خلاصه

هدف اصلی این مطالعه استفاده از وزن‌های دو متغیره مبتنی بر شواهد SysFor (SF) برای نقشه‌برداری حساسیت زمین لغزش، و دو تکنیک یادگیری ماشین، یعنی شبکه‌های تابع پایه ساده بیز (NB) و شعاعی (RBFNetwork) بود. به عنوان مدل های معیار ابتدا با استفاده از عکس های هوایی و بررسی های میدانی زمین شناسی، 263 مکان لغزش در منطقه مورد مطالعه به دست آمد. سپس زمین لغزش های شناسایی شده به ترتیب بر اساس نسبت 70/30 برای ساخت داده های آموزشی و مدل های اعتبار سنجی به طور تصادفی طبقه بندی شدند. در مرحله دوم، بر اساس نقشه فهرست زمین لغزش، همراه با ویژگی های زمین شناسی و ژئومورفولوژیکی منطقه مورد مطالعه، 14 عامل موثر بر زمین لغزش تعیین شد. توانایی پیش بینی عوامل انتخاب شده با استفاده از مدل LSVM مورد ارزیابی قرار گرفت. با استفاده از مدل WoE، رابطه بین زمین لغزش و عوامل موثر با روش های همبستگی مثبت و منفی تحلیل شد. سپس از سه مدل هیبریدی بالا برای ترسیم حساسیت زمین لغزش استفاده شد. ثالثاً، منحنی ROC و داده‌های آماری مختلف (SE، 95% CI و MAE) برای تأیید و مقایسه قدرت پیش‌بینی مدل استفاده شد. در مقایسه با دو مدل دیگر، مدل Sysfor دارای مساحت بزرگ‌تری در زیر منحنی (AUC) 0.876 (داده‌های آموزشی) و 0.783 (داده‌های اعتبارسنجی) بود. در نهایت، با مقایسه کمی مقادیر حساسیت هر پیکسل، تفاوت‌های مورفولوژی فضایی نقشه‌های حساسیت زمین لغزش مقایسه شد و مدل دارای محدودیت‌ها و اثربخشی بود. نقشه های حساسیت زمین لغزش به دست آمده توسط سه مدل معقول است، و نقشه های حساسیت زمین لغزش تولید شده توسط مدل SysFor بالاترین عملکرد جامع را دارند. نتایج به دست آمده در این مقاله می تواند به دولت های محلی در برنامه ریزی کاربری اراضی، کاهش بلایا و حفاظت از محیط زیست کمک کند.

کلید واژه ها:

حساسیت زمین لغزش ; وزن شواهد شبکه تابع پایه شعاعی ; بیز ساده لوح ; SysFor

1. معرفی

زمین لغزش یک پدیده زمین‌شناسی لغزشی است که در آن سنگ شیب و توده خاک در امتداد سطح شکست برشی حرکت می‌کنند. زمین لغزش بلایای طبیعی است و قبل از ظهور انسان وجود داشته است. اکنون این موضوع به یک موضوع مهم جهانی تبدیل شده است که امنیت جان و مال انسان ها را تهدید می کند. هر ساله مقیاس های مختلفی از وقوع زمین لغزش در چین وجود دارد. از ژانویه تا جولای 2018، 1843 فاجعه زمین شناسی در سراسر کشور گزارش شده است که شامل 973 زمین لغزش می شود. این بلایا باعث مرگ 74 نفر و خسارت اقتصادی مستقیم 1.04 میلیارد یوان شد. با شتاب شهرنشینی در مناطق کوهستانی، وقوع زمین لغزش ها افزایش یافته و تهدید جان و مال انسان ها نیز افزایش یافته است. بنابراین، ریسک های مرتبط باید در نظر گرفته و ارزیابی شوند. این امر محققین را نه تنها به مطالعه عوامل القا کننده زمین لغزش، بلکه برای پیش بینی ویژگی های توزیع مکانی و زمانی زمین لغزش ها می طلبد. با توجه به عوامل زیادی که باعث ایجاد زمین لغزش می شوند، مانند سنگ شناسی، بارندگی، کاربری زمین و فعالیت های مهندسی انسانی، انجام تحقیقات پیش بینی فضایی در مورد وقوع زمین لغزش یک مطالعه چالش برانگیز است.1 ].
نقش نقشه حساسیت زمین لغزش (LSM) پیش بینی مناطقی است که ممکن است زمین لغزش در آینده با مطالعه مناطقی که زمین لغزش در آنها رخ می دهد و مناطق مشابه با آن مناطق [ 2 ] رخ دهد. شناسایی مناطق مستعد زمین لغزش بخش مهمی از مدیریت بلایا است. برای زمین شناسان، نقشه حساسیت زمین لغزش می تواند به عنوان ابزار خوبی برای کاهش بلایا و مدیریت شیب استفاده شود [ 2 ]. عوامل مختلفی پایایی نقشه های حساسیت زمین لغزش را کنترل می کنند، مانند کیفیت و کمیت داده های جمع آوری شده، روش های مدل سازی و تجزیه و تحلیل دقیق [ 3 ].]. اگرچه یک مدل واحد به طور گسترده در تحقیقات ارزیابی حساسیت زمین لغزش استفاده می شود، این مطالعه نشان داد که مدل های ترکیبی به دست آمده از ترکیب روش های مختلف منفرد در یک منطقه مورد مطالعه، معمولاً در تحقیقات حساسیت زمین لغزش عملکرد بهتری دارند. علاوه بر این، کاربرد مدل‌ها و روش‌های جدید باید در مناطق مختلف تحقیقاتی بیشتر مورد ارزیابی قرار گیرد تا مدل‌های حساسیت زمین لغزش دقیق‌تری به دست آید و اطمینان حاصل شود که نقشه‌های حساسیت زمین لغزش ساخته شده برای منطقه تحقیقاتی برای مدیریت بلایا مفیدتر است [ 4 ]. .
در طول سال ها، محققان تحقیقات زیادی را در زمینه ارزیابی خطر زمین لغزش انجام داده اند [ 5 ، 6 ]. در توسعه سریع سیستم اطلاعات جغرافیایی، امروزه می توان فرآیندهای یکپارچه سازی و تحلیل های مناسب را برای داده های جمع آوری شده از منابع مختلف با استفاده از روش های مختلف انجام داد. رگرسیون لجستیک (LR) [ 7 ، 8 ، 9 ، 10 ]، عامل قطعیت (CF) [ 11 ، 12 ، 13 ، 14 ]، وزن شواهد (WoE) [ 15 ، 16 ]، تابع باور شواهدی (EBF) [ 17 ] , 18 ,برای تعیین عوامل و وزن آنها و تهیه نقشه های حساسیت زمین لغزش از روش های نسبت فرکانس (FR) [ 19 ، 20 ، 21 ] [ 19 ، 20، 21] استفاده شد. امروزه، مدل‌های یادگیری ماشین عملکرد برجسته‌ای در تحقیقات حساسیت زمین لغزش داشته‌اند، مانند کیسه‌بندی [ 22 ، 23 ] ، MultiBoost [ 24 ، 25 ]، بیز ساده (NB) [ 26 ، 27 ، 28 ]، جنگل تصادفی [ 29 ، 233 ] . ]، ماشین بردار پشتیبانی (SVM) [ 12 ، 32 ، 33 ]، درختان مدل لجستیک [ 1، 34 ، 35 ] و درختان تصمیم را تقویت کردند [ 36 ، 37 ].
در این مقاله، نقشه‌برداری حساسیت زمین لغزش برای شهرستان زیچانگ چین انجام شد. سه روش یادگیری ماشین، از جمله شبکه تابع پایه شعاعی (RBFNetwork)، مدل‌های ساده درخت بیز (NB)، و SysFor (SF) مورد استفاده قرار گرفتند. برای تهیه نقشه حساسیت زمین لغزش از سه مدل استفاده شد و سپس با توجه به نتایج روش های مختلف آماری، نقشه حساسیت زمین لغزش دقیق تری به دست آمد.

2. تنظیمات زمین شناسی و ژئومورفولوژیکی

شهرستان زیچانگ در طول جغرافیایی 109°11′58′′E~110°01′22′′ شرقی و عرض های جغرافیایی 36°59′30′′ شمالی~37°30′00′′ شمالی واقع شده است ( شکل 1 ). این منطقه با میانگین دمای سالانه 9.1 درجه سانتی گراد و میانگین بارندگی سالانه 514.7 میلی متر متعلق به منطقه آب و هوای موسمی قاره ای گرم معتدل نیمه خشک است. منطقه مورد مطالعه هیچ حرکت تکتونیکی آشکاری برای تبدیل آن ندارد و بنابراین همیشه ویژگی های یک حوضه رسوبی پایدار را حفظ می کند. انواع ژئومورفولوژیکی منطقه مورد مطالعه پیچیده تر است. تلفات خاک و آب در اطراف تیرها و پشته ها جدی است که با ایجاد تعداد زیادی زمین لغزش، فروریختن و سایر اشکال زمین گرانشی لس همراه است. منطقه مورد مطالعه انواع سنگ شناسی مانند لس، گلسنگ و ماسه سنگ را پوشش می دهد که در جدول 1 نشان داده شده است..

3. مواد و روشها

3.1. روش شناسی

روش تحقیق مورد استفاده در این مقاله را می توان به مراحل زیر تقسیم کرد که در شکل 2 نشان داده شده است : (i) جمع آوری داده ها. (ii) آماده سازی عوامل ایجاد کننده زمین لغزش و تعیین مکان لغزش. (iii) تجزیه و تحلیل همبستگی بین زمین لغزش و عوامل موثر (WoE). (IV) انتخاب عوامل موثر بر زمین لغزش با استفاده از ماشین بردار پشتیبان خطی (LSVM). (v) مدل‌های RBFN، NB و SF برای ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه استفاده می‌شوند. (vi) اعتبارسنجی و مقایسه مدل. (vii) ایجاد نقشه های حساسیت زمین لغزش.

3.2. تهیه مجموعه داده های آموزشی و اعتبار سنجی

فهرست و نقشه برداری زمین لغزش پایه و اساس نقشه برداری حساسیت زمین لغزش است. در این تحقیق داده های بررسی زمین لغزش از سه روش زیر بدست می آید: بررسی گزارش زمین شناسی منطقه مورد مطالعه. انجام یک بررسی میدانی با کمک سیستم موقعیت یابی جهانی (GPS)؛ تجزیه و تحلیل تصاویر سنجش از دور [ 38 ]. در نهایت، همانطور که در شکل 1 نشان داده شده است، 263 زمین لغزش در منطقه مورد مطالعه شناسایی شد . بارندگی و فعالیت های مهندسی انسانی (ساخت و ساز مهندسی، ساخت و ساز شهری و ساخت بزرگراه ها و راه آهن ها و غیره) محرک های اصلی زمین لغزش هستند [ 39 ]] و زمین لغزش لسی نوع غالب زمین لغزش در منطقه مورد مطالعه است. بر اساس تجزیه و تحلیل در محیط GIS، بزرگترین زمین لغزش در منطقه مورد مطالعه بزرگتر از 1 × 10 7 متر مکعب و کوچکترین زمین لغزش نزدیک به 120 متر مکعب است . هر چندضلعی لغزش در مجموعه داده با استفاده از مرکز بیان شد. علاوه بر این، لازم است به طور تصادفی همان تعداد نقاط غیر لغزشی در منطقه مورد مطالعه انتخاب شود – 263 پیکسل زمین لغزش به عنوان “1” و سپس 263 پیکسل غیر لغزش به عنوان “0” تعریف شود. در این مطالعه، داده های اصلی به طور تصادفی به مجموعه داده های آموزشی و مجموعه داده های اعتبار سنجی با نسبت 70/30 تقسیم شدند، زیرا امروزه مشخصات یکسانی برای تقسیم مجموعه داده ها در LSM وجود ندارد [ 1 ، 40 ].].

3.3. عوامل موثر بر زمین لغزش

هنگامی که فهرست زمین لغزش جمع آوری شد، گام بعدی انتخاب عوامل مؤثر بر زمین لغزش است. اصولی که در انتخاب عوامل شرطی‌سازی باید در نظر گرفته شوند، ویژگی‌های محیط زمین‌شناسی و در دسترس بودن داده‌ها در منطقه است [ 41 ، 42 ، 43 ]. با توجه به ادبیات مربوطه [ 44 ، 45 ، 46 ]، 14 عامل موثر بر زمین لغزش شامل ارتفاع، انحنای نیم رخ، انحنای پلان، جهت، شیب، SPI، TWI، STI، فاصله تا رودخانه ها، فاصله تا جاده ها، سنگ شناسی، خاک انتخاب شدند. ، کاربری زمین و NDVI، همانطور که در شکل S1 نشان داده شده است. نقشه سنگ شناسی از نقشه های زمین شناسی با مقیاس 1:200000، نقشه کاربری اراضی از نقشه های کاربری اراضی با مقیاس 1:100000، نقشه خاک از نقشه های نوع خاک با مقیاس 1 استخراج شده است: 1,000,000 و NDVI با استفاده از تصویرگر زمین عملیاتی لندست 8 تولید شد. 11 فاکتور باقی مانده از ASTER GDEM با وضوح 30 متر استخراج شده است. در نهایت، تمام عوامل در نهایت به وضوح یکسان (30 × 30 متر) تبدیل می شوند.
تهیه نقشه های ارتفاعی اولین گام در انجام تحقیقات است. در منطقه مورد مطالعه، با توجه به فاصله 100 متری به هفت سطح تقسیم می شود: (1) 933-1000; (2) 1000–1100; (3) 1100-1200; (4) 1200-1300; (5) 1300-1400; (6) 1400-1500; (7) 1500-1574. انحنای پروفیل نشان دهنده نرخ تغییر ارتفاع سطح در حداکثر شیب سطح است. این مطالعه انحناهای پروفیل را در نرم افزار ArcGIS محاسبه و به پنج دسته تقسیم کرد: -7.29 تا -1.65. (2) -1.65 تا -0.46; (3) -0.46 تا 0.58; (4) 0.58 تا 1.97; (5) 1.97-9.45. این مطالعه انحناهای پلان را در نرم افزار ArcGIS محاسبه و به پنج دسته تقسیم کرد: (1) -9.24 تا -1.79; (2) -1.79 تا -0.54; (3) -0.54 تا -0.38; (4) -0.38 تا 1.43; (5) 1.43-7.56. جنبه عامل مهمی برای نقشه های حساسیت زمین لغزش است [47 ، 48 ، 49 ، 50 ]. لایه جنبه به نه کلاس تقسیم شد: (1) مسطح. (2) شمال؛ (3) شمال شرقی؛ (4) شرق؛ (5) جنوب شرقی؛ (6) جنوب؛ (7) جنوب غربی؛ (8) غرب؛ (9) شمال غربی. زاویه شیب ارتباط مستقیمی با مطالعه زمین لغزش دارد و عاملی ضروری در تهیه نقشه حساسیت به زمین لغزش است [ 51 ]. شیب در منطقه مورد مطالعه را می توان به شش دسته تقسیم کرد: (1) < 10; (2) 10-20; (3) 20-30; (4) 30-40; (5) 40-50; (6) > 50.

شاخص توان جریان (SPI) به فرسایش آب جاری، ضخامت لایه خاک و محتوای ماسه و سیلت اشاره دارد. SPI به طور گسترده در مطالعه حساسیت زمین لغزش استفاده شده است [ 52 ]. این عوامل بر وقوع حوادث آسیب شیب تأثیر خواهند گذاشت [ 53 ]. SPI دارای فرمول زیر است:

اسپمن=آسبرنزهب

که در آن As یک حوضه خاص و B نشان دهنده یک شیب محلی است [ 53 ]. با توجه به مقدار محاسبه شده، SPI به پنج دسته گروه بندی می شود: (1) < 10; (2) 10-20; (3) 20-30; (4) 30-40; (5) > 40.

شاخص رطوبت توپوگرافی (TWI) می تواند میزان رطوبت موجود در خاک را منعکس کند. TWI را می توان با فرمول [ 54 ] بیان کرد

تیدبلیومن=لوگاریتم(∂برنزهب)

که در آن ∂ یک منطقه مشارکت محلی سربالایی است که نشان دهنده مقدار آب جاری به یک مکان خاص است و tan B یک شیب محلی است. نقشه TWI منطقه مورد مطالعه شامل شش دسته زیر بود: (1) 1.11-2. (2) 2-3; (3) 3-4; (4) 4-5; (5) > 5.

مقدار شاخص انتقال رسوب (STI) نشان دهنده درجه فرسایش و رسوب جریان زمین است [ 55 ]. با توجه به مقدار STI، به پنج دسته تقسیم شد: (1) 0-10. (2) 10-20; (3) 20-30; (4) 30-40; (5) > 40.
نقشه فاصله تا رودخانه ها با پنج محدوده بافر مختلف تقسیم شد که عبارتند از: (1) 0-200. (2) 200-400; (3) 400-600; (4) 600-800; (5) > 800. رابطه بین رودخانه و زمین لغزش را می توان از طریق این مناطق حائل ایجاد کرد [ 55 ، 56 ، 57 ]. فاصله تا جاده ها به عنوان یک عامل مؤثر بر زمین لغزش مورد استفاده قرار گرفت زیرا جاده ترمیم شده در نزدیکی شیب ها بار روی زمین و پاشنه شیب را کاهش می دهد [ 51 ]. ما بافر روسازی را هر 100 متر در منطقه مورد مطالعه محاسبه کردیم: (1) 0-100. (2) 100 -200; (3) 200-300; (4) 300-400; (5) > 400.
واحدهای سنگ شناسی مختلف دارای حساسیت مغناطیسی متفاوتی هستند [ 58 ، 59 ]. در مجموع پنج واحد سنگ شناسی در منطقه مورد مطالعه قرار دارند: کواترنر، سوم و کرتاسه، ژوراسیک و تریاس. خاک در نقشه خاک را می توان به پنج دسته تقسیم کرد: خاک های آبرفتی. خاک های رسی قرمز؛ دریاچه ها و مخازن؛ خاکهای لس کشت شده؛ تمام ارزش های دیگر
کاربری اصلی منطقه مورد مطالعه، اراضی زراعی، جنگلی، علفزار و آب، مناطق مسکونی و غیره است. NDVI می تواند پوشش گیاهی سطح را به دقت منعکس کند. داده ها از تصاویر سنجش از دور ماهواره ای به دست می آیند. در این مطالعه، این می تواند به عنوان طبقه بندی شود: (1) 0.15-0.01; (2) 0.01-0.04; (3) 0.04-0.07; (4) 0.07-0.09; (5) 0.09-0.31.

3.4. اوزان شواهد

مدل وزن شواهد از شکل لگاریتمی قانون بیز ساخته شده است. مقادیر وزنی برای طبقات عوامل متاثر از زمین لغزش را می توان در معادلات (3) و (4) نوشت [ 60 ]:

دبلیو+=پ1پ1+پ2پ3پ3+پ4
دبلیو-=پ2پ1+پ2پ4پ3+پ4

که در آن P1 و P2، به ترتیب، تعداد پیکسل هایی را نشان می دهند که در یک دسته عامل مشخص ظاهر می شوند و ظاهر نمی شوند. P3 تعداد پیکسل هایی را نشان می دهد که هیچ لغزشی در یک دسته عامل خاص ندارند. هنگامی که نه لغزش و نه یک پیکسل زمین لغزش در یک دسته عامل خاص وجود دارد، P4 استفاده می شود [ 61 ].

وزن مثبت (W+) نه تنها نشان دهنده وجود عوامل موثر بر زمین لغزش است، بلکه نشان دهنده همبستگی مثبت بین عوامل و زمین لغزش است. وزن منفی (W-) میزان همبستگی منفی بین آنها را نشان می دهد [ 60 ]. تفاوت بین دو وزن را می توان به صورت معادله (5) بیان کرد:

سی=دبلیومن+-دبلیومن-

که در آن C کنتراست وزن است. با توجه به مقدار C، رابطه بین متغیرهای پیش بینی کننده و زمین لغزش ها می تواند به طور جامع تری منعکس شود.

3.5. بیز ساده لوح

مدل را می توان با دنبال کردن چند مرحله ساخت: (i) نمونه هایی را جمع آوری کنید. (ii) تخمین احتمال قبلی هر طبقه. (iii) میانگین کلاس را تخمین بزند. (IV) یک ماتریس کوواریانس بسازید و معکوس و تعیین کننده را برای هر کلاس پیدا کنید. (v) برای هر تشکیل کلاس، یک تابع تفکیک [ 62 ] ایجاد کنید. نکته منحصر به فرد این مدل این است که برای ارزیابی و تجزیه و تحلیل برای به دست آوردن پارامترهای مورد نیاز برای طبقه بندی، تنها مقدار کمی از داده های آموزشی مورد نیاز است [ 62 ]. مهمتر از آن، ساخت یک مدل ساده است [ 63 ]. روش NB به طور گسترده و با موفقیت در تحقیقات ارزیابی حساسیت زمین لغزش استفاده می شود [ 12 ، 32 ، 64 ].

