چکیده

فروریختن زمین، رانش زمین و جریان‌های آوار، اصلی‌ترین خطرات زمین‌شناسی است که بشر با آن مواجه است که هر ساله خسارات جانی و مالی زیادی را برای مردم به همراه دارد. هدف از این مقاله ایجاد روشی برای تعیین طرح وزن‌دهی بهینه برای نقشه‌برداری خطرات متعدد زمین‌شناسی است. برای تجزیه و تحلیل توانایی پیش‌بینی عوامل شرطی‌سازی از روش نسبت افزایش اطلاعات (IGR) استفاده شد. الگوریتم ماشین بردار پشتیبان (SVM) برای ارزیابی حساسیت به ریزش، لغزش زمین و جریان آوار منطقه مورد مطالعه استفاده شد. منحنی‌های مشخصه عملکرد گیرنده (ROC) و آمار طبقه‌بندی نمونه‌های خطر زمین‌شناسی برای ارزیابی عملکرد مدل‌ها استفاده شد. فرآیند تحلیل سلسله مراتبی (AHP) و روش نسبت فرکانس (FR) برای تعیین طرح وزن دهی بهینه برای فروپاشی، لغزش زمین و جریان آوار ترکیب شدند. همه عوامل شرطی‌سازی توانایی پیش‌بینی خاصی از خود نشان داده‌اند و باعث می‌شوند مدل‌های فروپاشی، زمین لغزش و جریان زباله عملکرد بسیار خوبی داشته باشند. نقشه‌های خطرپذیری متعدد زمین‌شناسی با وزن‌های 297/0، 539/0 و 164/0 برای فروپاشی، لغزش و جریان آوار برای این منطقه مورد مطالعه با طبقه‌بندی با دقت بالا از تمام نمونه‌های خطر زمین‌شناسی بهینه بود. نتیجه‌گیری این مقاله می‌تواند منابع معناداری برای مهاجرت خطر و کاربری زمین در منطقه مورد مطالعه ارائه کند. لغزش زمین و جریان زباله عملکرد بسیار خوبی دارند. نقشه‌های خطرپذیری متعدد زمین‌شناسی با وزن‌های 297/0، 539/0 و 164/0 برای فروپاشی، لغزش و جریان آوار برای این منطقه مورد مطالعه با طبقه‌بندی با دقت بالا از تمام نمونه‌های خطر زمین‌شناسی بهینه بود. نتیجه‌گیری این مقاله می‌تواند منابع معناداری برای مهاجرت خطر و کاربری زمین در منطقه مورد مطالعه ارائه کند. لغزش زمین و جریان زباله عملکرد بسیار خوبی دارند. نقشه‌های خطرپذیری متعدد زمین‌شناسی با وزن‌های 297/0، 539/0 و 164/0 برای فروپاشی، لغزش و جریان آوار برای این منطقه مورد مطالعه با طبقه‌بندی با دقت بالا از تمام نمونه‌های خطر زمین‌شناسی بهینه بود. نتیجه‌گیری این مقاله می‌تواند منابع معناداری برای مهاجرت خطر و کاربری زمین در منطقه مورد مطالعه ارائه کند.

کلید واژه ها:

فروپاشی ; رانش زمین ; جریان زباله ماشین بردار پشتیبانی ; نقشه برداری حساسیت

1. مقدمه

با افزایش تقاضای بشر برای توسعه فضای سطحی، بشر با شرایط پیچیده زمین شناسی مهندسی روبه رو می شود. فعالیت‌های مهندسی انسانی معمولاً به یک سری بررسی‌ها و ارزیابی‌های محیطی زمین‌شناسی برای تعیین انتخاب مکان نیاز دارند. مخاطرات زمین شناسی به عنوان اصلی ترین تهدید برای فعالیت های مهندسی انسانی، یکی از عوامل مهمی است که قبل از انجام یک پروژه باید مورد توجه قرار گیرد. به منظور به حداقل رساندن تأثیر بلایای زمین شناسی، اقدامات معمول مورد استفاده شامل پایش، نقشه برداری بلایا و ارزیابی حساسیت به بلایای زمین شناسی است. روش ارزیابی حساسیت مبتنی بر سیستم اطلاعات جغرافیایی اخیراً به طور گسترده مورد استفاده قرار گرفت که ابزاری مؤثر برای کاهش تأثیر مخاطرات زمین‌شناسی بود [ 1 ]].
در چند دهه گذشته، روش‌های بسیاری برای ارزیابی حساسیت خطرات زمین‌شناسی، نقشه‌برداری حساسیت زمین‌شناسی را ایجاد کرده‌اند که هدف آن برجسته کردن توزیع فضایی جریان‌های زباله بر اساس مفروضات زیر است: (1) گذشته کلید آینده است، به این معنی که وقایع آینده احتمالاً در شرایط مشابه گذشته رخ خواهند داد. (2) عوامل مؤثر بر وقوع جریان زباله از نظر مکانی به هم مرتبط هستند و بنابراین، می توانند در عملکردهای پیش بینی استفاده شوند [ 2 ]. بر اساس این فرض، انواع فن آوری ها و روش ها توسعه و اعمال شده است. این روش ها را می توان به دو دسته اصلی تقسیم کرد: رویکردهای کیفی-محور و رویکردهای مبتنی بر کمی [ 3 ].]. روش‌های مبتنی بر کیفی به شدت به تجربه خبره وابسته هستند [ 4 ]. روش‌های مبتنی بر کمیت با استفاده از اطلاعات پنهان از داده‌های هدف، نقش مهمی در نقشه‌برداری حساسیت خطرات زمین‌شناسی ایفا کرده‌اند. روش‌های کمی رایج را می‌توان به چهار دسته تقسیم کرد: مدل‌های مبتنی بر فیزیکی، مدل‌های مبتنی بر نظر، مدل‌های آماری، و مدل‌های یادگیری ماشین [ 5 ، 6 ، 7 ، 8 ]. هر یک از این رویکردها مزایا و محدودیت های خاص خود را دارند [ 9 ، 10]. برای مدل‌های مبتنی بر فیزیکی، مقدار زیادی اطلاعات دقیق برای بهبود عملکرد مدل ضروری است. مدل‌های مبتنی بر نظر مبتنی بر اطلاعات محدود و نظر متخصص می‌توانند مشکل‌ساز باشند، زیرا کمی کردن یک نتیجه به‌طور عینی دشوار است. مدل های آماری و مبتنی بر یادگیری ماشین، با بهره مندی از توسعه سریع سیستم های اطلاعات جغرافیایی، برای ارزیابی حساسیت در مناطق بزرگ مناسب تر هستند [ 11 ].
اخیراً الگوریتم‌های یادگیری ماشینی متنوعی مانند درخت تصمیم [ 12 ، 13 ]، ماشین بردار پشتیبان (SVM) [ 14 ]، جنگل تصادفی [ 15 ] و شبکه عصبی مصنوعی [ 16 ] توسعه و اعمال شده‌اند. علی‌رغم کارایی این روش‌های واحد برای مدل‌سازی جریان زباله، مدل‌سازی مجموعه ترکیبی، که تعدادی از طبقه‌بندی‌کننده‌ها را با هم ترکیب می‌کند تا دقت یادگیری و کیفیت نتایج را به حداکثر برساند، همچنین به طور گسترده برای نقشه‌برداری حساسیت خطرات زمین‌شناسی استفاده شد [ 17 ].
الگوریتم های خوب می توانند به طور قابل توجهی کیفیت نقشه برداری خطرات زمین شناسی را بهبود بخشند. در این مقاله، 170 فروریختن، 222 زمین لغزش و 44 جریان زباله در تحقیق ما شرکت داشتند که مشخصه داده‌های ورودی را تعیین کردند: داده‌های کم با ویژگی‌های پیچیده. این ویژگی ها ممکن است باعث مشکل بیش از حد برازش مدل یادگیری ماشینی شود و سپس عملکرد مدل ها را به طور جدی تحت تأثیر قرار دهد. بنابراین، مدل هایی با قابلیت تعمیم قوی باید در تحقیق ما انتخاب شوند. بر اساس تحقیقات قبلی [ 18]، مدل SVM در این مقاله انتخاب شد. هدف مدل‌های SVM یافتن یک ابر صفحه در فضای ویژگی است که نمونه‌های مثبت و منفی را حداکثر تقسیم می‌کند، به این معنی که مدل‌های SVM قابلیت اطمینان طبقه‌بندی را در حالی که به درستی نمونه‌ها را طبقه‌بندی می‌کنند، به حداکثر می‌رسانند. بنابراین، مدل SVM دارای استحکام قوی برای نمونه های دشوار است و همچنین دارای قابلیت تعمیم قوی برای نمونه های ناشناخته است.
خطرات زمین شناسی در یک منطقه معمولاً متنوع است [ 19 ]. به دست آوردن یک نقشه دقیق و قابل اعتماد جامع خطرپذیری خطرات زمین شناسی که در آن خطرات زمین شناسی زیادی مستعد رخ دادن هستند، بسیار مهم است، که نیاز به روش خاصی برای مقابله با خطرات مختلف دارد. با این حال، تلاش‌ها برای ارزیابی ریسک چند خطر با موانع متعددی مانند فقدان یک تعریف مشترک برای یک ریسک چند خطر (مسائل معرفت‌شناختی) [ 20 ]، توسعه ناکافی یک رویکرد مشترک برای یکپارچه‌سازی خطرات مختلف ، مانع می‌شود. مسائل روش شناختی) [ 21 ]، در دسترس بودن داده های فشرده (مسائل کمیابی داده ها) [ 22 ] و غیره.
تحقیقات فعلی در مورد مخاطرات مختلف زمین شناسی را می توان به دو گروه تقسیم کرد: (الف) پس از ارزیابی مخاطرات زمین شناسی فردی، تجزیه و تحلیل جامع بیشتری انجام می شود [ 23 ]، و (ب) ارزیابی برهمکنش های احتمالی و اثرات آبشاری در بین مخاطرات مختلف احتمالی رویدادها [ 24 ]. از نظر نقشه‌برداری حساسیت خطرات زمین‌شناسی، برخی از رویکردهای رایج مانند گرفتن بالاترین احتمالات از همه نقشه‌های حساسیت خطر زمین‌شناسی بر اساس اصل بشکه چوبی [ 25 ]، روی هم قرار دادن همه نقشه‌های حساسیت خطر [ 26 ] وجود دارد.] و غیره. با این حال، این روش ها محدودیت هایی نیز دارند. در نظر گرفتن بیشترین احتمال خطرات زمین شناسی بر اساس اصل بشکه اساساً تأثیر مخاطرات زمین شناسی با احتمال کمتر را نادیده می گیرد. هنگام قرار دادن تمام نقشه های حساسیت خطر زمین شناسی، طرح وزن بهینه عامل مهمی است که باید در نظر گرفته شود. در مطالعات قبلی، تعیین طرح وزن دهی معمولاً وابستگی شدید به تجربه کارشناسان [ 26 ] را نشان می داد که می توانست به نتایج عینی و دقیق ناکافی منجر شود. در این مقاله، یک روش ابتکاری ترکیبی از روش فرآیند تحلیل سلسله مراتبی (AHP) و روش نسبت فرکانس (FR) برای حل مشکل تعیین طرح وزن‌دهی پیشنهاد شده است.
تحقیق این مقاله بر روی مشکل تعیین طرح وزن‌دهی در هنگام قرار دادن نقشه‌های حساسیت خطر متعدد زمین‌شناسی متمرکز شده است. روشی برای تعیین طرح وزن بهینه خطرات زمین‌شناسی متعدد بر اساس داده‌های عینی به جای تجربه ذهنی کارشناسان پیشنهاد می‌شود، که می‌تواند مرجع معناداری برای مطالعه نقشه‌برداری حساسیت در مناطقی باشد که خطرات زمین‌شناسی متعدد در آن ایجاد می‌شود.

2. منطقه مطالعه

حوضه رودخانه یانزی ( شکل 1 ) در محل اتصال استان گانسو و استان شانشی چین واقع شده است. به طول جغرافیایی 105 درجه و 15 دقیقه شرقی و 106 درجه و 00 دقیقه شرقی، عرض جغرافیایی 32 درجه و 50 دقیقه شمالی و 33 درجه و 25 دقیقه شمالی محدود شده است و مساحتی حدود 1276 کیلومتر مربع را پوشش می دهد .. حوضه رودخانه یانزی یک منطقه انتقالی از یک منطقه نیمه گرمسیری به یک منطقه معتدل گرم، با آب و هوای معتدل و بارندگی فراوان است. میانگین بارندگی سالانه 777.5 میلی متر است که بیشتر از جولای تا سپتامبر می باشد. از منظر سنگ شناسی، کل منطقه مورد مطالعه تحت تسلط سنگ های دگرگونی است که از میان آنها فیلیت دگرگونی و تخته سنگ دگرگونی در وسط منطقه مورد مطالعه در مقیاس وسیعی نمایان می شوند. علاوه بر این، منطقه مورد مطالعه دارای فعالیت های تکتونیکی مکرر است و بر اساس نقشه پهنه بندی شدت لرزه ای چین به مناطق با شدت لرزه ای هشت درجه تقسیم شده است. آخرین فعالیت لرزه‌ای که حوضه رودخانه یانزی را تحت تأثیر قرار داد، زلزله ونچوان در سال 2008 بود. طبق بررسی های قبلی، حدود 8000 نفر به دلیل خطرات زمین شناسی در خطر هستند. جمعیت زیاد نیز نشان دهنده فعالیت های شدید انسانی در منطقه مورد مطالعه است. عمده فعالیت ها شامل راه سازی، خانه سازی، معدن کاری و … می باشد. با توجه به سنگ‌شناسی شکننده، بارندگی فراوان، فعالیت‌های زمین ساختی فعال و فعالیت‌های مهندسی انسانی در مقیاس بزرگ، منطقه‌ای با بروز خطرات متعدد زمین‌شناسی است که می‌تواند پاسخگوی نیازهای تحقیق در این مقاله باشد.27 ].

3. مواد و روشها

3.1. فهرست خطرات زمین شناسی

فهرست دقیق و دقیق بلایای زمین شناسی اولویت اصلی در تعیین کیفیت ارزیابی حساسیت بلایای زمین شناسی است. فهرست ریزش، زمین لغزش و جریان زباله در این مطالعه از بررسی های قبلی به دست آمده است [ 28 ]]. روش‌های جمع‌آوری داده‌ها شامل تفسیر سنجش از دور، بررسی زمینی همراه با اسکن لیزری سه بعدی، اسکن پهپاد در ارتفاع پایین و اکتشاف ژئوفیزیک است. تفسیر سنجش از دور از داده های سنجش از دور با کیفیت بالا Pléiades استفاده می کند. بر اساس داده‌های بررسی اولیه، همراه با ویژگی‌های هندسی بلایای زمین‌شناسی در منطقه بررسی، یک سیستم علامت تفسیر سنجش از دور ایجاد شد تا منطقه بررسی را به روشی دقیق تفسیر کند. بررسی زمینی روش ردیابی و روش تراورس را ترکیب کرد و ساختار زمین شناسی، سنگ شناسی لایه و ساختار زمین شناسی شیب را به طور کامل در نظر گرفت. در نهایت همانطور که در شکل 1 نشان داده شده است170 فروریختگی، 222 زمین لغزش و 44 جریان آوار برای تحقیق آماده شد. به طور کلی ریزش‌های منطقه مورد مطالعه غالباً ریزش‌های سنگی کوچک و متوسط ​​است و بیشتر اشکال شکست، تکه تکه شدن و ریزش است. زمین لغزش های منطقه مورد مطالعه عمدتاً زمین لغزش های کششی کم عمق کوچک و متوسط ​​هستند. جریان‌های واریزه عمدتاً جریان‌های واریزه‌ای از نوع دره‌ای کوچک و متوسط ​​هستند که در اثر باران‌های شدید ایجاد می‌شوند. اگرچه مخاطرات زمین شناسی در منطقه مورد مطالعه معمولاً دارای دامنه خطر نسبتاً کمی هستند، اما دارای ویژگی های تنوع و توزیع گسترده نیز هستند که به ویژه مستلزم ارزیابی حساسیت جامع خطرات زمین شناسی در منطقه مورد مطالعه است [ 29 ].

3.2. عوامل تهویه

عامل شرطی سازی پارامتری است که محیطی را توصیف می کند که در آن بلایای پیچیده زمین شناسی رخ می دهد. نحوه انتخاب عوامل در ارزیابی حساسیت به بلایای زمین شناسی قطعی نیست [ 2 ]. در این مقاله با ترکیب تحقیقات قبلی و شرایط منطقه تحقیق، 11 عامل شرطی برای تحقیق انتخاب شدند. عوامل تهویه به شرح زیر تقسیم شدند: (1) عوامل توپوگرافی، (2) شرایط زمین، و (3) عوامل مرتبط با فاصله.
عوامل توپوگرافی ( شکل 2 a-f) مورد استفاده در این مقاله، از جمله ارتفاع، شیب، جهت، انحنای صفحه، انحنای پروفیل و شاخص رطوبت توپوگرافی (TWI)، عمدتاً از یک مدل ارتفاعی رقومی (DEM) با وضوح تولید شده‌اند. در فاصله 30 متری از ابر داده های مکانی ( https://www.gscloud.cn ). برای پردازش داده ها از نرم افزار ArcGIS 10.2 استفاده شد. ارتفاع بر دما، پوشش گیاهی، کاربری زمین و سایر شرایط یک منطقه تأثیر می گذارد، بنابراین تأثیر بسیار واضحی در ایجاد خطرات زمین شناسی دارد. اخیراً اغلب در فرآیند نقشه برداری حساسیت خطرات زمین شناسی استفاده می شود [ 30]. از آنجایی که ارتفاع در منطقه مورد مطالعه دارای دامنه وسیعی از نوسانات از 505 متر تا 2407 متر است، ارتفاع می تواند نقش مهمی در پیش بینی مخاطرات زمین شناسی متمرکز در یک محدوده ارتفاعی خاص ایفا کند. شیب می تواند به طور موثری شیب منطقه مورد مطالعه را منعکس کند و شیب تند همیشه در معرض خطرات زمین شناسی است [ 31 ]]. بنابراین، عامل شرطی‌سازی شیب قادر است نمونه‌های خطر زمین‌شناسی با شیب‌های تندتر را از نمونه‌های خطر غیرزمین‌شناختی با شیب ملایم تشخیص دهد. همبستگی بین جنبه و بلایای زمین شناسی عمدتاً این است که مستقیماً بر بارندگی و تابش نور خورشید در شیب تأثیر می گذارد. جنبه خاصی از یک منطقه ممکن است تحت تأثیر بارندگی بیشتر و هوازدگی قرار گیرد، و این مناطق معمولاً مناطقی هستند که خطرات زمین شناسی با شیوع بالایی دارند. این جنبه به طور گسترده در مطالعه نقشه‌برداری حساسیت خطرات زمین‌شناسی استفاده شد [ 32 ]. پیچیدگی زمین با انحنای صفحه و انحنای پروفیل تعیین شد [ 33] که می تواند بر تولید و توسعه مخاطرات زمین شناسی تأثیر بگذارد. TWI تأثیر توپوگرافی و ویژگی های خاک را بر توزیع رطوبت خاک در نظر می گیرد [ 34 ]. تأثیر توپوگرافی بر فعالیت های هیدرولوژیکی را کمی سازی می کند. TWI به وضوح یک عامل تهویه مهم در منطقه مورد مطالعه با سیستم های آب سطحی فراوان است.
در این مقاله عوامل وضعیت زمین ( شکل 2g–h) شامل سنگ شناسی و شاخص گیاهی تفاوت نرمال شده (NDVI) است. NDVI و سنگ شناسی به ترتیب از تصاویر ماهواره ای Landsat4-5 TM با وضوح 30 متر و نقشه زمین شناسی در مقیاس 1:50000 استخراج شده اند. وقوع مخاطرات زمین شناسی را معمولاً می توان به عنوان فرآیند از دست دادن پایداری سنگ و خاک در نظر گرفت. شکننده بودن و حساس بودن به سنگ‌شناسی هوا معمولاً یکی از شرایط شکل‌گیری خطرات زمین‌شناسی است. بدیهی است که بیشتر مخاطرات زمین شناسی در این منطقه مورد مطالعه در نواحی سنگ های دگرگونی که فیلیت و شیست در معرض آن قرار دارند متمرکز شده است که سنگ شناسی را به یک عامل شرطی مهم برای تحقیقات زیر تبدیل می کند. NDVI یک پارامتر مهم برای توصیف پوشش گیاهی است. پوشش گیاهی می تواند بر پایداری سنگ و خاک تأثیر بگذارد. در بعضی موارد، بهبود پوشش گیاهی می تواند تاثیر مخاطرات زمین شناسی را به طور موثر کاهش دهد. تفاوت آشکار در پوشش گیاهی بین مناطق مستعد خطر زمین شناسی و مناطق غیرخطر زمین شناسی باعث می شود NDVI عامل شرطی سازی مهم دیگری باشد.
عوامل مرتبط با فاصله ( شکل 2 i-k) از ابزارهای تجزیه و تحلیل فاصله برای محاسبه فاصله بین یک نمونه و یک هدف خاص برای ارزیابی میزان تأثیر هدف بر آن نمونه استفاده می کنند. مطالعات قبلی نشان داده‌اند که فرسایش رودخانه‌ها، فعالیت‌های مهندسی انسانی و فعالیت‌های زمین ساختی تأثیر مهمی بر شکل‌گیری خطرات زمین‌شناسی در منطقه مورد مطالعه دارند [ 27 ]. بنابراین فاصله تا رودخانه ها، فاصله تا جاده ها و فاصله تا گسل ها در این مقاله در نظر گرفته شده است. رودخانه ها و جاده ها بر اساس تصاویر گوگل ارث به دست آمده اند. گسل ها از روی نقشه زمین شناسی در مقیاس 1:50000 شناسایی شدند. ترکیب شکل 1 ، شکل 2i–k، می توان مشاهده کرد که: (1) نمونه های خطر زمین شناسی در نوارهایی در نزدیکی رودخانه ها توزیع شده اند. (2) مناطق نزدیک جاده ها، که نشان دهنده فعالیت های مهندسی قوی انسانی هستند، مستعد خطرات زمین شناسی هستند. (3) تراکم خطرات زمین شناسی در منطقه نزدیک به گسل ها بسیار بیشتر از تراکم خطرات زمین شناسی در منطقه دور از گسل است.

3.3. روش نسبت به دست آوردن اطلاعات

روش به دست آوردن اطلاعات (IGR) یک ابزار موثر برای ارزیابی توانایی پیش بینی عوامل است و به طور گسترده در نقشه برداری حساسیت برای خطرات زمین شناسی استفاده می شود [ 35 ، 36 ]. این بر اساس تئوری اطلاعات است و یک ضریب جریمه بر اساس به دست آوردن اطلاعات اضافه می کند. با ردیابی کاهش آنتروپی اطلاعات، می‌توان اهمیت عوامل شرطی‌سازی را تعیین کرد. فرمول های روش IGR به شرح زیر است.

G a i n R a t i o ( S , A ) = G a i n ( S , A ) / I V ( A )جیآمن�آرآتیمن�اس،آ=جیآمن�اس،آ/من�آ
G a i n ( S , A ) = E n t ( S ) –∑v = 1VاسVاسE n t (اسv)جیآمن�اس،آ=��تیاس-∑�=1�اس�اس��تیاس�
I V ( A ) = −∑v = 1Vاسvاسl o g 2اسvاسمن�آ=-∑�=1�اس�اسورود به سیستم2اس�اس

که در آن Gain ( S , A ) نشان دهنده به دست آوردن اطلاعات عامل است، Ent(S) آنتروپی کلی داده ها، S کل مجموعه داده ها، A ویژگی انتخاب شده، IV(A) مقدار ثابت A است. و V تعداد مقادیر مشخصه است.

3.4. مجموعه داده های آموزشی و اعتبارسنجی

مدل‌های آماری برای پیش‌بینی حساسیت رابطه بین متغیرهای مستقل و وابسته را با نمونه‌های آموزشی ایجاد می‌کنند و سپس رابطه با نمونه‌های اعتبارسنجی را تأیید می‌کنند [ 37 ، 38 ]. با ارجاع به ادبیات قبلی [ 18 ]، مجموعه داده های سه نوع خطر زمین شناسی به طور تصادفی به دو گروه با نسبت 70/30 برای اهداف آموزشی و اعتبار سنجی تقسیم شدند.

3.5. روش ماشین بردار پشتیبان

مدل SVM ( شکل 3 ) یک مدل یادگیری نظارت شده است. با طرح شاخص‌های نمونه غیرخطی پیچیده در فضای ویژگی با ابعاد بالا [ 39 ]، مسئله طبقه‌بندی پیچیده با ابعاد بالا را به یک مسئله خطی قابل تفکیک و محاسبه آسان تبدیل می‌کند. برای تکمیل این فرآیند از توابع هسته استفاده می شود. توابع رایج هسته عمدتاً شامل توابع خطی ( LF )، توابع سیگموئیدی ( SF )، توابع پایه شعاعی ( RBF ) و توابع چند جمله ای ( PF ) هستند.

L F : κ ( x , y ) =ایکستیy + c�اف:�ایکس،�=ایکستی�+ج
S F : κ ( x , y ) = t a n h ( aایکستی+ ج )اساف:�ایکس،�=برنزهساعت(آایکستی+ج)
R B F : κ ( x , y ) = e x p( − γ | | x − y ||2)آرباف:�ایکس،�=انقضا(-�|ایکس-�|2)
P F : κ ( x , y ) =( الفایکستیy + ج )دپاف:�ایکس،�=(آایکستی�+ج)د

که در آن a ، c و γ پارامترهای توابع هسته هستند.

هیچ توافق روشنی در مورد انتخاب تابع هسته وجود ندارد. در میان چهار نوع توابع هسته، تابع RBF سازگاری خوبی برای مسئله طبقه بندی داده ها با ویژگی های پیچیده دارد و پارامترهای تابع ساده تر از سایر توابع هسته هستند که برای اشکال زدایی مناسب است. بنابراین، RBF در این مطالعه اتخاذ شد و پارامتر γ آن 0.01 تعیین شد، که می‌تواند باعث شود مدل‌ها توانایی تعمیم قوی را علاوه بر عملکرد خوب در مجموعه داده آموزشی به دست آورند. الگوریتم SVM توسط IBM SPSS Modeler 18.0 استفاده شد.

3.6. منحنی های ROC

منحنی‌های ROC به طور گسترده در سال‌های اخیر برای نقشه‌برداری حساسیت زمین‌شناسی استفاده شده‌اند [ 40]. این روش ساده و شهودی است و دقت روش تحلیل را می توان از طریق ناحیه زیر منحنی ها (AUC) مشاهده کرد. منحنی‌های ROC حساسیت و ویژگی را با روش گرافیکی ترکیب می‌کنند که می‌تواند به طور دقیق رابطه بین ویژگی و حساسیت یک روش تحلیلی را منعکس کند. این بازتابی جامع از دقت آزمون است. از نتایج مبتنی بر داده های آموزشی می توان برای ارزیابی میزان دقت مدل ها و از نتایج مبتنی بر داده های اعتبارسنجی برای ارزیابی نرخ پیش بینی مدل ها استفاده کرد. در مطالعات قبلی، AUC به عنوان ضعیف (0.5-0.6)، متوسط ​​(0.6-0.7)، خوب (0.7-0.8)، بسیار خوب (0.8-0.9) و عالی (0.9-1) طبقه بندی شده بود [ 41 ].

3.7. روش AHP

AHP ترکیبی از روش های تحلیل تصمیم گیری کیفی و کمی است و اغلب برای حل مسائل تصمیم گیری غیرساختارمند و پیچیده استفاده می شود [ 32 ]. به طور گسترده ای در ارزیابی یک خطر زمین شناسی واحد [ 42 ، 43 ] و خطر چندگانه [ 44 ] استفاده شده است.]. مشکلی که این مقاله می خواهد حل کند، تعیین طرح وزن دهی بهینه برای انواع مخاطرات زمین شناسی است. با توجه به بخش کیفی روش AHP، ارائه یک طرح وزن دهی قطعی بر اساس این روش دشوار است. بنابراین، روش AHP برای ایجاد چندین طرح وزن دهی معقول و قابل اعتماد برای فروپاشی، زمین لغزش و جریان زباله برای ارائه گزینه هایی برای طرح وزن دهی بهینه استفاده شد. هدف روش AHP ارزیابی منطقی و دقیق از اهمیت نسبی مخاطرات زمین شناسی است. مراحل مشخص به شرح زیر است.
(آ)
ایجاد یک مدل ساختار سلسله مراتبی. در این مقاله هدف از بکارگیری روش AHP به دست آوردن وزن های فروریزش، زمین لغزش و جریان آوار می باشد. مدل پایه یک سلسله مراتب تحلیلی اتخاذ شد که می توان آن را به دو لایه تقسیم کرد: لایه هدف و لایه معیار.
(ب)
تعریف اهمیت نسبی. این بخش کیفی AHP است. به منظور اجتناب از مقایسه های پیچیده چند عاملی، AHP عوامل را به صورت جفت مقایسه می کند تا دقت مقایسه را بهبود بخشد. ساتی [ 45 ] از یک مقیاس نه نقطه ای برای انجام فرآیند مقایسه زوجی استفاده کرد. تعریف اهمیت مقایسه ای در جدول 1 نشان داده شده است. از آنجایی که هدف تحقیق این مقاله سه خطر مختلف زمین‌شناسی است، در عین حال، برای جلوگیری از بزرگ یا کوچک بودن وزن یک خطر زمین‌شناسی، سه مقیاس اهمیت نسبی مجاور 1، 2 و 3 را انتخاب کردیم. .
(ج)

ایجاد ماتریس قضاوت فرمول به شرح زیر است.

A =(آمن ج)n × n،آمن ج> 0 ،آمن ج=1آj iآ=(آمن�)�×�،آمن�>0،آمن�=1آ�من

که در آن ij نسبت اهمیت نسبی بین دو عامل است و مقدار آن از جدول 1 به دست آمده است.

(د)
رتبه بندی سلسله مراتبی و بررسی سازگاری آن. بردار ویژه مربوط به بزرگترین مقدار ویژه λmax ماتریس قضاوت نرمال شد (مجموع عناصر در بردار 1 است) و سپس به عنوان W ثبت شد. عنصر W وزن مرتب سازی اهمیت نسبی عنصر در همان سطح به فاکتور سطح بالا. به این فرآیند رتبه بندی سلسله مراتبی می گویند. برای بررسی اینکه آیا در فرآیند تعیین اهمیت نسبی تناقض وجود دارد، فرآیند بررسی سازگاری ضروری است و فرمول به شرح زیر است.
C I =λm a xn – 1سیمن=�مترآایکس�-1

که در آن CI شاخص سازگاری است، λ max حداکثر مقدار ویژه ماتریس قضاوت A و n ترتیب ماتریس قضاوت است.

C R =C IR Iسیآر=سیمنآرمن

که در آن RI میانگین همسانی تصادفی است و با ترتیب ماتریس قضاوت مرتبط است. مقدار را می توان از جدول 2 بدست آورد . CR نسبت سازگاری است و برای جلوگیری از ایجاد هرگونه قضاوت اتفاقی در ماتریس استفاده می شود. اگر CR  < 0.1، ماتریس قضاوت سازگاری خوبی با قضاوت معقول دارد. در غیر این صورت، ماتریس قضاوت نیاز به تجدید نظر دارد تا زمانی که آزمون سازگاری برآورده شود [ 46 ].

3.8. روش FR

برای یافتن طرح وزن دهی بهینه از طرح های وزن دهی چندگانه ارائه شده توسط روش AHP، یک روش ارزیابی که بتواند اهمیت فروپاشی، لغزش زمین و جریان آوار را مقایسه و رتبه بندی کند، باید ایجاد شود. در عین حال، طرح وزن دهی بهینه برای فروریزش، زمین لغزش و جریان زباله باید با توجه به ویژگی های منطقه مورد مطالعه برای کاربرد بهتر تعیین شود. روش FR، که به طور گسترده برای ایجاد رابطه بین عوامل شرطی‌سازی که منطقه مورد مطالعه را مشخص می‌کند و وقوع خطرات زمین‌شناسی [ 33 ] مورد استفاده قرار گرفت، در این مقاله به کار گرفته شد. فرمول محاسبه نسبت فرکانس سطح معینی از یک عامل شرطی به شرح زیر است.

F R =آمن/آt o tبمن/بt o tافآر=آمن/آتی�تیبمن/بتی�تی

که در آن زیرنویس i کلاس i را برای هر عامل شرطی‌سازی نشان می‌دهد ، A i نشان‌دهنده تعداد نمونه‌های خطر موجود در کلاس i یک عامل شرطی‌سازی، A tot نشان‌دهنده تعداد کل نمونه‌های خطر در منطقه مورد مطالعه است، Bi است. تعداد کل پیکسل های موجود در کلاس i یک عامل شرطی و B کلتعداد کل پیکسل های منطقه مورد مطالعه است. یک مقدار FR بزرگتر نشان می دهد که مقدار گروه بندی یک عامل شرطی برای وقوع خطرات زمین شناسی مربوطه مساعدتر است. هنگامی که یک خطر زمین شناسی خاص به مقادیر FR بزرگتر در گروه های متعدد یک عامل تهویه دست یافته باشد و این گروه ها بیشتر منطقه مورد مطالعه را اشغال کرده باشند، از منظر این عامل شرطی، باید به این خطر زمین شناسی وزن بیشتری داده شود. از طریق تجزیه و تحلیل همه عوامل شرطی، می توان طرح وزن دهی بهینه را به دست آورد.

3.9. روش روی هم قرار دادن نقشه های حساسیت

پس از به دست آوردن نقشه های حساسیت ریزش، زمین لغزش و جریان واریزه و طرح های وزن دهی بر اساس روش AHP، می توان نقشه های حساسیت خطرات متعدد زمین شناسی را انجام داد. مشکل اصلی در یک نقشه سنتز شده، واحدهای مرجع متمایز از همه آن خطرات مختلف است. یکی از راه‌های غلبه بر این مشکل، طبقه‌بندی نقشه‌های مخاطره منفرد است و نقشه حساسیت خطرات زمین‌شناسی متعدد از روی هم قرار دادن نقشه‌های طبقه‌بندی همه مخاطرات زمین‌شناسی به دست می‌آید [ 47 ].]. در این مقاله، احتمالات تمامی نقشه‌های خطرپذیری منفرد زمین‌شناختی به پنج گروه تقسیم شده و امتیازات برای جمع‌بندی بعدی اختصاص داده شد. گروه های تقسیم شده بسیار کم، کم، متوسط، زیاد و خیلی زیاد نامگذاری شدند. جدول استاندارد امتیازدهی در جدول 3 نشان داده شده است. واضح است که فرآیند جمع‌بندی چندین نقشه طبقه‌بندی خطر زمین‌شناسی بر اساس طرح‌های وزن‌دهی ارائه‌شده توسط روش AHP بود.
فلوچارت که روش مورد استفاده در این مطالعه را نشان می دهد در شکل 4 نشان داده شده است.

4. نتایج

4.1. نتایج روش IGR

در این مقاله از روش IGR برای تحلیل توانایی پیش‌بینی عوامل شرطی‌سازی استفاده شده است. نتایج در شکل 5 نشان داده شده است. به طور کلی، همه عوامل شرطی‌سازی درجات مختلفی از توانایی پیش‌بینی را برای سه نوع خطر زمین‌شناسی نشان داده‌اند (IGR > 0). عوامل تهویه‌کننده سنگ‌شناسی و فاصله تا جاده‌ها بیشترین سهم را در پیش‌بینی فروریزش و لغزش دارند در حالی که مهم‌ترین عوامل تهویه‌کننده برای جریان زباله ارتفاع و فاصله تا جاده‌ها هستند. با در نظر گرفتن مجموع عوامل شرطی‌سازی، می‌توان دریافت که عوامل تهویه‌کننده جریان واریزه‌ای قوی‌ترین توانایی پیش‌بینی را داشتند، در حالی که عوامل شرطی‌سازی زمین لغزش بدترین عملکرد را از خود نشان دادند.

4.2. نقشه های اساسی حساسیت زمین شناسی خطرات

نقشه های حساسیت فروریزش، لغزش زمین و جریان زباله در شکل 6 نشان داده شده است. به منظور آزمایش دقت طبقه‌بندی نقشه حساسیت، مقادیر گروه‌بندی نمونه‌های ریزش، زمین لغزش و جریان آوار بر روی نقشه‌های حساسیت مربوطه شمارش شد. نتایج در جدول 4 نشان داده شده است. نتایج نشان داد که تنها چند نمونه از خطرات زمین شناسی به اشتباه طبقه بندی شده اند. در مجموع، 90.8 درصد از نمونه های فروریختگی، 91.8 درصد از نمونه های زمین لغزش، و 95.5 درصد از نمونه های جریان آوار به عنوان متوسط ​​یا بالاتر طبقه بندی شدند.

4.3. ارزیابی عملکرد مدل با استفاده از منحنی‌های ROC

منحنی های ROC و مقادیر AUC با استفاده از داده های آموزشی در شکل 7 نشان داده شده است . علاوه بر این، نتایج با استفاده از داده های اعتبارسنجی در شکل 8 نشان داده شده است. برای تحقیق بر روی نقشه‌برداری حساسیت مخاطرات زمین‌شناسی منطقه‌ای، توانایی تعمیم معمولاً یکی از مهم‌ترین شاخص‌ها است. در این مقاله، مقادیر AUC به‌دست‌آمده بر اساس داده‌های اعتبارسنجی به‌عنوان ابزاری مؤثر برای آزمایش توانایی تعمیم مدل‌ها استفاده شد. نتایج نشان داد که همه مدل‌ها عملکرد بسیار خوبی در داده‌های اعتبارسنجی (0.8 <AUC <0.9) به دست آورده‌اند که توانایی تعمیم قوی را نشان می‌دهد. در مقایسه سه مدل، در داده‌های اعتبارسنجی، مدل فروپاشی و مدل جریان آشغال رفتار مشابهی داشتند، در حالی که مدل لغزش عملکرد کمی بدتر نشان داد.

4.4. طرح های وزن دهی

در این مقاله، طرح های وزن دهی برای فروریزش، زمین لغزش و جریان واریزه بر اساس روش AHP به دست آمد. بر اساس مقیاس اهمیت نسبی انتخاب شده از 1 تا 3، ماتریس قضاوت مربوطه را می توان ایجاد کرد. در تمام ماتریس‌های قضاوت ممکن، به منظور جلوگیری از وزن یک خطر زمین‌شناسی منفرد، خیلی بزرگ یا خیلی کوچک، ترکیب‌های اهمیت نسبی 1، 1، 3 و 1، 3، 3 در نظر ما نیستند. با توجه به ترکیب‌های اهمیت نسبی باقی‌مانده، چهار ماتریس قضاوت مختلف ایجاد شد. ماتریس های قضاوت در جدول 5 و مقادیر CR در جدول 6 نشان داده شده استنشان می دهد که همه ماتریس های قضاوت آزمون سازگاری را گذرانده اند (CR <0.1). از آنجایی که خود روش AHP نمی تواند اهمیت فروپاشی، زمین لغزش و جریان زباله را مقایسه و رتبه بندی کند، پس از یک سری جایگشت و ترکیب، در مجموع 13 طرح وزن دهی پیشنهاد شده است ( جدول 6 ). طرح های وزن دهی af بر اساس ماتریس قضاوت A1 به دست آمد. طرح وزن دهی gi با ماتریس قضاوت A2 مطابقت دارد. طرح وزن دهی jl از ماتریس قضاوت A3 مشتق شده است. طرح وزنی m حاصلضرب ماتریس قضاوت A4 است. 13 طرح وزن دهی نشان داده شده در جدول 6با چهار وضعیت زیر مطابقت دارد: (1) اهمیت سه خطر زمین شناسی همه متفاوت بود. (2) دو مورد از سه خطر زمین شناسی اهمیت یکسانی داشتند و مورد باقی مانده اهمیت بیشتری داشت. (3) دو مورد از سه خطر زمین شناسی اهمیت یکسانی داشتند و مورد باقی مانده اهمیت کمتری داشت. (4) اهمیت سه خطر زمین شناسی همه یکسان بود. طرح های وزن دهی از تمرکز بیش از حد وزن جلوگیری کردند. برای یک خطر زمین شناسی، حداکثر وزن ممکن 0.539 و حداقل وزن ممکن 0.164 است.

4.5. چندین نقشه حساسیت زمین شناسی خطرات

به منظور سهولت استفاده از نمونه‌های مخاطرات زمین‌شناسی شناخته شده برای ارزیابی کیفیت نقشه‌های متعدد حساسیت زمین‌شناسی، نقشه‌های خطرپذیری متعدد زمین‌شناسی به پنج گروه مانند نقشه‌های خطرپذیری اساسی زمین‌شناسی به نام‌های بسیار کم، کم، متوسط، زیاد و بالا تقسیم شدند. بسیار بالا نقشه های حساسیت چندگانه در شکل 9 نشان داده شده است. نسبت نواحی با حساسیت متفاوت مربوط به طرح های وزن دهی سیزده در جدول 7 نشان داده شده است.. نتایج نشان داد که مناطقی که به عنوان بسیار مرتفع یا مرتفع طبقه بندی شده اند، همگی در نزدیکی رودخانه یانزی متمرکز شده اند. در مورد نسبت نواحی با حساسیت‌های مختلف، بیشتر مناطق به‌عنوان بسیار کم یا کم و تنها بخش کوچکی از مناطق به‌عنوان خیلی زیاد یا زیاد طبقه‌بندی شدند.
در این مقاله از روش FR برای تعیین طرح وزن دهی بهینه استفاده شده است. رابطه فضایی بین هر خطر زمین شناسی و عوامل شرطی سازی در جدول 8 نشان داده شده است. نسبت فرکانس فروپاشی، لغزش زمین و جریان زباله در جدول 9 نشان داده شده است.. برای ارتفاع عامل شرطی سازی، در سطح 1300-1600 متر و سطح 1600-1900 متر که 8/58 درصد از کل منطقه مورد مطالعه را به خود اختصاص داده است، نسبت فراوانی زمین لغزش ها بیشتر از فروریزش است. در سطح <1000 متر، 1300-1600 متر، 1600-1900 متر، و > 1900 متر، که 78.2٪ از کل منطقه مورد مطالعه را اشغال می کند، نسبت فراوانی ریزش بیشتر یا برابر با جریان زباله است. می توان نتیجه گرفت که از منظر ارتفاع، بیشتر کل منطقه مورد مطالعه بیشترین مساعد را برای وقوع زمین لغزش و به دنبال آن ریزش و کمترین مساعد را برای وقوع جریان آوار داشته است. برای پنج عامل شرطی‌سازی شامل شیب، انحنای صفحه، انحنای پروفیل، NDVI و فاصله تا رودخانه‌ها، می‌توان همین نتیجه را گرفت. برای جنبه عامل شرطی، توالی غالب این سه خطر زمین شناسی در منطقه مورد مطالعه، ریزش، جریان زباله و رانش زمین است. برای دو عامل شرطی‌سازی سنگ‌شناسی و فاصله تا جاده‌ها، بیشتر منطقه مورد مطالعه بیشترین مساعد را برای وقوع ریزش داشت، پس از آن رانش زمین و کمترین مساعد را برای وقوع جریان آوار داشت. در خصوص عوامل شرطی سازی TWI و فاصله تا گسل ها، وقوع جریان واریزه در بیشتر محدوده مورد مطالعه و پس از آن زمین لغزش بیشترین مزیت را دارد. وقوع ریزش در بیشتر منطقه مورد مطالعه غالب نیست. با مقایسه سه نوع خطر زمین شناسی به صورت جفت، زیر 8 عامل از 11 عامل شرطی، زمین لغزش موقعیت مطلوبی نسبت به ریزش در بیشتر کل منطقه مورد مطالعه داشت. در همان زمان، کمتر از 9 عامل از 11 عامل شرطی، احتمال وقوع ریزش در بیشتر کل منطقه مورد مطالعه بیشتر از جریان زباله بود. بنابراین، زمین لغزش باید بیشترین وزن و به دنبال آن فروریختن و جریان زباله باید کمترین وزن را داشته باشد. طرح وزن دهی d inجدول 6 طرح وزن دهی بهینه برای این منطقه مورد مطالعه است.
بر اساس طرح وزن دهی بهینه، نقشه حساسیت خطر چندگانه زمین شناسی مربوطه تعیین شد. تمام نمونه های خطر زمین شناسی شناخته شده برای ارزیابی این نقشه حساسیت شمارش شدند. مقادیر گروه‌بندی نمونه‌های ریزش، زمین لغزش و جریان زباله بر روی نقشه حساسیت بهینه خطر زمین‌شناسی در جدول 10 نشان داده شده است.. نتایج نشان داد که تنها چند نمونه از خطرات زمین شناسی به اشتباه طبقه بندی شده اند. در مجموع، 92.3 درصد از نمونه های فروریختگی، 90.1 درصد از نمونه های زمین لغزش، و 95.5 درصد از نمونه های جریان زباله به عنوان متوسط ​​یا بالاتر طبقه بندی شدند. در نتیجه، نقشه‌های متعدد حساسیت خطرات زمین‌شناختی مربوط به طرح وزن‌دهی بهینه، به طبقه‌بندی با دقت بالایی از نمونه‌های ریزش، لغزش، و جریان زباله دست یافتند که قابلیت اطمینان روش تعیین وزن پیشنهاد شده در این مقاله را بیشتر تأیید کرد.

5. بحث

5.1. ارزیابی عوامل شرطی سازی

ارزیابی عوامل شرطی‌سازی در مطالعه نقشه‌برداری حساسیت خطرات زمین‌شناسی بسیار مهم است [ 5 ]. برای ارزیابی توانایی پیش‌بینی عوامل شرطی از روش IGR استفاده شد. مطالعات قبلی نشان داده‌اند که عوامل شرطی‌سازی با توانایی پیش‌بینی قوی معمولاً ارتباط نزدیکی با شکل‌گیری خطرات زمین‌شناسی دارند [ 48 ]]. عوامل تهویه‌کننده سنگ‌شناسی و فاصله تا جاده‌ها نقش مهمی در پیش‌بینی فروریزش و لغزش داشتند که نشان‌دهنده مکانیسم شکل‌گیری مشابه فروریزش و لغزش است. (1) سنگهای دگرگونی شکسته و نرم باعث ناپایداری در مناطق مستعد ریزش و رانش زمین شدند. (2) فعالیت های مکرر انسان در نزدیکی جاده ها باعث شد که سنگ و خاک پایداری خود را از دست بدهند. برای جریان زباله، به نظر می‌رسد ارتفاع عامل شرطی‌سازی بیشترین سهم را داشته باشد که نشان‌دهنده اهمیت توپوگرافی برای تشکیل جریان زباله است. همانطور که در جدول 8 نشان داده شده است ، نمونه های جریان زباله بیشتر در گروه ارتفاع پایین 1000-1300 متر متمرکز شده اند و ارتفاع پایین ممکن است مربوط به توپوگرافی شیب دره باشد که در اثر فرسایش رودخانه شکل گرفته است [ 18 ].
بر اساس فرمول روش IGR، هر چه تفاوت بین نمونه های یک خطر خاص زمین شناسی و نمونه های مخاطرات غیر زمین شناسی بیشتر باشد، توانایی پیش بینی عوامل شرطی سازی چنین خطرات زمین شناسی قوی تر است. نتایج نشان می‌دهد که عوامل شرطی‌سازی جریان واریزه‌ها قوی‌ترین توانایی پیش‌بینی را دارند، یعنی مناطق مستعد جریان زباله و مناطق غیرخطر زمین‌شناختی بیشترین تفاوت را نشان دادند که با نتیجه روش FR مطابقت دارد. کمترین مستعد وقوع در اکثر مناطق مورد مطالعه است زیرا مناطق غیرزمینی خطر می توانند بیشتر منطقه مورد مطالعه را به خوبی نشان دهند. برعکس،

5.2. ارزیابی عملکرد مدل

در مطالعات قبلی، مقدار AUC در داده های اعتبارسنجی اغلب تنها شاخص برای ارزیابی یک مدل است [ 15 ]. با این حال، مقدار AUC تنها بازتابی از نرخ صحیح طبقه‌بندی مدل است و ارزیابی دقیق نتایج پیش‌بینی مدل غیرممکن است. در این مقاله، تفاوت مقدار AUC بین مدل فروپاشی و مدل جریان زباله بسیار کم است، بنابراین تشخیص اینکه کدام مدل بهتر است دشوار است. به این ترتیب جدول آمار طبقه بندی نمونه های شناخته شده معرفی شد. همانطور که در جدول 4 نشان داده شده استدر مقایسه با مدل فروپاشی، مدل جریان زباله می‌تواند نسبت بیشتری از نمونه‌های خطر زمین‌شناسی را بالا یا بسیار زیاد پیش‌بینی کند که عملکرد مدل بهتری را نشان می‌دهد. مدل زمین لغزش بدترین مدلی است که از مقدار AUC یا از جدول آمار طبقه بندی نمونه استفاده می کند.
با مقایسه نتایج روش IGR و عملکرد مدل‌ها، می‌توان دریافت که هرچه توانایی پیش‌بینی عوامل شرطی‌سازی قوی‌تر باشد، عملکرد مدل بهتر است و اهمیت داده‌های ورودی با کیفیت بالا برای مدل‌های یادگیری ماشین را نشان می‌دهد. .

5.3. تعیین طرح وزن بهینه

انجام یک ارزیابی جامع حساسیت در مناطق مستعد خطرات زمین شناسی متعدد بسیار مهم است. سان و همکاران [ 25 ] چهار نقشه منفرد حساسیت خطر زمین شناسی را بر اساس اصل بشکه برای دستیابی به یک ارزیابی جامع ترکیب کرد. با استفاده از این روش، نقشه جامع هیچ منطقه ای با حساسیت بالا را از دست نخواهد داد. با این حال، این روش نمی تواند تفاوت ها را در برخی شرایط تشخیص دهد. به عنوان مثال، یک منطقه با حساسیت بالا تنها به یک نوع خطر زمین شناسی و یک منطقه با حساسیت بالا در برابر خطرات زمین شناسی متعدد، نتایج یکسانی را در یک نقشه جامع نشان می دهد. به طور کلی، این روش به طور موثر از دست کم گرفتن مناطق پرخطر جلوگیری می کند، اما دقت نقشه جامع را نیز کاهش می دهد. باترلوس و همکاران [ 26] بر اساس یک طرح وزنی به دست آمده با روش AHP، سه نقشه حساسیت خطر زمین شناسی منفرد را بر روی هم قرار داد. با این حال، روش AHP دارای برخی محدودیت های واضح است. یکی از مهمترین مشکلات عدم قطعیت این روش است که ممکن است از انتخاب، مقایسه و رتبه بندی عوامل متعدد رخ دهد [ 49 ].]. در این مقاله از روش FR برای حل محدودیت اصلی و به دست آوردن بیشتر طرح وزن دهی بهینه استفاده شده است. از طریق تجزیه و تحلیل روش FR، توالی غالب فروریزش، لغزش، و جریان آوار که در اکثر مناطق مورد مطالعه قابل استفاده است، به دست می‌آید. مشاهده می‌شود که روش FR می‌تواند فرآیند مقایسه و رتبه‌بندی چندعاملی را بر اساس داده‌های عینی تکمیل کند که به طور موثر عدم قطعیت روش AHP را کاهش داد. نتایج نشان داد که این روش برای تعیین طرح وزن بهینه بسیار مؤثر است. همانطور که در جدول 10 نشان داده شده استنقشه حساسیت چندگانه خطرات زمین‌شناسی بر اساس طرح وزن‌دهی بهینه، طبقه‌بندی با دقت بالایی را از تمام نمونه‌های خطر زمین‌شناسی انجام داد که نشان‌دهنده کیفیت بالای این نقشه حساسیت چندگانه خطرات زمین‌شناسی است.

5.4. محدودیت ها

در این مقاله عمدتاً محدودیت های زیر وجود دارد. (1) حساسیت به خطرات زمین شناسی بر اساس الگوریتم SVM به دست آمد. الگوریتم‌های مختلف حساسیت به خطرات زمین‌شناسی معمولاً عملکرد متفاوتی دارند، بنابراین باید از الگوریتم‌های بیشتری برای تحقیقات برای بهبود کیفیت ارزیابی حساسیت به خطرات زمین‌شناسی استفاده شود. (2) تعیین طرح وزن دهی بهینه یک فرآیند پیچیده است، بنابراین عوامل بیشتری را می توان برای تعیین طرح وزن دهی بهینه در نظر گرفت.

6. نتیجه گیری

هدف از این مقاله ایجاد روشی برای تعیین طرح وزن‌دهی بهینه برای نقشه‌برداری خطرات متعدد زمین‌شناسی است. ابتدا از روش IGR برای ارزیابی عملکرد مدل استفاده شد و از الگوریتم SVM برای به دست آوردن نقشه های حساسیت فروریزش، لغزش زمین و جریان آوار استفاده شد. متعاقباً از روش ROC و نتایج پیش‌بینی نمونه‌های مخاطرات زمینی برای ارزیابی عملکرد مدل‌ها استفاده شد. سپس از روش AHP برای تولید طرح های وزن دهی ممکن و معقول استفاده شد. در نهایت از روش FR برای تعیین طرح وزن دهی بهینه استفاده شد. مشخص شد که: (1) توانایی پیش‌بینی عوامل شرطی‌سازی مخاطرات مختلف زمین‌شناسی نشان داد که فعالیت‌های انسانی و سنگ‌های دگرگونی شکسته نقش مهمی در شکل‌گیری ریزش‌ها و لغزش‌ها ایفا می‌کنند، در حالی که توپوگرافی شیب دره مرتبط با ارتفاع کم بیشترین سهم را در تشکیل و توسعه جریان زباله در این منطقه مورد مطالعه. همچنین مشخص شد که: (2) عملکرد مدل های یادگیری ماشین به شدت به کیفیت داده های ورودی بستگی دارد. هرچه توانایی پیش‌بینی عوامل شرطی‌سازی قوی‌تر باشد، عملکرد مدل بهتر است. در نهایت، مشخص شد که: (3) با معرفی روش FR برای کاهش عدم قطعیت روش AHP، یک طرح وزن‌دهی بهینه که می‌تواند نقشه‌های حساسیت چندگانه خطر زمین‌شناسی با کیفیت بالا تولید کند، می‌تواند به دست آید.

منابع

  1. وانگ، جی جی. یین، KL; Xiao، LL ارزیابی حساسیت زمین لغزش بر اساس GIS و ارزش اطلاعات وزنی: مطالعه موردی منطقه Wanzhou، مخزن سه دره. چانه. جی. راک مکانیک. مهندس 2014 ، 33 ، 797-808. [ Google Scholar ] [ CrossRef ]
  2. رایشنباخ، پ. روسی، ام. ملامود، بی. میهیر، م. Guzzetti، F. مروری بر مدل‌های حساسیت زمین لغزش مبتنی بر آمار. علوم زمین Rev. 2018 , 180 , 60-91. [ Google Scholar ] [ CrossRef ]
  3. کرومیناس، جی. ون وستن، سی. فراتینی، پ. کازینی، 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 2014 ، 73 ، 209-263. [ Google Scholar ] [ CrossRef ]
  4. یائو، ایکس. تام، ال جی؛ Dai، FC نگاشت حساسیت زمین لغزش بر اساس ماشین بردار پشتیبان: مطالعه موردی در دامنه های طبیعی هنگ کنگ، چین. ژئومورفولوژی. 2008 ، 101 ، 572-582. [ Google Scholar ] [ CrossRef ]
  5. چانگ، KT; مرغدی، ع. یونس، AP; فام، بی تی؛ Dou, J. ارزیابی اثرات مقیاس متغیرهای توپوگرافی در مدل‌های حساسیت زمین لغزش با استفاده از تکنیک‌های یادگیری ماشین مبتنی بر GIS. علمی جمهوری 2019 ، 9 ، 12296. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. نگوین، MD؛ فام، بی تی؛ تویین، تی. ین، HPH؛ پراکاش، آی. Thanh، تلویزیون; چاپی، ک. شیرزادی، ع. شهابی، ح. دو، جی. و همکاران توسعه یک رویکرد هوش مصنوعی برای پیش‌بینی ضریب تحکیم خاک نرم: تحلیل حساسیت. Open Constr. ساختن. تکنولوژی 2019 ، 13 . [ Google Scholar ] [ CrossRef ]
  7. فام، بی تی؛ پراکاش، آی. دو، جی. سینگ، SK; Trinh، PT; Tran، HT; Le, TM; Van, PT; خوی، DK; 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. 2019 ، 35 ، 1-25. [ Google Scholar ] [ CrossRef ]
  8. Tien، BD; شیرزادی، ع. شهابی، ح. گیرتسما، م. امیدوار، ای. کلگ، جی جی. تای فام، بی. دو، جی. طالب پور، م. بن احمد، بی. و همکاران مدل‌های گروهی جدید برای مدل‌سازی حساسیت زمین لغزش کم عمق در یک حوزه آبخیز نیمه خشک. Forests 2019 , 10 , 743. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. برگسترا، جی. یامینز، دی. Cox، DD ساخت علم جستجوی مدل: بهینه سازی فراپارامتر در صدها بعد برای معماری ویژن. در مجموعه مقالات سی امین کنفرانس بین المللی یادگیری ماشین، آتلانتا، جنرال الکتریک، ایالات متحده آمریکا، 16 تا 21 ژوئن 2013. [ Google Scholar ]
  10. خسروی، ک. شهابی، ح. فام، بی تی؛ آداموفسکی، جی. شیرزادی، ع. پرادان، بی. دو، جی. Ly، HB; گروف، جی. هو، اچ ال. و همکاران ارزیابی مقایسه‌ای مدل‌سازی حساسیت سیل با استفاده از روش‌های تحلیل تصمیم‌گیری چند معیاره و یادگیری ماشینی. جی هیدرول. 2019 ، 573 ، 311-323. [ Google Scholar ] [ CrossRef ]
  11. فام، بی تی؛ شیرزادی، ع. Tien، BD; پراکاش، آی. Dholakia، MB یک رویکرد مجموعه یادگیری ماشین ترکیبی مبتنی بر شبکه عصبی تابع پایه شعاعی و جنگل چرخشی برای مدل‌سازی حساسیت زمین لغزش: مطالعه موردی در منطقه هیمالیا، هند. بین المللی J. Sediment Res. 2018 ، 33 ، 157-170. [ Google Scholar ] [ CrossRef ]
  12. چن، دبلیو. Xie، X. پنگ، جی. وانگ، جی. دوان، ز. مدل‌سازی حساسیت زمین لغزش مبتنی بر GIS: یک ارزیابی مقایسه‌ای از رگرسیون لجستیک هسته، درخت ساده‌لوحانه-بایز و مدل‌های درخت تصمیم متناوب. Geomat. نات. هاز ریسک 2017 ، 8 ، 950-973. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. وانگ، ال جی. گو، ام. سوادا، ک. لین، جی. Zhang، J. مطالعه مقایسه ای نقشه های حساسیت زمین لغزش با استفاده از رگرسیون لجستیک، نسبت فرکانس، درخت تصمیم، وزن شواهد و شبکه عصبی مصنوعی. Geosci. J. 2016 ، 20 ، 117-136. [ Google Scholar ] [ CrossRef ]
  14. هونگ، اچ. پرادان، بی. نعمه جبور، م. تین بوی، دی. خو، سی. آکگون، الف. پیش‌بینی فضایی خطر زمین لغزش در منطقه لوکسی (چین) با استفاده از ماشین‌های بردار پشتیبان. محیط زیست علوم زمین 2016 ، 75 ، 40. [ Google Scholar ] [ CrossRef ]
  15. لیانگ، ز. وانگ، سی ام؛ هان، SL; کلیم، UJK; Liu, YA طبقه بندی و ارزیابی حساسیت جریان زباله بر اساس یک روش نیمه کمی ترکیبی از الگوریتم C-means فازی، تحلیل عاملی و ضریب کارایی. نات. سیستم خطرات زمین. علمی 2020 ، 20 ، 1287-1304. [ Google Scholar ] [ CrossRef ]
  16. اوه، HJ; لی، اس. مدل‌سازی حساسیت زمین لغزش کم عمق با استفاده از مدل‌های داده کاوی شبکه عصبی مصنوعی و درخت تقویت‌شده. Appl. علمی 2017 ، 7 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. فام، بی تی؛ نگوین-توی، تی. Qi، CC؛ فونگ، تلویزیون؛ دو، جی. Lanh، SH; Hiep، VL; پراکاش، I. جفت کردن شبکه عصبی RBF با تکنیک های یادگیری گروهی برای نقشه برداری حساسیت زمین لغزش. Catena 2020 , 195 , 104805. [ Google Scholar ] [ CrossRef ]
  18. مرغدی، ع. یونس، AP; دو، جی. وایتلی، جی. تایلندی، PB; Bui، DT; آوتار، ر. Abderrahmane، B. روش های یادگیری ماشین برای مطالعات حساسیت زمین لغزش: مروری مقایسه ای عملکرد الگوریتم. علوم زمین Rev. 2020 , 207 , 103225. [ Google Scholar ] [ CrossRef ]
  19. گروبر، FE; Mergili، M. تجزیه و تحلیل مقیاس منطقه ای شاخص های چند خطر و خطر کوهستانی در پامیر (تاجیکستان) با GRASS GIS. نات. سیستم خطرات زمین. علمی 2013 ، 13 ، 2779-2796. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. مارزوکی، دبلیو. گارسیا آریستیزبال، ا. گاسپارینی، پ. Mastellone، ML; دی، RA اصول اساسی ارزیابی چند خطر: مطالعه موردی در ایتالیا. نات. خطرات 2012 ، 62 ، 551-573. [ Google Scholar ] [ CrossRef ]
  21. تیت، ای. کاتر، SL; بری، ام. نقشه برداری چند خطری یکپارچه. محیط زیست برنامه ریزی کنید. ب برنامه ریزی دس 2010 ، 37 ، 646-663. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. گالینا، وی. تورسان، اس. کریتو، آ. اسپروتو، ا. گلید، تی. مارکومینی، A. مروری بر روش‌های چند ریسکی برای مخاطرات طبیعی: پیامدها و چالش‌ها برای ارزیابی تأثیر تغییرات آب و هوا. جی. محیط زیست. مدیریت 2016 ، 168 ، 123-132. [ Google Scholar ] [ CrossRef ]
  23. کارپیگنانو، آ. گلیا، ای. دی، ام سی; بوشون، اس. Nordvik، JP یک رویکرد روش شناختی برای تعریف نقشه های چند خطر در سطح منطقه ای: اولین کاربرد. J. Risk Res. 2009 ، 12 ، 513-534. [ Google Scholar ] [ CrossRef ]
  24. ژانگ، ال. Zhang، S. رویکردهای ارزیابی خطر زمین لغزش چند خطر. در مجموعه مقالات کنفرانس ژئوریسک، دنور، CO، ایالات متحده آمریکا، 4 تا 7 ژوئن 2017. [ Google Scholar ]
  25. سان، ال. مک.؛ لی، ی. ارزیابی حساسیت خطرات چندگانه ژئومحیطی: مطالعه موردی در شهرستان لوونینگ، استان هنان، چین. Geomat. نات. خطرات خطر. 2019 ، 10 ، 2009–2029. [ Google Scholar ] [ CrossRef ]
  26. Bathrellos، GD; Skilodimou، HD; چوسیانیتیس، ک. یوسف، ع.م. پرادان، ب. برآورد مناسب برای توسعه شهری با استفاده از نقشه ارزیابی چند خطر. علمی کل محیط. 2017 ، 575 ، 119-134. [ Google Scholar ] [ CrossRef ]
  27. بله، ZN; یانگ، کیو. لی، کیو. Zhang، XH ویژگی های زمین لغزش و ارزیابی خطر در حوضه رودخانه یانزی. J. Liaoning Tech. دانشگاه (Nat. Sci.) 2020 ، 39 ، 145-151. [ Google Scholar ] [ CrossRef ]
  28. یانگ، کیو. YE، ZN; گائو، ییل. لی، کیو. دینگ، مجموعه داده WC از بررسی خطرات جغرافیایی 2015 حوضه رودخانه یانزی، بالادست رودخانه جیالینگ. جئول چین. 2018 ، 45 ، 156-167. [ Google Scholar ]
  29. یانگ، کیو. وانگ، سی. بله، تجزیه و تحلیل ZN در توسعه خطر زمین شناسی و حالت شکست در حوضه رودخانه یانزی. J. Eng. جئول 2019 ، 27 ، 289-295. [ Google Scholar ] [ CrossRef ]
  30. 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 ]
  31. وارنس، دی‌جی منطقه‌بندی خطر زمین لغزش: مروری بر اصول و تمرین . سازمان ملل متحد: پاریس، فرانسه، 1984; پ. 63. [ Google Scholar ]
  32. پورقاسمی، HR; محمدی، م. پرادهان، ب. نقشه‌برداری حساسیت زمین لغزش با استفاده از شاخص آنتروپی و مدل‌های احتمال شرطی در GIS: حوضه صفارود، ایران. Catena 2012 ، 97 ، 71-84. [ Google Scholar ] [ CrossRef ]
  33. اوه، HJ; پرادان، ب. استفاده از یک مدل عصبی فازی برای نقشه‌برداری حساسیت به زمین لغزش برای زمین لغزش‌های کم عمق در یک منطقه تپه‌ای گرمسیری. محاسبه کنید. Geosci. 2011 ، 37 ، 1264-1276. [ Google Scholar ] [ CrossRef ]
  34. پورقاسمی، HR; جیرنده، AG; پرادان، بی. خو، سی. نقشه‌برداری حساسیت زمین لغزش با استفاده از ماشین بردار پشتیبان و GIS در استان گلستان، ایران. J. Earth Syst. علمی 2013 ، 122 ، 349-369. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. Bui، DT; هو، TC; پرادان، بی. فام، بی تی؛ Nhu، VH; Revhaug، I. مدل‌سازی مبتنی بر GIS لغزش‌های ناشی از بارندگی با استفاده از طبقه‌بندی درختان عملکردی مبتنی بر داده‌کاوی با چارچوب‌های AdaBoost، Bagging، و MultiBoost. محیط زیست علوم زمین 2016 ، 75 ، 22. [ Google Scholar ] [ CrossRef ]
  36. دو، جی. یونس، AP; Bui، DT; مرغدی، ع. ساهانا، م. Zhu، ZF; چن، CW; هان، ز. فام، بی‌تی ارزیابی لغزش را با استفاده از ماشین بردار پشتیبان با چارچوب یادگیری ماشینی جمع‌آوری، تقویت و انباشتن در یک حوضه کوهستانی، ژاپن بهبود بخشید. رانش زمین 2020 ، 17 ، 641-658 . [ Google Scholar ] [ CrossRef ]
  37. گوزتی، اف. رایشنباخ، پ. آردیزون، اف. کاردینالی، م. گالی، م. برآورد کیفیت مدل های حساسیت زمین لغزش. ژئومورفولوژی 2006 ، 81 ، 166-184. [ Google Scholar ] [ CrossRef ]
  38. گوزتی، اف. گالی، م. رایشنباخ، پ. آردیزون، اف. Cardinali، M. ارزیابی خطر زمین لغزش در منطقه Collazzone، Umbria، مرکزی ایتالیا. نات. خطر. سیستم زمین علمی 2006 ، 6 ، 115-131. [ Google Scholar ] [ CrossRef ]
  39. 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 ، 70-80. [ Google Scholar ] [ CrossRef ]
  40. پروست، اف. Fawcett, T. طبقه بندی قوی برای محیط های غیر دقیق. ماخ فرا گرفتن. 2001 ، 42 ، 203-231. [ Google Scholar ] [ CrossRef ]
  41. چن، دبلیو. پورقاسمی، HR; نقیبی، SA مطالعه مقایسه ای نقشه های حساسیت زمین لغزش تولید شده با استفاده از ماشین بردار پشتیبان با توابع مختلف هسته و مدل های داده کاوی آنتروپی در چین. گاو نر مهندس جئول محیط زیست 2018 ، 77 ، 647-664. [ Google Scholar ] [ CrossRef ]
  42. کارامان، اچ. Erden، T. ایجاد نقشه خطر زلزله خالص و عناصر در معرض خطر (NEaR) برای شهر استانبول از طریق تجزیه و تحلیل تصمیم گیری چند معیاره فضایی. نات. خطرات 2014 ، 73 ، 685-709. [ Google Scholar ] [ CrossRef ]
  43. روزوس، دی. Bathrellos، GD; Skilodimou، HD مقایسه اجرای روش‌های سیستم مهندسی سنگ (RES) و فرآیند تحلیل سلسله مراتبی (AHP)، بر اساس نقشه‌های حساسیت زمین لغزش، تدوین شده در محیط GIS. مطالعه موردی از شهرستان آکایا شرقی پلوپونسوس، یونان. محیط زیست علوم زمین 2011 ، 63 ، 49-63. [ Google Scholar ] [ CrossRef ]
  44. پنگ، SH. شیعه، ام جی; نقشه خطر بالقوه فن، SY برای پیشگیری از بلایا با استفاده از روش ترکیب خطی مبتنی بر GIS و روش سلسله مراتبی تحلیلی. جی. جئوگر. Inf. سیستم 2012 ، 4 ، 403-411. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. Saaty، TL یک روش مقیاس‌بندی برای اولویت‌ها در ساختارهای سلسله مراتبی. ریاضی. روانی 1977 ، 15 ، 234-281. [ Google Scholar ] [ CrossRef ]
  46. Saaty، TL نحوه تصمیم گیری: فرآیند سلسله مراتب تحلیلی. یورو جی. اوپر. Res. 1990 ، 48 ، 9-26. [ Google Scholar ] [ CrossRef ]
  47. دلموناکو، جی. مارگوتینی، سی. Spizzichino، D. روش جدید برای ارزیابی چند ریسک و هماهنگ سازی نقشه های مختلف خطر طبیعی . پروژه آرمونیا: رم، ایتالیا، 2006. [ Google Scholar ]
  48. دای، اف. لی، سی. Ngai، Y. ارزیابی و مدیریت خطر زمین لغزش: یک مرور کلی. مهندس جئول 2002 ، 64 ، 65-87. [ Google Scholar ] [ CrossRef ]
  49. Bathrellos، GD; گاکی پاپاناستاسیو، ک. Skilodimou، HD; اسکیانیس، جی.آ. Chousianitis، KG ارزیابی جامعه روستایی و توسعه کشاورزی با استفاده از عوامل ژئومورفولوژیکی – زمین شناسی و GIS در استان تریکالا (یونان مرکزی). استوک. محیط زیست Res. ریسک A 2013 ، 27 ، 573-588. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00218 g001 550
شکل 1. موقعیت حوضه رودخانه یانزی و نقشه توزیع خطرات زمین شناسی (منبع: مجموعه داده های بررسی مخاطرات جغرافیایی 2015 حوضه رودخانه یانزی، بالادست رودخانه جیالینگ).
Ijgi 10 00218 g002a 550 Ijgi 10 00218 g002b 550 Ijgi 10 00218 g002c 550
شکل 2. عوامل شرطی: ( الف ) ارتفاع. ( ب ) شیب. ج ) جنبه. ( د ) انحنای صفحه. ( ه ) انحنای نمایه. ( f ) TWI. ( g ) NDVI. ( ح ) سنگ شناسی. ( i ) فاصله تا رودخانه ها. ( ی ) فاصله تا جاده ها. ( ک ) فاصله تا گسل ها.
Ijgi 10 00218 g003 550
شکل 3. نمودار شماتیک روش ماشین بردار پشتیبان (SVM).
Ijgi 10 00218 g004 550
شکل 4. نمودار جریان روش مورد استفاده در این مطالعه.
Ijgi 10 00218 g005 550
شکل 5. نسبت به دست آوردن اطلاعات عوامل تهویه برای فروپاشی، لغزش زمین، و جریان زباله.
Ijgi 10 00218 g006 550
شکل 6. نقشه‌های خطرپذیری اساسی زمین‌شناسی: ( الف ) نقشه حساسیت ریزش ، ( ب ) نقشه حساسیت زمین لغزش، و ( ج ) نقشه حساسیت جریان زباله.
Ijgi 10 00218 g007 550
شکل 7. منحنی های ROC بر اساس داده های آموزشی. ( الف ) منحنی فروپاشی ROC. ( ب ) منحنی ROC زمین لغزش. ( ج ) منحنی ROC جریان زباله.
Ijgi 10 00218 g008 550
شکل 8. منحنی های ROC بر اساس داده های اعتبارسنجی: ( الف ) منحنی فروپاشی ROC. ( ب ) منحنی ROC زمین لغزش. ( ج ) منحنی ROC جریان زباله.
Ijgi 10 00218 g009a 550 Ijgi 10 00218 g009b 550 Ijgi 10 00218 g009c 550
شکل 9. نقشه های خطرپذیری چندگانه زمین شناسی: نقشه های ( a )–( m ) با طرح های وزن دهی a تا m مطابقت دارند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید