در ArcGIS با ابزار Raster Calculator |
12 |
تراکم پوشش گیاهی (Vegetation Density Index) از تصاویر Landsat 8 |
5 |
|
شاخص قدرت آبراهه (Stream Power Index) استخراج از DEM با رابطه SPI=Slope×Flow Accumulation در ArcGIS. |
13 |
کاربری اراضی (Land Use) از تصاویر Landsat 8 |
6 |
|
میانگین بارش سالانه (Average Annual Rainfall) دادههای ایستگاههای هواشناسی |
14 |
تراکم گسل (Fault Density) از نقشه زمینشناسی . |
7 |
لایه دادههای موقعیت مکانی رخدادهای زمینلغزش با استفاده از تصاویر ماهورهای و همچنین بازدیدهای میدانی و همچنین به کمک کارشناسان منابع طبیعی بهعنوان متغیر مستقل در این تحقیق استفاده شد (شکل 4). شایان ذکر هست 70 درصد نقاط بهعنوان نقاط آموزشی و 30 درصد دیگر بهعنوان نقاط آزمایشی (برای اعتبارسنجی مدلها) انتخاب شدند. بعد از این مرحله با استفاده از چهار الگوریتم یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادفی (RF)، جنگل چرخشی (ROF) و ماشین بردار پشتیبان (SVM) به پهنهبندی حساسیت زمینلغزش در حوضه الوند پرداخته میشود (شکل 5).
شکل 3. نقشه شاخصهای مورد استفاده در انجام پژوهش
Fig 3. Map of the indices used in the research
شکل 4. نقاط رخداد زمینلغزش در حوضه مورد مطالعه
Fig 4. The locations of landslide in the study area
الگوریتم درخت تصمیم (DT)
در یادگیری ماشین نظارتشده، درخت تصمیم از ساختار درختی برای نمایش فرآیند تصمیمگیری استفاده میکند. این الگوریتم، نمونهها را از گره ریشه به سمت پایین هدایت میکند و درنهایت به گرههای برگ (نمایانگر برچسب کلاسها) میرساند. هر گره داخلی، یک ویژگی را نشان میدهد که بسته به مقادیرش به شاخههای مختلف تقسیم میشود. الگوریتم C5.0 بهعنوان یک روش پیشرفته، با استفاده از معیار بهره اطلاعاتی (بر پایه آنتروپی)، درخت را بهصورت حریصانه از بالا به پایین میسازد. بهره اطلاعاتی از رابطه (1) محاسبه میشود:
(1) Gain(S,A) = H(S) - Σ_{v∈Values(A)} (|S_v|/|S|) * H(S_v)
که در آن H(S) آنتروپی مجموعه S است و برای یک ویژگی با c مقدار مختلف، آنتروپی از رابطه (2) به دست میآید:
(2) H(S) = -Σ_{i=1}^{c} p_i * log₂(p_i)
برای جلوگیری از پیچیدگی بیش از حد، از تکنیک هرسکردن برای حذف شاخههای غیرضروری استفاده میشود (خسروی و همکاران، 1394، ص. 75).
