چکیده

این مقاله یک روش جدید را برای ترکیب جهت گیری های نامطلوب ناپیوستگی ها در پیش بینی زمین لغزش یادگیری ماشین (ML) با استفاده از تحلیل سینماتیک مبتنی بر GIS پیشنهاد می کند. ناپیوستگی‌هایی که از بررسی‌های فتوگرامتری و هوایی LiDAR شناسایی شدند، در ارزیابی ناپایداری شیب سنگ بالقوه از طریق تجزیه و تحلیل سینماتیک مبتنی بر GIS گنجانده شدند. نتایج حاصل از تجزیه و تحلیل سینماتیک، همراه با چندین عامل متداول تأثیرگذار بر زمین لغزش، به عنوان متغیرهای ورودی در مدل‌های ML برای پیش‌بینی زمین لغزش‌ها استفاده شد. در این مقاله، مدل‌های مختلف ML، مانند جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، پرسپترون چند لایه (MLP) و مدل‌های شبکه عصبی یادگیری عمیق (DLNN) مورد ارزیابی قرار گرفتند. نتایج دو روش اعتبارسنجی (ماتریس سردرگمی و منحنی ROC) نشان می‌دهد که دخالت متغیرهای مرتبط با ناپیوستگی به طور قابل‌توجهی قابلیت پیش‌بینی زمین لغزش این چهار مدل را بهبود می‌بخشد. افزودن آنها به ترتیب حداقل 6% و 4% افزایش در دقت پیش‌بینی کلی و سطح زیر منحنی (AUC) نشان داد. علاوه بر این، تجزیه و تحلیل نسبت فرکانس (FR) سازگاری خوبی را بین احتمال زمین لغزش نشان داد که با مقادیر FR و متغیرهای مرتبط با ناپیوستگی مشخص شد، که نشان‌دهنده همبستگی بالا است. هر دو نتایج اعتبارسنجی مدل و تحلیل FR نشان می‌دهند که گنجاندن ناپیوستگی‌ها در مدل‌های ML می‌تواند دقت پیش‌بینی زمین لغزش را بهبود بخشد. افزودن آنها به ترتیب حداقل 6% و 4% افزایش در دقت پیش‌بینی کلی و سطح زیر منحنی (AUC) نشان داد. علاوه بر این، تجزیه و تحلیل نسبت فرکانس (FR) سازگاری خوبی را بین احتمال زمین لغزش نشان داد که با مقادیر FR و متغیرهای مرتبط با ناپیوستگی مشخص شد، که نشان‌دهنده همبستگی بالا است. هر دو نتایج اعتبارسنجی مدل و تحلیل FR نشان می‌دهند که گنجاندن ناپیوستگی‌ها در مدل‌های ML می‌تواند دقت پیش‌بینی زمین لغزش را بهبود بخشد. افزودن آنها به ترتیب حداقل 6% و 4% افزایش در دقت پیش‌بینی کلی و سطح زیر منحنی (AUC) نشان داد. علاوه بر این، تجزیه و تحلیل نسبت فرکانس (FR) سازگاری خوبی را بین احتمال زمین لغزش نشان داد که با مقادیر FR و متغیرهای مرتبط با ناپیوستگی مشخص شد، که نشان‌دهنده همبستگی بالا است. هر دو نتایج اعتبارسنجی مدل و تحلیل FR نشان می‌دهند که گنجاندن ناپیوستگی‌ها در مدل‌های ML می‌تواند دقت پیش‌بینی زمین لغزش را بهبود بخشد.

کلید واژه ها:

ناپیوستگی ; تحلیل سینماتیکی ؛ یادگیری ماشینی ؛ یادگیری عمیق ؛ پیش بینی زمین لغزش ; سنجش از دور

1. مقدمه

زمین لغزش ها به دلیل تأثیر مخرب بالقوه بر ایمنی و زیرساخت های انسانی توجه جهانی را به خود جلب کرده است. گزارش شده است که مساحت کل زمین در سراسر جهان در معرض رانش زمین حدود 3.7 میلیون کیلومتر مربع است که بر جمعیتی نزدیک به 300 میلیون نفر تأثیر می گذارد [ 1 ]. علاوه بر این، مناطق نسبتاً پرخطر (سه دهک بالا) حدود 820000 کیلومتر مربع با جمعیت تخمینی 66 میلیون نفر را شامل می شود. در دهه‌های اخیر، نمونه‌هایی از رخدادهای فاجعه‌بار زمین لغزش در مناطق مختلف جهان ثبت شده است. در سال 2011، زمین لغزش‌های سریع و سریع متعدد منجر به انسداد دره‌های رودخانه توسط سدهای تشکیل‌شده توسط زمین لغزش شده و در معرض خطر شکستن سد، طغیان در بالادست و سیل در پایین دست قرار گرفت [ 2 ]]. در سال 2014، رانش زمین حوضه طلا در ایالات متحده رخ داد که به 49 خانه در پایین شیب آسیب رساند و باعث مرگ 43 نفر شد [ 3 ]. یک زمین لغزش فاجعه بار در ارتفاعات و طولانی مدت در چین رخ داد که باعث مرگ 51 نفر و تخریب و دفن 21 خانه در سال 2019 شد [ 4 ].
معمولاً، تجزیه و تحلیل زمین لغزش برای ارزیابی پایداری یک شیب خاص با کاوش مکانیسم شکست بالقوه و خطر مرتبط با ریزش انجام می‌شود. به دنبال این، می توان از اقدامات اصلاحی برای تقویت یا ارائه تقویت شیب ناپایدار استفاده کرد [ 5 ]. با توسعه علم کامپیوتر، روش‌های پیشرفته‌ای برای یادگیری ماشین ایجاد شده‌اند که روابط بین زمین لغزش‌ها و عوامل مؤثر بر آن را شبیه‌سازی ریاضی می‌کنند. در میان این روش‌های آماری، الگوریتم‌های یادگیری ماشین معمولی (ML) در سال‌های اخیر به شدت مورد استفاده قرار گرفته‌اند. به عنوان مثال، ماشین بردار پشتیبان (SVM) [ 6 ، 7 ، 8 ]، تجزیه و تحلیل درخت تصمیم [ 9 ]]، جنگل تصادفی [ 9 ، 10 ]، و رگرسیون لجستیک [ 11 ، 12 ] برای تولید نقشه های حساسیت زمین لغزش با دقت پیش بینی بالا اتخاذ شده اند. پیشرفت‌های اخیر در الگوریتم‌های یادگیری عمیق همچنین مبنایی برای تجزیه و تحلیل زمین لغزش [ 13 ، 14 ، 15 ] فراهم کرده است که عملکرد بهتر و دقت بالاتری را در پیش‌بینی زمین لغزش به الگوریتم‌های ML معمولی ارائه می‌دهد.
نتایج دلگرم‌کننده از این مقالات نشان می‌دهد که روش‌های ML می‌توانند پیش‌بینی دقیق زمین لغزش را ارائه دهند، و عوامل تأثیرگذار خاص زمین لغزش‌های توسعه‌یافته در دامنه‌های طبیعی (خاک و سنگ) را برجسته کرده‌اند. این عوامل معمولاً با شرایط هندسی (به عنوان مثال، جنبه، انحنا، شیب، ارتفاع صخره) [ 8 ، 16 ]، شرایط زمین شناسی (به عنوان مثال، سنگ شناسی، گسل ها) [ 11 ، 17 ]، شرایط هیدروژئولوژیکی (به عنوان مثال، بارندگی، زهکشی) مرتبط هستند. [ 9 ، 16 ]، شرایط توپوگرافی (به عنوان مثال، پوشش زمین / کاربری زمین، پوشش گیاهی) [ 13 ، 18 ، 19با این حال، ناپیوستگی های محلی (مانند اتصالات، شکستگی ها و صفحات بستر)، به ویژه جهت گیری آنها، به ندرت در تجزیه و تحلیل زمین لغزش ML در نظر گرفته شده است، حتی اگر بسیاری از انتشارات تاکید کرده اند که جهت گیری نامطلوب ناپیوستگی ها ممکن است باعث شکست شیب سنگ شود [ 20 ، 21 ، 22 ، 23 ، 24 ]. مطالعات دیگر نیز تاکید کرده اند که زمین لغزش سنگ به تغییرات در خواص ناپیوستگی حساس است. به عنوان مثال، وطن پور و همکاران. [ 25 ] از تحلیل تعادل حدی برای نشان دادن اهمیت زاویه شیب صفحات ناپیوستگی در پایداری شیب استفاده کرد. حوائج و همکاران [ 26] رویکرد شکستگی شکننده سه بعدی را اتخاذ کرد و بر نقش شکستگی شکننده در شکست اسلاید Vajont تاکید کرد. وانشی و همکاران [ 27 ]، با استفاده از روش عنصر متمایز، اهمیت جهت گیری های ناپیوستگی را در شکست احتمالی واژگونی برجسته کرد. علاوه بر این، روش‌های مرسوم تحلیل پایداری شیب، مانند آنالیز سینماتیکی و تعادل حدی، مبتنی بر گنجاندن ویژگی‌های ناپیوستگی‌ها (جهت، استحکام، و زبری و غیره) هستند و اهمیت آنها را برجسته می‌کنند.
در این زمینه، یک کاربرد جدید از ناپیوستگی‌های نامطلوب در پیش‌بینی زمین لغزش ML با استفاده از تحلیل سینماتیکی مشتق از GIS پیشنهاد شده‌است. ناپیوستگی‌های شناسایی‌شده از بررسی‌های سنجش از دور به‌دست‌آمده در مناطق مستعد به ناپایداری شیب سنگ، در تجزیه و تحلیل سینماتیک مبتنی بر GIS گنجانده شد. نتایج حاصل از تحلیل سینماتیکی به عنوان متغیرهای ورودی اضافی برای بهبود دقت الگوریتم‌های پیش‌بینی زمین لغزش ML گرفته شد. علاوه بر این، تجزیه و تحلیل FR برای بررسی کمی رابطه بالقوه بین متغیرهای مربوط به ناپیوستگی و وقوع زمین لغزش اجرا شد.
مقاله زیر مزایای ابرهای نقطه‌ای را در استخراج ناپیوستگی‌های زمین‌شناسی نشان می‌دهد، که از طریق آن تجزیه و تحلیل سینماتیک مبتنی بر GIS برای ارزیابی پتانسیل شکست‌های شیب سنگ انجام می‌شود، در حالی که کاربرد جدیدی از ناپیوستگی‌ها برای بهبود دقت ML- ارائه می‌کند. پیش بینی زمین لغزش بر اساس

