نگاشت حساسیت زمین لغزش کم عمق ناشی از بارندگی در دو حوضه مجاور با استفاده از الگوریتم های پیشرفته یادگیری ماشین

خلاصه

رانش زمین بر فعالیت های انسانی و توسعه اقتصادی-اجتماعی به ویژه در مناطق کوهستانی تأثیر می گذارد. این مطالعه بر روی مقایسه قابلیت پیش‌بینی تکنیک‌های پیشرفته یادگیری ماشین برای حساسیت زمین لغزش کم‌عمق ناشی از بارندگی حوضه Deokjeokri و حوضه Karisanri در کره جنوبی متمرکز است. عوامل موثر بر زمین لغزش ها، یعنی عوامل توپوگرافی، هیدرولوژیکی، خاک، جنگل و زمین شناسی، از منابع مختلف بر اساس در دسترس بودن تهیه می شوند و آزمایش چند خطی نیز برای انتخاب عوامل ایجاد کننده مربوطه انجام می شود.
دوره-آموزش-حرفه-ای-gis
 نقشه های فهرست زمین لغزش هر دو حوضه از اطلاعات تاریخی، عکس های هوایی و بررسی های میدانی انجام شده به دست آمده است. در این تحقیق حوضه آبریز دئوکجئوکری به عنوان منطقه آموزشی و حوضه کاریسانری به عنوان منطقه آزمایشی در نظر گرفته شده است. فهرست زمین لغزش شامل 748 نقطه زمین لغزش در آموزش و 219 نقطه در مناطق آزمایش است. سه نقشه حساسیت زمین لغزش با استفاده از مدل‌های یادگیری ماشین، یعنی جنگل تصادفی (RF)، افزایش گرادیان شدید (XGBoost) و شبکه عصبی عمیق (DNN)، تهیه و مقایسه شده‌اند. نتایج تحلیل‌ها با استفاده از داده‌های موجودی زمین لغزش اعتبارسنجی می‌شوند. یک روش منحنی مشخصه عملکرد گیرنده (ROC) برای تأیید نتایج مدل‌ها استفاده می‌شود. نتایج این مطالعه نشان می دهد که دقت تمرین RF 0.756 و دقت تست 0.703 است. به طور مشابه، دقت آموزش XGBoost 0.757 و دقت تست 0.74 است. پیش‌بینی DNN توافق قابل قبولی را بین نقشه حساسیت و زمین لغزش‌های موجود با دقت آموزشی 0.855 و دقت آزمایش 0.802 نشان داد.

کلید واژه ها:

شبکه عصبی عمیق ؛ افزایش گرادیان شدید ؛ جنگل تصادفی ; حساسیت زمین لغزش

چکیده گرافیکی

1. معرفی

زمین لغزش ها به دلیل عوامل نامطلوب زمین شناسی، الگوهای هوازدگی، رسوبات کم عمق خاک و بارندگی های شدید، یکی از خطرات اصلی طبیعی در سراسر جهان هستند. رانش زمین تهدیدهای خطرناکی برای محیط زیست ایجاد می کند. شبه جزیره کره در حال حاضر اثرات تغییرات آب و هوایی از جمله دمای سالانه، بارندگی و میزان وقوع طوفان را تجربه می کند [ 1 ]. در شبه جزیره کره، یکی از عوامل اصلی بارش شدید طوفان است. هر ساله طوفان های بزرگی بر فراز کره جنوبی می گذرند و ردپایی از ویرانی را در مسیر خود بر جای می گذارند. زمین لغزش های کم عمق اغلب ناشی از بارش های شدید همراه با طوفان ها و باران های سیل آسا در طول فصل تابستان است [ 2 ].
پیش‌بینی زمین لغزش یک کار بسیار مهم است زیرا علل ذاتی زمین لغزش به دلیل هوازدگی مکانیکی و شیمیایی، رسوبات غیرهمگن خاک، جهت‌گیری خط‌واره‌های زمین‌شناسی و فرسایش یک شیب پیچیده هستند. علل خارجی، از جمله بارندگی، زلزله، حفاری یک شیب، و بارگذاری یک شیب یا تاج آن، قوی ترین عواملی هستند که زمین لغزش را آغاز می کنند [3 ، 4 ، 5 ، 6 ، 7 ] .
حساسیت زمین لغزش احتمال وقوع یک زمین لغزش تحت شرایط خاص ژئومحیطی است و تخمین می‌زند که در آینده احتمال وقوع لغزش در کجا بیشتر است [ 8 ، 9 ]. در سه دهه اخیر، محققان مختلف روش‌های کمی و کیفی مبتنی بر GIS را پیشنهاد و به کار گرفته‌اند [ 10 ]. روشهای کیفی ذهنی هستند و به تصمیمات متخصص بستگی دارند [ 11 , 12 , 13]، و روش های کمی عینی و مبتنی بر توزیع جغرافیایی زمین لغزش ها و عوامل موثر (IFs) هستند. وزن شواهد، نسبت فرکانس، مدل‌های اثر نسبی و مدل‌های رگرسیون لجستیک اغلب در روش‌های کمی مورد استفاده قرار گرفته‌اند [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ]. در سال‌های اخیر، تکنیک‌های یادگیری ماشین به طور فزاینده‌ای برای حل رابطه فضایی غیرخطی وقوع زمین لغزش با استفاده از روش‌های رگرسیون یا طبقه‌بندی استفاده شده است [ 20 ، 21 ، 22 ، 23 ، 24 ، 25.].
پیشرفت در فناوری‌های محاسباتی و توسعه سریع الگوریتم‌های پیشرفته یادگیری ماشین، درک و مدیریت بسیاری از مشکلات ژئومحیطی را اصلاح کرده است. مزیت اصلی یادگیری ماشین نسبت به تکنیک های سنتی، توانایی آن برای مدیریت مجموعه داده های غیرخطی با ابعاد بالا و پیچیده است [ 26 ]. محققین مختلف قبلی از یادگیری ماشینی در زمینه های مختلف علوم زمین و هیدروژئولوژی، از جمله نقشه برداری پتانسیل چشمه [ 27 ]، نقشه برداری فرسایش خندقی [ 28 ]، نقشه برداری خطر سیل [ 29 ] و مطالعات زمین لغزش [ 30 ، 31] استفاده کرده اند.]. استفاده از الگوریتم‌های پیشرفته یادگیری ماشین برای مدل‌سازی حساسیت زمین لغزش، با وجود تنوع و مزایای بالقوه، بسیار محدود بوده است.
هدف اصلی این تحقیق ارزیابی حساسیت زمین لغزش بر اساس تکنیک‌های یادگیری ماشینی، یعنی جنگل تصادفی (RF)، تقویت گرادیان شدید (XGBoost) و شبکه عصبی عمیق (DNN)، در حوضه‌های Deokjeokri و Karisanri است. تمرکز طراحی شده در این مطالعه، نقشه برداری حساسیت زمین لغزش با آموزش مدل انجام شده در حوضه آبریز دئوک جوکری و آزمایش مدل انجام شده در حوضه کاریسانری، نزدیک به حوضه آبریز دئوک جوکری است. دو حوضه حوضه مجاور (دئوکجئوکری و کاریسانری) به‌عنوان سایت‌های مورد مطالعه انتخاب شدند، زیرا این دو سایت دارای تنظیمات زمین‌شناسی و ژئومورفولوژیکی مشابه هستند و مشکلات شدید زمین لغزش ناشی از بارندگی را داشتند.

2. شرح منطقه مطالعه

حوضه آبریز Deokjeokri و حوضه Karisanri در منطقه Inje، استان Gangwon در قسمت شمال شرقی کره واقع شده اند (داخل شکل 1 ). حوضه آبریز Deokjeokri حدود 33.4 کیلومتر مربع و حوضه آبریز کاریسانری حدود 22.2 کیلومتر مربع را اشغال می کند . این حوضه ها توسط کوه های معتدل تا شیب دار محدود می شوند. انواع سنگ شناسی غالب این ناحیه شامل گنیس نواری و گرانیت است که در شکل 1 نشان داده شده است.. منطقه مورد مطالعه از خاک باقیمانده شامل سیلت و رس تشکیل شده است. زمین لغزش های کم عمق فرآیند اصلی تخریب زمین در هر دو حوضه است. کانال ها باریک و پیچ در پیچ هستند. عمده ترین علت بیرونی زمین لغزش در منطقه مورد مطالعه بارش شدید باران بود. لغزش زمین در جولای 2006 تحت جوهر غیرمستقیم دو طوفان اوینیار و بیلیس رخ داد. کل بارندگی از 14 تا 16 ژوئیه 2006 402 میلی متر بود و حداکثر شدت بارندگی ساعتی که در 15 ژوئیه 2006 رخ داد، 62 میلی متر / بود. ساعت بارندگی شدید که در 14 تا 16 جولای رخ داد، منجر به مرگ 17 نفر و مفقود شدن 12 نفر در شهرستان اینجه شد.
دوره-آموزش-حرفه-ای-gis