الگوریتم جنگل تصادفی (RF)
بریمن، جنگل تصادفی که توسعۀ الگوریتم بگینگ است، ارائه داده است (Breiman, 2001, p. 5). این الگوریتم از مجموعهای از درختان تصمیم تشکیل شده است. مشابه درخت تصمیم، هر درخت بهصورت سلسلهمراتبی از ریشه به برگها رشد میکند. الگوریتم C5.0 با استفاده از بهره اطلاعاتی (رابطه 3) درختان را میسازد:
(3) Gain(S,A) = H(S) - Σ_{v∈Values(A)} (|S_v|/|S|) * H(S_v)
و آنتروپی از رابطه (4) محاسبه میشود:
(4) H(S) = -Σ_{i=1}^{c} p_i * log₂(p_i)
برای افزایش تنوع و کاهش همبستگی بین درختان،RF از دو روش استفاده میکند:
الگوریتم جنگل دورانی
رودریگونز این الگوریتم VH در سال 2006 ارائه کرد. در این روش، دادههای آموزشی (X) با N نمونه و n ویژگی، و برچسب کلاس (Y) به k زیرگروه تقسیم میشوند و L درخت تصمیم ({D₁,...,D_L}) ساخته میشود. مراحل ساخت مدل عبارتند از:
(5) R_i = [a_{ij}^{(1)}, ..., a_{ij}^{(m)}]
(6) μ_j(x) = (1/L) Σ_{i=1}^{L} d_{i,j}
الگوریتم ماشین بردار پشتیبان (SVM) SVM
یک روش طبقهبندی بر پایه نظریه یادگیری آماری است که هدف آن یافتن ابرصفحهای با حاشیه حداکثری بین کلاسهاست. با استفاده از توابع هسته، این روش قابلیت طبقهبندی غیرخطی نیز پیدا میکند. هستههای رایج عبارتند از:
(7) k_poly(x_i, x_j) = [(x_i · x_j) + 1]^p
(8) k_gauss(x_i, x_j) = exp[-γ‖x_i - x_j‖²]
شکل 5. مراحل انجام پژوهش
Fig 5. Research procedure
نتایج و بحث
در این پژوهش چهار روش مدلسازی (DT، RF، RoF و SVM)، با استفاده از نمونهها آموزشی (70 درصد نقاط رخداد زمینلغزش) شده و سپس، توسط 30 درصد نقاط آزمایشی، در حوضه آبخیز الوند استان کرمانشاه ارزیابی دقت شدند. بهمنظور ارزیابی دقت طبقهبندی روشها، از ماتریس خطا استفاده شد. چهار کمیت اصلی این ماتریس شامل مثبت درست (TP)، مثبت غلط (FP)، منفی درست (TN) و منفی غلط (FN) است. بهوسیلۀ این چهار کمیت، معیارهای مهم دیگری از جمله میزان حساسیت (Sensitivity)، میزان اختصاصی (Specificity)، مقدار پیشبینی مثبت (PPV)، مقدار پیشبینی منفی (NPV)، دقت کلی (OA) و ضریب کاپا (Kappa) نیز محاسبه میشود. مدلسازی حساسیت لغزش زمین در این حوضه، با نمونههای آموزشی انجام شد و نتایج ارزیابی دقت آنها در بهترین حالت توسط دادههای آزمایشی در جدول 2 آورده شده است.
جدول 2 . نتایج ارزیابی روشها براساس معیارهای بهدستآمده از دادههای آزمایشی.
Table 2. Results of evaluation of methods based on criteria obtained from experimental data
|
معیارهای ارزیابی |
روش DT (30% دادهها) |
روش RF (20% دادهها) |
روش RoF (20% دادهها) |
روش SVM (20% دادهها) |
|
TP |
2062 |
1480 |
1287 |
1412 |
|
TN |
1669 |
1414 |
1337 |
1405 |
|
FP |
581 |
86 |
163 |
95 |
|
FN |
188 |
20 |
213 |
88 |
|
PPV (%) |
02/78% |
51/94% |
76/88% |
70/93% |
|
NPV (%) |
88/89% |
61/98% |
26/86% |
11/94% |
|
Sensitivity (%) |
64/91% |
67/98% |
80/85% |
13/94% |
|
Specificity (%) |
18/74% |
27/94% |
13/89% |
67/93% |
|
OA (%) |
91/82% |
47/96% |
47/87% |
90/93% |
|
Kappa |
78/0 |
93/0 |
82/0 |
90/0 |
درخور ذکر است که نقشۀ خطر زمینلغزش دارای 5 کلاس احتمالی خیلی پایین (VL)، پایین (L)، متوسط (M)، بالا (H) و خیلی بالا (VH) است که با توجه به امتیاز حاصل از الگوریتمها برای هر پیکسل تصویری به دست آمده است. ابتدا با استفاده از روش همگونسازی، امتیازها (score) به مقادیر بین 0 تا 1 تبدیل میشود:
|
|
|
حال، با توجه به این فرمول، نقشۀ خطر زمینلغزش دارای 5 کلاس زیر است:
(الف) کلاس 1 (40/0 >): خطر زمینلغزش خیلی پایین (VL)؛
(ب) کلاس 2 (41/0-60/0): خطر زمینلغزش پایین (L)؛
(پ) کلاس 3 (61/0-80/0): خطر زمینلغزش متوسط (M)؛
(ت) کلاس 4 (81/0-95/0): خطر زمینلغزش بالا (H)؛
(ث) کلاس 5 (95/0 <): خطر زمینلغزش خیلی بالا (VH).
شکل 6 . نقشۀ خطر زمینلغزش حوضه آبخیز الوند با استفاده از روش DT
Fig 6. Landslide Susceptibility Mapping of the Alwand Watershed Using the DT Model
شکل 7. نقشۀ خطر زمینلغزش حوضه آبخیز با استفاده از روش RoF
Fig 7. Landslide susceptibility map of the Alwand watershed, using the RoF method.
شکل 8. نقشۀ خطر زمینلغزش حوضه آبخیز الوند با استفاده از روش RF
Fig 8. Landslide susceptibility map of the Alwand watershed, using the RF method.
شکل 9. نقشۀ خطر زمینلغزش حوضه آبخیز با استفاده از روش SVM
Fig 9. Landslide susceptibility map of the Alwand watershed, using the SVM method.
نتایج روش DT و RoF نسبت به دو روش دیگر از نتایج ضعیفتری برخوردار بودند. با توجه به شکل 6 و نتایج بهدستآمده از روش DT حدود 14.82 درصد دارای احتمال خطر بسیار کم زمینلغزش هستند (سبزرنگ). این مناطق شامل بخشی در ناحیه غربی و قسمت اندکی در مرکز حوضه آبخیز الوند قرار دارند، بخش غربی حوضه ازنظر کاربری اراضی شامل اراضی بایر و مقداری کشاورزی است و شامل محدوده شهری شهرستان قصرشیرین است. همچنین، درصد احتمالهای خطر زمینلغزش کم (رنگ آبی) و متوسط (سفیدرنگ) تقریباً بهترتیب برابر با 49.49 و 23.98 درصد است که شامل محدوده شهری شهرستان سرپلذهاب است. همچنین، مطابق با شکل 6 قسمت اندکی از حوضه آبخیز دارای خطر زمینلغزش زیاد (زردرنگ) و بسیار زیاد (قرمزرنگ) هستند که بهترتیب 10.72 و 0.98 درصد را به خود اختصاص دادهاند که قسمتهای شرقی و مرکزی حوضه شامل میشوند.
مطابق شکل 7 این نقشه نسبت به نقشه قبلی دارای تفاوتهایی است. نتایج بهدستآمده از این روش نشان میدهد که خطر بسیار کم و خطر کم که بهترتیب 14.76 و 9.22 درصد از حوضه که مقدار کمی از حوضه را به خود اختصاص دادهاند که شامل قسمتهایی از غرب و قسمتهایی از شرق حوضه را شامل میشوند. تفاوت چشمگیری که در این نقشه نسبت به دو نقشه دیگر ایجاد شده، در خطر متوسط زمینلغزش با مقدار 42.30 درصد است که بخش اعظمی از حوضه را از مرکز حوضه تا قسمتهای غربی را شامل میشود. خطر زیاد و بسیار زیاد این نقشه با مقادیر 0.68 و 33.04 درصد است؛ اما بهترین نتایج با استفاده از روشهای RF و SVM بهدست آمد که به شرح زیر است:
با توجه به شکل 8، نتایج این نقشه نسبت به نقشه قبلی تفاوتهای چشمگیری داشته است؛ از جمله اینکه در صد خطر بسیار کم و خطر کم که بهترتیب شامل 15.04 و 34.71 درصد هستند، این مناطق شامل بخشی در ناحیه غربی و قسمت اندکی در مرکز حوضه آبخیز الوند قرار دارند، بخش غربی حوضه ازنظر کاربری اراضی شامل اراضی بایر و مقداری کشاورزی است و شامل محدوده شهری شهرستان قصرشیرین است. قسمت اندکی از حوضه آبخیز دارای خطر متوسط و زیاد است که بهترتیب شامل 13.55 و 6.69 درصد است که در قسمتهای شرقی و قسمتی از مرکز واقع شدهاند که ازنظر کاربری شامل اراضی بایر هستند. بخش درخور توجه ای از حوضه آبخیز الوند دارای خطر زمینلغزش بسیار زیاد با درصد 30.02 هستند که تفاوت چشمگیری که نسبت به شکل 7 داشته است. طبق شکل 9 در نتایج این نقشه تفاوتهای زیادی نسبت به سه نقشه دیگر به چشم میخورد؛ از جمله اینکه مقداری خطر بسیار کم و کم بهترتیب شامل 43.41 و 4.80 درصد که شامل بخش اعظمی از حوضه است که از مرکز حوضه تا غرب حوضه را شامل میشوند. خطر متوسط در این نقشه دارای مقدار 12.54 درصد که شامل قسمتهای کوچکی از مرکز و شرق حوضه را شامل میشود. خطر زیاد و بسیار زیاد در این نقشه بهترتیب دارای مقدار 27.57 و 11.68 درصد است که شامل قسمتهای شرقی حوضه تا حدودی مرکز حوضه که در محدوده شهرستان سرپلذهاب است؛ بااینحال، عیار روشهای مدلسازی با استفاده از دادههای آزمایشی بهطورجدی محک خورده است. بهطور کاملاً واضح مبرهن است که روش RF و سپس روش SVM، برتری چشمگیری نسبت به دو روش دیگر داشته است. این موضوع از اعداد جدول بهطور کاملاً واضح مشهود است. دقت بالای 90% این دو روش (97% و 94%) در کنار ضریب کاپای هریک (بالاتر از 9/0) نشان از مدلسازی عالی این دو روش برای پهنهبندی خطر زمینلغزش منطقۀ مطالعاتی دارد.
نتایج این پژوهش بهوضوح کارایی متفاوت چهار الگوریتم یادگیری ماشین را در پیشبینی خطر زمینلغزش در حوضه آبخیز الوند نشان میدهد. براساس شاخصهای کمّی ارزیابی، مدل جنگل تصادفی (RF) با دستیابی به دقت کلی ۹۶.۴۷٪ و ضریب کاپای ۰.۹۳ و مدل ماشین بردار پشتیبان (SVM) با دقت ۹۳.۹۰٪ و کاپای ۰.۹۰، عملکردی به مراتب برتر نسبت به مدلهای درخت تصمیم (DT) و جنگل دورانی (RoF) ارائه کردند. این برتری تنها به معیارهای کلی محدود نمیشود؛ شاخصهای حساسیت و اختصاصیت نیز مؤید توانایی بالاتر این دو مدل در تشخیص دقیق هر دو کلاس «لغزش» و «عدم لغزش» است. درمقابل، مدل DT با دقت ۸۲.۹۱٪ و کاپای ۰.۷۸ و مدل RoF با دقت ۸۷.۴۷٪ و کاپای ۰.۸۲ در ردههای بعدی قرار گرفتند. این اختلاف فاحش آماری (بیش از ۱۰ واحد درصد بین بهترین و ضعیفترین مدل) گویای برتری ذاتی پارادایمهای یادگیری جمعی (Ensemble Learning) در RF و یادگیری مبتنی بر حاشیه بهینه در SVM برای مدلسازی پدیدههای پیچیدهای مانند زمینلغزش است که با تعامل غیرخطی عوامل متعدد شکل میگیرند. از منظر کیفی و فضایی، نقشههای حساسیت نهایی تولیدشده توسط مدلهای RF و SVM از انسجام و اعتبار منطقی بالاتری برخوردارند. این نقشهها پهنههای با خطر «خیلی زیاد» و «زیاد» را عمدتاً در قسمتهای شرقی، شمال شرقی و مرکزی حوضه متمرکز کردهاند. این توزیع مکانی بهخوبی با عوامل شناختهشده محرک زمینلغزش در منطقه همپوشانی دارد: شیبهای تند، مجاورت با گسلهای اصلی و فعال، گسترش سازندهای زمینشناسی سست و حساس (نظیر مارنها و شیلها) و تراکم بالای شبکه راههای ارتباطی. این انطباق، اعتبار درونی مدلسازی را تقویت میکند. درمقابل، نقشههای تولیدشده توسط DT و RoF از پراکندگی و ناهمگونی بیشتری رنج میبرند و حتی بخشهایی از اراضی دشتی با شیب ملایم در غرب حوضه را در ردههای خطر بالا طبقهبندی کردهاند که با دانش زمینشناختی و ژئومورفولوژیک منطقه مغایرت دارد. این امر میتواند نشاندهنده تمایل مدل DT به بیشبرازش (Overfitting) و حساسیت بالای مدل RoF به کیفیت و ترکیب دادههای ورودی در این مطالعه خاص باشد. عملکرد استثنایی مدل RF، یافتههای گستردهای را که این الگوریتم را بهعنوان یکی از پایدارترین و دقیقترین روشها در مطالعات مشابه معرفی کردهاند. عملکرد قدرتمند SVM نیز مجدداً توانایی این مدل در مدیریت مسائل طبقهبندی با ابعاد بالا را نشان میدهد؛ بااینحال، عملکرد نسبتاً متوسط RoF در اینجا در تقابل با نتایج برتر آن در برخی مطالعات دیگر، بر اصل وابستگی شدید کارایی مدل به شرایط خاص هر منطقه، کیفیت دادهها و تنظیمات پارامتریک تأکید میورزد. این موضوع، افسانه وجود یک «الگوریتم جهانی برتر» را رد و لزوم اجرای مطالعات مقایسهای و آزمون مدلها در هر منطقه جدید را بهعنوان یک ضرورت علمی و عملی پررنگ میکند. در جمعبندی نهایی، تحلیل کمی و کیفی نتایج بهصورت قاطع مدل جنگل تصادفی (RF) را بهعنوان قابل اعتمادترین ابزار برای تهیه نقشه پایه مدیریت ریسک در حوضه الوند معرفی میکند.
نتیجهگیری
این پژوهش با هدف ارزیابی و پیشبینی حساسیت وقوع زمینلغزش در حوضه آبخیز الوند استان کرمانشاه و با استفاده از چهار الگوریتم پیشرفته یادگیری ماشین انجام شد. یافتههای تحقیق بهوضوح برتری قابل توجه مدلهای جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) را در مقایسه با مدلهای درخت تصمیم (DT) و جنگل دورانی (RoF) نشان میدهد. براساس معیارهای دقت کلی (OA) و ضریب کاپا، مدل RF با دقت ۹۶.۴۷٪ و کاپای ۰.۹۳ و مدل SVM با دقت ۹۳.۹۰٪ و کاپای ۰.۹۰، عملکردی عالی و قابل اعتماد در پهنهبندی خطر منطقه دارند. این نتایج حاکی از آن است که مدلهای مبتنی بر جمعسپاری (Ensemble) مانند RF که از ترکیب چندین درخت تصمیم ایجاد میشوند، به دلیل کاهش واریانس و کنترل بیشبرازش، و همچنین مدل SVM به دلیل توانایی بالا در ایجاد مرز تصمیمگیری بهینه حتی در دادههای با ابعاد بالا ابزارهایی بسیار قدرتمند برای مدلسازی پدیدههای پیچیده طبیعی مانند زمینلغزش هستند. نقشههای نهایی حاصل از این دو مدل که مناطق با خطر خیلی بالا را عمدتاً در بخشهای شرقی و مرکزی حوضه (عمدتاً در محدوده شهرستان سرپلذهاب) نشان میدهند، میتواند بهعنوان سند علمی معتبری در اختیار مدیران و برنامهریزان منطقه قرار گیرد. درنهایت، این مطالعه مؤید این امر است که تلفیق سامانه اطلاعات جغرافیایی (GIS) با الگوریتمهای یادگیری ماشین، رویکردی کارآمد، دقیق و کمهزینه برای شناسایی مناطق مستعد بلایای طبیعی فراهم میکند. پیشنهاد میشود نتایج این پژوهش بهعنوان مبنایی برای اجرای طرحهای کاهش ریسک، مدیریت کاربری اراضی و احداث زیرساختها در حوضههای مشابه درنظر گرفته شود. برای پژوهشهای آتی، بررسی تأثیر تغییر اقلیم و تغییرات کاربری اراضی بر نوسانات مناطق پرخطر و نیز تلفیق این مدلها با الگوریتمهای بهینهسازی فراابتکاری برای افزایش هرچه بیشتر دقت پیشنهاد میشود. نتایج این پژوهش که حاکی از برتری مدلهای جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) در پهنهبندی خطر زمینلغزش حوضه الوند است، از یک سو با شمار درخور توجهی از مطالعات پیشین همسو است؛ بهطور مثال، تأیید عملکرد برتر RF توسط احمد و همکاران و نیز امامی و یوسفی (1402)، توانایی ذاتی این الگوریتمهای ترکیبی و مبتنی بر حاشیه را در مدلسازی پدیدههای پیچیده محیطی تصدیق میکند (Ahmed et al., 2020). از سوی دیگر، گزارش برتری مدلهای دیگری مانند ERT فام و همکاران یا DP قاسمیان و همکاران در مناطق مختلف، نهتنها تعارضی با یافته حاضر ایجاد نمیکند، بر این اصل کلیدی تأکید دارد که کارایی یک مدل شدیداً وابسته به شرایط محلی، کیفیت دادهها و تنظیمات پارامترهای آن است (Pham et al., 2022; Ghasemian et al., 2022) ؛ بنابراین، یافته این تحقیق ضمن تقویت اعتبار الگوریتمهای RF و SVM بهعنوان گزینههای قدرتمند و غالب در ادبیات موضوع، لزوم بومیسازی و آزمون مقایسهای چندین مدل در هر منطقه خاص را برای دستیابی به قابل اطمینانترین نتایج و اتخاذ تصمیمهای مدیریتی اثربخش، مورد تأکید مجدد قرار میدهد. نوآوری اصلی این تحقیق، معرفی و اجرای الگوریتم ترکیبی و نسبتاً جدید «جنگل دورانی (RoF)» در کنار سه الگوریتم پرکاربرد یادگیری ماشین (RF، SVM و DT) برای نخستین بار در پهنهبندی خطر زمینلغزش حوضهای مرزی و پیچیده از نظر زمینشناسی و توپوگرافی در ایران است. این پژوهش نهتنها یک مقایسه روششناختی نظاممند میان این چهار چارچوب ارائه میدهد، با انتخاب حوضه آبخیز الوند به دلیل ویژگیهای طبیعی بحرانی و وجود زیرساختهای حیاتی از اولویت مدیریتی بالایی برخوردار است؛ اما پیشتر با این ترکیب از روشهای نوین مطالعه نشده بود پیوند مستقیمی میان توسعه روشهای پیشرفته تحلیل و نیاز فوری برنامهریزی عملیاتی در یک منطقه پرخطر برقرار میسازد.
)