2. توصیف منطقه مطالعه

این مطالعه تحقیقاتی در ساحل شمالی کورنوال، انگلستان متمرکز شده است. منطقه مورد مطالعه بخشی از صخره سنگی ساحلی با حداقل ارتفاع 40 متر بین نقطه گودروی و پورترث ( شکل 1 ) است که دارای آب و هوای معتدل گرم با میانگین دمای سالانه 10 درجه سانتی گراد و میانگین بارندگی سالانه 1062 میلی متر است. . تقریباً نیمی از بارندگی سالانه بین اکتبر و ژانویه (تقریباً 500 میلی متر) رخ می دهد که حداقل آن از آوریل تا ژوئیه است. این بخش از ساحل شیب دار به عنوان مستعد زمین لغزش با اندازه های مختلف شناخته شده است [ 28 ]، با ساختارهای زمین شناسی (مانند گسل ها و درزه ها) نقش حیاتی در وقوع آنها دارند [ 22 ].
زمین شناسی منطقه مورد مطالعه تحت سلطه سازند پورتووان (گروه گرامسکاتو) [ 29 ] است که شامل بسترهای متناوب از گلسنگ خاکستری تیره قوی تا نسبتاً قوی، با لایه متوسط ​​تا نازک خاکستری تیره، با لایه های رنگ پریده قوی تا نسبتاً قوی، ضخیم تا نازک با لایه های نازک است. ماسه سنگ ریز خاکستری، که ممکن است به صورت محلی دارای یک جزء سیلت و گل باشد [ 22 ، 30 ].

3. داده ها و روش ها

3.1. شناسایی زمین لغزش و استراتژی نمونه برداری

زمین لغزش ها از طریق یک روش به طور گسترده مورد استفاده بر اساس تغییر ارتفاع در طول یک دوره زمانی مشخص شناسایی شدند [ 31 ، 32 ، 33 ]. این از طریق مقایسه داده‌های چندزمانی LiDAR DEM با وضوح 1 مگاپیکسل و دقت موقعیتی ± 40 سانتی‌متر (سال‌های 2008 و 2014) جمع‌آوری‌شده از یک پایگاه داده منبع باز (Digimap) [ 34 ) پیاده‌سازی شد.]. پیکسل‌هایی با بیش از 5 متر کاهش ارتفاع از سال‌های 2008 تا 2014 به‌عنوان لغزش‌های احتمالی شناخته شدند، که با آن دقت تشخیص زمین لغزش‌های توسعه‌یافته در صخره ساحلی و اختلال در نقاط نویز از داده‌های LiDAR، تا حدی، می‌تواند متعادل شود. از آنجایی که انجام درستی زمین لغزش‌های شناسایی شده در محیط‌های ساحلی دشوار است، یک روش جایگزین با استفاده از تفسیر بصری لغزش‌های زمین لغزش و نوردهی‌های تازه در Google Earth برای تأیید تشخیص‌ها اتخاذ شد. در مجموع، 17 سایت لغزش شامل تقریباً 10000 پیکسل با وضوح 1 متر به عنوان لغزش در منطقه مورد مطالعه شناسایی شد ( شکل 2).). از آنجایی که پیکسل های زمین لغزش در همان سایت دارای ویژگی هایی مانند شرایط سنگ بستر و شرایط هندسی بودند، به منظور کاهش سوگیری نمونه گیری، 30 پیکسل از هر مکان لغزش برای تجزیه و تحلیل بیشتر انتخاب شد.
همان مقدار داده فقدان زمین لغزش (510 پیکسل) از طریق نمونه گیری تصادفی از زمین پایدار (غیر لغزش) در منطقه مورد مطالعه (ناحیه زرد در شکل 2 ) برای ساخت مدل های ML قوی جمع آوری شد. از داده‌های حضور زمین لغزش و غیاب زمین لغزش جمع‌آوری‌شده، یک تقسیم آموزش و اعتبارسنجی 70%: 30% به مجموعه داده‌ها برای آموزش و اعتبارسنجی مدل‌های ML اعمال شد.

3.2. استخراج ساختار زمین شناسی از بررسی های سنجش از دور

خطر بالای موجود در دسترسی به شیب های شیب ساحلی به طور چشمگیری دشواری انجام بررسی های میدانی را با استفاده از روش های مرسوم افزایش می دهد. بنابراین، مشخص شد که تکنیک‌های سنجش از دور راه‌حل مناسب‌تری برای شناسایی ساختارهای زمین‌شناسی یک شیب معرف در محدوده مورد مطالعه (در دهان جهنم) است. در این مطالعه، بررسی‌های فتوگرامتری پهپاد و بررسی‌های هوایی LiDAR برای ارائه مبنایی برای استخراج ساختار زمین‌شناسی ترکیب شدند. بررسی فتوگرامتری به صورت اریب برای به دست آوردن تصاویری از صخره های شیب دار و مرتفع ساحلی اجرا شد. LiDAR هوایی با توجه به عملکرد بالای خود از نظر دقت، نفوذ پوشش گیاهی و استحکام در برابر اعوجاج های هندسی، تشخیص مناسب ساختارهای زمین شناسی روشن روز در سطح شیب را فراهم می کند.
یک دوربین پاناسونیک DMC-GH4 روی یک پهپاد برای گرفتن تصاویر استریو همپوشانی (رزولوشن: 4608 × 3456) استفاده شد. از بررسی فتوگرامتری پهپاد، یک ابر نقطه ای با استفاده از الگوریتم ساختار از حرکت با استفاده از نرم افزار Metashape [ 35 ] ساخته شد و توسط هشت GCP که از 180 مشاهده تصحیح شده با استفاده از Trimble R10 RTK GNSS به دست آمده بودند، ارجاع داده شد. علاوه بر این، یک ابر نقطه LiDAR دیگر با وضوح شبکه 1 متر از رصدخانه ساحلی کانال [ 36 ] برای استفاده تکمیلی جمع آوری شد. نرم‌افزار Split FX برای بارگذاری ابر نقطه مورد استفاده قرار گرفت، که از طریق آن «لکه‌های شکستگی» به‌صورت دستی با برازش مجموعه‌هایی از مثلث‌هایی که با معیار صافی مطابقت دارند، شناسایی شدند. جهت‌گیری آثار شکستگی حاصل از تکه‌ها سپس استخراج شد [37 ]. روش مورد استفاده در بسیاری از مطالعات موردی توضیح داده شده است [ 38 ، 39 ]. تعداد بیشتری از ناپیوستگی ها را می توان با تعریف مجموعه های ناپیوستگی با ترکیب ویژگی های شناسایی شده از دو ابر نقطه به دست آورد ( شکل 3 ).
شش مجموعه ناپیوستگی در طول مطالعه شناسایی شد، همانطور که در شکل 4 و جدول 1 ارائه شده است.. آنها عمدتاً دو روند (NW-SE و NE-SW) را دنبال کردند و سهم بالقوه ای در تکامل زمین شناسی منطقه دارند، زیرا روند مجموعه های ناپیوستگی با روندهای غالب تکامل همزمان است. ملافه (S0) کمی کج شد، با بالاترین ماندگاری در میان مجموعه های ناپیوستگی شناسایی شده. اتصالات در S3 دارای جهت شیب موازی با بستر هستند، اما بسیار کج شده بودند. مجموعه های مشترک J2 و J5 زیر عمودی بودند و جهت شیب زیر متعامد به یکدیگر دارند. مجموعه مشترک S1، با کمترین ماندگاری، زیر موازی با J2 بود. این احتمال وجود دارد که J4 و J5 زیرمجموعه هایی از ویژگی های یکسان باشند، اما به طور جداگانه برای اهداف تجزیه و تحلیل گنجانده شده اند.

3.3. متغیرهای مرتبط با شرایط هندسی، فرسایش دریا و شرایط زمین شناسی

با توجه به اینکه منطقه مورد مطالعه مقطعی از ساحل بود، عوامل اصلی تأثیرگذار که منجر به تغییرات فضایی زمین لغزش‌های نشان داده شده در شکل 2 شد، عمدتاً مربوط به شرایط زمین‌شناسی، شرایط هندسی دامنه‌ها و شرایط فرسایش دریا بود.
جنبه، پروفیل و انحنای پلان، شیب، و ارتفاع صخره، به عنوان عوامل برجسته، اغلب برای ارزیابی شرایط هندسی شیب‌ها مورد استفاده قرار گرفته‌اند [ 8 ، 9 ، 19 ، 40 ، 41 ]. در زمینه زمین لغزش های ساحلی، فاصله از دریا برای ارزیابی شرایط فرسایش دریا اتخاذ شد [ 42 ، 43 ]. مواد سنگ بستر به عنوان یک ویژگی معرف شرایط زمین شناسی [ 13 ، 18 ، 44 ] استفاده شده است، زیرا بر استحکام توده سنگ با مقاومت فشاری متفاوت و ثابت مواد مطابق با معیار هوک-براون [ 45 ] تأثیر می گذارد.]. رابطه آنها با زمین لغزش ها در جدول 2 نشان داده شده است. این عوامل پرکاربرد به عنوان متغیرهای ورودی برای پیش‌بینی زمین لغزش در مدل‌های ML آورده شدند.
متغیرهای ورودی مرتبط با شرایط هندسی از داده‌های 1 متری LiDAR DEM مشتق شده‌اند. فاصله از دریا از طریق فاصله بین خط ساحلی و شیب در یک تصویر ماهواره ای اندازه گیری شد که می تواند اندازه سواحل بین دریا و شیب را مشخص کند. مواد سنگ بستر از یک نقشه زمین شناسی در مقیاس 1:50000 از پایگاه داده منبع باز Digimap [ 34 ] به دست آمد.

3.4. متغیرهای مرتبط با ناپیوستگی

برای گنجاندن ناپیوستگی ها در تجزیه و تحلیل زمین لغزش ML، تجزیه و تحلیل سینماتیک برای تخمین مکان های مستعد شکست شیب سنگ ناشی از ناپیوستگی های نامطلوب استفاده شد. در آنالیز سینماتیک معمولی، شیب خاصی با جهت یکنواخت در نظر گرفته می شود. با این حال، این باعث می شود که برای مشخص کردن مناطق بزرگی که جهت گیری های شیب به طور قابل توجهی متفاوت است، غیر قابل اجرا باشد [ 22 ].
برای حل این محدودیت، تجزیه و تحلیل سینماتیک مبتنی بر GIS مشابه آنچه توسط یلماز و همکاران استفاده شده است. [ 46 ] و Francioni و همکاران. [ 22 ] در چارچوب GIS به تصویب رسید. در زمینه تحلیل سینماتیک مبتنی بر GIS، سازه‌ها برای ارزیابی پتانسیل شیب‌ها با جهت‌گیری متغیر به زمین لغزش تعیین شدند. بنابراین، نمایش‌های ریاضی معیارهای شکست سینماتیکی برای جایگزینی آنالیز استریونت معمولی مورد نیاز است. تجزیه و تحلیل سینماتیک مبتنی بر GIS در پلت فرم ArcGIS ESRI اجرا شد و شرایط شکست سنگ پیشنهاد شده توسط هوک و بری [ 47 ] را دنبال کرد.

3.4.1. تحلیل حرکتی لغزشی مسطح

شکست شیب تخته سنگ زمانی رخ می دهد که توده سنگ در یک شیب به پایین و در امتداد یک سطح شکست نسبتا مسطح می لغزد. در تحلیل سینماتیک معمولی، معیارهای ناپایداری مسطح عبارتند از: (1) شیب صفحه شکست باید بیشتر از زاویه اصطکاک باشد تا از مقاومت برشی ناپیوستگی تجاوز کند. (2) شیب صفحه شکست باید کمتر از شیب سطح شیب باشد، به طوری که “نور روز” در سطح شیب دار باشد. (3) هواپیمای شکست باید موازی با تاج شیب برخورد کند.
در تجزیه و تحلیل سینماتیک مبتنی بر GIS، یک شیب مستعد شکست مسطح باید الزامات مربوط به استحکام، روشنایی روز و شرایط جهت را به شرح زیر برآورده کند (در شکل 5 الف ارائه شده است):
  • شیب ناپیوستگی اصلی بیشتر از زاویه اصطکاک است (30 درجه برای مخلوط ماسه سنگ و گلسنگ [ 48 ] در نظر گرفته شد).
  • شیب ظاهری یک شیب از جهت شیب صفحه ناپیوستگی بحرانی بیشتر از شیب صفحه ناپیوستگی است تا به ناپیوستگی در نور روز در سطح شیب اجازه دهد.
  • شیب باید در همان جهت با صفحه ناپیوستگی بحرانی فرو رود (حد جانبی 20 درجه در نظر گرفته شد).
Ijgi 10 00232 g005 550
شکل 5. نمایش گرافیکی تجزیه و تحلیل استریونت سینماتیک مبتنی بر GIS برای ارزیابی پتانسیل یک شیب برای حالت های مختلف ناپایداری، از جمله ( A ) مسطح، ( B ) گوه، ( C ) واژگونی مستقیم، و ( D ) خرابی های واژگونی خمشی.
3.4.2. تحلیل حرکتی لغزشی گوه
تحلیل سینماتیکی لغزش گوه، آزمایشی برای لغزش گوه ای است که از تقاطع دو صفحه تشکیل می شود. بلوک گوه بسته به جهت آنها می تواند در امتداد خط تقاطع (LOI) یا یک صفحه منفرد بلغزد. این را می توان با تجزیه و تحلیل استریونت ایجاد کرد که در آن مناطق بحرانی اولیه و ثانویه حالت های لغزشی مختلف را نشان می دهند ( شکل 5).ب). منطقه بحرانی اولیه برای لغزش گوه، ناحیه هلالی شکل (منطقه قرمز) است که در آن یک گوه در امتداد LOI یا یک صفحه منفرد می لغزد. منطقه بحرانی ثانویه برای لغزش گوه، ناحیه بین صفحه شیب و صفحه (دایره بزرگ) متمایل به زاویه اصطکاک (منطقه زرد) است، که در آن LOI ها کمتر از زاویه اصطکاک متمایل هستند، اما لغزش روی یک مفصل صورت می گیرد. صفحه ای که بردار شیب بزرگتر از زاویه اصطکاک دارد.
در تجزیه و تحلیل سینماتیک مبتنی بر GIS، یک شیب مستعد ناپایداری گوه در منطقه بحرانی اولیه لازم است تا این شرایط را برآورده کند که شیب ظاهری یک شیب همانطور که از جهت شیب ناپیوستگی بحرانی دیده می‌شود، بیشتر از فرورفتگی LOI باشد. بالاتر از زاویه اصطکاک (شیب ظاهری > LOI plunge > زاویه اصطکاک). یک شیب مستعد ناپایداری گوه در ناحیه بحرانی ثانویه باید این شرط را برآورده کند که فرورفتگی LOI بین شیب ظاهری صفحه شیب و شیب ظاهری صفحه زاویه اصطکاک قرار گیرد (شیب ظاهری شیب > فرورفتگی LOI > شیب ظاهری صفحه زاویه اصطکاک).
3.4.3. تحلیل حرکتی سرنگونی مستقیم
سرنگونی مستقیم یک مکانیسم معمولی ناپایداری سنگ است که در آن تقاطع های عمودی نزدیک به شیب فرو می روند و صفحات پایه افقی نزدیک بلوک ها را زیر زمین می برند و صفحات آزاد را تشکیل می دهند. عناصر کلیدی تحلیل سرنگونی مستقیم عبارتند از:
  • دو مجموعه مشترک طوری قطع می‌شوند که خطوط تقاطع در شیب فرو می‌روند و می‌توانند بلوک‌های سرنگونی مجزا را تشکیل دهند.
  • یک مجموعه مشترک سوم وجود دارد که به عنوان یک صفحه آزاد یا یک صفحه کشویی عمل می کند و به بلوک ها اجازه می دهد تا سرنگون شوند.
همانطور که به صورت گرافیکی در تحلیل واژگونی مستقیم استریونت ارائه شده در شکل 5 C نشان داده شده است، قطب سومین مجموعه اتصال در مخروط قرمز رنگی که زاویه آن برابر با زاویه شیب است، می افتد، اما همچنین LOI دو اتصال به رنگ قرمز می افتد (واژگونی مستقیم ) یا ناحیه زرد (واژگونی مستقیم مایل).
در تحلیل سینماتیک مبتنی بر GIS، یک شیب مستعد ناپایداری مستقیم واژگونی باید الزامات مربوط به LOI دو مجموعه متقاطع و همچنین مجموعه مفصل لغزشی را برآورده کند. با توجه به مجموعه اتصال به عنوان یک صفحه کشویی، شیب باید شرایط زیر را داشته باشد:
  • شیب شیب بیشتر از شیب صفحه ناپیوستگی است.
  • شیب در همان جهت با صفحه ناپیوستگی کاهش می یابد (حد جانبی 20 درجه در نظر گرفته شد).
در مورد LOI، شرایط برای شیب عبارتند از: شیب در همان جهت روند LOI (حد جانبی 20 درجه در نظر گرفته شد) (منطقه بحرانی اولیه برای واژگونی مستقیم)، یا شیب نتواند در شیب پایین بیاید. همان جهت روند LOI، اما در یک انحراف 90 درجه قرار می گیرد (منطقه بحرانی ثانویه برای واژگونی مستقیم مایل).
برای واژگونی مستقیم مورب، LOI باید در داخل مخروط اصطکاک قرار گیرد، که مستلزم آن است که فرورفتگی LOI باید بیشتر از زاویه اصطکاک 90 درجه باشد.
3.4.4. تحلیل حرکتی خمشی
خرابی واژگونی خمشی یکی از حالت های خاص خرابی سرنگونی است که در اثر تنش های خمشی رخ می دهد. برای واژگونی خمشی، منطقه بحرانی برای سرنگونی با ناحیه ای تعریف می شود ( شکل 5 D) را که خارج از صفحه حد لغزش و داخل محدوده های جانبی قرار می گیرد. صفحه حد لغزش یک صفحه فیزیکی واقعی نیست، اگرچه از زاویه شیب و زاویه اصطکاک مشتق شده است. زاویه شیب صفحه حد لغزش از “شیب شیب – زاویه اصطکاک” مشتق شده است. جهت شیب صفحه حد لغزش برابر با سطح شیب است.
در زمینه تحلیل سینماتیک مبتنی بر GIS، یک شیب مستعد ناپایداری خمشی باید شرایط زیر را برآورده کند:
  • شیب شیب بیشتر از زاویه اصطکاک است (30 درجه در نظر گرفته شد).
  • شیب ظاهری صفحه حد لغزش که از جهت شیب یک صفحه ناپیوستگی بحرانی دیده می‌شود، بیشتر از 90 درجه – شیب صفحه ناپیوستگی بحرانی است.
  • شیب در جهت مخالف صفحه ناپیوستگی بحرانی کاهش می یابد (حد جانبی 20 درجه در نظر گرفته شد).

در تحلیل حرکتی مبتنی بر GIS، شیب ظاهری برای محاسبه فاصله دایره بزرگ صفحه شیب از محیط استریونت در جهت شیب ظاهری در تحلیل استریونت استفاده می‌شود ( شکل 5 را ببینید ). افت ظاهری به صورت زیر محاسبه می شود:

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونت

جایی که نوع گره ناشناخته: فونتشیب ظاهری است. نوع گره ناشناخته: فونتشیب واقعی صفحه شیب است. نوع گره ناشناخته: فونتزاویه بین جهت ضربه صفحه شیب و جهت شیب ظاهری است.

مکانیسم های بالقوه درگیر در زمین لغزش های قبلی در منطقه مورد مطالعه در جدول 3 فهرست شده است. پیشنهاد می‌شود که مکانیسم‌های شکست W1/W2/W5، P1/DT1، و P2/DT2، به ترتیب، معیارهای شکست مشابهی بودند، که باعث نتایج نزدیک در آنالیز سینماتیک برای هر گروه شد. برای کاهش پیچیدگی، مکانیسم‌های نماینده (W1، P1 و P2) از هر گروه انتخاب شدند، به این معنی که W2، W5، DT1 و DT2 در آنالیز سینماتیک گنجانده نشدند. این بدان معنی است که مکانیسم های P1 (شکست مسطح مرتبط با J1)، P2 (شکست سطحی مرتبط با J4)، W1 (شکست گوه مرتبط با J1/J4)، W3 (شکست گوه مرتبط با J2/J4)، W4 (شکست گوه مرتبط با J3/J4) و F1 (شکست سرنگونی خمشی مرتبط با J3) در تحلیل سینماتیکی مبتنی بر GIS برای پیش‌بینی بیشتر زمین لغزش در نظر گرفته شدند.
تجزیه و تحلیل سینماتیکی احتمال اینکه هر پیکسل مستعد زمین لغزش باشد از طریق یک طبقه بندی باینری (بله/خیر)، بدون در نظر گرفتن اثرات بعدی آنها بر پایداری شیب محلی، تخمین زد. برای در نظر گرفتن اثرات محلی، نتایج باینری تحلیل سینماتیکی به نقشه های چگالی تبدیل شد ( شکل 6 ). چگالی در نرم افزار ArcMap با شمارش تعداد نقاط (پیکسل) که مستعد ناپایداری در یک دایره با شعاع 50 متر بودند محاسبه شد. واحد تعداد امتیاز/متر مربع بود. متغیرهای ورودی ارائه شده توسط تحلیل سینماتیک مبتنی بر GIS با Planar_J1، Planar_J4، Wedge_J1/J4، Wedge_J2/J4، Wedge_J3/J4 و Flexural_J3 برچسب‌گذاری شدند تا حالت‌های خرابی مرتبط را نشان دهند.

3.5. تجزیه و تحلیل ML

مدل های ML برای شبیه سازی آماری رابطه زمین لغزش و متغیرهای ورودی استفاده شد. مدل ها با استفاده از مجموعه آموزشی ساخته و آموزش داده شدند. مدلسازی هر الگوریتم ML نتایجی با اهمیت متغیر برگرداند. اهمیت متغیر، اهمیت هر یک از متغیرهای ورودی را با توجه به متغیرهای وابسته (0/1 برای حضور/عدم زمین لغزش) نشان داد. پس از ساخت مدل‌ها، توانایی یادگیری و پیش‌بینی آن‌ها از طریق ماتریس سردرگمی و منحنی‌های مشخصه عملیاتی گیرنده (ROC) ارزیابی شد. این ارزیابی ها با استفاده از مجموعه اعتبار سنجی اجرا شد. دو سری از مدل سازی ML انجام شد. سری اولیه مدل‌سازی بر اساس هفت متغیر ورودی رایج بود. علاوه بر این،
قابلیت های پیش بینی دو مدل بر اساس ماتریس سردرگمی و منحنی ROC ارزیابی شد. ماتریس سردرگمی برای ارزیابی عملکرد مدل با توجه به قابلیت طبقه‌بندی دودویی آن‌ها (پیش‌بینی عدم حضور/وجود زمین لغزش، 0/1) و منحنی ROC برای ارزیابی قابلیت آن‌ها با توجه به نقشه‌برداری حساسیت زمین لغزش (احتمال وقوع زمین لغزش) استفاده شد. ).
در این مقاله، دو الگوریتم مرسوم ML (RF و SVM) و دو الگوریتم شبکه عصبی (MLP و DLNN) اتخاذ شد و مدل‌سازی در محیط پایتون انجام شد.

3.5.1. جنگل تصادفی

RF، یک الگوریتم مجموعه، از درخت های تصمیم با استفاده از روش های تجمع راه انداز تشکیل شده است [ 1 ]. نتایج حاصل از درختان تصمیم سازنده در یک جنگل تصادفی برای تولید یک پیش‌بینی جمع می‌شوند. توانایی پیش بینی یک مدل RF به دو پارامتر حساس است: تعداد tress (ntree) در RF و تعداد متغیرها برای انتخاب در هر گره (mtry) درخت تصمیم [ 49 ]. بنابراین در این تحقیق مدلسازی RF پس از تنظیم این دو پارامتر انجام شد.
3.5.2. ماشین بردار پشتیبانی
SVM به طور گسترده ای برای اهداف طبقه بندی استفاده شده است. الگوریتم تلاش می‌کند تا یک ابر صفحه را در فضای N بعدی (N-تعداد متغیرها) قرار دهد که به طور مشخص نقاط داده را طبقه‌بندی می‌کند. در این مطالعه موردی، تنظیم پارامتر پیش‌بینی زمین لغزش بر روی پارامتر تنظیم (C) و نوع هسته مورد استفاده در الگوریتم انجام شد.

3.5.3. پرسپترون چند لایه

پرسپترون چند لایه (MLP) یک کلاس از شبکه عصبی مصنوعی پیشخور (ANN) است. معماری آن حداقل از سه لایه تشکیل شده است: یک لایه ورودی، یک لایه پنهان و یک لایه خروجی. هر گره در لایه مخفی و خروجی یک خروجی از طریق یک تابع فعال سازی غیرخطی با وزن های به روز تولید می کند. به روز رسانی وزن از طریق یک الگوریتم یادگیری تنظیم می شود.
عملکرد مدل MLP به تابع فعال‌سازی اعمال شده برای گره‌ها که خروجی‌های آنها را تعریف می‌کند، تعداد گره‌ها در لایه پنهان و انتخاب الگوهای یادگیری برای بهینه‌سازی وزن حساس است [ 13 ]. بنابراین، این فراپارامترها برای به دست آوردن یک مدل MLP بهینه تنظیم شدند.
3.5.4. شبکه عصبی یادگیری عمیق
شبکه عصبی یادگیری عمیق یک کلاس از شبکه های عصبی با عمق قابل توجه است. معمولاً از یک لایه ورودی، چندین لایه پنهان و یک لایه خروجی تشکیل شده است. قوانین پیکربندی معماری‌های DLNN در اینجا توضیح داده نمی‌شوند، زیرا این قوانین بارها و بارها در بسیاری از مقالات ارائه شده‌اند [ 13 ، 17 ]]. در این مقاله از مدل DLNN برای پیاده سازی تحلیل زمین لغزش استفاده شده است. در این مدل، تابع فعال‌سازی واحد خطی اصلاح‌شده (ReLU) برای گره‌ها در لایه‌های مخفی برای تولید خروجی اعمال شد. از آنجایی که پیش‌بینی زمین لغزش می‌تواند یک طبقه‌بندی باینری باشد، تابع انتقال سیگموئید در لایه خروجی برای تولید یک پیش‌بینی استفاده شد. تابع ضرر دودویی متقاطع آنتروپی برای تخمین افت مدل استفاده شد تا وزن گره ها برای به دست آوردن یک مدل بهینه به روز شده و بهینه شود.
در طول پیکربندی یک مدل DLNN، برخی از فراپارامترها تأثیر قابل توجهی بر عملکرد آن دارند، از جمله (1) تعداد لایه‌های پنهان. (2) تعداد گره ها در هر لایه. (3) انتخاب یک الگوریتم بهینه سازی. و (4) میزان یادگیری. بنابراین، این فراپارامترها برای به دست آوردن یک مدل DLNN بهینه برای تجزیه و تحلیل زمین لغزش تنظیم شدند.

3.6. تجزیه و تحلیل نسبت فرکانس

تجزیه و تحلیل FR برای بررسی کمی رابطه بین زمین لغزش و متغیرهای ورودی مرتبط با تحلیل سینماتیک با استفاده از داده‌های به‌دست‌آمده از مجموعه‌های آموزشی و اعتبارسنجی انجام شد. تجزیه و تحلیل یک ضریب وزنی به هر کلاس از متغیرهای ورودی تجزیه و تحلیل شده اختصاص داد. ضریب وزنی رابطه احتمالی طبقه و زمین لغزش را بیان می کند.

برای بدست آوردن مقادیر RF (ضریب وزن) از معادلات زیر استفاده شد:

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت
نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت
نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت

جایی که نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتتعداد پیکسل های حاوی لغزش در کلاس j از متغیر i است. LS تعداد کل پیکسل های حاوی زمین لغزش است. نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتتعداد کل پیکسل های کلاس i از متغیر j در کل ناحیه است. P تعداد کل پیکسل ها در کل منطقه است. در این تحقیق P 1020 و LS 510 است.

4. نتایج

4.1. تجزیه و تحلیل نسبت فرکانس

در تحلیل FR، متغیرهای تحلیل شده مربوط به آنالیز سینماتیکی با توجه به مقادیر چگالی آنها به سه کلاس مختلف طبقه‌بندی شدند. بر اساس نتایج تجزیه و تحلیل FR ( جدول 4 )، یک مشخصه توزیع مشترک برای همه متغیرهای تحلیل شده آشکار شد. سازگاری خوبی بین مقادیر FR و مقادیر کلاس مشاهده شد، به طوری که طبقات با مقادیر بالا دارای مقادیر FR بالایی بودند. علاوه بر این، از نظر کمی، بیشتر پیکسل های کلاس 2 و کلاس 3 نقاط لغزش هستند، اما پیکسل های کلاس 1 عمدتاً نقاط غیر لغزشی هستند. با در نظر گرفتن Planar_J4 به عنوان مثال، 479 در 721 پیکسل در کلاس 1 نقاط غیر لغزشی هستند، در حالی که 109 در 123 پیکسل و 159 در 176 پیکسل در کلاس 2 و کلاس 3، به ترتیب نقاط لغزشی هستند.

4.2. تجزیه و تحلیل یادگیری ماشینی

تنظیم پارامتر با استفاده از چندین آزمایش و خطا برای به دست آوردن دقیق‌ترین پیش‌بینی و بهینه‌سازی فراپارامترهای مدل‌های ML درگیر در مدل‌سازی اولیه (بدون متغیرهای مرتبط با ناپیوستگی) و سری دوم (با متغیرهای مرتبط با ناپیوستگی) انجام شد. پارامترها در مدل سازی اولیه (دوم) به صورت زیر تنظیم شدند:
  • برای مدل RF، ntree به عنوان 500 (500) و mtry 3 (4) تعیین شد.
  • برای مدل SVM، هسته به عنوان تابع پایه شعاعی (‘rbf’)، و پارامتر تنظیم C به عنوان 100 (100) اختصاص داده شد.
  • برای مدل MLP، تابع فعال سازی به عنوان “لجستیک” (“لجستیک”) مشخص شد. الگوریتم بهینه سازی وزن به عنوان ‘lbfgs’ (‘lbfgs’) مشخص شد. پارامتر تنظیم آلفا به عنوان 0.1 (0.1) اختصاص داده شد. 10 (9) گره در لایه پنهان وجود داشت.
  • برای مدل DLNN، یک مدل متوالی Keras با 3 (3) لایه پنهان پیکربندی شد. هر لایه حاوی 64 (128) نورون بود. بهینه ساز مورد استفاده در این مدل، “Adadelta” برای نرخ یادگیری تطبیقی ​​بود. پاسخ به تماس EarlyStopping همراه با آموزش مدل برای صرفه جویی در دوره بهینه در اندازه دسته 1 برای جلوگیری از تعبیه بیش از حد استفاده شد.
نتایج ارزیابی قابلیت طبقه بندی با استفاده از ماتریس سردرگمی در شکل 7 ارائه شده است. از منظر “مقایسه عمودی”، ادغام متغیرهای ورودی مرتبط با ناپیوستگی به طور قابل توجهی موارد طبقه بندی نادرست عدم وجود زمین لغزش (0) و همچنین حضور زمین لغزش (1) را کاهش می دهد. این نیز با افزایش دقت طبقه‌بندی کلی، از 85% به 93% برای مدل‌سازی DLNN، از 87% به 96% برای مدل‌سازی MLP، از 87% به 94% برای مدل‌سازی RF، و از 88% به 94% برای مدل‌سازی RF منعکس می‌شود. مدل سازی SVM
نتایج ارزیابی قابلیت LSM توسط منحنی های ROC در شکل 8 ارائه شده است. تحلیل مقایسه‌ای منحنی‌های دو سری مدل‌سازی نشان می‌دهد که با توجه به هر مدل، منحنی به‌دست‌آمده از مدل‌سازی اولیه بر منحنی مدل‌سازی دوم غلبه دارد. این مشخصه توزیع با مقادیر بالاتر AUC به دست آمده برای مدل سازی اولیه تایید می شود.
همانطور که در شکل 9 نشان داده شده است، تجزیه و تحلیل ML یک تجزیه و تحلیل اهمیت متغیر ارائه می دهد . اهمیت نشان‌دهنده اهمیت هر متغیر برای پیش‌بینی زمین لغزش در مدل‌سازی اولیه است. برای هر چهار مدل انتخاب شده، متغیر ورودی مرتبط با ناپیوستگی Wedge_J2/J4 که از تحلیل سینماتیک مبتنی بر GIS به دست آمده است، منحصراً بیشترین اهمیت را در بین 13 متغیر دارد.

5. اعتبارسنجی و بحث

در این تحقیق، ناپیوستگی ها در پیش بینی زمین لغزش مبتنی بر ML به عنوان یک عامل کنترل کننده ناپایداری توده سنگ با استفاده از روش تحلیل سینماتیک مبتنی بر GIS معرفی شدند. تجزیه و تحلیل پتانسیل شیب ها را برای مستعد شدن به ناپایداری های سینماتیکی، از جمله حالت های ناپایداری مسطح، گوه، سرنگونی مستقیم و خمشی ارزیابی کرد. تحلیل سینماتیک مبتنی بر GIS احتمالاً سرنخ‌های مؤثری برای وقوع زمین لغزش در آینده ارائه می‌کند. شکل 10شش منطقه مستعد شکست گوه‌ای ناشی از J2/J4 را برجسته می‌کند که با مکان‌های لغزش‌های قبلی رخ داده در منطقه مورد مطالعه همزمان است. زمین لغزش های برجسته دارای جهت مشابهی هستند و به سمت غرب یا غرب غربی فرو می روند. برخی دیگر از زمین لغزش‌ها در شیب‌هایی که به سمت شمال یا شمال غربی در وسط منطقه مورد مطالعه فرو می‌روند، پیشنهاد می‌شود که تحت‌تاثیر تحلیل سینماتیک لغزشی مسطح مرتبط با J1 و تحلیل حرکتی لغزشی گوه‌ای مرتبط با J1/J4 قرار گیرند ( شکل 6 را ببینید ).
علاوه بر این، یک زمین لغزش فاجعه بار در سال 2011 در منطقه مورد مطالعه با حجم تخمینی 100000 متر مکعب ( لغزش دهان جهنمی) رخ داد [ 22 ]. با استفاده از داده‌های سال 2008، تجزیه و تحلیل سینماتیک مبتنی بر GIS به طور موثر خطر خرابی‌های سینماتیکی احتمالی در این مکان را نشان می‌دهد ( شکل 11).). تجزیه و تحلیل نتیجه طبقه بندی باینری است که وضعیت ناپایدار انگشت شیب و وضعیت پایدار تاج شیب را نشان می دهد. اگر نتایج باینری (0/1) به‌عنوان متغیرهای ورودی در مدل‌های یادگیری ماشین اعمال شوند، اطلاعات گمراه‌کننده‌ای را در تاج شیب، جایی که بی‌ثباتی رخ می‌دهد، ارائه می‌دهند. با این حال، نقشه‌برداری چگالی، که از طبقه‌بندی باینری تبدیل شده است، این مشکل را با در نظر گرفتن نقاط ناپایدار در یک محدوده دایره‌ای 50 متری حل کرد، با توجه به اینکه برداشتن انگشت پا ممکن است باعث ایجاد ناپایداری در تاج شیب (یعنی اثرات محلی) شود.
نتیجه تجزیه و تحلیل FR شواهدی برای حمایت از اثرات تحلیل سینماتیک مبتنی بر GIS ارائه کرد. نتایج نشان داد که مقادیر FR بالا تنها در کلاس‌های با چگالی بالا (کلاس 2 و 3) با توجه به متغیرهای به‌دست‌آمده از تحلیل سینماتیکی ظاهر می‌شود. علاوه بر این، از نظر کمی، بیشتر پیکسل های کلاس 2 و 3 نقاط لغزشی هستند و بیشتر پیکسل های کلاس 1 نقاط غیر لغزشی هستند. این ویژگی های توزیع نشان می دهد که عوامل مرتبط با ناپیوستگی با تراکم بالا احتمالاً نشانگر وقوع زمین لغزش هستند.
با گنجاندن متغیرهای مرتبط با ناپیوستگی، دقت پیش‌بینی زمین لغزش در چهار مدل ML به طور چشمگیری بهبود یافت که توسط نتایج دو روش اعتبارسنجی ( شکل 7 و شکل 8 ) پشتیبانی می‌شود. افزایش دقت پیش‌بینی به دلیل کاهش نرخ طبقه‌بندی اشتباه موارد عدم وجود زمین لغزش و همچنین موارد حضور زمین لغزش بود. قابلیت پیش‌بینی متضاد نشان می‌دهد که این متغیرهای مرتبط با ناپیوستگی برای پیش‌بینی زمین لغزش ضروری هستند. نتایج تحلیل اهمیت متغیر که نشان می‌دهد عامل Wedge_J2/J4 مهم‌ترین متغیر در تحلیل زمین لغزش ML است، نتیجه‌گیری فوق را تأیید می‌کند.
با این حال، نتایج تحلیل سینماتیکی را نمی توان به عنوان یک معیار مستقل برای پیش بینی زمین لغزش استفاده کرد، زیرا تنها تأثیر جهت گیری های نامطلوب ناپیوستگی ها را در نظر می گیرد. بدون در نظر گرفتن برخی عوامل دیگر، مانند استحکام توده سنگ و شرایط فرسایش دریا، تحلیل سینماتیکی احتمالاً دامنه‌های مستعد لغزش سنگ‌های ساحلی را بیش از حد برآورد می‌کند. این تخمین بیش از حد در شکل 10 منعکس شده است ، جایی که برخی از شیب های پایدار به اشتباه به عنوان شیب های ناپایدار طبقه بندی شده اند. از این منظر، در مدل‌سازی ML، متغیرهای مرتبط با سنگ بستر، شرایط هندسی و شرایط فرسایش دریا به طور بالقوه به عنوان شرایط محدودکننده برای اصلاح پیش‌بینی زمین لغزش با تحلیل سینماتیک عمل می‌کنند.
اگرچه اهمیت کمتری نسبت به متغیرهای مرتبط با ناپیوستگی در مدل‌سازی ML دارد، متغیرهای مربوط به سنگ بستر، شرایط هندسی و شرایط فرسایش دریا ممکن است وقوع زمین لغزش‌ها را تسهیل کرده و به پیش‌بینی زمین لغزش کمک کنند. به عنوان مثال، فاصله از دریا اهمیت معقولی را برای پیش‌بینی زمین لغزش نشان می‌دهد، که به طور بالقوه نشان می‌دهد که فواصل مختلف از دریا می‌تواند منجر به شرایط پایداری مختلفی شود. دامنه‌های با فاصله کمتر از دریا احتمالاً فرصت بیشتری برای تعامل با دریا و امواج دارند. بنابراین، آنها بیشتر مستعد فرسایش دریا هستند. شواهد نشان داده شده است که تشکیل یک خندق در دهان جهنم توسط غارهای دریایی ناشی از فرسایش پیش شرطی شده است، که می‌توان ناپیوستگی‌ها را بر روی آنها روشن کرد و استرس ناشی از بار اضافی را متمرکز کرد. سرانجام،شکل 12 ). متغیر مهم دیگر مواد سنگ بستر است. نقشه سنگ بستر نشان می دهد که سازند پورتوان بیشتر مستعد زمین لغزش است ( شکل 13 )، به طور بالقوه به دلیل شرایط صخره ها (متامودستون و گلسنگ/گل سنگ و ماسه سنگ) در سازند پورتووان که با توجه به آرایش هندسی منجر به لغزش می شود. رخنمون ها، استحکام، هوازدگی، اندازه دانه، و غیره. با این حال، متغیرها/عوامل منفرد صرفاً باعث ایجاد زمین لغزش نمی شوند، بلکه با یکدیگر تعامل می کنند تا قدرت توده های سنگی را کاهش دهند، در نتیجه منجر به ناپایداری می شود.
این مقاله دستورالعمل هایی را برای تعمیم روش پیشنهادی به مناطق دیگر به منظور انجام بررسی های پایداری شیب سنگ ارائه می دهد. این را می توان با ترکیب اطلاعات ناپیوستگی محلی در مدل سازی یادگیری ماشین، از جمله تشخیص ناپیوستگی های محلی با استفاده از تکنیک های سنجش از دور، پردازش داده های ناپیوستگی از طریق تجزیه و تحلیل سینماتیک مبتنی بر GIS برای ارزیابی شیب های مستعد به حالت های مختلف ناپایداری، پیاده سازی کرد. دیجیتالی کردن نتایج تحلیل سینماتیکی مبتنی بر GIS از طبقه‌بندی باینری به مقادیر پیوسته که بیشتر برای مدل‌های ML کاربرد دارند، و استفاده ترکیبی از متغیرهای مرتبط با ناپیوستگی و سایر عوامل پیش‌شرطی زمین لغزش برای آموزش مدل‌های ML و پیش‌بینی زمین لغزش‌ها.
قابل توجه است که حتی بدون دخالت عوامل مرتبط با ناپیوستگی، دقت پیش‌بینی مدل‌های ML بر اساس هفت عامل رایج هنوز نسبتاً بالا بود و تقریباً 87٪ از ACC و 0.94 از AUC را به دست آورد. این احتمالاً ناشی از تراکم نمونه برداری بالای 30 پیکسلی است که از هر مکان لغزش انتخاب شده است. 30 پیکسل از همان سایت به طور بالقوه دارای ویژگی های مشابهی مانند مواد سنگ بستر مشابه هستند. استراتژی 70%:30% برای تقسیم داده‌های به‌دست‌آمده برای ساخت مدل و اعتبارسنجی مدل به این معنی است که داده‌های اعتبارسنجی تا حدی شبیه داده‌های آموزشی خواهند بود که می‌تواند باعث دقت پیش‌بینی بالا شود. با این حال، دخالت متغیرهای مرتبط با ناپیوستگی همچنان می‌تواند دقت پیش‌بینی را به سطح بالاتری بهبود بخشد.

6. نتیجه گیری

ناپیوستگی ها و به ویژه جهت گیری آنها به ندرت در پیش بینی زمین لغزش ML در نظر گرفته شده است. در این زمینه، این مقاله یک کاربرد جدید از ناپیوستگی‌های نامطلوب در تحلیل زمین لغزش ML پیشنهاد می‌کند. شش مجموعه ناپیوستگی در منطقه مورد مطالعه از طریق بررسی های LiDAR فتوگرامتری و هوایی شناسایی شد. این ویژگی‌های ساختاری برای ارزیابی پتانسیل شیب‌ها برای مستعد شدن به حالت‌های مختلف ناپایداری سنگ (مسطح، گوه‌ای، واژگونی مستقیم، و تاپینگ خمشی) توسط تحلیل سینماتیک مبتنی بر GIS اعمال شد. به منظور در نظر گرفتن اثرات محلی، نتایج باینری تجزیه و تحلیل سینماتیک به نقشه های چگالی برای تجزیه و تحلیل FR بعدی و تجزیه و تحلیل ML تبدیل شد. شش نقشه چگالی بر اساس نتایج تحلیل سینماتیک مبتنی بر GIS مرتبط با مکانیسم‌های مختلف ناپایداری سنگ، از جمله لغزش مسطح کنترل شده توسط J1 و J4، لغزش گوه با کنترل J1/J4، J2/J4 و J3/J4، و تاپینگ خمشی به‌دست آمد. توسط J3 کنترل می شود. این متغیرهای چگالی و همچنین برخی از عوامل مؤثر بر زمین لغزش که معمولاً مورد استفاده قرار می‌گیرند، سپس به عنوان متغیرهای ورودی در مدل‌های ML برای پیش‌بینی زمین لغزش در نظر گرفته شدند.
برای اعتبارسنجی نتایج تحلیل سینماتیکی مبتنی بر GIS، مقایسه‌هایی با سایت‌های زمین لغزش قبلی انجام شد. نتایج مقایسه نشان می دهد که شیب های مستعد شکست سینماتیکی ارائه شده در شکل 10 و شکل 11 به عنوان محل زمین لغزش های قبلی شناسایی شده اند. این امر کاربرد قابل اعتماد تحلیل سینماتیک مبتنی بر GIS در پیش‌بینی زمین لغزش را برجسته می‌کند.
سازگاری خوبی از طریق تجزیه و تحلیل FR، بین احتمال زمین لغزش، که با مقادیر FR مشخص می‌شد، و متغیرهای مرتبط با ناپیوستگی مشاهده شد، که نشان می‌دهد کلاس‌هایی با مقادیر بالاتر دارای مقادیر FR بالاتری هستند. همزمانی با ویژگی های توزیع آنها نشان دهنده همبستگی نزدیک بین آنها است.
نتایج ارزیابی مدل بر اساس ماتریس سردرگمی و منحنی‌های ROC نشان داد که گنجاندن متغیرهای ورودی مرتبط با ناپیوستگی به طور قابل‌توجهی دقت پیش‌بینی چهار مدل ML را بهبود بخشید. علاوه بر این، تجزیه و تحلیل اهمیت متغیر نشان داد که متغیرهای مرتبط با ناپیوستگی بیشترین اهمیت را در پیش‌بینی زمین لغزش در چهار مدل ML دارند.
یافته های فوق کاربرد قابل اعتماد تحلیل سینماتیک مبتنی بر GIS را برای ارزیابی شیب های مستعد زمین لغزش برجسته می کند. علاوه بر این، کاربرد جدید ناپیوستگی‌های نامطلوب در مدل‌های ML با استفاده از تحلیل سینماتیک مبتنی بر GIS، پیش‌بینی زمین لغزش را بهبود می‌بخشد.

منابع

  1. دیلی، ام. چن، آر. دایچمن، یو. لرنر-لام، ا. آرنولد، ام. آگوه، جی. یتمن، جی. نقاط حساس بلایای طبیعی: خطر جهانی ؛ بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  2. ون تین، پی. ساسا، ک. تاکارا، ک. فوکوکا، اچ. دانگ، ک. شیباساکی، تی. ها، ND; ستیوان، اچ. Loi، DH فرآیند تشکیل دو سد عظیم به دنبال شکست‌های زمین لغزش سریع عمیق ناشی از بارندگی در شبه جزیره کیی ژاپن. زمین لغزش 2018 ، 15 ، 1761-1778. [ Google Scholar ] [ CrossRef ]
  3. خو، ی. جورج، دی.ال. کیم، جی. لو، ز. رایلی، ام. گریفین، تی. de la Fuente، J. نظارت بر زمین لغزش و ارزیابی خطر خروج با ادغام سنجش از دور چند منبعی و مدل‌های عددی: برنامه‌ای برای مجتمع زمین لغزش حوضه طلا، شمال واشنگتن. رانش زمین 2021 ، 18 ، 1131-1141 . [ Google Scholar ] [ CrossRef ]
  4. گائو، ی. لی، بی. گائو، اچ. چن، ال. وانگ، ی. ویژگی‌های دینامیکی زمین لغزش‌های مرتفع و طولانی در منطقه بازالت Emeishan: مطالعه موردی زمین لغزش Shuicheng “7.23” در گوئیژو، چین. رانش زمین 2020 ، 17 ، 1663-1677 . [ Google Scholar ] [ CrossRef ]
  5. بولا، ا. Paronuzzi، P. بررسی میدانی ژئومکانیکی برای شناسایی شیب صخره ای ناپایدار: تاریخچه موردی Passo della Morte (NE ایتالیا). راک مکانیک. مهندس راک 2019 ، 53 ، 1521-1544. [ Google Scholar ] [ CrossRef ]
  6. یلماز، I. مقایسه روش‌های نگاشت حساسیت زمین لغزش برای Koyulhisar، ترکیه: احتمال شرطی، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، و ماشین بردار پشتیبانی. محیط زیست علوم زمین 2009 ، 61 ، 821-836. [ Google Scholar ] [ CrossRef ]
  7. خو، سی. دای، اف. خو، X. مدل‌سازی ماشین بردار پشتیبانی مبتنی بر YH GIS از حساسیت زمین لغزش ناشی از زلزله در حوضه رودخانه جیان‌جیانگ، چین. ژئومورفولوژی 2012 ، 145-146 ، 70-80. [ Google Scholar ] [ CrossRef ]
  8. کاوزوغلو، تی. شاهین، EK; Colkesen، I. نگاشت حساسیت زمین لغزش با استفاده از تجزیه و تحلیل تصمیم گیری چند معیاره مبتنی بر GIS، ماشین های بردار پشتیبان و رگرسیون لجستیک. زمین لغزش 2013 ، 11 ، 425-439. [ Google Scholar ] [ CrossRef ]
  9. دو، جی. یونس، AP; Bui، DT; مرغدی، ع. ساهانا، م. زو، ز. چن، سی.-و. خسروی، ک. یانگ، ی. Pham، BT ارزیابی الگوریتم‌های جنگل تصادفی پیشرفته و درخت تصمیم برای مدل‌سازی حساسیت زمین لغزش ناشی از بارندگی در جزیره آتشفشانی ایزو-اوشیما، ژاپن. علمی کل محیط. 2019 ، 662 ، 332-346. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. بهنیا، پ. Blais-Stevens، A. مدل‌سازی حساسیت زمین لغزش با استفاده از روش جنگل تصادفی کمی در امتداد بخش شمالی کریدور بزرگراه یوکان آلاسکا، کانادا. نات. خطرات 2017 ، 90 ، 1407-1426. [ Google Scholar ] [ CrossRef ]
  11. چن، دبلیو. پنگ، جی. هونگ، اچ. شهابی، ح. پرادان، بی. لیو، جی. زو، A.-X. پی، ایکس. Duan، Z. مدل‌سازی حساسیت زمین لغزش با استفاده از تکنیک‌های یادگیری ماشین مبتنی بر GIS برای شهرستان Chongren، استان جیانگشی، چین. علمی کل محیط. 2018 ، 626 ، 1121-1135. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. هوانگ، اف. کائو، ز. گوا، جی. جیانگ، S.-H. لی، اس. Guo, Z. مقایسه مدل‌های اکتشافی، آماری عمومی و یادگیری ماشینی برای پیش‌بینی و نقشه‌برداری حساسیت زمین لغزش. Catena 2020 , 191 , 104580. [ Google Scholar ] [ CrossRef ]
  13. Bui، DT; سانگاراتوس، پ. نگوین، وی.-تی. ون لیم، ن. Trinh، PT مقایسه عملکرد پیش‌بینی یک مدل شبکه عصبی یادگیری عمیق با مدل‌های یادگیری ماشین معمولی در ارزیابی حساسیت زمین لغزش. Catena 2020 , 188 , 104426. [ Google Scholar ] [ CrossRef ]
  14. سمین، MI; پرادان، بی. لی، اس. کاربرد شبکه های عصبی کانولوشن دارای بهینه سازی بیزی برای ارزیابی حساسیت زمین لغزش. Catena 2020 , 186 , 104249. [ Google Scholar ] [ CrossRef ]
  15. Lucchese، LV; دی اولیویرا، جی جی. Pedrollo، OC انتخاب ویژگی با استفاده از همبستگی ها و مولفه های اصلی برای استفاده از شبکه های عصبی مصنوعی برای ارزیابی حساسیت زمین لغزش. محیط زیست نظارت کنید. ارزیابی کنید. 2020 ، 192 ، 1-22. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. لیو، ز. گیلبرت، جی. Cepeda، JM; Lysdahl، AOK; پیسیولو، ال. هفر، اچ. Lacasse, S. مدل‌سازی زمین لغزش‌های کم عمق با الگوریتم‌های یادگیری ماشین. Geosci. جلو. 2021 ، 12 ، 385-393. [ Google Scholar ] [ CrossRef ]
  17. Nhu، V.-H. Hoang، N.-D. نگوین، اچ. Ngo، PTT; Bui، TT; هوآ، PV; سامویی، پی. ارزیابی اثربخشی Bui، DT یادگیری عمیق مبتنی بر Keras با الگوریتم‌های بهینه‌سازی قوی مختلف برای نقشه‌برداری حساسیت زمین لغزش کم عمق در مناطق گرمسیری. Catena 2020 , 188 , 104458. [ Google Scholar ] [ CrossRef ]
  18. 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 ]
  19. 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 ]
  20. استد، دی. Wolter، A. بررسی انتقادی مکانیسم‌های شکست شیب سنگ: اهمیت زمین‌شناسی ساختاری. جی. ساختار. جئول 2015 ، 74 ، 1-23. [ Google Scholar ] [ CrossRef ]
  21. Ferrero، AM; Migliazza، MR; پیرولی، م. Umili، G. برخی از مسائل باز در مورد تجزیه و تحلیل خطر سقوط سنگ در توده سنگ شکسته: مشکلات و چشم اندازها. راک مکانیک. مهندس راک 2016 ، 49 ، 3615-3629. [ Google Scholar ] [ CrossRef ]
  22. فرانسیونی، ام. کوگان، جی. ایر، ام. به جای، D. یک رویکرد میدانی / سنجش از دور ترکیبی برای توصیف خطر زمین لغزش در مناطق ساحلی. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2018 ، 67 ، 79-95. [ Google Scholar ] [ CrossRef ]
  23. فرانسیونی، م. سالوینی، آر. استد، دی. Coggan، J. بهبود در ادغام سنجش از دور و مدل سازی شیب سنگ. نات. خطرات 2018 ، 90 ، 975-1004. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. منگ، اف. وانگ، LNY؛ ژو، اچ. Wang, Z. مطالعه تطبیقی ​​رفتار برشی دینامیکی و مکانیسم شکست دو نوع اتصال گرانیتی. مهندس جئول 2018 ، 245 ، 356-369. [ Google Scholar ] [ CrossRef ]
  25. وطن پور، ن. غفوری، م. تالوکی، HH تحلیل احتمالی و حساسیت پارامترهای ژئوتکنیکی موثر بر پایداری شیب سنگ: مطالعه موردی یک منطقه شهری در شمال شرق ایران. نات. خطرات 2014 ، 71 ، 1659-1678. [ Google Scholar ] [ CrossRef ]
  26. حوائج، م. ولتر، ا. استد، دی. نقش احتمالی شکستگی سنگ ترد در لغزش Vajont در سال 1963، ایتالیا. بین المللی جی. راک مکانیک. حداقل علمی 2015 ، 78 ، 319-330. [ Google Scholar ] [ CrossRef ]
  27. وانشی، سی. ایر، ام. ون، ا. Coggan، JS بررسی و مدل‌سازی سرنگونی مستقیم با استفاده از رویکرد عنصر متمایز سه‌بعدی با ترکیب هندسه ابر نقطه‌ای. رانش زمین 2019 ، 16 ، 1453-1465. [ Google Scholar ] [ CrossRef ]
  28. شیل، RK; Coggan، JS; استد، دی. زمین لغزش ساحلی در کورنوال، انگلستان: مکانیسم‌ها، مدل‌سازی و پیامدها. در مجموعه مقالات هشتمین کنگره بین المللی IAEG، ونکوور، BC، کانادا، 21-25 سپتامبر 1998; ص 1323–1330. [ Google Scholar ]
  29. لوریج، بی. Shail, R. The Gramscatho Basin, South Cornwall, UK: توالی حاشیه فعال دونین. Proc. جئول دانشیار 2011 ، 122 ، 568-615. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. هالیک، ال. شیل، ر. لوریج، بی. رسوب گذاری مرتبط با شکاف دونین و تکتونیک واریسکن – داده های جدید در حوضه های لو و گرامسکاتو از بررسی منطقه نیوکوی. The Ussher Society، 2006. Geosci. جنوب غربی انگلستان 2006 ، 11 ، 191-198. [ Google Scholar ]
  31. ترنر، دی. لوسییر، ا. De Jong، SM تجزیه و تحلیل سری زمانی دینامیک زمین لغزش با استفاده از یک وسیله نقلیه هوایی بدون سرنشین (UAV). از راه دور. Sens. 2015 ، 7 ، 1736-1757. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. مورر، جی. راپر، اس. ضربه زدن به پایگاه داده تصاویر جاسوسی شش گوش: خط لوله خودکار جدید برای تشخیص تغییرات ژئومورفیک. ISPRS J. Photogramm. از راه دور. Sens. 2015 ، 108 ، 113-127. [ Google Scholar ] [ CrossRef ]
  33. کیم، M.-K. Sohn، H.-G. کیم، اس. ترکیب اثر عدم قطعیت DEM مشتق از ALS برای تعیین کمیت تغییرات ناشی از رانش زمین در سال 2011، کوه امیون، سئول. GIScience Remote. Sens. 2019 , 57 , 287–301. [ Google Scholar ] [ CrossRef ]
  34. دیجی مپ. در دسترس آنلاین: https://digimap.edina.ac.uk/lidar (در 6 فوریه 2021 قابل دسترسی است).
  35. Agisoft. متاشکل ؛ Agisoft LLC: بروکلین، نیویورک، ایالات متحده آمریکا، 2016.
  36. رصدخانه ساحلی کانال. در دسترس آنلاین: https://www.channelcoast.org/ (دسترسی در 6 فوریه 2021).
  37. Split Engineering LLC. Split-FX. 2016. در دسترس آنلاین: https://www.spliteng.com/ (در 6 فوریه 2021 قابل دسترسی است).
  38. پولوگا، اس ال. شکور، ع. بیلدربک، ارزیابی توده سنگ EL و ارزیابی پایداری یادبود ملی کوه راشمور، کیستون، داکوتای جنوبی. محیط زیست مهندس Geosci. 2018 ، 24 ، 385-412. [ Google Scholar ] [ CrossRef ]
  39. لاتو، م. Diederichs، MS; هاچینسون، دی جی؛ Harrap, R. بهینه‌سازی اسکن و پردازش LiDAR برای ارزیابی ساختاری خودکار ناپیوستگی‌ها در توده‌های سنگ. بین المللی جی. راک مکانیک. حداقل علمی 2009 ، 46 ، 194-199. [ Google Scholar ] [ CrossRef ]
  40. وانگ، ی. نیش، ز. هانگ، اچ. مقایسه شبکه‌های عصبی کانولوشن برای نقشه‌برداری حساسیت زمین لغزش در شهرستان یانشان، چین. علمی کل محیط. 2019 ، 666 ، 975–993. [ Google Scholar ] [ CrossRef ]
  41. شائو، ایکس. ما، س. خو، سی. ژانگ، پی. ون، بی. تیان، ی. ژو، Q. Cui، Y. فهرست‌بندی مبتنی بر تصویر سیاره و نقشه‌برداری حساسیت مبتنی بر یادگیری ماشینی برای زمین لغزش‌های ناشی از زلزله توماکومای ژاپن در سال ۲۰۱۸ Mw6.6. از راه دور. Sens. 2019 , 11 , 978. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. آبانادس، ج. گریوز، دی. ایگلسیاس، جی. دفاع ساحلی با استفاده از مزارع موج: نقش فاصله مزرعه به ساحل. تمدید کنید. انرژی 2015 ، 75 ، 572-582. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لوین، ن. Kidron، GJ; Ben-Dor، E. تغییرپذیری مکانی و زمانی فرسایش شن و ماسه در یک میدان تپه‌های ساحلی تثبیت‌کننده. رسوب شناسی 2006 ، 53 ، 697-715. [ Google Scholar ] [ CrossRef ]
  44. پورقاسمی، HR; صداسیوام، ن. کریمی نژاد، ن. مدل‌سازی فضایی فرسایش کالینز، AL Gully: نقش الگوریتم‌های یادگیری ماشین در انتخاب بهترین عوامل کنترل و فرآیند مدل‌سازی. Geosci. جلو. 2020 ، 11 ، 2207–2219. [ Google Scholar ] [ CrossRef ]
  45. هوک، ای. براون، تی. حفاری های زیرزمینی در صخره ، چاپ اول. موسسه معدن و متالورژی: لندن، بریتانیا، 1980. [ Google Scholar ]
  46. یلماز، من. مارشالکو، م. ییلدیریم، م. درلی، ای. بدناریک، م. Yıldırım، M. نقشه های ناپایداری شیب سینماتیکی و رتبه بندی جرم شیب (SMR) مبتنی بر GIS: کاربرد در مسیر راه آهن در سیواس (ترکیه). گاو نر بین المللی دانشیار مهندس جئول 2011 ، 71 ، 351-357. [ Google Scholar ] [ CrossRef ]
  47. هوک، ای. Bray, JW Rock Slope Engineering , 3rd ed.; موسسه معدن و متالورژی: لندن، بریتانیا، 1981. [ Google Scholar ]
  48. بارتون، ن. بررسی یک معیار مقاومت برشی جدید برای اتصالات سنگ. مهندس جئول 1973 ، 7 ، 287-332. [ Google Scholar ] [ CrossRef ]
  49. گنور، آر. پوگی، جی.-م. Tuleau-Malot، C. انتخاب متغیر با استفاده از جنگل های تصادفی. تشخیص الگو Lett. 2010 ، 31 ، 2225-2236. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 10 00232 g001 550
شکل 1. منطقه مورد مطالعه، که بخشی از صخره سنگی ساحلی است که در ساحل شمالی کورنوال، انگلستان واقع شده است.
Ijgi 10 00232 g002 550
شکل 2. مرز منطقه مورد مطالعه که در آن زمین لغزش در سال 2008-2014 رخ داده است، مشخص شده است.
Ijgi 10 00232 g003 550
شکل 3. نمونه ای از استخراج ساختار با استفاده از Split FX بر اساس یک ابر نقطه ای مشتق از فتوگرامتری پهپاد. ( الف ) ابر نقطه جمع‌آوری‌شده از فتوگرامتری پهپاد، ( ب ) ساختارهای استخراج‌شده از ابر نقطه.
Ijgi 10 00232 g004 550
شکل 4. استریونت نشان دهنده 589 ناپیوستگی جمع آوری شده در طی بررسی های سنجش از راه دور یک بخش نماینده ساحل در منطقه مورد مطالعه ( جدول 1 ).
Ijgi 10 00232 g006 550
شکل 6. عوامل مرتبط با ناپیوستگی به‌دست‌آمده از تحلیل سینماتیک مبتنی بر GIS، نشان‌دهنده چگالی پیکسل‌های مستعد خرابی سینماتیکی، از جمله خرابی‌های مسطح احتمالی ( A ) ناشی از J1، ( B ) خرابی‌های مسطح ناشی از J4، ( C ) خرابی‌های گوه ناشی از توسط J1/J4، ( D ) خرابی های گوه باعث J2/J4، ( E ) خرابی های گوه باعث J3/J4، و ( F ) خرابی های خمشی ناشی از J3 می شود.
Ijgi 10 00232 g007 550
شکل 7. ماتریس های سردرگمی که نتایج ارزیابی قابلیت طبقه بندی باینری چهار مدل درگیر در سری اولیه (بدون در نظر گرفتن ناپیوستگی ها) و دوم (شامل ناپیوستگی ها) مدل سازی ML را نشان می دهد.
Ijgi 10 00232 g008 550
شکل 8. ارزیابی عملکرد مدل ML توسط منحنی‌های ROC با و بدون دخالت عوامل مرتبط با ناپیوستگی: ( A ) مدل‌های DLNN، ( B ) مدل‌های MLP، ( C ) مدل‌های RF، و ( D ) مدل‌های SVM.
Ijgi 10 00232 g009 550
شکل 9. نتایج با اهمیت متغیر، نشان دهنده اهمیت هر یک از عوامل موثر در پیش بینی زمین لغزش است.
Ijgi 10 00232 g010 550
شکل 10. مقایسه مکان های زمین لغزش در شیب مستعد شکست گوه های ناشی از J2/J4، که همزمانی نتایج تحلیل سینماتیکی را با سایت های واقعی زمین لغزش نشان می دهد.
Ijgi 10 00232 g011 550
شکل 11. نتایج تجزیه و تحلیل سینماتیک مبتنی بر GIS و مقایسه آنها با یک زمین لغزش فاجعه بار در دهان جهنم، ( A ) وسعت لغزش دهانه جهنم، ( B ) شکست های مسطح بالقوه ناشی از J1، ( C ) شکست های مسطح بالقوه ناشی از J4، ( D ) خرابی‌های بالقوه گوه ناشی از J1/J4، ( E ) خرابی‌های گوه بالقوه ناشی از J2/J4، ( F ) خرابی‌های بالقوه گوه ناشی از J3/J4، ( G ) خرابی‌های بالقوه واژگونی خمشی ناشی از J3.
Ijgi 10 00232 g012 550
شکل 12. دو تصویر که توسعه یک خندق را در دهان جهنم نشان می دهد: ( الف ) مرحله اولیه خندق که توسط فرسایش دریا در نوک پا و دو گسل پایدار که سطوح جانبی خندق را محدود می کند، از پیش آماده شده است، ( B ) تشکیل نهایی خندق خندق
Ijgi 10 00232 g013 550
شکل 13. جزء سنگ بستر در منطقه مورد مطالعه، که توسط سازند پورتووان، با بخش کوچکی از سازند تخته سنگ مایلور در شرق، غالب است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید