تعداد نشریات | 26 |
تعداد شمارهها | 550 |
تعداد مقالات | 5,697 |
تعداد مشاهده مقاله | 7,962,539 |
تعداد دریافت فایل اصل مقاله | 5,346,376 |
بررسی امکان تهیه نقشه خطر زمینلغزش با استفاده از الگوریتم جنگل تصادفی (محدودهی موردمطالعه: حوزه آبخیز سردارآباد، استان لرستان) | ||
مخاطرات محیط طبیعی | ||
مقاله 5، دوره 7، شماره 16 - شماره پیاپی 2، تابستان 1397، صفحه 45-64 اصل مقاله (1.41 MB) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/jneh.2017.3213 | ||
نویسندگان | ||
علی طالبی ![]() | ||
1دانشیار، دانشکده منابع طبیعی، دانشگاه یزد | ||
2دانشآموخته کارشناسی ارشد، آبخیزداری، دانشگاه یزد | ||
3استادیار، منابع طبیعی و محیطزیست، دانشگاه شیراز | ||
چکیده | ||
با توجه به توانایی تکنیکهای داده کاوی، کاربرد آنها در رشته های مختلف مهندسی و علوم زمین گسترش فراوانی داشته است. هدف از پژوهش حاضر پهنهبندی حساسیت زمینلغزش با استفاده از الگوریتم جنگل تصادفی، در حوزه آبخیز سردارآباد در شهرستان خرمآباد، استان لرستان است. جنگلهای تصادفی یک نوع مدرن از درخت- پایه هستند که شامل انبوهی از درختهای کلاسبندی و رگرسیونی میباشند. الگوریتم جنگل تصادفی مبتنی بر دستهای از درختهای تصمیم است و در حال حاضر یکی از بهترین الگوریتمهای یادگیری است. برای انجام پژوهش حاضر لایههای اطلاعاتی درجه شیب، جهت شیب، ارتفاع از سطح دریا، شکل شیب، فاصله از گسل، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی بهعنوان عوامل مؤثر بر وقوع زمینلغزش شناسایی و نقشه های آن در نرمافزار ArcGIS10.2 رقومی و تهیه گردیدند. سپس با استفاده از الگوریتم جنگل تصادفی، ارتباط بین عوامل مؤثر و موقعیت زمینلغزشها و وزن هر یک از آنها در نرمافزار آماری R محاسبه و درنهایت جهت تهیه نقشه حساسیت زمینلغزش منطقه موردمطالعه به محیط GIS منتقل گردید. نتایج ارزیابی دقت روش پهنهبندی با استفاده از منحنی تشخیص عملکرد نسبی و 30 درصد نقاط لغزشی استفادهنشده در فرآیند مدلسازی، بیانگر دقت عالی مدل جنگل تصادفی با سطح زیر منحنی 8/98 درصد است. همچنین بر اساس الگوریتم جنگل تصادفی، عوامل لیتولوژی، فاصله از جاده و فاصله از رودخانه به ترتیب بیشترین تأثیر را در وقوع زمینلغزش حوزه آبخیز سردارآباد داشتهاند. با توجه به توانایی تکنیکهای دادهکاوی، کاربرد آنها در رشتههای مختلف مهندسی و علوم زمین گسترش فراوانی داشته است.هدفازپژوهشحاضرپهنهبندیحساسیتزمینلغزشبااستفادهازالگوریتمجنگلتصادفی،درحوزهآبخیزسردارآباددرشهرستان خرمآباد، استانلرستاناست. جنگلهایتصادفییکنوعمدرناز درخت- پایههستندکهشاملانبوهیازدرختهایکلاسبندیورگرسیونیمیباشند. الگوریتمجنگلتصادفیمبتنیبردستهایازدرختهایتصمیماستودر حالحاضریکیازبهترین الگوریتمهاییادگیریاست.برای انجام پژوهش حاضرلایههایاطلاعاتیدرجهشیب،جهتشیب،ارتفاعازسطحدریا،شکلشیب، فاصلهازگسل،فاصلهازآبراهه،فاصله از جاده، بارندگی، لیتولوژیوکاربریاراضیبهعنوانعواملمؤثربروقوعزمینلغزششناساییونقشههای آن درنرمافزار ArcGIS10.2 رقومی و تهیه گردیدند. سپسبااستفادهازالگوریتمجنگلتصادفی،ارتباط بین عوامل مؤثر و موقعیت زمینلغزشها و وزنهریکازآنهادرنرمافزارآماری R محاسبهو درنهایت جهت تهیه نقشهحساسیتزمینلغزش منطقهموردمطالعهبه محیط GIS منتقل گردید.نتایجارزیابیدقتروشپهنهبندیبااستفادهازمنحنیتشخیصعملکردنسبیو30درصدنقاطلغزشی استفادهنشدهدرفرآیندمدلسازی،بیانگردقتعالیمدلجنگلتصادفی با سطح زیر منحنی 8/98درصد است.همچنینبر اساس الگوریتمجنگلتصادفی، عوامللیتولوژی، فاصلهاز جادهوفاصله از رودخانهبه ترتیب بیشترین تأثیر رادروقوعزمینلغزشحوزه آبخیز سردارآباد داشتهاند. | ||
کلیدواژهها | ||
الگوریتم جنگل تصادفی؛ حوزه آبخیز سردارآباد؛ زمینلغزش؛ منحنی راک | ||
مراجع | ||
ابراهیمخانی، سمیه؛ افضلی، مهدی؛ شکوهی، علی (1390). پیشبینی و بررسی عوامل تصادفات جادهای با استفاده از الگوریتمهای دادهکاوی، فصلنامه دانش انتظامی زنجان، شماره 1، سال اول، صص 111-127. ابراهیمی، افسانه؛ شاد، روزبه؛ قائمی، مرجان (1394). پیشبینی خطر زمینلغزش با استفاده از مدل سیستم استنتاج نروفازی تطبیقی و GIS، نخستین همایش و نمایشگاه بینالمللی ایمنی امنیت و مدیریت بحران در سوانح طبیعی. پور قاسمی، حمیدرضا؛ مرادی، حمیدرضا؛ محمدی، مجید (1386). پهنهبندی خطر زمینلغزش با روش آماری Frequency ratio در حوزه آبخیز صفارود، مجموعه مقالات سومین کنفرانس سراسر آبخیزداری و مدیریت منابع آبوخاک، دانشگاه شهید باهنر کرمان، آذرماه 1386، صص 179-174. پورقاسمی، حمیدرضا؛ مرادی، حمیدرضا؛ فاطمی عقدا، سید محمود؛ مهدوی فر، محمدرضا؛ محمدی، مجید (1388). ارزیابی خطر زمینلغزش با استفاده از روش تصمیمگیری چند معیاره فازی، مجله علوم و مهندسی آبخیزداری ایران. پورقاسمی، حمیدرضا (1392). پیشبینی خطر زمینلغزش با استفاده از روشهای دادهکاوی در شمال شهر تهران، رساله دکتری علوم و مهندسی آبخیزداری، دانشگاه تربیت مدرس، 143 ص. پورقاسمی، حمیدرضا (1392). پهنهبندی حساسیت زمینلغزش با استفاده از الگوریتم جنگل تصادفی و سامانه اطلاعات مکانی، بیست و دومین همایش و نمایشگاه ملی ژئوماتیک. پور قاسمی، حمیدرضا؛ ذبیحی، محسن؛ بهزاد فر، مرتضی (1394). تهیۀ نقشۀ پتانسیل آب زیرزمینی با استفاده از مدلهای آنتروپی شانون و جنگل تصادفی در دشت بجنورد، فصلنامه اکو هیدرولوژی، دوره دوم، شماره 2، صص: 232-221. رجبی، معصومه؛ فیضالله پور، مهدی (1392). پهنهبندی زمینلغزشهای حوضهی رودخانهی گیوی چای با استفاده از مدل پرسپترون چندلایه از نوع پیشخور پس انتشار، مجله جغرافیا و توسعه، شماره 36، صص: 180-161. فرشاد، محمد؛ ساده، جواد (1392). مکانیابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی، رگرسیون تعمیمیافته و الگوریتم جنگل تصادفی، سیستمهای هوشمند در مهندسی برق. سال چهارم، شماره 2، صص: 14-1. طالبی، علی (1390). بررسی اثر جریانهای زیرسطحی در وقوع زمینلغزشهای سطحی، هفتمین همایش ملی علوم و مهندسی آبخیزداری ایران، 8 ص. طالبی، علی (1390). جزوه درسی حرکتهای تودهای، دانشگاه یزد، 247 ص. کمک پناه، علی؛ منتظر القائم، سعید (١٣٧٣). مجموعه مقالات اولین کارگاه تخصصی بررسی راهبردهای کاهش خسارات زمینلغزه در کشور. موسسه بینالمللی زلزلهشناسی و مهندسی زلزله. محمدی، مجید (1386). تحلیل خطر حرکات تودهای و ارائه مدل منطقهای مناسب با استفاده از GIS مطالعه موردی: بخشی از حوزه آبخیز هراز، پایاننامه کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکده منابع طبیعی و علوم دریایی، 79 ص. مقدم نیا، علیرضا؛ زارع، محمد؛ تالی خشک، صادق؛ سلمانی، حسین (1392). پهنهبندی حساسیت خطر زمینلغزش با استفاده از مدل نرو فازی در حوزه آبخیز واز. دانشگاه علوم کشاورزی و منابع طبیعی ساری، پژوهشنامه مدیریت حوزه آبخیز، سال ششم، شماره 11، صص:110-101. Breiman, L. (2001). Random forests Machine Learning 45(l), 5-32. Gokceoglu, C, Sezer, E. (2009). A statistical assessment on international landslide literature (1945-2008). Landslides 6, 345-351. Hastie, T. 2001, The elements of statistical learning: data mining, inference, and prediction, In Springer series in statistics New York, xvi: p. 533. Jaada, M. (2009). Landslides Hazard Analysis Using Frequency Ratio Model. Universiti Putra Malaysia, Serdang, 181 pp. Naghibi, A, Pourghasemi, H.R. (2015). A comparative assessment of three machine learning models and their performance comparison by bivariate and multivariate. Water Resource Management, 29pp, 5217–5236. Nefeslioglu, H.A, Duman, T.Y, Durmaz, S. (2008). Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Eastern Black Sea Region of Turkey). Geomorphology, 94: 401-418. Nicodemus, K.K. (2011). Letter to the Editor: On the stability and ranking of predictors from random forest variable importance measures. Briefings in Bioinformatics, 12(4), 369–373. Pistocchi, A. Luzi, L and Napolitano, P. 2002, The use of predictive modeling techniques for optimal exploitation of spatial databases: a case study in landslide hazard mapping with expert-system-like methods, Environmental Geology 41:765-75. Pourghasemi, H.R, Beheshtirad. M, Pradhan, B. (2014), A comparative assessment of prediction capabilities of modified analytical hierarchy process (M-AHP) and Mamdani fuzzy logic models in Netcad-GIS for forest fire susceptibility mapping. Geomatics. Natural Hazards and Risk, DOI: 10.1080/19475705.2014.984247 Pourghasemi, H.R. Moradi, H.R, Fatemi Aghda, S.M. (2013). Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances. Natural Hazards, 69:749–779. Pradhan, B. Lee, S. (2010). Landslide susceptibility assessment and factor effect analysis: back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling. Environmental Modeling and Software, 25 (6): 747–759. Rahmati, O. Pourghasemi, H.R. Melesse, A-M. (2016). Application of GIS-based data-driven random forest and maximum entropy models for groundwater potential mapping: A case study at Mehran Region, Iran. Catena, 137: 360–372. Swets, J.A. (1988). Measuring the accuracy of diagnostic systems. Science 240, 1285–1293. Yesilnacar, E.K. (2005). The application of computational intelligence to landslide susceptibility mapping in Turkey, Ph.D. Thesis. Department of Geomatics the University of Melbourne, 423pp. Youssef, A-M. Pourghasemi, H.R. Pourtaghi, Z.S. Al-Katheeri, M.M. (2015). Landslide susceptibility mapping using the random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin. Asir Region, Saudi Arabia, Landslides, 1-14. | ||
آمار تعداد مشاهده مقاله: 1,392 تعداد دریافت فایل اصل مقاله: 919 |