Journal of Watershed Management Research

fa تعیین مناطق دارای حساسیت زمین‌لغزش با استفاده از مدل‌های یادگیری ماشین (ANN-SVM) (مطالعه موردی: حوزه آبخیز سد طالقان) Determining landslide sensitive areas using machine learning models (ANN-SVM) (Case study: Taleghan dam watershed) حفاظت آب و خاک حفاظت آب و خاک پژوهشي Research مقدمه و هدف: زمین‌لغزش به عنوان یکی از مهمترین مخاطرات زمینشناسی شناخته شده، هر ساله خسارات زیادی به زندگی مردم، زیرساخت‌ها و محیط زیست وارد میکند و مشکلات اقتصادی بزرگی را به دولتها تحمیل می نماید. حوزه آبخیز سد طالقان به دلیل شرایط کوهستانی و پرباران و ساختوسازهای فراوان به دلیل شرایط آب و هوایی مناسب و جاده سازیهای غیراصولی از جمله مناطق مستعد وقوع زمینلغزش میباشد. شناسایی و دورماندن از پهنههای مستعد زمینلغزش یکی از کم هزینه ترین اقداماتی است که می شود انجام داد. این مهم در سالهای اخیر توسط مدلهای پیشرفته یادگیری ماشینی و با بهره گیری از سیستم اطلاعات جغرافیایی و سنجش از دور در حال انجام می باشد و محققان به نتایج قابل قبولی در این زمینه دست پیدا کرده اند. هدف از این تحقیق تعیین مناطق دارای پتانسیل حساسیت زمین لغزش و اولویتبندی عوامل موثر بر آن با استفاده از دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از سیستم اطلاعات جغرافیایی می باشد. با توجه به مرور منابع انجام گرفته تاکنون مطالعه جامعی در ارتباط با پهنه بندی حساسیت وقوع زمین لغزش در حوزه آبخیز سد طالقان انجام نشده است. بنابراین انجام پژوهش حاضر برای ارزیابی و مدیریت این حوزه آبخیز به منظور پیشگیری و کاهش خسارات ناشی از وقوع زمین لغزش ضروری و حیاتی است. مواد و روشها: به منظور ارزیابی احتمال وقوع مکانی زمین لغزش، ابتدا نقشه زمین لغزشهای پیشین ثبت شده تاکنون با استفاده از بازدیدهای میدانی از عرصه های طبیعی، منابع محلی و سازمانی (اداره کل منابع طبیعی و آبخیزداری استان البرز) در محیط سامانه اطلاعات جغرافیایی (ArcGIS 10.8) تهیه شد. سپس 11 عامل موثر بر پتانسیل زمینلغزش شامل ارتفاع (متر)، شیب (درصد)، جهت شیب، فاصله از آبراهه (متر)، سنگشناسی، بارندگی، کاربری اراضی، شاخص رطوبت توپوگرافی (TWI)، انحناء سطح، فاصله از آبراهه و فاصله از جاده انتخاب و تست هم خطی عوامل با آزمون فاکتور تورم واریانس (VIF) در نرمافزار SPSS بررسی شد. از مجموع 631 زمین لغزش، به صورت تصادفی 70 درصد به عنوان دادههای آزمون (442 نقطه زمینلغزش) و 30 درصد به عنوان داده های اعتبارسنجی (189 نقطه زمینلغزش) طبقهبندی شدند. مدلهای ماشین بردار پشتیبان و شبکه عصبی مصنوعی جهت اهداف مورد تحقیق مورد استفاده قرار گرفتند. همچنین جهت تعیین مهمترین پارامترها از نمودار جکنایف استفاده شد. از منحنی تشخیص عملکرد نسبی (ROC) جهت قدرت پیش بینی مدل استفاده شد. در نهایت مدل برتر بر اساس مقادیر ROC مشخص و سپس نقشه نهایی حساسیت زمین لغزش تهیه شد. یافته ها: نتایج نشان داد که، همخطی بین عوامل مورد استفاده وجود ندارد و لذا کلیه عوامل در فرآیند مدلسازی مورد استفاده قرار گرفتند. نتایج نشان داد که بر اساس نمودار جک نایف لایه های فاصله از گسل، جهت شیب، فاصله از جاده، لیتولوژی و کاربری اراضی به ترتیب مهمترین عوامل تاثیرگذار بر حساسیت وقوع زمین لغزش بودند. سطح زیر منحنی (AUC) بر اساس منحنی تشخیص عملکرد نسبی، نشاندهنده دقت 90 درصد (عالی) و 88 درصد (خیلی خوب) در مرحله آموزش و 87 درصد (خیلی خوب) و 84 درصد (خیلی خوب) در مرحله اعتبارسنجی به ترتیب برای مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای تعیین مناطق دارای حساسیت وقوع زمین لغزش بود. بر اساس مدل برتر و نقشه نهایی حساسیت زمین لغزش 5/64 درصد از پهنه حوزه مورد مطالعه دارای پتانسیل حساسیت زمین لغزش متوسط رو به بالا میباشد. طبقه حساسیت زمین لغزش خیلی کم کمترین مساحت معادل 3/12 درصد سطح حوزه و طبقه متوسط بیشترین میزان مساحت معادل 3/27 درصد سطح حوزه را شامل می شوند. بر اساس نتایج و میزان مساحت حساسیت زمین لغزش طبقه زیاد و خیلی زیاد به ترتیب زیرحوزه های لمبران، گراپ و زیدشت 1 در اولویت میزان حساسیت زمین لغزش هستند و زیرحوزه های نساسفلی، شهرک و خورانک دارای کمترین میزان حساسیت زمین لغزش هستند. نتیجه گیری: نتایج نشان داد که به‌کارگیری روشهای یادگیری ماشینی، ضمن صرفه جویی در زمان و هزینه، قابلیت مناسبی در پیش‌بینی حساسیت زمین لغزش دارد و با توجه به دقت عالی نقشه توزیع مکانی حساسیت زمین لغزش، نتایج این پژوهش میتواند مورد استفاده تصمیم گیران، مدیران محلی و مسئولان به منظور کاهش خسارات قرار گیرد.   <h3 style="text-align:justify; text-indent:0cm">Introduction and Objective: Landslides are recognized as one of the most significant geological hazards, causing considerable damage to human life, infrastructure, and the environment every year, and imposing major economic burdens on governments. The Taleghan Dam basin, due to its mountainous terrain, high rainfall, favorable climate for construction, and unregulated road development, is considered one of the regions highly susceptible to landslide occurrences. Identifying and avoiding landslide-prone zones is among the most cost-effective measures that can be undertaken. In recent years, this has been made possible through the use of advanced machine learning models in conjunction with Geographic Information Systems (GIS) and remote sensing techniques, with researchers achieving promising results. The main objective of this study is to identify landslide susceptibility zones and prioritize the contributing factors using two machine learning models such as Artificial Neural Network (ANN) and Support Vector Machine (SVM) integrated within a GIS environment. According to the literature review, no comprehensive study has yet been conducted regarding landslide susceptibility mapping in the Taleghan Dam basin. Therefore, this research is essential for evaluating and managing the watershed to prevent and reduce damages caused by landslides.</h3> <h3 style="text-align:justify; text-indent:0cm">Materials and Methods: To assess the spatial probability of landslides, a landslide inventory map of previously recorded events was first prepared using field surveys, local sources, and data from the Alborz Province Department of Natural Resources and Watershed Management, within the ArcGIS 10.8 environment. Eleven factors influencing landslide potential were selected, including elevation (meters), slope (percent), slope aspect, distance from streams (meters), lithology, precipitation, land use, Topographic Wetness Index (TWI), surface curvature, and distances from streams and roads. Multicollinearity among the variables was evaluated using the Variance Inflation Factor (VIF) test in SPSS software. Out of a total of 631 landslides, 70% (442 points) were randomly selected for training, and 30% (189 points) were used for validation. The SVM and ANN models were applied to identify landslide-prone areas. The Jackknife method was used to determine the most influential parameters, and the Receiver Operating Characteristic (ROC) curve was used to evaluate the predictive power of the models. The superior model was then selected based on ROC values, and the final landslide susceptibility map was produced.</h3> <h3 style="text-align:justify; text-indent:0cm">Results: The results indicated no multicollinearity among the input factors, allowing all of them to be used in the modeling process. According to the Jackknife test, the layers representing distance from faults, slope aspect, distance from roads, lithology, and land use were identified as the most influential factors in landslide susceptibility, in descending order. The Area under the Curve (AUC) from the ROC analysis demonstrated model accuracies of 90% (excellent) and 88% (very good) in the training phase, and 87% (very good) and 84% (very good) in the validation phase for the ANN and SVM models, respectively. Based on the superior model and the final susceptibility map, approximately 64.5% of the watershed area was identified as having moderate to high landslide susceptibility. The “very low” susceptibility class covered the smallest area (12.3%), while the “moderate” class covered the largest area (27.3%). In terms of spatial prioritization, the sub-watersheds of Lambaran, Grap, and Zidasht 1 were found to have the highest landslide susceptibility, while the sub-watersheds of Nesasofla, Shahrak, and Khoranak exhibited the lowest.</h3> <h3 style="text-align:justify; text-indent:0cm">Conclusion: The findings demonstrated that the application of machine learning techniques is not only cost and time-efficient but also highly capable of accurately predicting landslide susceptibility. Given the excellent accuracy of the produced susceptibility maps, the results of this study can serve as valuable tools for decision-makers, local authorities, and planners in order to reduce and manage landslide-related damages.</h3> زمین لغزش, حساسیت, سیستم اطلاعات جغرافیایی, سد طالقان, یادگیری ماشینی Landslide, Suseptibility, Geographic Information System, Taleghan Dam, Machine Learning. 0 0 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-103-1&slc_lang=fa&sid=1 Sajjad Rahimi سجاد رحیمی sajjad.rahimii6427@gmail.com 100319475328460016160 100319475328460016160 No دانشگاه علوم کشاورزی و منابع طبیعی ساری Kaka Shahedi کاکا شاهدی k.shahedi@sanru.ac.ir 100319475328460016161 100319475328460016161 Yes دانشگاه علوم کشاورزی و منابع طبیعی ساری mahmoud Habibnejad Roshan محمود حبیب نژاد روشن roshanbah@yahoo.com 100319475328460016162 100319475328460016162 No دانشگاه علوم کشاورزی و منابع طبیعی ساری Omid Asadi Nelivan امید اسدی نلیوان omid.asadi@ut.ac.ir 100319475328460016163 100319475328460016163 No دانشگاه مراغه