دوره 17، شماره 1 - ( بهار و تابستان 1405 )                   جلد 17 شماره 1 صفحات 81-69 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hashemi M, Asadi Nalivan O, Dastranj A. (2026). Landslide Susceptibility Mapping Using the Random Forest Model with an Emphasis on Rural Areas (Case Study: Sira Watershed). J Watershed Manage Res. 17(1), 69-81. doi:10.61882/jwmr.2026.1324
URL: http://jwmr.sanru.ac.ir/article-1-1324-fa.html
هاشمی مهدی، اسدی نلیوان امید، دسترج علی.(1405). پهنه‎ بندی حساسیت زمین‎ لغزش با استفاده از مدل جنگل تصادفی با تاکید بر مناطق روستایی (مطالعه موردی: حوزه آبخیز سیرا) پ‍‍ژوهشنامه مديريت حوزه آبخيز 17 (1) :81-69 10.61882/jwmr.2026.1324

URL: http://jwmr.sanru.ac.ir/article-1-1324-fa.html

پهنه‎ بندی حساسیت زمین‎ لغزش با استفاده از مدل جنگل تصادفی با تاکید بر مناطق روستایی (مطالعه موردی: حوزه آبخیز سیرا)
مهدی هاشمی*1 ، امید اسدی نلیوان2، علی دسترج3
1- بخش تحقیقاتی حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی اصفهان، سازمان تحقیقات آموزش و ترویج کشاورزی، اصفهان، ایران
2- گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه مراغه، مراغه، ایران
3- بخش تحقیقاتی حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات آموزش و ترویج کشاورزی، مشهد، ایران
چکیده:   (801 مشاهده)
چکیده مبسوط
مقدمه و هدف: زمین‌لغزش یکی از مهم‌ترین مخاطرات ژئومورفولوژیک در ایران است. خسارات جانی و مالی سنگین زمین‌لغزش‌ها (آسیب به روستاها، راه‌ها، زیرساخت‌ها، مزارع و تلفات انسانی) اهمیت مطالعات آن را دوچندان کرده است. به ‎همین دلیل، شناخت دقیق مناطق زمین‌لغزش رخ داده در گذشته و نیز شناسایی مناطق دارای حساسیت بالای وقوع زمین‌لغزش می‌توانند کمک شایانی در کاهش خسارت‎ های ناشی از وقوع این پدیده نمایند. در دهه‌های اخیر، یادگیری ماشینی به‌عنوان یک ابزار قدرتمند در علوم زمین، به‌ویژه در مطالعه و پیش‌بینی زمین‌لغزش، مورد توجه جدی قرار گرفته است. یادگیری ماشینی می‌تواند بر اساس داده‌های تاریخی (رخدادهای گذشته) پیش‌بینی کند که کدام مناطق یا پهنه ‎ها مستعد زمین لغزش هستند. از مزایای یادگیری ماشینی در مقایسه با روش‌های مرسوم مانند تصمیم ‎گیری چندمعیاره می ‎توان به سرعت پردازش بالا، دقت بالاتر، انعطاف‌پذیری و هزینه کمتر اشاره کرد. جاده چالوس یکی از پرترددترین و پرخطرترین جاده‌های کشور است. بررسی زمین‌لغزش در جاده چالوس از اهمیت بسیار بالایی برخوردار است. دلایل این اهمیت را می‌توان در چند محور اصلی خلاصه کرد: ایمنی جانی و مالی، اهمیت اقتصادی و گردشگری، شرایط زمین ‎شناسی و اقلیمی خاص منطقه و مشکلات زیست‎ محیطی. یادگیری ماشینی می‌تواند مناطق پرخطر را شناسایی و احتمال وقوع لغزش را پیش‌بینی کنند و موجب ارتقای ایمنی جانی، کاهش خسارات اقتصادی و بهبود مدیریت بحران شوند. لذا، هدف این مطالعه بررسی حساسیت زمین ‎لغزش در یکی از حوزه ‎های آبخیز جاده چالوس (حوزه آبخیز سیرا) است.
مواد و روش‎ ها: حوزه آبخیز سیرا در جاده چالوس در شمال غربی حوزه آبخیز بزرگ سد کرج قرار دارد. در مجموع، تعداد شش روستا با 762 خانوار و 1904 نفر جمعیت در حوزه آبخیز وجود دارند. ابتدا، جهت شناسایی مناطق لغزشی در سطح حوزه آبخیز از بانک داده ‎های موجود در اداره کل منابع طبیعی و آبخیزداری استان البرز و تفسیر عکس‎‎ های هوایی استفاده شد و سپس جهت تطبیق و تدقیق نقاط شناسایی شده، از بازدیدهای میدانی گسترده در سطح حوزه آبخیز بهره گرفته شد. در نهایت، 56 نقطه لغزشی بر اساس بازدیدهای میدانی تدقیق گردیدند. نقاط نهایی و تأیید شده زمین ‎لغزش به دو بخش آموزش و اعتبارسنجی به نسبت 70 به 30 درصد جهت مدل‎ سازی تقسیم ‎بندی شدند. در ادامه، جهت پهنه‎ بندی حساسیت زمین ‎لغزش از 10 عامل مهم و تاثیرگزار بر زمین ‎لغزش شامل ارتفاع، شیب، فاصله از آبراهه، فاصله از جاده، شماره منحنی، گروه ‎های هیدرولوژیکی خاک، لیتولوژی، کاربری اراضی و شاخص رطوبت توپوگرافیک استفاده شد. روش جنگل تصادفی در نرم ‎افزار R جهت تعیین حساسیت زمین ‎لغزش مورد استفاده قرار گرفت. روش جنگل تصادفی یکی از الگوریتم‌های قدرتمند یادگیری ماشین گروهی از نوع نظارت‌شده است که برای مسائل طبقه‌بندی و رگرسیون به‌کار می‌رود. در این پژوهش، کارایی مدل‌ در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) ارزیابی شد. سپس، نقشه حساسیت زمین‎ لغزش به پنج کلاس با حساسیت خیلی کم، کم، متوسط، زیاد و خیلی زیاد بر اساس شکست‎ های طبیعی در نرم افزار ArcGIS طبقه‎بندی شد. در نهایت، مساحت و درصد مساحت هر یک از طبقات حساسیت زمین ‎لغزش در کل حوزه آبخیز و به تفکیک مناطق روستایی ارزیابی شد و اولویت‎ بندی آن‎ها بر اساس مساحت زیاد و خیلی زیاد حساسیت زمین ‎لغزش انجام شد.
یافته‎ ها: حدود 25/7 درصد حوزه آبخیز سیرا (1943 هکتار) از مجموع 7608/7 هکتار دارای حساسیت زیاد و خیلی زیاد زمین‎ لغزش است که نشان دهنده اهمیت بالای پایدارسازی زمین ‎لغزش در حوزه آبخیز مذکور است. کارایی مدل‌ در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) به ‎ترتیب 0/921 و 0/904 بود که نشان‎ دهنده عملکرد عالی مدل است و می ‎توان به نتایج مدل اعتماد کرد. دو روستای آیگان و اویزر هرکدام 39 درصد روستا در معرض حساسیت زیاد و خیلی زیاد زمین‎ لغزش قرار دارند. روستای کلوان 7 درصد و روستای کلها نیز 16 درصد در معرض حساسیت زمین‎ لغزش قرار دارند. اما روستای سیرا با 73/5 درصد مساحت روستا در حساسیت زیاد و خیلی زیاد زمین ‎لغزش قرار دارد و به‎ لحاظ اقدامات پایداری زمین‎ لغزش، مهم‎ترین روستای حوزه آبخیز است. در مجموع، تعداد 675 خانوار با جمعیت 1700 نفری در روستاهای موجود در حوزه آبخیز در معرض حساسیت زمین ‎لغزش قرار دارند. لازم به ذکر است که در مجموع، 333 پهنه لغزشی با بیش از 1 هکتار مساحت معادل 1393 هکتار در حوزه آبخیز سیرا وجود دارند.
نتیجه ‎گیری: این مطالعه با ارائه نقشه‌های حساسیت زمین‌لغزش با دقت بالا، ابزاری ارزشمند برای برنامه‌ریزان و مدیران بحران فراهم کرده است. یافته‌ها نشان می‌دهند که تلفیق یادگیری ماشینی با داده‌های مکانی می‌تواند تحولی در پیش‌بینی مخاطرات طبیعی به ‎خصوص زمین ‎لغزش ایجاد کند. با این‎ حال، برای دستیابی به نتایج عملی، همکاری نهادهای دولتی، دانشگاهی و جوامع محلی برای اجرای راهکارهای پایدار ضروری است. این پژوهش گامی مؤثر در جهت کاهش مخاطرات طبیعی با ترکیب فناوری‌های نوین و تحلیل‌های مکانی است و می‌تواند به ‎عنوان الگویی برای سایر مناطق مشابه در ایران مورد استفاده قرار گیرد.
 
واژه‌های کلیدی: زمین‌لغزش، جاده چالوس، جنگل تصادفی، حوزه آبخیز سیرا، پهنه‌بندی حساسیت
متن کامل [PDF 2087 kb]   (54 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1404/5/23 | پذیرش: 1404/8/29
فهرست منابع
1. Achu, A., Aju, C., Di Napoli, M., Prakash, P., Gopinath, G., Shaji, E., & Chandra, V. (2023). Machine-learning based landslide susceptibility modelling with emphasis on uncertainty analysis. Geoscience Frontiers, 14(6), 101657. https://doi.org/10.1016/j.gsf.2023.101657 [DOI:10.1016/j.gsf.2023.101657.]
2. Asadi Nalivan, O., Rahmani, M., Vakili tajareh, F., & Bayat, A. (2024). Prioritization of factors and zoning susceptibility of landslide in Karaj Dam Watershed. Watershed Engineering and Management, 16(1), 1-15. doi: 10.22092/ijwmse.2023.357778.1960. [in Persian]
3. Bednarik, M., Yilmaz, I., & Marschalko, M. (2012). Landslide hazard and risk assessment: a case study from the Hlohovec-Sered'landslide area in south-west Slovakia. Natural Hazards, 64(1), 547-575. [DOI:10.1007/s11069-012-0257-7]
4. Cao, Y., Wei, X., Fan, W., Nan, Y., Xiong, W., & Zhang, S. (2021). Landslide susceptibility assessment using the Weight of Evidence method: A case study in Xunyang area, China. Plos One, 16(1), e0245668. doi.org/10.1371/journal. [DOI:10.1371/journal.pone.0245668]
5. Chen, W., Zhang, S., Li, R., & Shahabi, H. (2018). Performance evaluation of the GIS-based data mining techniques of best-first decision tree, random forest, and naïve bayes tree for landslide susceptibility modeling. Science of the Total Environment, 644, 1006-1018. [DOI:10.1016/j.scitotenv.2018.06.389]
6. Dastranj, A., Karimi Sangchini, E., & Noor, H. (2024). Evaluating the Effectiveness of Machine Learning Models in Preparing a Landslide Risk Map in the Bar Neyshabur Watershed. Watershed Management Research, 37(2), 133-147. DOI:10.22092/WMRJ.2023.361650.1531. [In Persian]
7. Henriques, C., Zêzere, J.L., & Marques, F. (2015). The role of the lithological setting on the landslide pattern and distribution. Engineering Geology, 189, 17-31. [DOI:10.1016/j.enggeo.2015.01.025]
8. Hong, H., Shahabi, H., Shirzadi, A., Chen, W., Chapi, K., Ahmad, B., Shadman, M., Yari, A., Tian, Y., & Bui, D. (2019). Landslide susceptibility assessment at the Wuning area, China: a comparison between multi criteria decision making, bivariate statistical and machine learning methods. Natural Hazards, 96, 173-212. [DOI:10.1007/s11069-018-3536-0]
9. Hussain, M.A., Chen, Z., Wang, R., Shah, S.U., Shoaib, M., Ali, N., Xu, D., & Ma, C. (2022). Landslide Susceptibility Mapping using Machine Learning Algorithm. Civil Engineering Journal. 8(2), doi.org/10.28991/CEJ-2022-08-02-02. [DOI:10.28991/CEJ-2022-08-02-02]
10. Intrieri, E., Carlà, T., & Gigli, G. (2019). Forecasting the time of failure of landslides at slope-scale: A literature review. Earth Science Reviews, 193, 333-349. [DOI:10.1016/j.earscirev.2019.03.019]
11. Kirschbaum, D., Kapnick, S.B., Stanley, T., & Pascale, S. (2020). Changes in extreme precipitation and landslides over high mountain Asia. Geophysical Research Letters, 47(4), e2019GL085347. [DOI:10.1029/2019GL085347]
12. Li, B., Wang, N., & Chen, J. (2021). GIS-Based Landslide Susceptibility Mapping Using Information, Frequency Ratio, and Artificial Neural Network Methods in Qinghai Province, Northwestern China. Advances in Civil Engineering, 4758062, doi.org/10.1155/2021/4758062. [DOI:10.1155/2021/4758062]
13. Liu, Y., Yuan, A., Bai, Z., & Zhu, J. (2022). GIS-based landslide susceptibility mapping using frequency ratio and index of entropy. Models for She County of Anhui Province, China. Applied Rheology, 32, 22-33. [DOI:10.1515/arh-2022-0122]
14. Lokesh, P., Madhesh, C., Mathew, A., & Padala Raja Shekar, P. (2025). Machine learning and deep learning-based landslide susceptibility mapping using geospatial techniques in Wayanad, Kerala state, India. Hydro Research, 8, 113-126. https://doi.org/10.1016/j.hydres.2024.10.001 [DOI:10.1016/j.hydres.2024.10.001.]
15. Lyu, H., Yin, Z., Hicher, P., & Laouafa, F. (2024). Incorporating mitigation strategies in machine learning for landslide susceptibility prediction. Geoscience Frontiers, 15(5), 101869. [DOI:10.1016/j.gsf.2024.101869]
16. Memarian, H. (2013). Engineering geology and geotechnics. Tehran University Press. 950 p. [In Persian]
17. Mirus, B.B., Jones, E.S., Baum, R.L., Godt, J.W., Slaughter, S., Crawford, M.M., Lancaster, J., Stanley, T., Kirschbaum, D.B., Burns, W.J., Schmitt, R.G., Lindsey, K.O., & McCoy, K.M. (2020). Landslides across the USA: occurrence, susceptibility, and data limitations. Landslides, 17, 2271-2285. https://doi.org/10.1007/s10346-020-01424-4 [DOI:10.1007/s10346-02001424-4.]
18. Nakileza, B.R., & Nedala, S. (2020). Topographic influence on landslides characteristics and implication for risk management in upper Manafwa catchment. Mt. Elgon Uganda Geoenviron. Disasters, 7, 1-13. [DOI:10.1186/s40677-020-00160-0]
19. Nazariani, N., & Fallah, A. (2023). Landslide Risk Modeling using Data Mining in Hyrcanian Forests. Journal of Watershed Management Research. 14(27), 123-134. doi:10.61186/jwmr.14.27.123. [In Persian] [DOI:10.61186/jwmr.14.27.123]
20. Nezhad Khaili Abad, S.V.A., Mohamad, E.T., Jahanmirinezhad, H., Hajihassani, M., & Namazi, E. (2011). Zonation of landslide hazards based on weights of evidence modeling along Tehran-Chalos Road Path, Iran. Electronic Journal of Geotechnical Engineering, 16, 1083-1097.
21. Nguyen, D.D., Tiep, N., Thi Bui, Q., Le, H.V., Prakash, I., Costache, R., Pandey, M., & Pham, B.T. (2025). Landslide Susceptibility Mapping Using RBFN-Based Ensemble Machine Learning Models. Computer Modeling in Engineering & Sciences, 142(1). DOI: 10.32604/cmes.2024.056576. [DOI:10.32604/cmes.2024.056576]
22. Öztürk, S. (2025). Comparative landslide susceptibility mapping using local inventories: a case study from Trabzon, Türkiye. Natural Hazards, https://doi.org/10.1007/s11069-025-07371-4 [DOI:10.1007/s11069-025-07371-4.]
23. Panahi, M., Rezaie, F., Khosravi, K., Kalantari, Z., Bateni, S.M., & Lee, J.A. (2025). Beyond boundaries: AI-optimized global landslide susceptibility mapping, Geomatics. Natural Hazards and Risk, 16(1), 2493222. DOI:10.1080/19475705.2025.2493222. [DOI:10.1080/19475705.2025.2493222]
24. Pandey, V.K., Pourghasemi, H.R., & Sharma, M.C. (2020). Landslide susceptibility mapping using maximum entropy and support vector machine models along the Highway Corridor, Garhwal Himalaya. Geocarto International, 35(2), 168-187. [DOI:10.1080/10106049.2018.1510038]
25. Pourghasemi, H. (2013). Landslide hazard prediction using data mining methods in the north of Tehran. PhD thesis in Watershed Science and Engineering. Tarbiat Modares University. 170 p. [In Persian]
26. Rakhshandeh, M., Haghshenas, E. (2019). Report on identification and field visits of landslides for 60 villages affected by heavy rainfall and flooding in early 2019 in Lorestan province and presentation of proposed solutions, International Institute of Seismology and Earthquake Engineering. 45p. [In Persian]
27. Sepahvand, A., & Beiranvand, N. (2024). Landslide susceptibility mapping using various soft computing techniques (Case study: A part of Haraz Watershed). Water and Soil Management and Modelling, 4(2), 261-278. doi: 10.22098/mmws.2023.12678.1263. [In Persian]
28. Shafiee kigasari, N., Hosseini, A.O., Pourghasemi, H.R. (2024). Spatial Assessment of the Sensitivity of Landslide Occurrence and their Correlation with the Forest Road Network (Case study: Ramsar County). Journal of Watershed Management Research. 15(1), 63-77. doi:10.61186/jwmr.15.1.63. [In Persian] [DOI:10.61186/jwmr.15.1.63]
29. Sharma, N., Manabendra Saharia, M., & Ramana, G.V. (2024). High resolution landslide susceptibility mapping using ensemble machine learning and geospatial big data. Catena, 235, 107653. doi.org/10.1016/j.catena.2023.107653. [DOI:10.1016/j.catena.2023.107653]
30. Shirvani, Z. (2020). A holistic analysis for landslide susceptibility mapping applying geographic object-based random forest: A comparison between protected and non-protected forests. Remote Sensing, 12(3), 434. [DOI:10.3390/rs12030434]
31. Teimouri, M., & Asadi Nalivan, O. (2020). Susceptibility Zoning and Prioritization of the Factors Affecting Landslide Using MaxEnt, GIS and RS Models (Case study: Lorestan Province). Hydrogeomorphology, 6(21), 155-179. [In Persian]
32. Viorel linca, V., Șandric, I., & Gheuca, I. (2025). Landslide susceptibility analysis using machine learning: Insights from the bend Subcarpathians-Carpathians, Romania. Geomorphology, 486, 109872. doi.org/10.1016/j.geomorph.2025.109872. [DOI:10.1016/j.geomorph.2025.109872]
33. Wang, P., Bai, X., Wu, X., Yu, H., Hao, Y., & Hu, B.X. (2018). GIS-Based Random Forest Weight for Rainfall-Induced Landslide Susceptibility Assessment at a Humid Region in Southern China. Water, 10(1019), 1-20. [DOI:10.3390/w10081019]
34. Xu, Q., Yordanov, V., Amic, L., & Brovelli, M.A. (2024). Landslide susceptibility mapping using ensemble machine learning methods: a case study in Lombardy, Northern Italy. International Journal of Digital Earth, 17(1), 2346263. doi.org/10.1080/17538947.2024.2346263. [DOI:10.1080/17538947.2024.2346263]
35. Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z., & Al-Katheeri, M.M., (2016). Landslide susceptibility mapping using 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, 13(5), 839-856. [DOI:10.1007/s10346-015-0614-1]
36. Zhang, T., Han, L., Han, J., Li, X., Zhang, H., & Wang, H. (2019). Assessment of Landslide Susceptibility Using Integrated Ensemble Fractal Dimension with Kernel Logistic Regression Model. Entropy, 21(218), 1-23. [DOI:10.3390/e21020218]
37. Zhou, W., Zhou, Y., Liang, S., Zhang, C., Dai, H., & Sun, X. (2025). A new framework for landslide susceptibility mapping in contiguous impoverished areas using machine learning and catastrophe theory. Scientific Reports, 15, 10620. https://doi.org/10.1038/s41598-025-88070-9 [DOI:10.1038/s41598-025-88070-9.]
38. Zou, Y., Qi, S., Guo, S., Zheng, B., Zhan, Z., He, N., Huang, X., Hou, X., & Liu, H. (2022). Factors controlling the spatial distribution of coseismic landslides triggered by the mw 6.1 Ludian earthquake in China. Engineering Geology, 296, 106477. https://doi.org/10.1016/j.enggeo.2021.106477 [DOI:10.1016/j.enggeo.2021.106477.]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by: Yektaweb