3. مجموعه داده ها و روش های جمع آوری شده

3.1. فهرست زمین لغزش

نقشه فهرست زمین لغزش موقعیت جغرافیایی، اندازه، تاریخ و نوع زمین لغزش را ثبت می کند [ 32 ، 33 ، 34 ، 35 ، 36 ]. تشخیص دقیق محل‌های لغزش برای پیش‌بینی و ارزیابی مدل‌های حساسیت زمین لغزش بسیار مهم است. نسل جدیدی از تصاویر ماهواره ای، مانند Word view و Geo-eye، به بازتولید سریع نقشه های فهرست زمین لغزش کمک کردند [ 37 ، 38 ]. اخیراً استفاده از تکنیک های تداخل سنجی در تصاویر رادار به طور گسترده در نقشه برداری موجودی مورد استفاده قرار گرفته است [ 39]]. با این حال، با توجه به محدودیت منابع، در این مطالعه، ما (1) عکس‌های هوایی (ارائه شده در سایت پورتال اینترنتی؛ www.map.kakao.com ، www.map.naver.com ) را برای تهیه نقشه فهرست زمین لغزش بررسی کردیم. . هر دو پورتال وب با وضوح 25 سانتی متری، دید پرنده ای عالی را ارائه می دهند. ما همچنین (2) کار میدانی انجام دادیم. مشاهدات میدانی نشان داد که حرکات غالب توده‌ها، لغزش‌های کم‌عمقی هستند که گاهی به‌عنوان جریان‌های زباله در دوره‌های بارندگی‌های شدید ایجاد می‌شوند و در دامنه‌های طبیعی و مصنوعی با سنگ بستر بسیار هوازده رخ می‌دهند.
همانطور که در شکل 2 نشان داده شده است، در مجموع 748 زمین لغزش شناسایی شد، و پس از آن در محیط ArcGIS 10.3، برای تجزیه و تحلیل بیشتر در حوضه آبریز Deokjeokri (منطقه آموزشی)، دیجیتالی شد و 219 زمین لغزش در حوضه کاریسانری (منطقه آزمایش) شناسایی شد. برخی اجمالی از زمین لغزش مشاهده شده در طول بازدیدهای میدانی در شکل 3 ارائه شده است . در این مطالعه، یک ویژگی تک نقطه ای از مرکز منطقه آغاز هر زمین لغزش استخراج و به اندازه پیکسل 10×10 متر شطرنجی شد. وسعت هوایی شروع هر زمین لغزش کمتر از 100 متر مربع اندازه گیری شد .. این بدان معنی است که می تواند منطقه شروع زمین لغزش را بر اساس حداقل اندازه شبکه مدل رقومی ارتفاع (DEM) نشان دهد. یک تابع چگالی هسته گاوسی استراتژی نمونه‌گیری (یک تکنیک نمونه بی‌طرفدار) [ 40 ] برای پیکسل‌های بدون لغزش استفاده شد . تعداد دو برابر پیکسل غیر لغزشی (یعنی 1496 از Deokjeokri و 438 از Karisanri) در هر حوضه نمونه برداری شد.

3.2. عامل تأثیرگذار زمین لغزش (IF)

فرآیند اصلی برای مدل‌سازی حساسیت، جمع‌آوری و طراحی یک پایگاه داده فضایی در یک محیط GIS است [ 41 ]. عوامل موثر بر زمین لغزش (IFs) در نظر گرفته شده در این تحقیق، عوامل ذاتی مانند عوامل توپوگرافی، هیدرولوژیکی، جنگل، خاک و زمین شناسی هستند که از منابع موجود و کارهای میدانی جمع آوری شده اند. جدول 1 پایگاه داده فضایی به دست آمده از منابع مختلف را نشان می دهد. در این مطالعه بر اساس بررسی تحقیقات قبلی [ 22 ، 23 ، 42 ، 43] و در دسترس بودن داده ها، 14 IF برای شناسایی ویژگی های دامنه تپه وقوع زمین لغزش استفاده شد. در بین 14 IF، عوامل توپوگرافی (به جز نقشه جنبه) و هیدرولوژیک پیوسته هستند، اما جنگل، خاک و زمین شناسی عوامل طبقه بندی شده اند. انتخاب یک پیکسل مناسب برای دستیابی به دقت بالا در نقشه برداری حساسیت زمین لغزش ضروری است [ 44 ، 45 ]. Tarolli و Tarboton (2006) دریافتند که وضوح 10×10 متر برای دستیابی به عملکرد بهتر پیش‌بینی حساسیت زمین لغزش کافی است، و بنابراین یک DEM با وضوح 10×10 متر از خطوط فاصله 5 متری ایجاد شد. به طور مشابه، تمام IF های جمع آوری شده (لایه های موضوعی) به اندازه پیکسل 10 × 10 متر شطرنجی شدند.

3.2.1. عوامل توپوگرافی

این جنبه رابطه مستقیمی با وقوع زمین لغزش نشان نمی دهد، با این حال، جنبه زمین به پارامترهایی مانند قرار گرفتن در معرض نور خورشید و بارش مرتبط است [ 46 ، 47 ]. وجه به شمال، شمال شرق، شرق، جنوب شرق، جنوب، جنوب غرب، غرب، شمال غرب و مسطح تقسیم شد که در شکل 4 الف نشان داده شده است. ارتفاع یکی دیگر از عناصر مهم در مطالعات زمین لغزش است. یک مطالعه نشان می دهد که ارتفاع بالاتر تمایل به رانش زمین دارد [ 46 ]. ارتفاع منطقه مورد مطالعه از 195.1 تا 1513.67 متر از سطح ارتفاع است که در شکل 4 نشان داده شده است.ب شیب محرک بسیار قدرتمندی برای رانش زمین است. در واقع، شیب بر جریان سطحی و زیرسطحی و در نتیجه بر میزان رطوبت خاک، تشکیل خاک و احتمال فرسایش خاک تأثیر می گذارد [ 48 ]. در منطقه مورد مطالعه، شیب از 0 تا 62.3 درجه است که در شکل 4 ج نشان داده شده است. برجستگی داخلی شکست توپوگرافیک را نشان می دهد – انرژی بالقوه موجود برای حرکات توده [ 49 ]. نقش برجسته داخلی با محاسبه اختلاف ارتفاع محلی در نه پیکسل (مساحت واحد) تهیه شد و در منطقه مورد مطالعه از 0.15 تا 72.1 متر متغیر است، همانطور که در شکل 4 d نشان داده شده است. انحنای زمین نشان دهنده مورفولوژی دامنه تپه است ( شکل 4e)، و فرآیند فرسایش شیب را با همگرایی یا واگرایی جریان آب کنترل می کند [ 50 ].

3.2.2. عوامل هیدرولوژیکی

عوامل هیدرولوژیکی عوامل حیاتی در ناپایداری شیب ناشی از بارندگی هستند. در این مطالعه از دو نوع مجاورت زهکشی یعنی افقی و عمودی استفاده شد. مجاورت زهکشی (h) ( شکل 5 الف) از تابع اقلیدسی در محیط GIS به دست آمد. یک عامل جدید توپو هیدرولوژیکی، به عنوان مثال، مجاورت زهکشی (v)، استفاده شد. ارتفاع بالاتر از نزدیکترین شبکه زهکشی را نشان می دهد ( شکل 5 ب). این شاخص اختلاف ارتفاع در طول مسیرهای جریان را در نظر می گیرد. چگالی زهکشی طول زهکشی در یک پیکسل است ( شکل 5 ج). وجود تراکم زهکشی بالاتر به معنای نفوذ کمتر اما جریان سطحی سریعتر است [ 51 ].

SPI فرآیندهای فرسایشی را نشان می دهد که ناشی از رواناب است. با افزایش سطح حوضه خاص و شیب شیب، مقدار آب کمک شده توسط شیب بالا و رواناب سطحی نیز افزایش می یابد [ 52 ]. معادله (1) SPI را تعریف می کند:

اسپمن=آس× t a n βاسپمن=آس×تیآ��

که در آن As حوضه خاص است و β شیب شیب است. توزیع فضایی SPI در شکل 5 d ارائه شده است.

STI قدرت فرسایشی زهکش سرریز و فرآیند فرسایش و رسوب را منعکس می کند. برای محاسبه STI، دو جزء از شیب که مسئول از دست دادن خاک هستند، یعنی طول (L) و شیب (S) در نظر گرفته شد، همانطور که توسط مور و برچ (1986) [53]، ارائه شده در معادله (2) ارائه شده است . ،

استیمن=(آس22.13)0.6(s i n β0.0896)1.3استیمن=(آس22.13)0.6(سمن��0.0896)1.3

که در آن As حوضه خاص است و β شیب شیب است. توزیع فضایی STI در شکل 5 e نشان داده شده است.

TWI به شرایط خاک و رواناب سطحی مربوط می شود [ 54 ]. TWI تمایل آب به تجمع در حوضه آبریز و تمایل نیروهای گرانشی به حرکت در شیب پایین است [ 55 ]. TWI به صورت تعریف شده است

تیدبلیومن= l o g(αt a n β)تیدبلیومن=ل��(�تیآ��)

جایی که α سطح شیب تجمعی و β زاویه شیب است. توزیع TWI در منطقه مورد مطالعه در شکل 5 f نشان داده شده است.

3.2.3. عوامل جنگل و خاک

ریکلی و همکاران (2002) [ 56 ] به تأثیر جنگل ها در تقویت دامنه تپه پرداخت. نقش حیاتی درختان و جنگل ها جلوگیری از حرکت توده ها با تقویت و خشک کردن خاک است. حوضه های آبریز عمدتاً شامل بلوط، کاج اروپایی، کاج قرمز ژاپنی، کاج ژاپنی و جنگل کاج کره ای است که در شکل 6 الف نشان داده شده است. منطقه غیر جنگلی از زمین کشاورزی تشکیل شده است.
خواص خاک بر درجات زهکشی و فرسایش تأثیر می گذارد که بر وقوع زمین لغزش تأثیر می گذارد. اندازه ذرات و توزیع منافذ بر حرکت آب و نگهداری آب نفوذی تأثیر می گذارد [ 57 ]. خاک های ریزتر می توانند حجم بیشتری از آب را نسبت به خاک های درشت بافت نگه دارند [ 58 ]. در منطقه مورد مطالعه، انواع خاک غالب، خاک های لومی شنی هستند ( شکل 6 ب). با این حال، مناطق پایین دست توسط لوم رسی سیلتی و لوم رسی پوشیده شده بود. نواحی مرتفع شمالی و جنوبی حوضه های آبریز صخره ای بوده و توسط لایه بسیار نازکی از خاک پوشیده شده است.

3.2.4. عامل زمین شناسی

زمین لغزش ها به طور قابل توجهی توسط ویژگی های سنگ شناسی دامنه تپه تعیین می شود زیرا واحد سنگ شناسی فردی به درجات مختلف هوازدگی مربوط می شود [ 59 ، 60 ]. همانطور که قبلاً توضیح داده شد، سنگ شناسی این ناحیه شامل گنیس ها و گرانیت های نواری است ( شکل 1 ). خطواره های برجسته و فاصله درزه متراکم همراه با هوازدگی و فرسایش در هر دو حوضه مشاهده شد که زون های ضعیفی را ایجاد می کند. سیستم زهکشی از خطوط خطی پیروی می کند. قله های حجیم گرانیتی یکی از مشخصه های معمول منطقه اینجه است.

3.3. رویکردهای مدلسازی

همانطور که در شکل 7 نشان داده شده است، مراحل کار اساسی روش اتخاذ شده در این مطالعه شامل چهار مرحله اصلی است: (1) تهیه فهرست زمین لغزش و پایگاه داده مرتبط، (2) تهیه مجموعه داده های آموزشی و آزمایشی (در این تحقیق حوضه آبریز Deokjeokri به عنوان منطقه آموزشی و حوضه کاریسانری به عنوان منطقه آزمایش انتخاب شد، (3) IF های زمین لغزش با استفاده از آزمون چند خطی آزمایش و انتخاب شدند و (4) تهیه و مقایسه عملکرد نقشه های حساسیت به زمین لغزش با استفاده از RF، XGBoost و DNN. مدل ها.

تعداد IF ها را می توان از طریق آزمایش چند خطی به حداقل رساند و داده های با ابعاد بالا را کاهش داد. برای تجزیه و تحلیل حساسیت، IF ها از طریق یک آزمون چند خطی مورد بررسی قرار گرفتند، که برای انتخاب IF های قابل اجرا مفید است. تورم واریانس (VIF) و تحمل (TOL) دو شاخص سطح چند خطی هستند [ 61 ، 62 ]. یک مقدار VIF برجسته‌تر یا معادل 5 و یک مقدار TOL زیر 0.2 یک مسئله چند خطی واقعی را نشان می‌دهد [ 63 ، 64 ]:

TOL = 1 –آر2به من=1-آر2
VIF =1به منVIF=1به من

که در آن ضریب تعیین ( R2 ) نسبت واریانس در متغیر هدف است [ 65 ، 66 ، 67 ] .

کیفیت پیش‌بینی‌ها با استفاده از تکنیک منحنی مشخصه عملکرد گیرنده (ROC) مورد بررسی قرار گرفت. یکی از روش‌های رایج برای ارزیابی دقت مدل، استفاده از منحنی مشخصه عملکرد گیرنده (ROC) در ارزیابی حساسیت زمین لغزش است. ROC یک روش مفید برای توصیف کیفیت سیستم های پیش بینی احتمالی [ 68 ] است. سطح زیر منحنی را می توان به عنوان یک اندازه گیری برای ارزیابی اجرای کلی مدل استفاده کرد [ 69 ]، با این فرض که هر چه مساحت بزرگتر باشد، ارائه مدل بهتر می شود. یک راهنمای تقریبی برای گروه بندی دقیق، چارچوب نقطه مرسوم اسکولاستیک است. رتبه های زیر برای آزمون دقت در نظر گرفته شد [ 70]: 0.90–1 (عالی)، 0.80–0.90 (خوب)، 0.70–0.80 (عادلانه)، 0.60–0.70 (ضعیف) و 0.50–0.60 (شکست).

به منظور مقایسه پایایی نقشه های حساسیت زمین لغزش به دست آمده، تفاوت در سه روش حساسیت زمین لغزش در یک جدول احتمالی 2 × 2 ارزیابی شد. تعداد زمین لغزش‌ها و غیرلغزش‌های پیش‌بینی‌شده درست با TP (مثبت واقعی) و TN (منفی واقعی) نشان داده می‌شوند و تعداد زمین لغزش‌ها و غیرلغزش‌های پیش‌بینی نادرست به ترتیب FN (منفی نادرست) و FP (مثبت غلط) هستند. . هدف روش‌های پیش‌بینی دو کلاسه، جداسازی موارد واقعی از موارد نادرست است. بر اساس چهار توصیفگر، چندین معیار دیگر قابل محاسبه است. حساسیت که به آن نرخ مثبت واقعی ( TPR ) و ویژگی (نرخ منفی واقعی) نیز گفته می شود.TNR ) نسبت موارد زمین لغزش و غیر لغزش را نشان می دهد که به درستی توسط مدل های حساسیت به زمین لغزش شناسایی شده است. دقت ( ACC ) به طبقه بندی صحیح شاخص اشاره دارد. مبنای ریاضی این پارامترها [ 71 ] در معادلات (6) – (8) آورده شده است:

اسe n s i t i v i t y=تیپتیپ+ افناسه�سمنتیمن�منتی�=تیپتیپ+افن
اسp e c i fمن می خواهم _ _=تینافپ+ تیناسپهجمن�منجمنتی�=تینافپ+تین
A Cسی=تیپ+ تینتیپ+ افپ+ افن+ تینآسیسی=تیپ+تینتیپ+افپ+افن+تین
روش های یادگیری ماشینی که در مطالعه حاضر به کار گرفته شده اند در زیر به اختصار توضیح داده شده اند.

3.3.1. جنگل تصادفی (RF)

جنگل تصادفی (RF)، که توسط بریمن در سال 2001 [ 72 ] معرفی شد، نشان داده شده است که روشی باورنکردنی در طبقه بندی و رگرسیون است. توانایی مقابله با داده های با ابعاد بالا، پیوسته و دسته بندی را دارد. RF به فرضی در مورد توزیع آماری داده ها نیاز ندارد و می توان آن را با توجه به تغییرات در ترکیب مجموعه داده قوی در نظر گرفت [ 73 ]. این ویژگی ها در کاربردهایی که از متغیرهایی استفاده می کنند که دارای تعاملات غیرخطی متقابل هستند بسیار مفید هستند. در این کار، ما از بسته “ModelMap” [ 74 ] در محیط آماری R استفاده کردیم. بسته “ModelMap” اجازه می دهد تا یک رابط بین چندین بسته R موجود برای خودکارسازی و ساخت نقشه ها وجود داشته باشد.

الگوریتم آموزشی برای RF از تکنیک عمومی بوت استرپ جمع‌آوری یا بسته‌بندی برای دانش‌آموزان درختی استفاده می‌کند. مجموعه آموزشی شامل یک روش ساده و سریع برای یادگیری یک تابع است که متغیر وابسته (هدف) X 0 و داده های مستقل IF (X 1 , X 2 ,…..,X n ) را به خروجی Y i ترجمه می کند ، جایی که (X 1 , X 2 ,…..,X n ) می تواند ترکیبی از متغیرهای طبقه ای و عددی باشد. X 0 می تواند برای طبقه بندی باینری یا برای رگرسیون عددی باشد. پس از آموزش نقطه پرس و جو x ، هر درخت به طور مستقل میانگین Y i را پیش بینی می کندهمانطور که در معادلات (9) و (10) نشان داده شده است.

fjn( x ) =1نه(آn( x ) )∑Yمن∈آn( x )منمن= eYمن���(ایکس)=1نه(آ�(ایکس))∑�من∈آ�(ایکس)منمن=ه�من

و جنگل میانگین پیش بینی های هر درخت را محاسبه می کند

f( م)n( x ) =1م∑j = 1مfjn( x )��(م)(ایکس)=1م∑�=1م���(ایکس)

جایی که آn( x )آ�(ایکس)نشان دهنده برگ حاوی x و نه(آn( x ) )نه(آ�(ایکس))تعداد نقاط تخمینی را که شامل می شود نشان می دهد.

3.3.2. تقویت گرادیان شدید (XGBoost)

XGBoost بر اساس مفهوم Gradient Boosting است. از رسمی سازی مدل منظم تر برای کنترل بیش از حد برازش استفاده می کند که عملکرد بهتری به آن می دهد. توسط Chen and Guestrin (2016) [ 75 ] توسعه داده شد . در XGBoost آموزش با استفاده از یک استراتژی افزایشی انجام می شود. با توجه به نمونه‌های i با داده‌های مستقل IF (X 1 ، X 2 ، …، X n )، و یک مدل مجموعه درختی از تابع افزودنی K برای پیش‌بینی خروجی‌های Y استفاده می‌کند .

Yمن= ϕ (ایکسمن) =∑k = 1کfک(ایکسمن) ،fک∈ F�من=�(ایکسمن)=∑ک=1ک�ک(ایکسمن)،�ک∈اف

که در آن F مجموعه تمام درختان ممکن است. این fک�کیک تابع در هر یک از مراحل k مقادیر توصیفگر در استایکسمنایکسمنبه یک خروجی خاص تابع ضرر قابل تمایز که تفاوت بین پیش بینی ها و هدف را اندازه گیری می کند، به سادگی یک خطای میانگین مربع است. پس از هر مرحله تقویت، الگوریتم وزن‌های تازه اضافه شده را مقیاس می‌کند. در این مطالعه، یک کد منبع باز “xgboost” برای محیط R مورد استفاده قرار گرفت [ 76 ].

3.3.3. شبکه عصبی عمیق (DNN)

DNN از پردازش اطلاعات و الگوی ارتباطی در سیستم عصبی بیولوژیکی الهام گرفته شده است [ 77 ، 78 ]. در DNN، نمایش لایه ها از طریق مدل هایی به نام شبکه عصبی آموخته می شود. از نقطه نظر فنی، الگوریتم های DNN شبکه های عصبی چند لایه هستند. بدنه اصلی DNN شامل یک لایه ورودی است که داده ها را دریافت می کند و یک لایه خروجی که پیش بینی را ارائه می دهد و بخش اصلی لایه پنهان است که داده ها را پردازش می کند. با توسعه سریع DNN، تعداد زیادی کتابخانه و بسته برای تنظیم یک DNN با حداقل تلاش ایجاد شده است. در این کار، بسته‌های «H2O» [ 79 ] برای محیط آماری R طراحی شده‌اند و به‌طور یکپارچه بر روی هر دو دستگاه «CPU» و «GPU» اجرا می‌شوند.

اخیراً DNN موضوع بیشتر پیشرفت‌های هوش مصنوعی بوده است. DNN یک مدل چند لایه برای یادگیری روابط پیچیده غیرخطی بین داده های ورودی است. برای یک متغیر وابسته معین i و پارامترهای مدل شناخته شده θ ، توزیع پواسون متغیر پاسخ را می توان پیش بینی کرد، همانطور که در رابطه (12) ارائه شده است.

λm ، θ( x ) = انقضا (γتیمنآنh , .متر( x , θ ) )�متر،�(ایکس)=انقضا(�منتیآمترنساعت،.(ایکس،�))

جایی که آنh , .متر( x , θ )آمترنساعت،.(ایکس،�)قسمت مشترک مدل را می سازد. در این مطالعه، تابع فعال‌سازی ReLU انتخاب شد زیرا مشکلات بهینه‌سازی تجربی کمتری را نشان می‌داد.

دوره-آموزش-حرفه-ای-gis

4. نتایج و تجزیه و تحلیل

4.1. انتخاب IF ها

14 IF زمین لغزش برای چند خطی بودن با استفاده از پارامترهای TOL و VIF تجزیه و تحلیل شد. نتایج نشان می دهد که بالاترین مقدار VIF 10.47 و کمترین مقدار TOL 0.10 است، همانطور که در جدول 2 ارائه شده است ، که نشان می دهد IR یک مشکل چند خطی در بین 14 IF زمین لغزش دارد. بنابراین، IR برای تجزیه و تحلیل بیشتر حذف شد.

4.2. کاربرد RF در نقشه برداری حساسیت زمین لغزش

سه پارامتر آموزشی باید در مدل RF تعریف شوند، به شرح زیر: ntree، تعداد نمونه های بوت استرپ برای داده های اصلی (مقدار پیش فرض 500 است). mtry، تعداد پیش‌بینی‌کننده‌های مختلف آزمایش‌شده در هر گره، به‌عنوان تعداد IF‌ها. اندازه گره، حداقل اندازه گره های انتهایی درختان [ 72 ]. عناصری که در نمونه بوت استرپ ntree گنجانده نشده اند به عنوان داده های خارج از کیسه (OOB) برای آن نمونه بوت استرپ نامیده می شوند. OOB برای تخمین میزان خطا به نام نرخ خطای OOB استفاده می شود ( شکل 8 a). نتیجه نشان می دهد که زمانی که آموزش داده ها برای ساخت مدل اعمال شد، نرخ خطا پس از 100 درخت ثابت می ماند.
میزان خطا 12% بود. بنابراین 88٪ از نتیجه ساخت مدل دقیق بود، که این مدل را به یک مدل نسبتا خوب تبدیل می کند. شکل 8 ب اهمیت متغیر را با استفاده از میانگین کاهش دقت در درصد نشان می دهد. نتایج نشان می دهد که مجاورت زهکشی (h) بیشترین اهمیت را دارد و سپس شیب و جنگل قرار دارند.

4.3. کاربرد XGBost در نقشه برداری حساسیت زمین لغزش

آموزش پایه با استفاده از XGBoost حیاتی ترین بخش مدل سازی است. این شامل چندین فراپارامتر است که باید تنظیم شوند [ 80 ]. درخت ها را در پیش فرض 1000 دور ثابت نگه می داریم. نرخ یادگیری به عنوان 0.1 برای جلوگیری از برازش بیش از حد مدل انتخاب شد، و حداکثر عمق درخت به عنوان 3 انتخاب شد . پس از تنظیم مدل، مشخص شد که از دست دادن گزارش فرآیند آموزش 0.48 و از دست دادن گزارش برای داده های آزمایشی 0.56 در 90 تکرار است. این مدل قابلیت بررسی متغیرهای مهم را با استفاده از بایاس همه IF ها دارد. شکل 9b نشان می دهد که نزدیکی زهکشی (h) مهمترین IF است و به دنبال آن شیب و انحنا در طول مدل سازی XGBoost است.

4.4. کاربرد DNN در نقشه برداری حساسیت زمین لغزش

هیچ قانون جهانی برای تعیین ساختار شبکه عصبی بهینه وجود ندارد. در این مطالعه از سه لایه پنهان و 13 نورون در هر لایه پنهان استفاده شد. IF های ورودی نرمال سازی شدند و سپس از یک تابع فعال سازی ReLU برای اجرای مدل استفاده شد. تابع ضرر خروجی مهم مدل است که برای اندازه گیری ناسازگاری بین متغیر وابسته و نتیجه پیش بینی شده استفاده می شود. شکل 10 a تابع ضرر را در طول فرآیند مدل سازی نشان می دهد. مشخص شده است که با افزایش تعداد دوره ها، مقادیر تلفات برای داده های آموزش و آزمون کاهش می یابد. پس از 10 دوره، منحنی ها پایدار بودند. اهمیت نسبی مدل در شکل 10 ارائه شده استب نزدیکی زهکشی (h) مهمترین IF است و پس از آن شیب و جنگل.

4.5. اقدامات ارزیابی

سه نقشه حساسیت زمین لغزش به دست آمده از RF، XGBoost و DNN به ترتیب در پنج کلاس بسیار کم، کم، متوسط، زیاد و بسیار زیاد با استفاده از روش طبقه بندی شکست های طبیعی جنکس، همانطور که در شکل 11 a-c ارائه شده است، طبقه بندی شدند .
نتایج یک الگوی مشترک را نشان می‌دهد، که تضمین می‌کند با افزایش مقدار شاخص، وقوع احتمال زمین لغزش نیز افزایش می‌یابد، یعنی شاخص بالاتر نشان‌دهنده حساسیت بالاتر به وقوع زمین لغزش است. منطقه بسیار حساس بیشتر در نزدیکی مناطق زهکشی و شیب دار است. شیب های صاف و ملایم نشان دهنده مناطق کم حساس است.
ارزیابی ROC برای سه روش در نقشه‌برداری حساسیت زمین لغزش نشان می‌دهد که مساحت زیر مقادیر منحنی (AUC) داده‌های آموزشی به ترتیب 0.756 (عادلانه)، 0.757 (عادلانه) و 0.855 (خوب) برای RF، XGBoost و DNN است. ( شکل 12 الف). به طور مشابه، مقادیر AUC داده های آزمایشی به ترتیب 0.703 (عادلانه)، 0.74 (عادلانه) و 0.802 (خوب) برای RF، XGBoost و DNN هستند ( شکل 12 ب).
مقایسه این سه روش نشان می دهد که قابلیت های پیش بینی این مدل ها متفاوت است. در بین سه مدل، DNN بالاترین قابلیت پیش بینی را نشان می دهد و پس از آن XGBoost و سپس مدل RF قرار دارند. اندازه‌گیری مدل‌های حساسیت زمین لغزش با استفاده از پارامترهای ارزیابی آماری تأیید شد. نتایج در مرحله آزمایش برای مدل های پیاده سازی شده در جدول 3 ارائه شده است که به وضوح نشان می دهد که اجرای همه مدل ها نتایج بسیار خوبی را به همراه داشته است. در طول مرحله آزمایش، حضور صحیح زمین لغزش ( TP ) و عدم وجود زمین لغزش ( TN ) در مدل DNN بیشتر از مدل‌های RF و XGBoost است.
مدل DNN بالاترین مقادیر ویژگی (83.56٪) و حساسیت (84.01٪) را نشان داد. ACC DNN 83.71٪ (آزمایش) بود . از سوی دیگر، این مقدار برای مدل XGBoost به ترتیب 74.73% (تست) و 68.19% (تست) برای مدل RF بود. نتایج عملکرد نشان می‌دهد که پیش‌بینی وقوع احتمالی زمین لغزش توسط مدل DNN به میزان قابل‌توجهی از مدل‌های باقی‌مانده و به دنبال آن XGBoost و RF پیشی می‌گیرد.
عملکرد ثابت و عدم قطعیت مدل با استفاده از نمودار چهار برابری برآورد شد. نمودار چهارگانه یک نمایش بصری از یک ماتریس سردرگمی است که تعداد TP ، TN ، FP و FN را خلاصه می کند . شکل 13داده های جمع آوری وجود یا عدم وجود زمین لغزش، به عنوان مثال، فرکانس های پیکسل را به صورت عددی در گوشه های طرح نشان می دهد. بنابراین، 219 زمین لغزش در حوضه آزمایشی وجود داشت، که مدل RF به درستی 155 مورد (70.78٪) را در مقایسه با 438 زمین لغزش طبقه‌بندی کرد که از این تعداد 293 (66.89٪) به درستی طبقه‌بندی شدند. در مورد XGBoost، 72.60 درصد از زمین لغزش ها به درستی طبقه بندی شدند، و 75.80 درصد از غیر لغزش ها به عنوان پیکسل های بدون زمین لغزش شناسایی شدند. به طور مشابه، مدل DNN 84.02% زمین لغزش واقعی و 83.56% بدون لغزش را شناسایی کرد.

5. بحث

موثرترین وسیله برای کاهش تلفات و خسارات ناشی از زمین لغزش، مدیریت ریسک زمین لغزش است. بنابراین، نقشه های حساسیت زمین لغزش با کیفیت بالا ابزار مهمی هستند [ 81] برای پیش بینی وقوع احتمالی زمین لغزش. نقشه‌برداری حساسیت زمین لغزش با روش‌های کمی و کیفی بیشتر مورد مطالعه قرار گرفته است. مطالعات قبلی بر بهبود عملکرد پیش‌بینی زمین لغزش با استفاده از روش‌های مختلف یادگیری ماشین متمرکز بود. حجم نمونه مورد استفاده برای مدل سازی برای این روش ها کافی نبود. بنابراین، ما از تابع چگالی هسته گاوسی برای انتخاب تعداد دو برابر پیکسل بدون لغزش استفاده کردیم. هدف از این مطالعه به کارگیری و مقایسه مدل های مختلف یادگیری ماشین برای به دست آوردن نقشه های دقیق حساسیت زمین لغزش بود. بنابراین، در مطالعه حاضر، از سه الگوریتم طبقه‌بندی (RF، XGBoost و DNN) برای نقشه‌برداری حساسیت زمین لغزش در منطقه Inje استفاده و مقایسه شد. ارزیابی دقت نتایج گام بعدی در مقایسه چندین مدل پیش‌بینی زمین لغزش است. بدون ارزیابی دقت، نتایج را نمی توان تفسیر کرد، روش ها را نمی توان پشتیبانی یا ورودی ارائه کرد، و آنها هیچ معنای علمی نداشتند. برای این منظور از چهار معیار (حساسیت، ویژگی، ACC و AUC ROC) در ارزیابی مدل استفاده شد. اساساً مدل RF یکی از محبوب‌ترین و پرکاربردترین مدل‌ها برای تعیین حساسیت زمین لغزش است.73 ، 82 ، 83 ]، در حالی که از سوی دیگر، XGBoost و DNN در مطالعات محدودی برای پیش‌بینی فضایی وقوع زمین لغزش مورد بررسی قرار گرفته‌اند که نتایج امیدوارکننده‌ای را در منطقه مورد مطالعه نشان داد. یک گام مهم در مدل‌سازی حساسیت زمین لغزش، تعیین مهم‌ترین IF برای کاهش بیش از حد برازش است. از تجزیه و تحلیل چند خطی، IR به عنوان یک متغیر دارای مسائل همخطی شناسایی شد. بنابراین IF در فرآیند مدلسازی کنار گذاشته شد. با توجه به IF های مهم، سه مدل نشان دادند که نزدیکی زهکشی افقی (h) مهمترین IF در بین 13 IF است. این یافته بیانیه ارائه شده توسط نوبر و همکاران را توجیه می کند. (2011) [ 84] که زمین نزدیکتر به زهکشی همبستگی قوی با رژیم اشباع خاک-آب دارد و یک عامل کنترل کننده مهم برای وقوع زمین لغزش به ویژه در شیب خاک است. گوکچه اوغلو و آکسوی (1996) [ 85 ] همچنین بیان می کنند که یک جریان بر دامنه تپه تأثیر منفی می گذارد زیرا بیشتر لغزش ها در مجاورت جریان رخ می دهند. به طور مشابه، شیب دومین عامل مهم در این مدل‌های اجرا شده است، زیرا شیب قوی‌ترین عامل زمین لغزش است [ 86 ]. از سوی دیگر، SPI یا TWI در مقایسه با سایر IF ها، عوامل کمتر مهمی هستند.
اگرچه مدل‌های یادگیری ماشینی کاربردی «مدل‌های جعبه سیاه» هستند، اما استفاده از یادگیری ماشین زمینه‌ای است که علاقه به آن در سال‌های اخیر افزایش یافته است. نتایج پیش‌بینی‌کننده دلایل زمین لغزش را مشخص نمی‌کنند، با این حال آنها رابطه بین زمین لغزش و ویژگی‌های زمین را نشان می‌دهند. با این وجود، چنین نتایجی ممکن است درک رویدادهای زمین لغزش و اینکه کدام IF ها بر لغزش ها در منطقه مورد مطالعه تأثیر می گذارد، به دست دهد. برای به دست آوردن نتایج قطعی تر، باید آزمایش های بیشتری برای اعتبارسنجی مدل با فهرست های سری زمانی زمین لغزش انجام شود.
مطالعات قبلی نشان داد که روش RF می تواند به اندازه کافی وقوع احتمالی زمین لغزش و داده های مکانی را به تصویر بکشد [ 82 ، 83 ، 87 ، 88 ]. چندین تحقیق در مورد حساسیت زمین لغزش وجود دارد که با استفاده از الگوریتم تقویت گرادیان انجام شده است [ 89 ، 90 ، 91 ]. مشخص شد که مدل Boosted بهتر از مدل RF عمل می کند. اخیراً DNN در بین محققان محبوب شده است [ 92 ، 93 ]. وانگ و همکاران (2017) [ 94 ] بیان کرد که چارچوب DNN به دقت پیش بینی بالاتر یا قابل مقایسه ای دست یافته است، و این مطالعه همچنین از یافته های قبلی پشتیبانی می کند.95 , 96 , 97 ]. بنابراین، DNN می تواند پیش بینی های بهتری ارائه دهد و می تواند درک مناطق مستعد زمین لغزش را بهبود بخشد.

6. نتیجه گیری

نقشه‌برداری حساسیت زمین لغزش ابزار مهمی برای پیش‌بینی احتمال وقوع زمین لغزش در مناطق دارای زمین تپه‌ای است. بنابراین، مدل‌های پیش‌بینی زمین لغزش با کیفیت بالا از اهمیت بالایی برخوردار هستند. دو حوضه مجاور برای کاربرد و مقایسه سه مدل یادگیری ماشینی، یعنی RF، XGBoost و DNN انتخاب شدند. حوضه Deokjeokri به عنوان منطقه آموزشی و حوضه کاریسانری به عنوان منطقه آزمایش انتخاب شدند. فهرست زمین لغزش شامل 748 زمین لغزش در حوضه آبریز دئوکجوکری و 219 زمین لغزش در حوضه کاریسانری با استفاده از GIS تهیه شد. در مجموع 14 لایه موضوعی به عنوان عوامل موثر بر زمین لغزش جمع آوری شد. در این میان، IR در آزمون چند خطی شکست خورد. از مقایسه در این مطالعه، سه مدل دارای سطوح دقت متفاوتی هستند. نتایج DNN (AUC = 0.855 آموزش، AUC = 0.802 تست) به طور قابل توجهی بهتر از XGBoost (AUC آموزش 0.757، تست AUC = 0.74) و RF (AUC = 0.756 آموزش، مدل AUC = 0.7 تست) بود. نتایج عملکرد مرحله آزمایش همچنین نشان داد که DNN دارای دقت بالاتر (83.71٪) نسبت به XGBoost (74.73٪) و RF (68.19٪) است. سه مدل نشان دادند که نزدیکی زهکشی (h) مهمترین IF است. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. 802) به طور قابل توجهی بهتر از مدل های XGBoost (757/0 = AUC آموزش، 74/0 = AUC تست) و RF (756/0 = AUC آموزش، 703/0 = AUC تست) بودند. نتایج عملکرد مرحله آزمایش همچنین نشان داد که DNN دارای دقت بالاتر (83.71٪) نسبت به XGBoost (74.73٪) و RF (68.19٪) است. سه مدل نشان دادند که نزدیکی زهکشی (h) مهمترین IF است. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. 802) به طور قابل توجهی بهتر از مدل های XGBoost (757/0 = AUC آموزش، 74/0 = AUC تست) و RF (756/0 = AUC آموزش، 703/0 = AUC تست) بودند. نتایج عملکرد مرحله آزمایش همچنین نشان داد که DNN دارای دقت بالاتر (83.71٪) نسبت به XGBoost (74.73٪) و RF (68.19٪) است. سه مدل نشان دادند که نزدیکی زهکشی (h) مهمترین IF است. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. نتایج عملکرد مرحله آزمایش همچنین نشان داد که DNN دارای دقت بالاتر (83.71٪) نسبت به XGBoost (74.73٪) و RF (68.19٪) است. سه مدل نشان دادند که نزدیکی زهکشی (h) مهمترین IF است. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. نتایج عملکرد مرحله آزمایش همچنین نشان داد که DNN دارای دقت بالاتر (83.71٪) نسبت به XGBoost (74.73٪) و RF (68.19٪) است. سه مدل نشان دادند که نزدیکی زهکشی (h) مهمترین IF است. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد. مدل DNN یک جایگزین بسیار امیدوارکننده برای مدل‌سازی زمین لغزش کم عمق در منطقه مورد مطالعه است. بدیهی است که یک نقشه حساسیت زمین لغزش با کیفیت بالا می تواند هزینه ها و زمان را کاهش دهد. بنابراین، مدل به دست آمده می تواند برای برنامه ریزی فضایی در منطقه مورد مطالعه به منظور کاهش خطر زمین لغزش و توسعه مدیریت محیط زیست مورد استفاده قرار گیرد.

منابع

  1. چانگ، Y.-S. یون، M.-B. کیم، اچ.-اس. در مورد تغییرات آب و هوایی و تغییرات مشاهده شده در کره جنوبی. صعود چانگ. 2004 ، 66 ، 151-161. [ Google Scholar ] [ CrossRef ]
  2. کیم، Y.-T. لی، جی.اس. ویژگی پایداری شیب خاک گرانیت فرسوده نشده در کره با در نظر گرفتن بارندگی قبلی. Geo Congr. 2013 2013 ، 349–401. [ Google Scholar ] [ CrossRef ]
  3. مایلز، اس بی؛ Keefer، DK ارزیابی مدل‌های شیب-عملکرد لرزه‌ای با استفاده از مطالعه موردی منطقه‌ای. محیط زیست مهندس Geosci. 2000 ، 6 ، 25-39. [ Google Scholar ] [ CrossRef ]
  4. تارولی، پ. Tarboton, DG روشی جدید برای تعیین محتمل ترین نقاط شروع زمین لغزش و ارزیابی مقیاس مدل رقومی زمین در نقشه برداری پایداری زمین. هیدرول. سیستم زمین علمی 2006 ، 10 ، 663-667. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Iida, T. روش هیدرولوژیکی تخمین اثر توپوگرافی بر جریان عبوری اشباع. Jpn. ژئومورف. اتحادیه ترانس. 1984 ، 5 ، 1-12. [ Google Scholar ]
  6. Keefer، DK بررسی زمین لغزش های ناشی از زلزله – مروری تاریخی. Surv. ژئوفیز. 2002 ، 23 ، 473-510. [ Google Scholar ] [ CrossRef ]
  7. مور، جی جی. کلگ، دی. Holcomb، RT; لیپمن، PW; نورمارک، WR؛ لغزش زمین زیردریایی Torresan، ME Prodigious در خط الرأس هاوایی. جی. ژئوفیس. Res. 1989 ، 94 ، 17465-17484. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. Brabb، EE رویکردهای نوآورانه برای نقشه برداری خطر زمین لغزش. در مجموعه مقالات چهارمین سمپوزیوم بین المللی زمین لغزش، تورنتو، ON، کانادا، 23 تا 31 اوت 1984; صص 307-324. [ Google Scholar ]
  9. فورلانی، س. نینفو، الف. آیا حال کلید آینده است؟ Earth-Sci. Rev. 2015 , 142 , 38-46. [ Google Scholar ] [ CrossRef ]
  10. کارارا، ا. کاردینالی، م. دتی، آر. گوزتی، اف. پاسکی، وی. تکنیک‌ها و مدل‌های آماری GIS در ارزیابی خطر زمین‌لغزش رایشن‌باخ، P. زمین گشت و گذار. روند. Landf. 1991 ، 16 ، 427-445. [ Google Scholar ] [ CrossRef ]
  11. Chung, C.-JF; Fabbri، AG اعتبارسنجی مدل‌های پیش‌بینی فضایی برای نقشه‌برداری خطر زمین لغزش. نات خطرات 2003 ، 30 ، 451-472. [ Google Scholar ] [ CrossRef ]
  12. کرومیناس، جی. ون وستن، سی. فراتینی، پ. کاسینی، ال. Malet، J.-P. فتوپولو، س. کاتانی، اف. ون دن ایکهات، ام. ماورولی، ا. آگلیاردی، اف. و همکاران توصیه هایی برای تحلیل کمی خطر زمین لغزش گاو نر مهندس جئول محیط زیست 2013 ، 73 ، 209-263. [ Google Scholar ] [ CrossRef ]
  13. رایشنباخ، پ. روسی، ام. Malamud، BD; میهیر، م. Guzzetti، F. مروری بر مدل‌های حساسیت زمین لغزش مبتنی بر آمار. Earth-Sci. Rev. 2018 , 180 , 60-91. [ Google Scholar ] [ CrossRef ]
  14. دای، اف. لی، سی. ویژگی های زمین لغزش و مدل سازی ناپایداری شیب با استفاده از GIS، جزیره لانتائو، هنگ کنگ. ژئومورفولوژی 2002 ، 42 ، 213-228. [ Google Scholar ] [ CrossRef ]
  15. شرستا، س. کانگ، T.-S. Choi، JC ارزیابی حساسیت زمین لغزش همزمان لرزه ای با استفاده از LR و ANCOVA در منطقه بارپاک، نپال. J. Earth Syst. علمی 2018 ، 127 ، 38. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. آلئوتی، پی. Chowdhury، R. ارزیابی خطر زمین لغزش: بررسی خلاصه و دیدگاه های جدید. گاو نر مهندس جئول محیط زیست 1999 ، 58 ، 21-44. [ Google Scholar ] [ CrossRef ]
  17. کو کو، سی. فلنتجه، پ. Chowdhury، R. کمی خطر زمین لغزش و ارزیابی ریسک: مطالعه موردی. مهندس QJ جئول هیدروژئول. 2003 ، 36 ، 261-272. [ Google Scholar ] [ CrossRef ]
  18. پرادان، AMS؛ کیم، YT روش اثر نسبی پهنه بندی حساسیت زمین لغزش در خاک گرانیت هوازده: مطالعه موردی در Deokjeok-ri Creek، کره جنوبی. نات خطرات 2014 ، 72 ، 1189-1217. [ Google Scholar ] [ CrossRef ]
  19. پرادان، AMS؛ دوادی، ع. Kim, YT استفاده از روش‌های مختلف آماری دو متغیره حساسیت زمین لغزش: مطالعه موردی حوضه آبخیز خلخانی، نپال. جیول نپال. Soc. 2012 ، 44 ، 1-12. [ Google Scholar ] [ CrossRef ]
  20. هونگ، اچ. لیو، جی. Bui، DT; پرادان، بی. آچاریا، تی دی. فام، بی تی؛ زو، A.-X. چن، دبلیو. Ahmad, B. Bin نگاشت حساسیت زمین لغزش با استفاده از J48 Decision Tree با AdaBoost، Bagging و Rotation Forest در منطقه Guangchang (چین). CATENA 2018 ، 163 ، 399–413. [ Google Scholar ] [ CrossRef ]
  21. پورقاسمی، ح. گاین، ا. پارک، اس. لی، سی.- دبلیو. لی، اس. پورقاسمی، HR; گاین، ا. پارک، اس. لی، سی.- دبلیو. لی، اس. ارزیابی نواحی مستعد زمین لغزش و پهنه بندی آنها با استفاده از رگرسیون لجستیک، LogitBoost و الگوریتم های یادگیری ماشینی ناییو بیس. Sustainability 2018 , 10 , 3697. [ Google Scholar ] [ CrossRef ][ Green Version ]
  22. تای فام، بی. پراکاش، آی. دو، جی. سینگ، SK; Trinh، PT; ترانگ تران، اچ. مین لی، تی. تران، معاون; کیم خوی، دی. شیرزادی، ع. و همکاران یک رویکرد ترکیبی جدید از مدل‌سازی حساسیت زمین لغزش با استفاده از مجموعه جنگل چرخشی و طبقه‌بندی‌کننده‌های پایه مختلف. Geocarto Int. 2018 ، 14 ، 1-38. [ Google Scholar ] [ CrossRef ]
  23. فام، بی تی؛ نگوین، MD؛ Bui، K.-TT; پراکاش، آی. چاپی، ک. Bui, DT یک رویکرد جدید هوش مصنوعی مبتنی بر شبکه عصبی پرسپترون چند لایه و بهینه‌سازی مبتنی بر جغرافیای زیستی برای پیش‌بینی ضریب تحکیم خاک. CATENA 2019 ، 173 ، 302–311. [ Google Scholar ] [ CrossRef ]
  24. کورنژادی، ع. پورقاسمی، HR; افضلی، SF ارائه مدل جدید گروه RFFR برای ارزیابی حساسیت زمین لغزش در ایران ; Springer: Cham، سوئیس، 2019; صص 123-143. [ Google Scholar ]
  25. Nhu، VH; Hoang، ND; نگوین، اچ. Ngo، PTT; Thanh Bui، T. هوآ، PV; سامویی، پی. Tien Bui، D. ارزیابی اثربخشی 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 ]
  26. نادبی، ا. برنینگ، آ. LeDrew, E. رویکردهای جدید برای مدل‌سازی روابط ماهی-زیستگاه. Ecol. مدل 2010 ، 221 ، 503-511. [ Google Scholar ] [ CrossRef ]
  27. فلاح، ف. قربانی نژاد، س. رحمتی، ا. دانشفر، م. کاربرد مدل افزایشی تعمیم یافته در مدل‌سازی پتانسیل آب‌های زیرزمینی و مقایسه عملکرد آن با روش‌های آماری دو متغیره. Geocarto Int. 2017 ، 32 ، 1069-1089. [ Google Scholar ] [ CrossRef ]
  28. عربامری، ع. یمانی، م. پرادان، بی. Melesse, A.; شیرانی، ک. تین بوئی، دی. مجموعه‌های جدیدی از تصمیم‌گیری چند معیاره COPRAS با رگرسیون لجستیک، درخت رگرسیون تقویت‌شده و جنگل تصادفی برای پیش‌بینی فضایی حساسیت فرسایش خندقی. علمی کل محیط. 2019 ، 688 ، 903-916. [ Google Scholar ] [ CrossRef ]
  29. دارابی، ح. چوبین، بی. رحمتی، ا. ترابی حقیقی، ع. پرادان، بی. Kløve، B. نقشه‌برداری خطر سیل شهری با استفاده از مدل‌های GARP و QUEST: مطالعه مقایسه‌ای تکنیک‌های یادگیری ماشین. جی هیدرول. 2019 ، 569 ، 142-154. [ Google Scholar ] [ CrossRef ]
  30. کاوزوغلو، تی. کولکسن، آی. شاهین، تکنیک‌های یادگیری ماشین EK در نقشه‌برداری حساسیت زمین لغزش: یک بررسی و یک مطالعه موردی . Springer: Cham، سوئیس، 2019; صص 283-301. [ Google Scholar ]
  31. نگوین، وی. فام، بی. وو، بی. پراکاش، آی. جها، س. شهابی، ح. شیرزادی، ع. با، د. کومار، آر. چترجی، جی. و همکاران رویکردهای یادگیری ماشین ترکیبی برای مدل‌سازی حساسیت زمین لغزش. جنگل‌ها 2019 ، 10 ، 157. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. سمین، MI; پرادان، بی. Bui، DT; Alamri، AM استراتژی تقسیم نمونه سیستماتیک برای آموزش مدل های حساسیت به زمین لغزش. Catena 2020 , 187 , 104358. [ Google Scholar ] [ CrossRef ]
  33. Pašek, J. فهرست زمین لغزش. گاو نر بین المللی دانشیار مهندس جئول 1975 ، 12 ، 73-74. [ Google Scholar ] [ CrossRef ]
  34. قوش، ت. بوومیک، اس. جیسوال، پی. قوش، س. کومار، دی. تولید فهرست کامل زمین لغزش با استفاده از منابع داده چندگانه: مطالعه موردی در شمال غربی هیمالیا، هند. جی. جئول. Soc. هند 2020 ، 95 ، 45-58. [ Google Scholar ] [ CrossRef ]
  35. گوزتی، اف. پروکاچی، اس. روسی، ام. Stark، CP کنترل شدت بارندگی – مدت زمان لغزش های کم عمق و جریان های زباله: به روز رسانی. زمین لغزش 2008 ، 5 ، 3-17. [ Google Scholar ] [ CrossRef ]
  36. دو، ج. گلید، تی. ولدای، تی. چای، بی. Zeng، B. ارزیابی حساسیت زمین لغزش بر اساس موجودی ناقص زمین لغزش در دره جیلونگ، تبت، هیمالیاهای چینی. مهندس جئول 2020 , 270 , 105572. [ Google Scholar ] [ CrossRef ]
  37. طوفانی، وی. دل ونتیست، سی. مورتی، اس. کاساگلی، ن. طوفانی، وی. دل ونتیست، سی. مورتی، اس. Casagli، N. ادغام تکنیک های سنجش از دور برای منطقه بندی شدت در یک منطقه لغزش: مطالعه موردی در آپنین شمالی، ایتالیا. Remote Sens. 2014 , 6 , 907–924. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. گوریرو، ال. کنفورتو، پی. کالکاترا، دی. Guadagno، FM; رولینو، پی. دی مارتیره، دی. فهرستی از زمین لغزش‌های مخرب شهر در استان‌های بنونتو، آولینو و سالرنو، جنوب ایتالیا، بر اساس PS. J. Maps 2019 , 15 , 619–625. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. رزی، ا. طوفانی، وی. تانتری، ال. تاکونی استفانلی، سی. آگوستینی، ا. کاتانی، اف. Casagli، N. فهرست جدید زمین لغزش توسکانی (ایتالیا) به روز شده با PS-InSAR: ویژگی های ژئومورفولوژیکی و توزیع زمین لغزش. رانش زمین 2018 ، 15 ، 5-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. فیلیپس، اس جی. Dudík، M. مدل سازی توزیع گونه ها با Maxent: الحاقات جدید و ارزیابی جامع. اکوگرافی 2008 ، 31 ، 161-175. [ Google Scholar ] [ CrossRef ]
  41. پرادان، AMS؛ کیم، YT ارزیابی یک مدل ارزیابی چند معیاره فضایی ترکیبی و مدل قطعی برای نقشه‌برداری حساسیت زمین لغزش. Catena 2016 ، 140 ، 125-139. [ Google Scholar ] [ CrossRef ]
  42. پرادان، AMS؛ لی، اس.-ر. کیم، Y.-T. یک مدل پیش‌بینی لغزش کم عمق با ترکیب هشدارهای آستانه بارندگی و حساسیت لغزش کم عمق در بوسان، کره. رانش زمین 2019 ، 16 ، 647-659. [ Google Scholar ] [ CrossRef ]
  43. چن، دبلیو. پورقاسمی، HR; Zhao، Z. یک مطالعه تطبیقی ​​مبتنی بر GIS مدل‌های Dempster-Shafer، رگرسیون لجستیک و شبکه‌های عصبی مصنوعی برای نقشه‌برداری حساسیت زمین لغزش. Geocarto Int. 2017 ، 32 ، 367-385. [ Google Scholar ] [ CrossRef ]
  44. گلید، تی. کروزیر، ام. اسمیت، پی. استفاده از تعیین احتمال برای اصلاح آستانه های بارندگی محرک زمین لغزش با استفاده از “مدل بارش روزانه پیشین” تجربی. Pure Appl. ژئوفیز. 2000 ، 157 ، 1059-1079. [ Google Scholar ] [ CrossRef ]
  45. کروزیر، ام جی. گلید، تی. مروری بر وابستگی مقیاس در خطر زمین لغزش و تجزیه و تحلیل ریسک. در خطر زمین لغزش و خطر ; کتابخانه آنلاین وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2012; ISBN 9780471486633. [ Google Scholar ]
  46. ارکان اوغلو، م. Gokceoglu، C. استفاده از روابط فازی برای تهیه نقشه حساسیت زمین لغزش یک منطقه مستعد زمین لغزش (منطقه دریای سیاه غرب، ترکیه). مهندس جئول 2004 ، 75 ، 229-250. [ Google Scholar ] [ CrossRef ]
  47. دای، اف سی؛ لی، سی اف; لی، جی. Xu، ZW ارزیابی حساسیت زمین لغزش در زمین طبیعی جزیره لانتائو، هنگ کنگ. محیط زیست جئول 2001 ، 40 ، 381-391. [ Google Scholar ] [ CrossRef ]
  48. Doornkamp, ​​JC; Cooke, RU ژئومورفولوژی در مدیریت محیطی: مقدمه ; Clarendon Press: آکسفورد، انگلستان، 1974. [ Google Scholar ]
  49. پرادان، AMS؛ لی، جی.اس. کیم، Y.-T. تأثیر مدل توزیع عمق فضایی خاک بر پیش‌بینی زمین لغزش کم عمق: مطالعه موردی از کوه کره EGUA 2018 ، 20 ، 17502. [ Google Scholar ]
  50. ارنر، ا. Düzgün، HSB ارزیابی حساسیت زمین لغزش: اثرات واحد نقشه برداری و روش نقشه برداری چیست؟ محیط زیست علوم زمین 2012 ، 66 ، 859-877. [ Google Scholar ] [ CrossRef ]
  51. پاچائوری، AK; Pant, M. نقشه برداری خطر زمین لغزش بر اساس ویژگی های زمین شناسی. مهندس جئول 1992 ، 32 ، 81-100. [ Google Scholar ] [ CrossRef ]
  52. مور، شناسه; گریسون، RB; Ladson، مدل‌سازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
  53. مور، شناسه; Burch، GJ مبنای فیزیکی فاکتور طول-شیب در معادله جهانی تلفات خاک 1. علم خاک Soc. صبح. J. 1986 , 50 , 1294. [ Google Scholar ] [ CrossRef ]
  54. 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 ]
  55. Beven، KJ; Kirkby، MJ یک مدل مبتنی بر فیزیکی، متغیر منطقه کمک کننده هیدرولوژی حوضه. هیدرول. علمی گاو نر 1979 ، 24 ، 43-69. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. ریکلی، سی. زورچر، ک. فری، دبلیو. Lüscher, P. Wirkungen des Waldes auf oberflächennahe Rutschprozesse|اثرات جنگل بر رانش زمین. شویز. Z. Forstwes. 2002 ، 153 ، 437-445. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. کیتوتو، ام جی؛ مووانگا، ا. پوسن، جی. Deckers، JA تأثیر خواص خاک بر وقوع زمین لغزش در منطقه بودودا، اوگاندا شرقی. افر. جی. آگریک. Res. 2009 ، 4 ، 611-620. [ Google Scholar ]
  58. Sidle، RC; پیرس، ای جی؛ O’Loughlin، CL; اتحادیه ژئوفیزیک آمریکا پایداری دامنه و کاربری زمین ; اتحادیه ژئوفیزیک آمریکا: واشنگتن دی سی، ایالات متحده آمریکا، 1985; ISBN 0875903150. [ Google Scholar ]
  59. Yalcin، A. اثرات خاک رس بر زمین لغزش: مطالعه موردی. Appl. Clay Sci. 2007 ، 38 ، 77-85. [ Google Scholar ] [ CrossRef ]
  60. Duna، CR; دارسی، ام. مک دونالد، جی. کنترل‌های سنگ‌شناسی ویتاکر، کالیفرنیا بر روی عرضه رسوب در دامنه تپه: بینش‌هایی از فعالیت زمین لغزش و توزیع اندازه دانه. زمین گشت و گذار. روند. Landf. 2018 ، 43 ، 956-977. [ Google Scholar ]
  61. 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 2014 ، 11 ، 425-439. [ Google Scholar ] [ CrossRef ]
  62. پرادان، AMS؛ کانگ، اچ اس. لی، جی اس. Kim, YT یک مجموعه مدل خطر لغزش زمین که دارای آستانه بارندگی برای کوه Umyeon، کره جنوبی است. گاو نر مهندس جئول محیط زیست 2019 ، 78 ، 131-146. [ Google Scholar ] [ CrossRef ]
  63. O’Brien، RM احتیاط در مورد قوانین سرانگشتی برای عوامل تورم واریانس. کیفیت مقدار. 2007 ، 41 ، 673-690. [ Google Scholar ] [ CrossRef ]
  64. منارد، اس. تحلیل رگرسیون لجستیک کاربردی ; SAGE: Thousand Oaks، CA، USA، 1995. [ Google Scholar ]
  65. اسلینکر، BK; Glantz، SA رگرسیون چندگانه برای تجزیه و تحلیل داده های فیزیولوژیکی: مشکل چند خطی. صبح. جی. فیزیول. 1985 ، 249 ، R1-R12. [ Google Scholar ] [ CrossRef ]
  66. اسلینکر، BK; Glantz، SA رگرسیون خطی چندگانه: حسابداری چند عامل تعیین کننده همزمان یک متغیر وابسته پیوسته. تیراژ 2008 ، 117 ، 1732-1737. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  67. بلزلی، دی. کوه، ای. ولش، آر. تشخیص و ارزیابی هم خطی. در تشخیص رگرسیون: شناسایی داده های تأثیرگذار و منابع هم خطی . Wiley: New Yor، NY، USA، 1980; صص 85-91. ISBN 9780471725152. [ Google Scholar ]
  68. سویتس، جی. پیکت، آر. وایتهد، اس. گتی، دی. شنور، جی. سویتس، جی. فریمن، ب. ارزیابی فناوری های تشخیصی. Science 1979 ، 205 ، 753-759. [ Google Scholar ] [ CrossRef ]
  69. هانلی، جی. McNeil, BJ معنی و استفاده از ناحیه زیر یک منحنی مشخصه عملکرد گیرنده (ROC). رادیولوژی 1982 ، 143 ، 29-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. Hosmer، DW; Lemeshow, S. Applied Logistic Regression , 2nd ed.; Wiley-Blackwell: Hoboken، NJ، USA، 2000. [ Google Scholar ]
  71. بالدی، پ. بروناک، س. شووین، ی. اندرسن، CAF; نیلسن، اچ. ارزیابی دقت الگوریتم‌های پیش‌بینی برای طبقه‌بندی: یک مرور کلی. بیوانفورماتیک 2000 ، 16 ، 421-424. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  72. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. کاتانی، اف. لاگومارسینو، دی. سگونی، س. توفانی، وی. برآورد حساسیت زمین لغزش با تکنیک جنگل‌های تصادفی: مسائل مربوط به حساسیت و مقیاس‌پذیری. نات سیستم خطرات زمین. علمی 2013 ، 13 ، 2815-2831. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  74. فریمن، ای. فرسینو، تی. Moisen, G. ModelMap: یک بسته R برای مدل‌سازی و تولید نقشه با استفاده از جنگل تصادفی و افزایش گرادیان تصادفی . خدمات جنگلی USDA/ایستگاه تحقیقاتی راکی ​​کوهستان: اوگدن، یوتا، 2009; پ. 507. [ Google Scholar ]
  75. چن، تی. Guestrin, C. XGBoost, مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی—KDD ’16 ; ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2016. صص 785-794. [ Google Scholar ]
  76. چن، تی. او، تی. Benesty، M. Xgboost: Extreme Gradient Boosting ; بسته R نسخه 0.3-1; گزارش فنی؛ 2015; صص 1-4. در دسترس آنلاین: https://cran.fhcrc.org/web/packages/xgboost/vignettes/xgboost.pdf (در 4 سپتامبر 2020 قابل دسترسی است).
  77. بنژیو، ی. لی، دی.-اچ. بورنشاین، جی. مسنارد، تی. Lin, Z. به سوی یادگیری عمیق بیولوژیکی قابل قبول. arXiv 2015 ، arXiv:1502.04156. [ Google Scholar ]
  78. سنگ مرمر، ق. وین، جی. کوردینگ، KP به سوی ادغام یادگیری عمیق و علوم اعصاب. جلو. محاسبه کنید. نوروسک. 2016 ، 10 ، 94. [ Google Scholar ] [ CrossRef ]
  79. لدل، ای. گیل، ن. آیلو، اس. فو، ا. کندل، ا. کلیک کنید، C. کرالیویچ، تی. نیکودیم، تی. ابویون، پ. کورکا، م. و همکاران H2O: رابط R برای ‘H2O’ . پکیج R نسخه 3.20.0.2; 2018; در دسترس آنلاین: https://CRAN.R-project.org/package=h2o (در 4 سپتامبر 2020 قابل دسترسی است).
  80. ساندینو، جی. پگ، جی. گونزالس، اف. اسمیت، جی. ساندینو، جی. پگ، جی. گونزالس، اف. اسمیت، جی. نقشه برداری هوایی از جنگل های تحت تأثیر عوامل بیماری زا با استفاده از پهپاد، حسگرهای فراطیفی و هوش مصنوعی. Sensors 2018 , 18 , 944. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  81. کلیمش، جی. تجزیه و تحلیل زمانی زمین لغزش و ارزیابی حساسیت به عنوان پایه ای برای کاهش زمین لغزش، ماچو پیچو، پرو. محیط زیست علوم زمین 2013 ، 70 ، 913-925. [ Google Scholar ] [ CrossRef ]
  82. شرستا، س. کانگ، T.-S. Suwal, M. یک مدل مجموعه ای برای حساسیت زمین لغزش همزمان لرزه ای با استفاده از GIS و روش جنگل تصادفی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 365. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  83. فام، بی تی؛ پراکاش، آی. سینگ، SK; شیرزادی، ع. شهابی، ح. Tran، T.-T.-T.; 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 ]
  84. نوبر، AD; کوارتاس، لس آنجلس؛ هادنت، ام. رنو، سی دی; رودریگز، جی. سیلویرا، ا. واترلو، ام. Saleska، S. ارتفاع بالاتر از نزدیکترین زهکشی – یک مدل زمین جدید مرتبط با هیدرولوژیک. جی هیدرول. 2011 ، 404 ، 13-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. گوکچه اوغلو، سی. آکسوی، H. نقشه‌برداری حساسیت زمین لغزش دامنه‌ها در خاک‌های باقی‌مانده منطقه منگن (ترکیه) با تجزیه و تحلیل پایداری قطعی و تکنیک‌های پردازش تصویر. مهندس جئول 1996 ، 44 ، 147-161. [ Google Scholar ] [ CrossRef ]
  86. کانورتینو، ام. تروکولی، ا. Catani، F. تشخیص اثر انگشت درایورهای زمین لغزش: یک مدل MaxEnt. جی. ژئوفیس. Res. زمین گشت و گذار. 2013 ، 118 ، 1367–1386. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  87. لاگومارسینو، دی. طوفانی، وی. سگونی، س. کاتانی، اف. Casagli، N. ابزاری برای طبقه بندی و رگرسیون با استفاده از روش جنگل تصادفی: کاربردها برای نقشه برداری حساسیت زمین لغزش و مدل سازی ضخامت خاک. محیط زیست مدل. ارزیابی کنید. 2017 ، 22 ، 201-214. [ Google Scholar ] [ CrossRef ]
  88. 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 ]
  89. کیم، جی سی؛ لی، اس. یونگ، اچ اس. 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 ]
  90. لومباردو، ال. کاما، م. کونوسنتی، سی. مرکر، ام. 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 ]
  91. 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 Wanzhou از منطقه مخزن سه دره (چین). ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  92. قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. تاید، دی. Aryal, J. ارزیابی روش‌های مختلف یادگیری ماشین و شبکه‌های عصبی کانولوشنال یادگیری عمیق برای تشخیص زمین لغزش. Remote Sens. 2019 , 11 , 196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  93. شیائو، ال. ژانگ، ی. پنگ، جی. ارزیابی حساسیت زمین لغزش با استفاده از الگوریتم یادگیری عمیق یکپارچه در امتداد بزرگراه چین-نپال. Sensors (Switzerland) 2018 , 18 , 4436. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  94. وانگ، اف. خو، پی. وانگ، سی. وانگ، ن. جیانگ، ن. کاربرد یک روش واحد شیب مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در امتداد رودخانه لونگزی، فلات جنوب شرقی تبت، چین. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 172. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  95. دو، جی. یونس، AP; مرغدی، ع. شیرزادی، ع. نگوین، اچ. حسین، ی. آوتار، ر. چن، ی. فام، بی تی؛ یاماگیشی، اچ. استراتژی‌های نمونه‌گیری مختلف برای پیش‌بینی حساسیت زمین لغزش با یادگیری عمیق کمتر نتیجه می‌دهند. علمی کل محیط. 2020 , 720 , 137320. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  96. کریژفسکی، آ. سوتسکور، آی. هینتون، GE ImageNet طبقه بندی با شبکه های عصبی کانولوشن عمیق. ACM ارتباطی. 2017 ، 60 ، 84-90. [ Google Scholar ] [ CrossRef ]
  97. سیرگان، دی. مایر، یو. Schmidhuber, J. شبکه های عصبی عمیق چند ستونی برای طبقه بندی تصویر. در مجموعه مقالات کنفرانس انجمن کامپیوتر IEEE در مورد دید رایانه و تشخیص الگو، پراویدنس، RI، ایالات متحده آمریکا، 16 تا 21 ژوئن 2012. [ Google Scholar ]
Ijgi 09 00569 g001 550
شکل 1. نقشه زمین شناسی منطقه مورد مطالعه. مکان های مورد مطالعه توسط گرانیت های مزوزوئیک (به رنگ صورتی در شکل) غالب هستند. محل مطالعه در قسمت داخلی.
Ijgi 09 00569 g002 550
شکل 2. نقشه فهرست زمین لغزش Deokjeokri (داده های آموزشی) و حوضه آبریز کاریسانری (داده های آزمایشی).
Ijgi 09 00569 g003a 550 Ijgi 09 00569 g003b 550
شکل 3. ( a )–( e ): زمین لغزش های مشاهده شده و ( f ) رسوب زباله.
Ijgi 09 00569 g004a 550 Ijgi 09 00569 g004b 550
شکل 4. عوامل تأثیرگذار توپوگرافی: ( الف ) جنبه، ( ب ) ارتفاع، ( ج ) شیب، ( د ) برجستگی داخلی و ( ه ) انحنا.
Ijgi 09 00569 g005a 550 Ijgi 09 00569 g005b 550
شکل 5. عوامل تأثیرگذار هیدرولوژیکی: ( الف ) نزدیکی زهکشی (h)، ( ب ) نزدیکی زهکشی (v)، ( ج ) تراکم زهکشی، ( د ) شاخص توان جریان (SPI)، ( ه ) شاخص انتقال رسوب (STI) و ( f ) شاخص رطوبت توپوگرافی (TWI).
Ijgi 09 00569 g006 550
شکل 6. عوامل مؤثر: ( الف ) نوع جنگل و ( ب ) نوع خاک.
Ijgi 09 00569 g007 550
شکل 7. نمایش جریان مطالعه.
Ijgi 09 00569 g008 550
شکل 8. ( الف ) میزان خطای مدل کلی RF و ( ب ) دقت کاهش میانگین.
Ijgi 09 00569 g009 550
شکل 9. ( الف ) تلفات در مقابل تکرار مدل XGBoost و ( ب ) اهمیت متغیر.
Ijgi 09 00569 g010 550
شکل 10. ( الف ) ضرر در مقابل دوره مدل DNN و ( ب ) اهمیت متغیر.
Ijgi 09 00569 g011a 550 Ijgi 09 00569 g011b 550
شکل 11. نقشه های حساسیت زمین لغزش: ( الف ) RF، ( ب ) XGBoost و ( ج ) DNN.
Ijgi 09 00569 g012 550
شکل 12. ارزیابی دقت با استفاده از ROC: ( الف ) آموزش و ( ب ) تست.
Ijgi 09 00569 g013 550
شکل 13. نمودار چهار برابری که تعداد کل TP، TN، FP و FN مدل های ( a ) RF، ( b ) XGBoost و ( c ) DNN را خلاصه می کند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید