Journal of Watershed Management Research

fa پهنه‎ بندی حساسیت زمین‎ لغزش با استفاده از مدل جنگل تصادفی با تاکید بر مناطق روستایی (مطالعه موردی: حوزه آبخیز سیرا) Landslide Susceptibility Mapping Using the Random Forest Model with an Emphasis on Rural Areas (Case Study: Sira Watershed) بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای) بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای) پژوهشي Research <div style="text-align: justify;">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 &lrm;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&lrm; 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 &lrm;ها مستعد زمین لغزش هستند. از مزایای یادگیری ماشینی در مقایسه با روش‌های مرسوم مانند تصمیم &lrm;گیری چندمعیاره می &lrm;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 &lrm;شناسی و اقلیمی خاص منطقه و مشکلات زیست&lrm; 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 &lrm;لغزش در یکی از حوزه &lrm;های آبخیز جاده چالوس (حوزه آبخیز سیرا) است. مواد و روش&lrm; 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 &lrm;های موجود در اداره کل منابع طبیعی و آبخیزداری استان البرز و تفسیر عکس&lrm;&lrm; 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 &lrm;لغزش به دو بخش آموزش و اعتبارسنجی به نسبت 70 به 30 درصد جهت مدل&lrm; سازی تقسیم &lrm;بندی شدند. در ادامه، جهت پهنه&lrm; بندی حساسیت زمین &lrm;لغزش از 10 عامل مهم و تاثیرگزار بر زمین &lrm;لغزش شامل ارتفاع، شیب، فاصله از آبراهه، فاصله از جاده، شماره منحنی، گروه &lrm;های هیدرولوژیکی خاک، لیتولوژی، کاربری اراضی و شاخص رطوبت توپوگرافیک استفاده شد. روش جنگل تصادفی در نرم &lrm;افزار R جهت تعیین حساسیت زمین &lrm;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&lrm; لغزش به پنج کلاس با حساسیت خیلی کم، کم، متوسط، زیاد و خیلی زیاد بر اساس شکست&lrm; های طبیعی در نرم افزار ArcGIS طبقه&lrm;بندی شد. در نهایت، مساحت و درصد مساحت هر یک از طبقات حساسیت زمین &lrm;لغزش در کل حوزه آبخیز و به تفکیک مناطق روستایی ارزیابی شد و اولویت&lrm; بندی آن&lrm;ها بر اساس مساحت زیاد و خیلی زیاد حساسیت زمین &lrm;لغزش انجام شد. یافته&lrm; ها: حدود 25/7 درصد حوزه آبخیز سیرا (1943 هکتار) از مجموع 7608/7 هکتار دارای حساسیت زیاد و خیلی زیاد زمین&lrm; لغزش است که نشان دهنده اهمیت بالای پایدارسازی زمین &lrm;لغزش در حوزه آبخیز مذکور است. کارایی مدل‌ در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) به &lrm;ترتیب 0/921 و 0/904 بود که نشان&lrm; دهنده عملکرد عالی مدل است و می &lrm;توان به نتایج مدل اعتماد کرد. دو روستای آیگان و اویزر هرکدام 39 درصد روستا در معرض حساسیت زیاد و خیلی زیاد زمین&lrm; لغزش قرار دارند. روستای کلوان 7 درصد و روستای کلها نیز 16 درصد در معرض حساسیت زمین&lrm; لغزش قرار دارند. اما روستای سیرا با 73/5 درصد مساحت روستا در حساسیت زیاد و خیلی زیاد زمین &lrm;لغزش قرار دارد و به&lrm; لحاظ اقدامات پایداری زمین&lrm; لغزش، مهم&lrm;ترین روستای حوزه آبخیز است. در مجموع، تعداد 675 خانوار با جمعیت 1700 نفری در روستاهای موجود در حوزه آبخیز در معرض حساسیت زمین &lrm;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 &lrm;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 &lrm;خصوص زمین &lrm;لغزش ایجاد کند. با این&lrm; 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 &lrm;عنوان الگویی برای سایر مناطق مشابه در ایران مورد استفاده قرار گیرد.  </div> <div style="text-align: justify;">Extended Abstract Background: Landslides are one of the most important geomorphological hazards in Iran. The heavy human and financial losses of landslides (damage to villages, roads, infrastructure, farms, and human casualties) have doubled the importance of studying them. For this reason, accurate knowledge of landslide areas that have occurred in the past and identification of areas with high susceptibility to landslides can be of great help in reducing the damage caused by this phenomenon. In recent decades, machine learning has received serious attention as a powerful tool in earth sciences, especially in the study and prediction of landslides. Machine learning can predict which areas or zones are prone to landslides based on historical data (past events). Compared to conventional methods such as multi-criteria decision-making, the advantages of machine learning include high processing speed, higher accuracy, flexibility, and lower cost. The Chalus Road is one of the busiest and most dangerous roads in Iran. Landslide investigation on Chalus Road is of great importance. The reasons for this importance can be summarized in several main axes: life and financial safety, economic and tourism importance, specific geological and climatic conditions of the region, and environmental problems. Machine learning can identify high-risk areas, predict the probability of landslide occurrence, improve life safety, reduce economic losses, and improve crisis management. Therefore, the aim of this study is to investigate the landslide susceptibility in one of the watersheds of Chalus Road (Sira Watershed). Methods: The Sira Watershed on the Chalus Road is located in the northwest of the large watershed of the Karaj Dam basin. There is a total of six villages with 762 households and 1904 people in the watershed. First, landslide areas at the watershed level were identified using the database available at the General Directorate of Natural Resources and Watershed Management of Alborz Province, and the interpretation of aerial photographs. Then, extensive field visits were used at the watershed level to match and verify the identified points. Finally, 56 landslide points were verified based on field visits. The final and confirmed landslide points were divided into two parts: training and validation, in a ratio of 70 to 30 percent for modeling. Next, 10 important factors affecting landslide susceptibility were used to zone landslide susceptibility, including altitude, slope, distance from stream, distance from road, curve number, soil hydrological groups, lithology, land use, and the topographic wetness index. Next, the random forest method was used in the R software to determine landslide susceptibility. The random forest method is one of the powerful supervised ensemble machine learning algorithms used for classification and regression problems. In this study, the model efficiency was evaluated in the training and validation stages using the receiver operating characteristic (ROC). Then, the landslide susceptibility map was classified into five classes with very low, low, moderate, high, and very high sensitivity based on natural breaks in ArcGIS software. Finally, the area and percentage of each landslide susceptibility class were evaluated in the entire watershed and separately for rural areas, and their prioritization was done based on the area of high and very high landslide susceptibility. Kalvan and Kalha villages are 7% and 16% susceptible to landslides, respectively. However, Sira village, with 73.5% of the village area, is exposed to high and very high landslide susceptibility and is the most important village in the watershed in terms of landslide resilience measures. In total, 675 households with a population of 1700 in the villages in the watershed are exposed to landslide susceptibility. It should be noted that there is a total of 333 landslide zones with an area of more than 1 hectare, equivalent to 1393 hectares, in the Sira watershed. Conclusion: This study has provided a valuable tool for planners and crisis managers by providing high-precision landslide susceptibility maps. The findings show that combining machine learning with spatial data can revolutionize the prediction of natural hazards, especially landslides. To achieve practical results, however, cooperation between government institutions, academia, and local communities is essential to implement sustainable solutions. This research is an effective step toward reducing natural hazards by combining modern technologies and spatial analysis, and can be used as a model for other similar areas in Iran.  </div> زمین‌لغزش, جاده چالوس, جنگل تصادفی, حوزه آبخیز سیرا, پهنه‌بندی حساسیت Chalus Road, Landslide, Random Forest, Sira Watershed, Susceptibility mapping 69 81 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-2012-1&slc_lang=fa&sid=1 Mehdi Hashemi مهدی هاشمی m_hashemi@areeo.ac.ir 100319475328460015822 100319475328460015822 Yes Department of Soil Conservation and Watershed Management Research, Isfahan Agricultural and Natural Resources Research and Education Center, AREEO, Isfahan, Iran بخش تحقیقاتی حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی اصفهان، سازمان تحقیقات آموزش و ترویج کشاورزی، اصفهان، ایران Omid Asadi Nalivan امید اسدی نلیوان o.asadi@maragheh.ac.ir 100319475328460015823 100319475328460015823 No Department of Water Science and Engineering, Faculty of Agriculture, University of Maragheh, Maragheh, Iran گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه مراغه، مراغه، ایران Ali Dastranj علی دسترج Dastranj66@gmail.com 100319475328460015824 100319475328460015824 No Department of Soil Conservation and Watershed Management Research, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran بخش تحقیقاتی حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات آموزش و ترویج کشاورزی، مشهد، ایران