3.6. شبکه تابع پایه شعاعی

تابع پایه شعاعی (RBF) از حل مسئله درونیابی چند متغیره سرچشمه می گیرد. بعدها شبکه های RBF در برنامه های دیگر مورد استفاده قرار گرفتند [ 65 ، 66 ]. مدل شبکه RBF بر اساس یک الگوریتم از خوشه بندی K-means [ 67 ] است. ماهیت شبکه RBF یک تابع شعاعی است. سهولت را در حل مسائل غیر خطی فراهم می کند [ 68 ]. ابتدا داده ها بدون محاسبه وارد لایه ورودی می شوند و سپس مسئله غیرخطی نورون لایه پنهان پردازش شده و به لایه خروجی خطی ارسال می شود. تنها یک لایه پنهان در خود شبکه RBF وجود دارد، اما هیچ لایه پنهانی در مدل وجود ندارد [ 69 ]. لایه پنهان را می توان با یک تابع، f فعال کرد: Rn→R، اگر به درستی آموزش داده شود. به طور معمول، تابع پایه که معمولا در شبکه های RBF استفاده می شود، تابع گاوس است.

برای تمام گزینه های ممکن برای f ، تابع گاوسی را می توان به صورت زیر نوشت:

fمن(ایکس)=fمن(ه-||ایکسپ-جمن||دمن)، من=1،2،….،n
Y=دبلیوتیfپ

که در آن C i ∈ Rn مرکز تابع پایه را نشان می دهد. n گره لایه پنهان وجود دارد. فرض کنید f i d i ∈ R شعاع اولین گره لایه پنهان باشد. از طریق ماتریس وزن (W ∈ Rn i × n) برای اتصال گره های لایه پنهان و خروجی شبکه، f p بردار گره پنهان است.

3.7. SysFor

SysFor برای تعداد زیادی درخت تصمیم گیری با کیفیت خوب توسط مجموعه داده های کم بعدی و با ابعاد بالا ساخته شده است و برای بسیاری از برنامه ها اعمال می شود [ 70 ]. یک SysFor می تواند با دنبال کردن چند مرحله ساخته شود: (1) دستورالعمل های کاربر را دنبال کنید تا مجموعه ای از “ویژگی های خوب” و نقاط تقسیم مربوطه را پیدا کنید. (ب) تعداد درختان را بر اساس ویژگی های خوب و تعاریف کاربر بسازید. (iii) گره سطح 1 درخت ساخته شده از مرحله 2 را بگیرید و یک ویژگی خوب اختیاری را از مجموعه ویژگی های خوب انتخاب کنید. (iv) تمام درختان ساخته شده در مراحل 2 و 3 را به عنوان Sysfor برگردانید [ 71 ].
این تکنیک را می توان برای مطالعه یک مجموعه داده و تسلط بر حالت ضبط به منظور طبقه بندی رکورد به عنوان یکی از “مقادیر کلاس” استفاده کرد. نکته مهم این است که مدل می تواند “مقدار کلاس” یک برچسب ناشناخته را پیش بینی کند. عملکرد مدل مشابه درختان تصمیم و جنگل های تصمیم [ 72 ] است.

3.8. ماشین بردار پشتیبانی

کیفیت مدل انتخابی و داده های ورودی بر کیفیت ارزیابی حساسیت زمین لغزش تأثیر می گذارد [ 73 ]. استفاده از این روش برای آزمایش عامل تأثیرگذار را می توان به صورت (معادله (8)) بیان کرد:

g(ایکس)=sgn(wتیآ+ب)

که در آن w T یک ماتریس معکوس را نشان می دهد، ماتریس وزن هر عامل تأثیرگذار زمین لغزش در این مطالعه، a = (a1, a2, …, a14) بردار ورودی (14 عامل مؤثر بر زمین لغزش) و b جبران از مبدا است. از ابر هواپیما هر چه وزن w i به صفر نزدیکتر باشد، عوامل مؤثر بر زمین لغزش برای پیش بینی زمین لغزش اهمیت کمتری دارند [ 74 ].

4. نتایج و تجزیه و تحلیل

4.1. تحلیل همبستگی عوامل مؤثر

در این مقاله، همانطور که در شکل 3 نشان داده شده است، از مدل WoE برای تجزیه و تحلیل همبستگی بین وقوع زمین لغزش و عوامل موثر استفاده شده است . همبستگی فضایی کلی بین متغیر قابل پیش بینی و لغزش را می توان با تجزیه و تحلیل نتایج C. WoE منعکس کرد که نشان داد با افزایش ارتفاع همبستگی با زمین لغزش کاهش می یابد. افزایش ارتفاع با افزایش بارندگی، کاهش دما و تسریع هوازدگی همراه است و در نتیجه وقوع زمین لغزش را افزایش می دهد [ 75 ]]. بنابراین، ارتفاع بیش از 1500 متر بالاترین همبستگی را در مقایسه با سایر دامنه‌های ارتفاعی داشت. از نظر انحنای پروفیل، فقط با وقوع زمین لغزش در (0.46- تا 0.58) و (0.58-1.97) همبستگی مثبت داشت و 42٪ و 29٪ از زمین لغزش ها در دو نقطه انحنای پروفیل رخ داد. انحنای پلان با وقوع زمین لغزش در محدوده (54/0-) تا 38/0 و از 44/1 تا 56/7 همبستگی مثبت دارد و در سایر محدوده ها همبستگی منفی دارد. هم انحنای پروفیل و هم انحنای پلان، سرعت جریان آب را کنترل می کنند بر درجه فرسایش شیب [ 76 ]. اگر جهت شیب متفاوت باشد، سطح شیب با قرار گرفتن در معرض خورشید و فرسایش بارندگی متفاوت است و در نتیجه مواد شیب متفاوتی ایجاد می‌شود [ 50 ]]. در قسمت جنوبی 15 درصد زمین لغزش ها رخ می دهد و بیشترین همبستگی در این جهت با زمین لغزش است. هنگامی که شیب کمتر از 10 درجه یا بیش از 50 درجه است، وقوع زمین لغزش به طور تصادفی توزیع می شود. همبستگی با زمین لغزش در محدوده 10 تا 20 بالاترین میزان است و 30 درصد زمین لغزش ها در این محدوده رخ می دهد، به این معنی که این عامل تأثیرگذار، بروز بالایی از لغزش در این محدوده را دارد. مقدار SPI بیشترین همبستگی را دارد، با وقوع زمین لغزش در محدوده 10-20.
علاوه بر این، مقادیر C برای مقادیر STI در محدوده 10-20 و 20-30 به ترتیب 0.12 و 0.35 هستند، که نشان می دهد زمین لغزش ها قابل پیش بینی هستند و با مقادیر STI همبستگی مثبت دارند. TWI با وقوع زمین لغزش تنها در محدوده 2-3 همبستگی مثبت دارد. نتایج WoE نشان می دهد که همبستگی این متغیر با زمین لغزش با افزایش فاصله تا رودخانه کاهش می یابد و همین نتایج در فاصله تا جاده نیز نشان داده می شود. هر چه به رودخانه نزدیک تر باشد، فرسایش در پایین شیب قوی تر است که بر پایداری شیب تأثیر می گذارد [ 51 ]. در عین حال، ساخت جاده ها ثبات اولیه زمین را تغییر می دهد [ 15]. واحدهای سنگ شناسی مختلف دارای ترکیبات و ساختارهای مختلف و غیره هستند و بنابراین قابلیت های متفاوتی در رابطه با مقاومت در برابر وقوع زمین لغزش ایجاد می کنند [ 77 ]. تجزیه و تحلیل WoE از سنگ شناسی در منطقه مورد مطالعه نشان داد که دوره سوم، ژوراسیک و تریاس با وقوع زمین لغزش همبستگی مثبت داشتند. رابطه بین کاربری زمین و پایداری شیب این است که انواع مختلف کاربری، پوشش گیاهی متفاوتی تولید می‌کند و ریشه‌های پوشش گیاهی مختلف به حفظ پایداری شیب کمک می‌کند [ 78 ].]. هنگامی که خاک، خاک آبرفتی و خاک رسی قرمز باشد، با وقوع زمین لغزش همبستگی مثبت دارد. در کاربری اراضی، 54 درصد زمین لغزش ها در گروه C رخ می دهد و با زمین لغزش های این منطقه همبستگی مثبت دارد. با این حال، بیشترین همبستگی در گروه E است. در نهایت، WoE دریافت که مقدار NDVI بالاترین همبستگی مثبت را با وقوع زمین لغزش در محدوده 0.07-0.09 و بالاترین همبستگی منفی در محدوده 0.01-0.04 دارد.

4.2. انتخاب عوامل موثر بر زمین لغزش

ارزیابی توانایی پیش‌بینی و مقایسه 14 فاکتور تأثیر زمین لغزش نشان می‌دهد که اگرچه سهم هر عامل متفاوت است، اما همانطور که در شکل 4 نشان داده شده است، به مدل‌سازی پیش‌بینی زمین لغزش کمک می‌کنند . نتایج نشان می‌دهد که فاصله تا رودخانه بالاترین قابلیت پیش‌بینی را دارد (14) و پس از آن زاویه شیب (13)، SPI (11.9)، TWI (10.9)، جهت شیب (10.1)، ارتفاع (8)، خاک (6.7)، کاربری زمین (6.5)، NDVI (5.9)، فاصله تا جاده ها (4.4)، انحنای پروفیل (4.4)، STI (4.2)، انحنای پلان (3.1) و سنگ شناسی (1.9). بنابراین، هر 14 عامل مؤثر برای مدل‌ها انتخاب شدند.

4.3. ساخت نقشه های حساسیت به زمین لغزش

تهیه نقشه حساسیت زمین لغزش به طور کلی به دو مرحله زیر نیاز دارد [ 38 ]: اول، به دست آوردن شاخص حساسیت به زمین لغزش (LSI) تمام واحدهای ارزیابی. سپس LSI به دست آمده در مرحله اول را سازماندهی مجدد کنید. عملیات خاص محاسبه LSI هر واحد ارزیابی با استفاده از تابع توزیع احتمال مدل ارزیابی و سپس تقسیم مجدد LSI بدست آمده به روش درجه بندی نقطه ناپیوسته طبیعی در نرم افزار ArcGIS است. در این مطالعه، مدل‌های NB، RBFNetwork و Sysfor سه نقشه حساسیت به زمین لغزش را تولید کردند، همانطور که در شکل 5 نشان داده شده است. شکل 5a نقشه حساسیت زمین لغزش تولید شده توسط مدل NB است. LSI به پنج محدوده 0.133-0، 0.133-0.322، 0.322-0.537، 0.537-0.769 و 0.769-1 تقسیم می شود. شکل 6 نشان می دهد که سطح بسیار پایین بیشترین مساحت را دارد.
شکل 5 ب نقشه حساسیت زمین لغزش تولید شده توسط مدل RBFNetwork است و دسته های حساسیت زمین لغزش نیز به پنج دسته تقسیم شدند. LSI به پنج محدوده 0.203-0.288، 0.288-0.407، 0.407-0.543، 0.543-0.721 و 0.721-0.88 تقسیم می شود، همانطور که در شکل 6 نشان داده شده است. در این مطالعه، ساختار شبکه از سه لایه تشکیل شده است: یک لایه ورودی از 14 نورون. یک لایه پنهان (به نام واحد RBF)؛ یک لایه خروجی حاوی یک نورون، همانطور که در شکل 7 نشان داده شده است. فرآیند یادگیری شبکه RBF را می توان به دو بخش تقسیم کرد: (الف) استفاده از الگوریتم K-means برای محاسبه تعداد خوشه ها (نرون های پنهان). (ب) برآورد بهینه پارامترهای هسته [ 1 ].
مدل SysFor باید قبل از ایجاد نقشه حساسیت زمین لغزش بهینه شود. بهترین پارامترها برای مدل SysFor از طریق آزمایش یافت شد – اطمینان 0.1 و مقدار numberTrees 60 بود . LSI به پنج محدوده 0-0.114، 0.114-0.314، 0.314-0.549، 0.549-0.78 و 0.78-1 تقسیم می شود. شکل 6 نشان می دهد که سطح بسیار پایین بیشترین مساحت را دارد.

4.4. اعتبارسنجی و مقایسه مدل ها

نقشه حساسیت زمین لغزش مستقیم ترین و معتبرترین شواهد برای آزمایش عملکرد مدل حساسیت زمین لغزش است [ 79 ]. بدون اعتبار سنجی مدل، ایجاد نقشه های حساسیت زمین لغزش اهمیت عملی ندارد [ 24 ]. بنابراین، منحنی مشخصه عملکرد گیرنده (ROC) و سطح زیر منحنی ها (AUC) [ 80 ، 81 ] برای ارزیابی قدرت پیش بینی هر مدل استفاده می شود.
شکل 8 الف و جدول 2 به ترتیب منحنی ROC و پارامترهای آن را تحت مجموعه داده های آموزشی نشان می دهد. تحت مجموعه داده های آموزشی، مناطق زیر منحنی مدل NB و Sysfor به ترتیب 0.792 (79.2%)، 0.777 (77.7%) و 0.876 (87.6%) بودند. شکل 8 ب و جدول 3منحنی ROC و پارامترهای آن را به ترتیب تحت مجموعه داده های اعتبارسنجی نشان می دهد. در مجموعه داده های اعتبارسنجی، مناطق تحت منحنی مدل NB، RBFNetwork و Sysfor به ترتیب 0.764 (76.4%)، 0.729 (72.9%) و 0.783 (78.3%) بودند. علاوه بر این، از آمار ارزیابی (MAE) برای تأیید مدل استفاده می شود. میانگین خطای مطلق (MAE) اندازه گیری تفاوت بین دو متغیر پیوسته (مقادیر پیش بینی شده و مشاهده شده) است. مدل SysFor کمترین مقدار MAE را در داده‌های آموزشی (MAE = 0.245) و داده‌های اعتبارسنجی (MAE = 0.320) دارد، که نشان می‌دهد این مدل همچنین در پیش‌بینی و مقایسه مشاهده وقوع زمین لغزش عملکرد خوبی دارد، همانطور که در شکل 9 نشان داده شده است.
آزمون رتبه‌بندی علامت‌دار Wilcoxon برای تعیین اهمیت تفاوت‌های بین مدل‌های حساسیت، که در آن عوامل اصلی p و z بودند، استفاده شد. از این آزمون برای تعیین اینکه آیا تفاوت معنی‌داری در مدل حساسیت وجود دارد یا خیر استفاده می‌شود – اینکه آیا مقدار p کمتر از سطح معنی‌داری (0.05)، و آیا مقدار z در محدوده مقدار بحرانی (1.96-، + 1.96) است یا خیر. ) [ 1 ]. از تحلیل جدول 4 می توان دریافت که تفاوت عملکرد بین مدل SF و دو مدل دیگر (مدل RBFN و NB) از نظر آماری معنی دار است. در مقابل، برای مدل NB و RBFNetwork، تفاوت عملکرد از نظر آماری معنی‌دار نبود.
با مقایسه رتبه‌بندی عملکرد مدل‌های به‌دست‌آمده در مجموعه داده‌های آموزشی و مجموعه داده‌های اعتبارسنجی، می‌توان دریافت که عملکرد مدل‌ها در دو مجموعه داده دارای ترتیب یکسانی هستند – مدل Sysfor دارای بالاترین دقت (0.783) است. و پس از آن مدل NB (0.764) و مدل RBFNetwork (0.729). سایر روش های آماری نشان می دهد که مدل Sysfor دارای حداقل خطای استاندارد (SE) و فاصله اطمینان 95٪ (CI) است.

4.5. مقایسه نقشه های حساسیت به زمین لغزش

در این مطالعه، مدل SF به عنوان مدل معیار انتخاب شد و نقشه‌های حساسیت تولید شده توسط دو مدل دیگر با نقشه‌های حساسیت تولید شده توسط مدل SF با استفاده از روش توسعه‌یافته توسط Xiao و همکاران مطابقت داده شد. [ 82 ]. تفاوت بین آنها با تفریق در ArcGIS تعریف شده است، همانطور که در شکل S2 نشان داده شده است. مقادیر شطرنجی سه نقشه حساسیت بین 0 و 1 است، بنابراین محدوده مقادیر نقشه های مقایسه (-1، 1) است. سه سطح کم برآورد، تقریب و بیش برآورد بر اساس مقادیر به دست آمده از نقشه مقایسه است. جدول S1درصد سطوح مختلف را در کل مساحت نشان می دهد. مقادیر هر دو نقشه مقایسه در 0.50- و 0.50 شکسته می شوند. برای به دست آوردن عوامل کلیدی که باعث تفاوت بین نقشه‌های حساسیت می‌شوند، لازم است که پیکسل‌های بیش از حد تخمین زده شده و کمتر برآورد شده را با تمام عوامل تنظیم مورد استفاده در تحلیل حساسیت مرتبط کنیم. همانطور که در جداول S2 و S3 نشان داده شده است، کم برآوردها و برآوردهای بیش از حد هر دسته از عوامل شمارش می شوند.. برای هر کلاس، نسبت هر کلاس به مساحت کل به صورت A تعریف می‌شود. نسبت پیکسل‌های کمتر برآورد شده در کلاس به کل پیکسل‌های کمتر برآورد شده، به صورت B تعریف می‌شود. «B–A»، به عنوان نسبت تفاوت‌های بین از این دو نقشه می توان برای شناسایی کلاس های کلیدی خوشه بندی غیرعادی دست کم گرفته شده استفاده کرد. همانطور که در جدول 5 نشان داده شده است، می توان از مقدار “B-A” برای تعیین کلاس با بالاترین درجه عدم تعادل استفاده کرد . شکل S3 دست کم برآوردهای “SF-NB” و “SF-RBFN” را نشان می دهد که توسط خاک های رسی قرمز هدایت می شود، و دست کم برآورد “SF-RBFN” توسط SPI را نشان می دهد. شکل S4 تخمین های بیش از حد “SF-NB” را نشان می دهد که بر اساس فاصله تا رودخانه ها رانده شده است، و تخمین های بیش از حد “SF-RBFN” را بر اساس فاصله تا رودخانه ها نشان می دهد.

5. بحث

تجزیه و تحلیل مقادیر وزنی نشان می دهد که عوامل طبیعی تنها عوامل مؤثر بر وقوع زمین لغزش نیستند و تشدید فعالیت های انسانی و ساخت و سازهای مهندسی نیز ممکن است بر محیط های زمین شناسی و وقوع بلایای زمین لغزش تأثیر بگذارد [ 83 ]. وقوع زمین لغزش در شهرستان زیچانگ در زاویه شیب 40 تا 50 بیشترین میزان را دارد، و زمانی که زاویه شیب >50 باشد، مقادیر W+ و C 0 هستند که این پیش‌بینی را تایید می‌کند. از طریق تجزیه و تحلیل WoE از فاصله تا جاده ها، مشخص شد که هر چه فاصله به جاده ها نزدیکتر باشد، وزن مثبت W+ بزرگتر است، که نشان می دهد نزدیکی به یک جاده به این معنی است که زمین به شدت تحت تأثیر فعالیت های انسانی قرار می گیرد، در نتیجه باعث افزایش وقوع رانش زمین [ 84 ، 85]. به طور کلی، تراکم رشد پوشش گیاهی با احتمال زمین لغزش نسبت معکوس دارد و کاربری زمین برای ارزیابی حساسیت زمین لغزش اهمیت بالایی دارد [ 86 ، 87 ]. گروه C (علفزار) پوشش گیاهی بالاتری نسبت به گروه B (زمین جنگلی) دارد، بنابراین همبستگی بالاتر از گروه B است. هر عامل مؤثر بر زمین لغزش در ارزیابی حساسیت زمین لغزش نقش دارد، اما هر کدام تفاوت های خود را دارند. جدول 1 نشان می دهد که 60 درصد از زمین لغزش ها در سنگ شناسی نوع 1 (لس کواترنر) رخ داده است، اما پنج گروه در منطقه مورد مطالعه، تجزیه و تحلیل WoE سنگ شناسی که در منطقه سنگ شناسی برای نوع 1 یافت شد، همبستگی ضعیفی با وقوع زمین لغزش داشتند. .
سه نقشه حساسیت زمین لغزش مناطق مستعد زمین لغزش مشابه را نشان می دهد – به ویژه خندق های منطقه مورد مطالعه. منطقه مورد مطالعه در وسط فلات Loess در شمال Shaanxi واقع شده است. خاکهای لس کشت شده تقریباً کل منطقه را پوشش می دهند. توپوگرافی خاص و شرایط ژئوتکنیکی، حالت‌های تغییر شکل و شکست دامنه‌ها را مشخص می‌کند و در عین حال، ویژگی‌های توسعه‌ای بلایای زمین لغزش را کنترل می‌کند که تعیین کننده تحقیق است. این منطقه متعلق به یک منطقه با وقوع بالا از بلایای زمین لغزش است، که بیشتر نشان دهنده اهمیت ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه است [ 88 ].
پس از آمار، مشخص شد که تعداد تخمین ها و دست کم برآوردها محدود است (اختلافات کلی از 0.04٪ از کل منطقه در SF-NB تا 0.07٪ در SF-RBFN متغیر است). از طریق تجزیه و تحلیل بصری، مشخص می شود که توزیع بیش برآورد و کم برآورد تصادفی نیست و یک الگوی فضایی مشخص را می توان در نقشه مقایسه یافت. وجود این الگوی فضایی ممکن است به دلیل یک خطای سیستماتیک در تحلیل حساسیت باشد [ 82 ]]. چنین خطاهای سیستماتیک نشان دهنده محدود بودن و اثربخشی مدل است. مقایسه مدل SF به عنوان مدل معیار با مدل NB و مدل RBFN، به ترتیب، مشخص می‌شود که مقادیر شدیدی از تخمین و دست کم‌گرفتن وجود دارد. تجزیه و تحلیل نشان داد که وقوع تخمین بیش از حد و کم برآورد با ژئومورفولوژی منطقه مورد مطالعه رابطه دارد و یک الگوی فضایی را تشکیل می دهد. با توجه به توزیع فضایی دست کم گرفته شده، دو مقایسه روندهای مشابهی را نشان دادند که هر دو ناشی از نوع سوم خاک (خاک رسی قرمز) بود. با این حال، خاک رسی قرمز دارای محتوای رسی زیادی است و مانع آب خوبی است. تحت تأثیر زلزله یا بارندگی، شیب پوشاننده به آرامی در امتداد صفحه بستر آسان است [ 89 ]]. مقایسه “SF-RBFN” به وضوح توسط SPI (10-20) (“B-A” = 38٪) هدایت می شود. با توجه به تجزیه و تحلیل فضایی بیش از حد تخمین زده شده، دو مقایسه نشان داد که هر دو توسط فاصله تا رودخانه ها (0-200 متر) هدایت می شوند و همپوشانی فضایی زیادی با پیکسل های بیش از حد تخمین زده شده دارند. فاصله تا رودخانه ها (0 تا 200 متر) در مقایسه “SF-RBFN” شامل تمام پیکسل های بیش از حد تخمین زده شده است. به طور کلی، در مقایسه با دو مدل دیگر، مدل SF بهتر می‌تواند از اطلاعات جغرافیایی فاصله تا رودخانه‌ها در ارزیابی حساسیت استفاده کند. با این حال، نادیده گرفتن دو دسته خاک (خاک رسی قرمز) و SPI (10-20) که بر وقوع زمین لغزش در تجزیه و تحلیل حساسیت زمین لغزش تأثیر می‌گذارند، آسان است.
هر سه مدل به ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه کمک کردند و عملکرد Sysfor بهتر از مدل‌های NB و RBFN است. روش NB یکی از الگوریتم های کلاسیک یادگیری ماشینی است که کارایی بالا، پیاده سازی آسان و مناسب برای کارهای چند طبقه بندی دارد. با این حال، نه تنها حساسیت خاصی به بیان داده های ورودی دارد، بلکه عملکرد طبقه بندی ناپایداری نیز دارد. از آنجا که روش NB مبتنی بر فرض استقلال شرطی پارامترهای ورودی است، بدیهی است که این فرض واقعی نیست. نتایج به دست آمده در این مطالعه با نتایج تحقیقات قبلی مطابقت دارد [ 90 ، 91]- عملکرد پیش‌بینی مدل NB ضعیف است، به ویژه در مورد مشکلات زمین لغزش. SysFor یک جنگل (مجموعه ای از درختان تصمیم) می سازد و می تواند قوانین منطقی بیشتری را از یک مجموعه داده کاوش کند، و این کار را نمی توان با یک درخت کامل کرد [ 71 ]. در عین حال، ادبیات مرتبط نشان می‌دهد که SysFor عملکرد پیش‌بینی بالاتری نسبت به سایر روش‌های پیش‌بینی رایج دارد [ 92 ]. روش Sysfor نسبتا جدید است، بنابراین به طور گسترده ای در نقشه برداری حساسیت زمین لغزش استفاده نمی شود [ 93 ]. در این مطالعه، عملکرد مدل NB بهتر از مدل RBFN است. با این حال، پدیده ای وجود دارد که مدل RBFN بر مدل NB در تحقیقات سایر محققان برتری دارد [ 94 ]]. بنابراین، عملکرد مدل حساسیت زمین لغزش با ویژگی های محیطی زمین شناسی منطقه مورد مطالعه مرتبط است. علاوه بر این، روش‌های محبوب یادگیری ماشین (به عنوان مثال، MultiBoosting، درخت تصمیم گیری اعتباری (CDT)، جنگل تصادفی (RF)، و غیره) در سال‌های اخیر و مدل‌های ترکیبی آن‌ها، در LSM به خوبی عمل کرده‌اند [ 4 ، 95 ، 96 ]. بنابراین، هنوز فضای تحقیقاتی زیادی در مورد روش ها و مدل های ارزیابی حساسیت زمین لغزش در منطقه مورد مطالعه وجود دارد.
در این مقاله، روش‌های مورد استفاده برای بررسی و مقایسه تفاوت‌های عملکرد بین سه مدل، منحنی ROC، SE و 95% CI می‌باشد. با مشاهده پارامترهای منحنی ROC می توان دریافت که مقدار AUC مدل SF بهترین است. مقادیر AUC آموزش و اعتبارسنجی به ترتیب 0.876 و 0.783 و میانگین 0.83 است. در مرحله دوم، برای مدل‌های NB و RBFNetwork، مقادیر AUC در مجموعه داده‌های اعتبارسنجی 0.764 و 0.729 است. علاوه بر این، از آزمون رتبه‌بندی علامت‌دار Wilcoxon برای انجام یک آزمون دو طرفه بر روی سه مدل استفاده شد. در مقایسه، مشخص شد که عملکرد مدل SysFor با مدل‌های NB و RBFN متفاوت است. سه مدل در این مطالعه عملکرد خوبی داشته اند و نتایج به دست آمده در این مطالعه می تواند ابزاری برای کاهش زمین لغزش در منطقه باشد.

6. نتیجه گیری

از آنجایی که زمین لغزش خطرات جدی برای جان و دارایی انسان ها به همراه دارد، دولت ها و سازمان های ذیربط در کشورهای مختلف برای ارزیابی حساسیت و خطر زمین لغزش تلاش می کنند و با تهیه نقشه، نقشه های حساسیت زمین لغزش می تواند به حل این مشکل کمک کند. در این مطالعه، سه نقشه حساسیت زمین لغزش با استفاده از مدل‌های RBFNetwork، NB و Sysfor تهیه شد. از مدل LSVM برای ارزیابی وقوع زمین لغزش و 14 عامل موثر بر زمین لغزش استفاده شد. نتایج اعتبار سنجی نشان می دهد که مناطق تحت منحنی های مدل NB، RBFNetwork و SysFor به ترتیب 0.764 (76.4٪)، 0.729 (72.9٪) و 0.783 (78.3٪) بودند. در عین حال، مدل SysFor تحت داده های آماری مختلف به خوبی عمل می کند. بنابراین، نگاشت حساسیت زمین لغزش تولید شده توسط مدل SysFor قوی ترین عملکرد را نشان می دهد. پس از آن مدل NB، با مدل RBFN در آخرین رتبه قرار دارد. پس از مقایسه تفاوت‌ها در مورفولوژی نقشه حساسیت زمین لغزش، مشخص شد که ممکن است خطاهای سیستماتیک در تحلیل حساسیت رخ دهد، که ثابت می‌کند مدل حساسیت دارای محدودیت‌ها و اثربخشی است. در نهایت، این نقشه های حساسیت زمین لغزش ممکن است به دولت های محلی در کنترل زمین لغزش و برنامه ریزی کاربری زمین کمک کند، و همچنین ممکن است در سایر مناطق مستعد زمین لغزش در سراسر جهان استفاده شود.

منابع

  1. تین بوی، دی. Tuan، TA; کلمپه، اچ. پرادان، بی. Revhaug، I. مدل های پیش بینی فضایی برای خطرات زمین لغزش کم عمق: ارزیابی مقایسه ای از کارایی ماشین های بردار پشتیبان، شبکه های عصبی مصنوعی، رگرسیون لجستیک هسته، و درخت مدل لجستیک. زمین لغزش 2016 ، 13 ، 361-378. [ Google Scholar ] [ CrossRef ]
  2. ون وستن، سی. Van Asch، TW; Soeters، R. خطر زمین لغزش و پهنه بندی خطر – چرا هنوز اینقدر دشوار است؟ گاو نر مهندس جئول محیط زیست 2006 ، 65 ، 167-184. [ Google Scholar ] [ CrossRef ]
  3. پرادان، ب. نقشه‌برداری حساسیت زمین لغزش یک حوضه با استفاده از نسبت فرکانس، منطق فازی و رویکردهای رگرسیون لجستیک چند متغیره. J. شرکت هندی Remote Sens. 2010 , 38 , 301–320. [ Google Scholar ] [ CrossRef ]
  4. وانگ، جی. لی، ایکس. چن، دبلیو. شهابی، ح. شیرزادی، ع. روش‌های هوش محاسباتی ترکیبی برای نقشه‌برداری حساسیت زمین لغزش. Symmetry 2020 , 12 , 325. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Wan, S. یک سیستم پشتیبانی تصمیم فضایی برای استخراج عوامل اصلی و آستانه برای نقشه حساسیت زمین لغزش. مهندس جئول 2009 ، 108 ، 237-251. [ Google Scholar ] [ CrossRef ]
  6. آکگون، ا. Bulut، F. حساسیت زمین لغزش مبتنی بر GIS برای منطقه Arsin-Yomra (ترابزون، شمال ترکیه). محیط زیست جئول 2007 ، 51 ، 1377-1387. [ Google Scholar ] [ CrossRef ]
  7. لی، اس. ریو، J.-H. کیم، آی.-اس. تحلیل حساسیت زمین لغزش و تأیید آن با استفاده از نسبت احتمال، رگرسیون لجستیک و مدل‌های شبکه عصبی مصنوعی: مطالعه موردی یانگین، کره. زمین لغزش 2007 ، 4 ، 327-338. [ Google Scholar ] [ CrossRef ]
  8. آکگون، A. مقایسه نقشه های حساسیت زمین لغزش تولید شده با روش های رگرسیون لجستیک، تصمیم گیری چند معیاره و نسبت احتمال: مطالعه موردی در زمیر، ترکیه. زمین لغزش 2012 ، 9 ، 93-106. [ Google Scholar ] [ CrossRef ]
  9. Nefeslioglu، HA; گوکچ اوغلو، سی. Sonmez, H. ارزیابی استفاده از رگرسیون لجستیک و شبکه‌های عصبی مصنوعی با استراتژی‌های نمونه‌گیری مختلف برای تهیه نقشه‌های حساسیت زمین لغزش. مهندس جئول 2008 ، 97 ، 171-191. [ Google Scholar ] [ CrossRef ]
  10. ژائو، ایکس. Chen, W. بهینه سازی مدل های هوش محاسباتی برای ارزیابی حساسیت زمین لغزش. Remote Sens. 2020 , 12 , 2180. [ Google Scholar ] [ CrossRef ]
  11. کلوز، ام. گروبر، دی. دام، بی. Gerold، G. پایگاه های اطلاعاتی فضایی و GIS به عنوان ابزاری برای مدل سازی حساسیت زمین لغزش منطقه ای. ز. ژئومورفول. 2014 ، 58 ، 1-36. [ Google Scholar ] [ CrossRef ]
  12. تین بوی، دی. پرادان، بی. لوفمن، او. Revhaug، I. ارزیابی حساسیت زمین لغزش در ویتنام با استفاده از ماشین‌های بردار پشتیبان، درخت تصمیم، و مدل‌های ساده بیز. ریاضی. مشکل مهندس 2012 , 2012 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. پرادان، بی. لی، اس. ارزیابی حساسیت زمین لغزش و تحلیل اثر عاملی: شبکه‌های عصبی مصنوعی پس انتشار و مقایسه آنها با نسبت فرکانس و مدل‌سازی رگرسیون لجستیک دو متغیره. محیط زیست مدل. نرم افزار 2010 ، 25 ، 747-759. [ Google Scholar ] [ CrossRef ]
  14. ژائو، ایکس. Chen, W. ارزیابی مبتنی بر GIS مدل‌های حساسیت زمین لغزش با استفاده از عوامل قطعی و تکنیک‌های مجموعه مبتنی بر درختان عملکردی. Appl. علمی 2020 ، 10 ، 16. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. وانگ، جی. چن، ایکس. Chen, W. پیش بینی فضایی حساسیت زمین لغزش بر اساس GIS و توابع متمایز. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 144. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. Nsengiyumva، JB; لو، جی. آمانامبو، AC؛ Mind’je، R. Habiyaremye، G. کاراماژ، اف. Ochege، FU؛ Mupenzi، C. مقایسه روش های احتمالی و آماری در مدل سازی حساسیت زمین لغزش در رواندا / مرکز شرق آفریقا. علمی کل محیط. 2019 ، 659 ، 1457–1472. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. موندال، اس. ماندال، S. مدل تابع اعتقاد شواهد مبتنی بر داده (EBF) در کاوش مناطق حساس به لغزش برای دارجلینگ هیمالیا، هند. Geocarto Int. 2020 ، 35 ، 818-856. [ Google Scholar ] [ CrossRef ]
  18. Althuwaynee، OF; پرادان، بی. لی، اس. کاربرد مدل تابع باور شواهدی در نگاشت حساسیت زمین لغزش. محاسبه کنید. Geosci. 2012 ، 44 ، 120-135. [ Google Scholar ] [ CrossRef ]
  19. ژانگ، ز. یانگ، اف. چن، اچ. وو، ی. لی، تی. لی، دبلیو. وانگ، کیو. تجزیه و تحلیل حساسیت زمین لغزش مبتنی بر GIS با استفاده از نسبت فرکانس و مدل‌های تابع باور شواهدی لیو، پی. محیط زیست علوم زمین 2016 ، 75 ، 948. [ Google Scholar ] [ CrossRef ]
  20. رامش، وی. انبازهاگان، S. نقشه‌برداری حساسیت زمین لغزش در امتداد بخش جاده گات تپه‌های کولی (هند) با استفاده از مدل‌های نسبت فرکانس، اثر نسبی و منطق فازی. محیط زیست علوم زمین 2015 ، 73 ، 8009-8021. [ Google Scholar ] [ CrossRef ]
  21. راسید، ع. باندری، NP; یاتابه، آر. عملکرد نسبت فرکانس و مدل رگرسیون لجستیک در ایجاد نقشه حساسیت زمین لغزش مبتنی بر GIS در کوه لومپوباتانگ، اندونزی. Geoenviron. Disasters 2016 ، 3 ، 19. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. هونگ، اچ. لیو، جی. Bui، DT; پرادان، بی. آچاریا، تی دی. فام، بی تی؛ زو، ا. چن، دبلیو. احمد، BB نقشه‌برداری حساسیت زمین لغزش با استفاده از درخت تصمیم J48 با مجموعه‌های AdaBoost، Bagging و Rotation Forest در منطقه Guangchang (چین). Catena 2018 ، 163 ، 399-413. [ Google Scholar ] [ CrossRef ]
  23. چن، دبلیو. Li، Y. ارزیابی مبتنی بر GIS حساسیت زمین لغزش با استفاده از مدل‌های هوش محاسباتی ترکیبی. CATENA 2020 , 195 , 104777. [ Google Scholar ] [ CrossRef ]
  24. فام، بی تی؛ Bui، DT; پراکاش، آی. Dholakia، M. ادغام ترکیبی شبکه های عصبی پرسپترون چند لایه و مجموعه های یادگیری ماشین برای ارزیابی حساسیت زمین لغزش در منطقه هیمالیا (هند) با استفاده از GIS. Catena 2017 ، 149 ، 52-63. [ Google Scholar ] [ CrossRef ]
  25. فام، بی تی؛ جعفری، ع. پراکاش، آی. Bui, DT یک مدل جدید ترکیبی هوشمند از ماشین‌های بردار پشتیبان و مجموعه MultiBoost برای مدل‌سازی حساسیت زمین لغزش. گاو نر مهندس جئول محیط زیست 2019 ، 78 ، 2865–2886. [ Google Scholar ] [ CrossRef ]
  26. آدا، م. San، BT مقایسه تکنیک‌های یادگیری ماشینی برای نقشه‌برداری حساسیت زمین لغزش با استفاده از نمونه‌گیری تصادفی دو سطحی (2LRS) در حوضه آبریز آلاکیر، آنتالیا، ترکیه. نات. خطرات 2018 ، 90 ، 237-263. [ Google Scholar ] [ CrossRef ]
  27. شیرزادی، ع. سلیمانی، ک. حبیب نژاد، م. کاویان، ع. چاپی، ک. شهابی، ح. چن، دبلیو. خسروی، ک. تای فام، بی. پرادان، بی. الگوریتم های جدید یادگیری ماشین مبتنی بر GIS برای نگاشت حساسیت زمین لغزش کم عمق. Sensors 2018 , 18 , 3777. [ Google Scholar ] [ CrossRef ]
  28. او، س. شهابی، ح. شیرزادی، ع. لی، اس. چن، دبلیو. وانگ، ن. چای، اچ. بیان، اچ. ما، جی. چن، ی. و همکاران مدل‌سازی فضایی لغزش با استفاده از الگوریتم‌های یادگیری ماشینی مبتنی بر آماری دو متغیره جدید، طبقه‌بندی‌کننده rbf و الگوریتم‌های یادگیری ماشین شبکه rbf. علمی کل محیط. 2019 ، 663 ، 1-15. [ Google Scholar ] [ CrossRef ]
  29. کیم، جی. لی، اس. یونگ، اچ. لی، اس. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های جنگل تصادفی و درخت تقویت‌شده در پیونگ چانگ، کره. Geocarto Int. 2018 ، 33 ، 1000-1015. [ Google Scholar ] [ CrossRef ]
  30. پائودل، یو. اوگوچی، تی. Hayakawa، YS تجزیه و تحلیل حساسیت زمین لغزش با وضوح چندگانه با استفاده از DEM و جنگل تصادفی. بین المللی جی. ژئوشی. 2016 ، 07 ، 726–743. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. هونگ، اچ. میائو، ی. لیو، جی. Zhu، A. بررسی اثرات طراحی و کمیت داده‌های غیبت بر عملکرد نقشه‌برداری تصادفی حساسیت زمین لغزش مبتنی بر جنگل. Catena 2019 ، 176 ، 45–64. [ Google Scholar ] [ CrossRef ]
  32. فام، بی تی؛ پرادان، بی. Bui، DT; پراکاش، آی. Dholakia، MB مطالعه مقایسه ای روش های مختلف یادگیری ماشین برای ارزیابی حساسیت زمین لغزش. محیط زیست مدل. نرم افزار 2016 ، 84 ، 240-250. [ Google Scholar ] [ CrossRef ]
  33. فیضی زاده، ب. رودپشتی، ام اس; بلاشکه، تی. Aryal, J. مقایسه عملکردهای هسته ماشین بردار پشتیبان مبتنی بر GIS برای نگاشت حساسیت زمین لغزش. عرب جی. ژئوشی. 2017 ، 10 ، 122. [ Google Scholar ] [ CrossRef ]
  34. چن، دبلیو. شهابی، ح. شیرزادی، ع. لی، تی. گوا، سی. هونگ، اچ. لی، دبلیو. پان، دی. هوی، جی. Ma، M. یک رویکرد جدید مجموعه ای از طبقه بندی درخت مدل لجستیک مبتنی بر آماری دو متغیره برای ارزیابی حساسیت زمین لغزش. Geocarto Int. 2018 ، 33 ، 1398–1420. [ Google Scholar ] [ CrossRef ]
  35. Truong، XL; میتامورا، م. کونو، ی. رغوان، وی. یونزاوا، جی. Truong، XQ; انجام دهید، TH; تین بوی، دی. لی، اس. بهبود عملکرد پیش‌بینی مدل حساسیت زمین لغزش با استفاده از رویکرد یادگیری ماشین ترکیبی مجموعه کیسه‌ای و درخت مدل لجستیک. Appl. علمی 2018 ، 8 ، 1046. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. لومباردو، ال. کاما، م. کونوسنتی، سی. Mrker، M. Rotigliano، E. رگرسیون لجستیک باینری در مقابل درختان تصمیم افزایش یافته گرادیان تصادفی در ارزیابی حساسیت زمین لغزش برای رویدادهای زمین لغزش چندگانه: کاربرد برای رویداد طوفان 2009 در مسینا (سیسیل، جنوب ایتالیا). نات. خطرات 2015 ، 79 ، 1621-1648. [ Google Scholar ] [ CrossRef ]
  37. آهنگ، ی. نیو، ر. خو، اس. بله، آر. پنگ، ال. گوا، تی. لی، اس. چن، تی. نقشه‌برداری حساسیت زمین لغزش بر اساس درخت تصمیم‌گیری افزایش گرادیان وزنی در بخش وانژو از منطقه مخزن سه دره (چین). ISPRS Int. J. Geo-Inf. 2018 ، 8 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. چن، دبلیو. شهابی، ح. ژانگ، اس. خسروی، ک. شیرزادی، ع. چاپی، ک. فام، بی تی؛ ژانگ، تی. ژانگ، ال. چای، اچ. و همکاران مدل‌سازی حساسیت زمین لغزش بر اساس GIS و رگرسیون لجستیک هسته مبتنی بر کیسه‌های جدید. Appl. علمی 2018 ، 8 ، 2540. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. لی، ی. Chen, W. ارزیابی حساسیت زمین لغزش با استفاده از ادغام ترکیبی تابع اعتقاد شواهد و تکنیک‌های یادگیری ماشین. Water 2019 ، 12 ، 113. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. پورقاسمی، HR; Rossi، M. مدل‌سازی حساسیت زمین لغزش در یک منطقه مستعد زمین لغزش در استان مازندران، شمال ایران: مقایسه بین روش‌های GLM، GAM، MARS و M-AHP. نظریه. Appl. کلیماتول. 2017 ، 130 ، 609-633. [ Google Scholar ] [ CrossRef ]
  41. بورلی، ال. سیورلئو، ام. Gullà، G. ارزیابی حساسیت زمین لغزش کم عمق در سنگ های گرانیتی با استفاده از روش های آماری مبتنی بر GIS: سهم نقشه درجه هوازدگی. زمین لغزش 2018 ، 15 ، 1127–1142. [ Google Scholar ] [ CrossRef ]
  42. هونگ، اچ. پورقاسمی، HR; پورتقی، ZS ارزیابی حساسیت زمین لغزش در شهرستان لیانهوا (چین): مقایسه بین تکنیک داده کاوی تصادفی جنگل و مدل‌های آماری دو متغیره و چند متغیره. ژئومورفولوژی 2016 ، 259 ، 105-118. [ Google Scholar ] [ CrossRef ]
  43. مزال، MR; پرادان، بی. الگوریتم بهبود یافته برای شناسایی زمین لغزش های کم عمق و عمیق در جنگل های انبوه استوایی از داده های اسکن لیزری هوابرد. Catena 2018 ، 167 ، 147–159. [ Google Scholar ] [ CrossRef ]
  44. چن، دبلیو. پورقاسمی، HR; نقیبی، SA اولویت‌بندی عوامل شرطی‌سازی زمین لغزش و مدل‌سازی فضایی آن در شهرستان شانگنان، چین با استفاده از الگوریتم‌های داده کاوی مبتنی بر GIS. گاو نر مهندس جئول محیط زیست 2018 ، 77 ، 611-629. [ Google Scholar ] [ CrossRef ]
  45. کاوزوغلو، تی. شاهین، EK; Colkesen, I. انتخاب عوامل شرطی سازی بهینه در نگاشت حساسیت زمین لغزش انتقالی کم عمق با استفاده از الگوریتم ژنتیک. مهندس جئول 2015 ، 192 ، 101-112. [ Google Scholar ] [ CrossRef ]
  46. محلینگم، ر. اولسن، ام جی; O’Banion، MS ارزیابی تکنیک های نقشه برداری حساسیت زمین لغزش با استفاده از عوامل شرطی سازی مشتق از لیدار (مطالعه موردی اورگان). Geomat. نات. خطر خطرات 2016 ، 7 ، 1884-1907. [ Google Scholar ] [ CrossRef ]
  47. سیویک، ای. Topal، T. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS برای بخش مشکل‌ساز خط لوله گاز طبیعی، هندک (ترکیه). محیط زیست جئول 2003 ، 44 ، 949-962. [ Google Scholar ] [ CrossRef ]
  48. یالچین، ا. Bulut، F. نقشه‌برداری حساسیت زمین لغزش با استفاده از GIS و تکنیک‌های فتوگرامتری دیجیتال: مطالعه موردی از Ardesen (NE-Turkey). نات. خطرات 2007 ، 41 ، 201-226. [ Google Scholar ] [ CrossRef ]
  49. لی، اس. کاربرد مدل رگرسیون لجستیک و اعتبار سنجی آن برای نگاشت حساسیت زمین لغزش با استفاده از GIS و داده های سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 1477-1491. [ Google Scholar ] [ CrossRef ]
  50. گالی، م. آردیزون، اف. کاردینالی، م. گوزتی، اف. Reichenbach, P. مقایسه نقشه‌های فهرست زمین لغزش. ژئومورفولوژی 2008 ، 94 ، 268-289. [ Google Scholar ] [ CrossRef ]
  51. Yalcin، A. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از فرآیند تحلیل سلسله مراتبی و آمار دو متغیره در Ardesen (ترکیه): مقایسه نتایج و تأییدها. Catena 2008 ، 72 ، 1-12. [ Google Scholar ] [ CrossRef ]
  52. کوستانزو، دی. روتیگلیانو، ای. ایریگارای، سی. Jiménez-Perálvarez, J. Chacón, J. رویه‌های انتخاب فاکتور در مدل حساسیت زمین لغزش با کمک Google Earth TM: کاربرد در حوضه رودخانه بیرو (اسپانیا). در علم و عمل زمین لغزش ; Springer: برلین/هایدلبرگ، آلمان، 2013; صص 541-550. [ Google Scholar ]
  53. مور، شناسه; گریسون، آر. Ladson، A. مدل‌سازی دیجیتال زمین: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
  54. بون، ک. کرکبی، ام. شوفیلد، ن. Tagg, A. آزمایش یک مدل پیش‌بینی سیل مبتنی بر فیزیکی (TOPMODEL) برای سه حوضه آبریز بریتانیا. جی هیدرول. 1984 ، 69 ، 119-143. [ Google Scholar ] [ CrossRef ]
  55. Devkota، KC؛ رژمی، م. پورقاسمی، HR; یوشیدا، ک. پرادان، بی. ریو، آی سی; Dhital، MR; Althuwaynee، نقشه‌برداری حساسیت زمین لغزش با استفاده از ضریب اطمینان، شاخص آنتروپی و مدل‌های رگرسیون لجستیک در GIS و مقایسه آن‌ها در بخش جاده موگلینگ – نارایانگات در نپال هیمالیا. نات. خطرات 2013 ، 65 ، 135-165. [ Google Scholar ] [ CrossRef ]
  56. پورقاسمی، ح. مرادی، ح. عقدا، نقشه‌برداری حساسیت زمین لغزش SF با رگرسیون لجستیک باینری، فرآیند تحلیل سلسله مراتبی و مدل‌های شاخص آماری و ارزیابی عملکرد آنها. نات. خطرات 2013 ، 69 ، 749-779. [ Google Scholar ] [ CrossRef ]
  57. لیو، جی. میسون، پی. کلریسی، ن. چن، اس. دیویس، ا. میائو، اف. دنگ، اچ. لیانگ، L. ارزیابی خطر زمین لغزش در منطقه سه دره رودخانه یانگ تسه با استفاده از تصاویر ASTER: Zigui-Badong. ژئومورفولوژی 2004 ، 61 ، 171-187. [ Google Scholar ] [ CrossRef ]
  58. چن، دبلیو. هونگ، اچ. پناهی، م. شهابی، ح. وانگ، ی. شیرزادی، ع. پیراسته، س. آلشیخ، ع.ا. خسروی، ک. پناهی، س. پیش بینی فضایی حساسیت زمین لغزش با استفاده از تکنیک های داده کاوی مبتنی بر gis از anfis با الگوریتم بهینه سازی نهنگ (woa) و بهینه ساز گرگ خاکستری (gwo). Appl. علمی 2019 ، 9 ، 3755. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. چن، دبلیو. ژائو، ایکس. شهابی، ح. شیرزادی، ع. خسروی، ک. چای، اچ. ژانگ، اس. ژانگ، ال. ما، جی. چن، ی. پیش‌بینی فضایی حساسیت زمین لغزش با ترکیب تابع اعتقاد شواهد، رگرسیون لجستیک و درخت مدل لجستیک. Geocarto Int. 2019 ، 34 ، 1177-1201. [ Google Scholar ] [ CrossRef ]
  60. رگمی، NR; جیاردینو، جی آر. Vitek، JD مدل‌سازی حساسیت به زمین لغزش با استفاده از رویکرد وزن شواهد: کلرادو غربی، ایالات متحده. ژئومورفولوژی 2010 ، 115 ، 172-187. [ Google Scholar ] [ CrossRef ]
  61. اوزدمیر، ا. Altural، T. مطالعه مقایسه ای نسبت فراوانی، وزن شواهد و روش های رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش: کوه های سلطان، جنوب غربی ترکیه. J. آسیایی زمین علوم. 2013 ، 64 ، 180-197. [ Google Scholar ] [ CrossRef ]
  62. بهرگوی، پ. Jyothi, S. استفاده از روش داده کاوی ساده بیز برای طبقه بندی خاک های زمین کشاورزی. بین المللی جی. کامپیوتر. علمی شبکه امن 2009 ، 9 ، 117-122. [ Google Scholar ]
  63. وو، ایکس. کومار، وی. کوینلان، جی آر. گوش، ج. یانگ، کیو. موتودا، اچ. مک لاکلان، جی. نگ، ا. لیو، بی. فیلیپ، SY 10 الگوریتم برتر در داده کاوی. دانستن Inf. سیستم 2008 ، 14 ، 1-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. فام، بی تی؛ خسروی، ک. پراکاش، I. کاربرد و مقایسه روش‌های یادگیری ماشینی مبتنی بر درخت تصمیم در ارزیابی حساسیت زمین در منطقه پاوری گرهوال، اوتاراکند، هند. محیط زیست روند. 2017 ، 4 ، 711-730. [ Google Scholar ] [ CrossRef ]
  65. پاول، MJ نظریه تقریب تابع مبنای شعاعی در سال 1990. Adv. عدد. مقعدی 1992 ، 105-210. [ Google Scholar ]
  66. Broomhead، DS; Lowe، D. توابع پایه شعاعی، درون یابی تابعی چند متغیره و شبکه های تطبیقی . سیگنال‌های سلطنتی و تأسیسات رادار مالورن (بریتانیا): مالورن، بریتانیا، 1988. [ Google Scholar ]
  67. مک کوئین، جی. برخی روش‌ها برای طبقه‌بندی و تحلیل مشاهدات چند متغیره. در مجموعه مقالات پنجمین سمپوزیوم برکلی در مورد آمار و احتمالات ریاضی، اوکلند، کالیفرنیا، ایالات متحده آمریکا، 21 ژوئن تا 18 ژوئیه 1965; ص 281-297. [ Google Scholar ]
  68. راملهارت، دی. یادگیری بازنمایی های داخلی با انتشار خطا. توزیع موازی روند. 1986 ، 1 ، 318-362. [ Google Scholar ]
  69. هایکین، اس. شبکه های عصبی: یک بنیاد جامع . Prentice Hall PTR: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 1994. [ Google Scholar ]
  70. اسلام، ز. گیگینز، اچ. کشف دانش از طریق SysFor: یک جنگل توسعه یافته سیستماتیک از درختان تصمیم گیری چندگانه. در مجموعه مقالات نهمین کنفرانس داده کاوی استرالیا – جلد 121، بالارات، استرالیا، 1-2 دسامبر 2011. صص 195-204. [ Google Scholar ]
  71. السقف، ی. اسلام، MZ داده کاوی و حریم خصوصی کاربران سایت های شبکه های اجتماعی: پیامدهای مشکل داده کاوی. علمی مهندس اخلاق 2015 ، 21 ، 941-966. [ Google Scholar ] [ CrossRef ]
  72. السقف، ی. نیلسن، اس. خود افشاگری در فیس بوک در میان کاربران زن و رابطه آن با احساس تنهایی. محاسبه کنید. هوم رفتار 2014 ، 36 ، 460-468. [ Google Scholar ] [ CrossRef ]
  73. پرادان، ب. مطالعه تطبیقی ​​بر روی توانایی پیش‌بینی درخت تصمیم، ماشین بردار پشتیبان و مدل‌های عصبی فازی در نقشه‌برداری حساسیت زمین لغزش با استفاده از GIS. محاسبه کنید. Geosci. 2013 ، 51 ، 350-365. [ Google Scholar ] [ CrossRef ]
  74. ملادنیچ، دی. برانک، جی. گروبلنیک، ام. Milic-Frayling، N. انتخاب ویژگی با استفاده از وزن طبقه‌بندی خطی: تعامل با مدل‌های طبقه‌بندی. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی سالانه ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، شفیلد، انگلستان، 25-29 ژوئیه 2004. صص 234-241. [ Google Scholar ]
  75. گروبر، اس. Haeberli، W. Permafrost در شیب‌های سنگ بستر و بی‌ثباتی مربوط به دمای آن به دنبال تغییرات آب و هوایی. جی. ژئوفیس. Res. زمین گشت و گذار. 2007 112 . _ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. اقدم، IN; ورزنده، MHM; پرادان، ب. نقشه‌برداری حساسیت زمین لغزش با استفاده از شاخص آماری مجموعی (Wi) و مدل سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) در کوه‌های البرز (ایران). محیط زیست علوم زمین 2016 ، 75 ، 1-20. [ Google Scholar ] [ CrossRef ]
  77. چاوهان، اس. شارما، م. Arora، MK پهنه‌بندی حساسیت به زمین لغزش منطقه Chamoli، گرهوال هیمالیا، با استفاده از مدل رگرسیون لجستیک. زمین لغزش 2010 ، 7 ، 411-423. [ Google Scholar ] [ CrossRef ]
  78. پراندینی، ال. گویدینی، جی. بوتورا، ج. پان آنو، دبلیو. سانتوس، الف. رفتار پوشش گیاهی در پایداری شیب: بررسی انتقادی. گاو نر بین المللی دانشیار مهندس Geol.-Bull. l’Assoc. بین المللی 1977 ، 16 ، 51-55. [ Google Scholar ] [ CrossRef ]
  79. Chung, C.-JF; Fabbri، AG اعتبار سنجی مدل های پیش بینی فضایی برای نقشه برداری خطر زمین لغزش. نات. خطرات 2003 ، 30 ، 451-472. [ Google Scholar ] [ CrossRef ]
  80. حسینعلی زاده، م. کریمی نژاد، ن. چن، دبلیو. پورقاسمی، HR; علی نژاد، م. محمدیان بهبهانی، ع. مدل‌سازی حساسیت تیفن‌باخر، JP Gully با استفاده از درخت‌های عملکردی، درخت بیز ساده و مدل‌های جنگل تصادفی. Geoderma 2019 ، 342 ، 1-11. [ Google Scholar ] [ CrossRef ]
  81. چن، دبلیو. ژائو، ایکس. سانگاراتوس، پ. شهابی، ح. ایلیا، آی. شو، دبلیو. وانگ، ایکس. احمد، BB ارزیابی استفاده از روش‌های مجموعه‌ای مبتنی بر درخت در نقشه‌برداری پتانسیل چشمه‌های آب زیرزمینی. جی هیدرول. 2020 , 583 , 124602. [ Google Scholar ] [ CrossRef ]
  82. شیائو، تی. سگونی، س. چن، ال. یین، ک. Casagli، N. مرحله ای فراتر از نقشه های حساسیت زمین لغزش: یک روش ساده برای بررسی و توضیح نتایج مختلف به دست آمده توسط رویکردهای مختلف. رانش زمین 2019 ، 1-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  83. گوا، سی. Qin، Y. ما، دی. شیا، ی. چن، ی. سی، س. ترکیب یونی، امضای زمین شناسی و اثرات زیست محیطی متان بستر زغال سنگ آب تولید شده در چین. منابع انرژی بخش A ابزار بازیابی. محیط زیست اف. 2019 ، 1-15. [ Google Scholar ] [ CrossRef ]
  84. عابدینی، م. ارزیابی مدل های LNRF، FR و AHP در شاخص نگاشت حساسیت زمین لغزش: مطالعه تطبیقی ​​حوزه آبخیز نوژیان در استان لرستان، ایران. محیط زیست علوم زمین 2018 ، 77 ، 405. [ Google Scholar ] [ CrossRef ]
  85. نقشه کشی حساسیت زمین لغزش با استفاده از تجزیه و تحلیل آماری در منطقه گسل آناتولی شمالی (NAFZ) در بخش شمالی شهر سوشهری، ترکیه. نات. خطرات 2018 ، 92 ، 133-154. [ Google Scholar ] [ CrossRef ]
  86. لین، W.-T. لین، سی.-ای. چو، دبلیو.-سی. ارزیابی بازیابی پوشش گیاهی و فرسایش خاک در زمین لغزش های ناشی از یک زلزله فاجعه بار: مطالعه موردی در مرکز تایوان. Ecol. مهندس 2006 ، 28 ، 79-89. [ Google Scholar ] [ CrossRef ]
  87. گونزالس-اولائوری، آ. Mickovski، SB اثر هیدرولوژیکی پوشش گیاهی در برابر زمین لغزش های ناشی از بارندگی. جی هیدرول. 2017 ، 549 ، 374-387. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  88. هادموکو، دی اس؛ لوین، اف. Samodra, G. کاربرد یک مدل آماری نیمه کمی و مبتنی بر GIS برای پهنه بندی حساسیت زمین لغزش در حوضه آبریز Kayangan، جاوه، اندونزی. نات. خطرات 2017 ، 87 ، 437-468. [ Google Scholar ] [ CrossRef ]
  89. ژانگ، ز. وانگ، تی. وو، اس. تانگ، اچ. لیانگ، سی. ویژگی دینامیک خاک رس قرمز در زمین لغزش عمیق، شمال غربی چین: یک مطالعه آزمایشی. مهندس جئول 2018 ، 239 ، 254-268. [ Google Scholar ] [ CrossRef ]
  90. فام، بی تی طبقه‌بندی‌کننده جدید بر اساس ابرمکعب‌های مرکب بر روی پیش‌بینی‌های تصادفی تکراری برای ارزیابی حساسیت زمین لغزش. جی. جئول. Soc. هند 2018 ، 91 ، 355-362. [ Google Scholar ] [ CrossRef ]
  91. فام، بی تی؛ Bui، DT; پورقاسمی، HR; ایندرا، پی. Dholakia، M. ارزیابی حساسیت زمین لغزش در منطقه Uttarakhand (هند) با استفاده از GIS: مطالعه مقایسه ای قابلیت پیش بینی خلیج های داخلی، شبکه های عصبی پرسپترون چند لایه، و روش های درختان عملکردی. نظریه. Appl. کلیماتول. 2017 ، 128 ، 255-273. [ Google Scholar ] [ CrossRef ]
  92. بیبری، SE علم داده برای پایداری شهری: داده کاوی و تفکر تحلیلی داده در موج بعدی تحلیل شهری. در شهرهای هوشمند پایدار آینده Springer: برلین/هایدلبرگ، آلمان، 2018; ص 189-246. [ Google Scholar ]
  93. چن، دبلیو. فن، ال. لی، سی. Pham، BT پیش‌بینی فضایی زمین لغزش با استفاده از ادغام ترکیبی الگوریتم‌های هوش مصنوعی با نسبت فرکانس و شاخص آنتروپی در شهرستان نانژنگ، چین. Appl. علمی 2020 ، 10 ، 29. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  94. چن، دبلیو. یان، ایکس. ژائو، ز. هونگ، اچ. Bui، DT; پرادان، ب. پیش بینی فضایی حساسیت زمین لغزش با استفاده از رگرسیون لجستیک هسته مبتنی بر داده کاوی، مدل های ساده بیز بیز و شبکه RBF برای منطقه لانگ کانتی (چین). گاو نر مهندس جئول محیط زیست 2019 ، 78 ، 247-266. [ Google Scholar ] [ CrossRef ]
  95. فام، بی تی؛ پراکاش، آی. سینگ، SK; شیرزادی، ع. شهابی، ح. مدل‌سازی حساسیت زمین لغزش Bui، DT با استفاده از درختان هرس با خطای کاهش‌یافته و تکنیک‌های مختلف مجموعه: رویکردهای یادگیری ماشین ترکیبی. Catena 2019 ، 175 ، 203–218. [ Google Scholar ] [ CrossRef ]
  96. پرادان، بی. مدلسازی حساسیت زمین لغزش سامین، MI: بهینه سازی و تحلیل اثر عاملی. در کاربردهای اسکن لیزری در ارزیابی زمین لغزش ; Springer: برلین/هایدلبرگ، آلمان، 2017; صص 115-132. [ Google Scholar ]
Ijgi 09 00443 g001 550
شکل 1. موقعیت جغرافیایی منطقه مورد مطالعه.
Ijgi 09 00443 g002 550
شکل 2. نمودار جریان مطالعه.
Ijgi 09 00443 g003 550
شکل 3. وزن شواهد برای عوامل مرتبط با زمین لغزش.
Ijgi 09 00443 g004 550
شکل 4. قابلیت پیش بینی عوامل موثر بر زمین لغزش.
Ijgi 09 00443 g005 550
شکل 5. نقشه های حساسیت به زمین لغزش: ( الف ) مدل بیزی ساده (NB). ( ب ) مدل شبکه RBF; ( ج ) مدل SysFor (SF).
Ijgi 09 00443 g006 550
شکل 6. هیستوگرام کلاس های حساسیت به زمین لغزش.
Ijgi 09 00443 g007 550
شکل 7. شبکه RBF مورد استفاده در این مطالعه.
Ijgi 09 00443 g008 550
شکل 8. منحنی های ROC مدل ها: ( الف ) مجموعه داده های آموزشی، ( ب ) مجموعه داده های اعتبارسنجی.
Ijgi 09 00443 g009 550
شکل 9. خطای مدل سازی در مجموعه داده های آموزشی ( a – c ) و اعتبارسنجی ( d – f ).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید