تعداد نشریات | 27 |
تعداد شمارهها | 558 |
تعداد مقالات | 5,772 |
تعداد مشاهده مقاله | 8,030,610 |
تعداد دریافت فایل اصل مقاله | 5,397,716 |
معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیشبینی حساسیت زمینلغزشهای سطحی اطراف شهر بیجار | ||
فصلنامه جغرافیا و توسعه | ||
مقاله 14، دوره 15، شماره 46، فروردین 1396، صفحه 225-246 اصل مقاله (2.15 MB) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/gdij.2017.3076 | ||
نویسندگان | ||
عطااله شیرزادی![]() ![]() ![]() | ||
1دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران | ||
2استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
3دانشیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
4استادیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران | ||
چکیده | ||
افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشههای پیشبینی مکانی مخاطرات زمینی از جمله زمینلغزشها یکی از چالشهای پیش رو در این گونه مطالعات میباشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF)،برای افزایش میزان صحت پیشبینی مناطق حساس به وقوع زمینلغزشهای سطحی اطراف شهر بیجار میباشد. در ابتدا، نوزده عامل مؤثر بر وقوع زمینلغزشهای سطحی منطقهی مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب(Curvature)، تقعر و تحدب شیب(Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratioدوازده عامل مؤثر از بین آنها انتخاب و جهت مدلسازی به کار گرفته شدند. اهمیّت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبیRS-RFبررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROCبرای ارزیابی مدلها هم برای دادههای تعلیمی و هم برای دادههای صحتسنجی استفاده شدند. نقشههای پیشبینی مکانی وقوع زمینلغزشهای سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RFدرجه شیب مهمترین فاکتورهای مؤثر بر وقوع زمینلغزشهای منطقهی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تأیید این مدلها برای دادههای تعلیمی و دادههای صحتسنجی بودند. نتایج ارزیابی صحت نقشه پهنهبندی به دست آمده نشان داد که درصد مساحت زیر منحنیROC(AUROC) برای دادههای تعلیمی در مدل RF و مدل ترکیبی RS-RFارائه شده به ترتیب 729/0 و 784/0 وبرای دادههای صحتسنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspaceمنجر به افزایش صحت پیشبینی مکانی حساسیت زمینلغزشهای سطحی منطقهی مورد مطالعه شده است. دستیابی به یک نقشهی پیشبینی مکانی زمینلغزشهای سطحی با صحت بالاتر، کمکشایانی در توسعهی معقولتر تأسیسات، اراضی شهری و روستایی، طرحهای آمایش سرزمین، طرحهای آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش تودهای و انتقال رسوبات به پاییندست خواهد شد. | ||
کلیدواژهها | ||
زمینلغزش سطحی؛ الگوریتم؛ Random Forest؛ Random Subspace؛ بیجار | ||
مراجع | ||
- ابراهیمی، خدیجه؛ محمدجواد یزدی (1392). بررسی عوامل موثر در زمینلغزشهای کمعمق توسط برخی پارامترهای خاکی در زیرحوضه تول بنه. کنفرانس علوم کشاورزی و محیط زیست. 6 ص. - حنفی، علی؛ ایرج حاتمی (1392). تهیه نقشه اقلیمی استان کردستان با استفاده از سیستم اطلاعات جغرافیایی، مجله اطلاعات جغرافیایی (سپهر). دوره 22. شماره 78. صفحات 28-24. - شیرانی، کورش؛ علیرضا عربعامری (1394). پهنهبندی خطر وقوع زمینلغزش با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دزعلی)، مجله علوم و فنون کشاورزی و منابع طبیعی.علوم آب و خاک. سال نوزدهم. شماره هفتاد و دوم. صفحات 334-321. - عابدینی، موسی؛ بهاره قاسمیان؛ عطااله شیرزادی (1393). مدلسازی خطر وقوع زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک (مطالعه موردی: استان کردستان، شهرستان بیجار)، مجله جغرافیا و توسعه. شماره 37. صفحات 102- 85. - فعلهگری، محسن؛ علی طالبی؛ یاسر کیااشکوریان (1392). بررسی اثر جادهسازی در وقوع زمین لغزش با استفاده از مدل پایداری دامنه (FLAC SLOP) مطالعه: موردی حوضه آب خیز سد ایلام، مجله پژوهشهای حفاظت آب و خاک. جلد بیستم. شماره اول. گزارش کوتاه علمی. صفحات 240 -227. - Acharya, G. (2011). Analyzing the Interactions between Water-induced Soil Erosion and Shallow Landslides, Department of Civil and Natural Resources Engineering University of Canterbury PhD thesis, 211 pp.
- Akgun, A., Turk, N. (2011). Mapping erosion susceptibility by a multivariate statistical method: a case study from the AyvalIk Region, NW Turkey. Computer Geosciences, 37, 1515–1524.
- Althuwaynee, O.F., Biswajeet, P., Park, H-J., Lee, J.H. (2014). A novel ensemble decision tree-based CHi-squared automatic interaction detection (CHAID)and multivariate logistic regression models in landslide susceptibility mapping. Landslides, 11(6), 1063–1078.
- Avanzi, G.D., Giannecchini, R, & Puccinelli, A. (2004). The influence of geological and geo -morphological settings on shallow landslides. An example in temperate climate environment: the June 19, 1996 event in northwestern Tuscany (Italy). Engineering Geology, 73, 215–228.
- Ayalew, L., Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko mountains, central Japan. Geomorphology, 65,15–31.
- Ballabio, C., Sterlacchini, S. (2012). Support vector machines for landslide susceptibility mapping: the Staffora River Basin case study, Italy. Mathematical Geosciences, 44, 47–70.
- Benda, L., and Dunne, T. (1997). Stochastic forcing of sediment supply to channel networks from landsliding and debris flow. Water Resources Research, 33, 2849–2863.
- Breiman, L. (2001). Random Forest. Machine Learning, 45, pp. 5-32.
- Dehnavi, A., Aghdam, I.N., Pradhan, B., Varzandeh, M.H.M. (2015). A new hybrid model using step-wise weight assessment ratio analysis (SWARA) technique and adaptive neuro-fuzzy inference system (ANFIS) for regional landslide hazard assessment in Iran. Catena, 135, 122-148
- Dou, J., Yamagishi, H., Pourghasemi H-R., Yunus,A-P., Song, X., Xu, Y., Zhu, Zh. (2015). An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan. Natural Hazards, 78:1749–1776.
- Dubois, D., Prade, H. (1990). Rough fuzzy sets and fuzzy rough sets.International Journal of General Systems, 17:191–209
- Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi,E.,Savage,W(2008).Guidelines for landslide susceptibility, hazard and risk zoning for land-useplanning. Engineering Geology,102,99-111.
- Guo, C., Montgomery, D.R., Zhang, Y., Wang, K., Yang, Z. (2015). Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone, Tibetan Plateau. China Geomorphology, 248, 93-110.
- Guzzetti, F., Reichenbach, P., Ardizzone, F., Cardinali, M., Galli, M. (2006). Estimating the quality of landslide susceptibility models. Geomorphology, 81, 166-184.
- Ho, T.K. (1998). The random subspace method for constructing decision forests Pattern Analysis and Machine Intelligence.IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(8), 832-844.
- Hunter, E., Matin, J., Stone, P(1966). Experiments in induction. Academic, New York.
- Jing-chun, X., Rui, L., Hui-wen, L., Zi-li, L. (2015). Analysis of landslide hazard area in Ludian earthquake based on Random Forests, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7/W3, 36th International Symposium on Remote Sensing of Environment, Berlin, Germany, 865-869.
- Miao T.Y., Wang, M. (2015). Susceptibility Analysis of Earthquake-Induced Landslide Using Random Forest Method, International Conference on Computer Information Systems and Industrial Applications (CISIA), 771-775.
- Park, N-W.(2010). Application of Dempster-Shafer theory of evidence to GIS-based landslidesusceptibility analysis.Environmental Earth Sciences, 62(2), 367-376.
- Piao,Y., Piao, M., Hao, Jin, C., Sun, S-H., Chung, J-M., Hwang, B., Ho, R. (2015). A New Ensemble Method with Feature Space Partitioning for High-Dimensional Data Classification, Hindawi Publishing Corporation Mathematical Problems in Engineering, Article ID590678,13pp.
- Quinlan, J.R. (1993). C4.5: programs for machine learning. Morgan Kaufmann, San Mateo, CA, USA.
- Rickli, C., Graf, F. (2009). Effects of forests on shallow landslides; case studies in Switzerland.Forest, Snow and Landscape Research, 82(1), 33-44.
- Shirzadi, A., Saro, L., Hyun-Joo, Oh and Chapi, K. (2012). A GIS-based logistic regression model in rock fall susceptibility mapping along a mountainous road: Salavat Abad case study, Kurdistan, Iran. Natural Hazard, 64, 1639-1656.
- Sidle, R.C., Ochiai, H. (2006). Landslides: Processes, Prediction, and Land use. Water Resource Monograph: 18, AGU books, ISSN: 0170-9600.
- Sujatha, E.R., Kumaravel, P., Rajamanickam,V.G. (2012). Landslide Susceptibility Mapping Using Remotely Sensed Data through Conditional Probability Analysis Using Seed Cell and Point Sampling Techniques.Journal of the Indian Society of Remote Sensing, 40(4), 669-678.
- Tehrany, M.S., Pradhan, B., Jebur, M.N. (2014). Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of Hydrology, 512,332-343.
- Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., (2012a). Landslide susceptibility assessment in Vietnam using Support vector machines, Decision tree and Naive Bayes models. Mathematical Problems in Engineering, http://dx.doi.org/ 10.1155/2012/974638, 2012.
- Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., Dick, O.B.(2012b). Landslide susceptibility mapping at HoaBinh province (Vietnam) using an adaptive neuro fuzzy inference system and GIS. Computers & Geosciences, 45, 199–211.
- Tien Bui, D., Pradhan, B., Revhaug, I., Trung Tran, C. (2014). A comparative assessment between the application of fuzzy unordered rules induction algorithm and J48 Decision tree models in spatial prediction of shallow landslides at Lang Son City, Vietnam. In: Srivastava, P.K., Mukherjee, S., Gupta, M., Islam, T(Eds.), Remote Sensing Applications in Environmental Research. Springer International Publishing, PP: 87–111. - Tien Bui, D., Tuan, T.A., Klempe, H., Pradhan, B., Revhaug, I. (2015). Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines,artificial neural networks, kernel logistic regression, and logistic model tree. Landslides, http://dx.doi.org/10.1007/s10346-015-0557-6.
- Tsangaratos, P., Benardos A. (2014). Estimating landslide susceptibility through an artificial neural networkclassifier.NaturalHazards,74(3),1489-1516.
- Umar, Z., Pradhan, B., Ahmad, A., NeamahJebur, M.,ShafapourTehrany, M. (2014). Earthquake induced landslide susceptibility mapping using an integrated ensemble frequency ratio and logistic regression models in West Sumatera Province, Indonesia. Catena, 118, 124-135.
- Wang, L-J., Guo, M., Sawada K., Lin J., Zhang J. (2015). Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models. Catena, 135, 271–282.
- Wang, L-J., Sawada K., MoriguchiS.(2013). Landslide susceptibility analysis with logistic regression model based on FCM sampling strategy.Computers & Geosciences,57,81-92.
- Xu, C., Xu, X., Dai, F., Xiao, J., Tan, X., Yuan, R. (2012). Landslide hazard mapping using GIS and weight of evidence model in Qingshui River watershed of 2008 Wenchuan earthquake struck region. Journal of Earth Science, 23, 97–120.
Yalcin,A(2008 | ||
آمار تعداد مشاهده مقاله: 855 تعداد دریافت فایل اصل مقاله: 762 |