Journal of Watershed Management Research

fa پهنه‌بندی حساسیت‌ زمین‌لغزش 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 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;">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 می‌تواند کمک شایانی در کاهش خسارتهای ناشی از وقوع این پدیده نماید. 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 تصمیمگیری چندمعیاره میتوان 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 زمینشناسی و اقلیمی خاص منطقه و مشکلات زیستمحیطی. یادگیری ماشینی می‌تواند مناطق پرخطر را شناسایی، 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 زمینلغزش در یکی از حوزههای آبخیز جاده چالوس (حوزه آبخیز سیرا) است. مواد و روشها: حوزه آبخیز سیرا در جاده چالوس در شمال غربی حوزه آبخیز بزرگ سد کرج قرار دارد. در مجموع تعداد 6 روستا با 762 خانوار و 1904 نفر جمعیت در حوزه آبخیز وجود دارد. ابتدا جهت شناسایی مناطق لغزشی در سطح حوزه آبخیز از بانک دادههای موجود در اداره کل منابع طبیعی و آبخیزداری استان البرز و تفسیر عکسهای 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 گردید. نقاط نهایی و تائید شده زمینلغزش به دو بخش آموزش و اعتبارسنجی به نسبت 70 به 30 درصد جهت مدلسازی تقسیمبندی شدند. در ادامه جهت پهنهبندی حساسیت زمینلغزش از 10 عامل مهم و تاثیرگزار بر زمینلغزش شامل ارتفاع، شیب، فاصله از آبراهه، فاصله از جاده، شماره منحنی، گروههای هیدرولوژیکی خاک، لیتولوژی، کاربری اراضی و شاخص رطوبت توپوگرافیک استفاده شد. در ادامه روش جنگل تصادفی در نرمافزار R جهت تعیین حساسیت زمینلغزش 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 زمینلغزش به 5 کلاس با حساسیت خیلی کم، کم، متوسط، زیاد و خیلی زیاد بر اساس شکستهای طبیعی در نرمافزار ArcGIS طبقهبندی شد. در نهایت مساحت و درصد مساحت هر یک از طبقات حساسیت زمینلغزش در کل حوزه آبخیز و به تفکیک مناطق روستایی ارزیابی شد و اولویتبندی آنها بر اساس مساحت زیاد و خیلی زیاد حساسیت زمینلغزش انجام شد. یافتهها: نتایج نشان داد که حدود 7/25 درصد حوزه آبخیز سیرا (1943 هکتار) از مجموع 7/7608 هکتار دارای حساسیت زیاد و خیلی زیاد زمینلغزش است که نشاندهنده اهمیت بالای پایدارسازی زمینلغزش در حوزه آبخیز مذکور است. کارایی مدل‌ در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) به ترتیب 921/0 و 904/0 بود که نشاندهنده عملکرد عالی مدل است و میتوان به نتایج مدل اعتماد کرد. نتایج نشان داد که دو روستای آیگان و اویزر هر کدام 39 درصد روستا در معرض حساسیت زیاد و خیلی زیاد زمینلغزش قرار دارند. روستای کلوان 7 درصد و روستای کلها نیز 16 درصد در معرض حساسیت زمینلغزش قرار دارند. اما روستای سیرا با 5/73 درصد مساحت روستا در حساسیت زیاد و خیلی زیاد زمینلغزش قرار دارد و به لحاظ اقدامات پایداری زمینلغزش، مهمترین روستای حوزه آبخیز است. در مجموع تعداد 675 خانوار با جمعیت 1700 نفری در روستاهای موجود در حوزه آبخیز در معرض حساسیت زمینلغزش 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 دارد. نتیجهگیری: این مطالعه با ارائه نقشه‌های حساسیت زمین‌لغزش با دقت بالا، ابزاری ارزشمند برای برنامه‌ریزان و مدیران بحران فراهم کرده است. یافته‌ها نشان می‌دهد که تلفیق یادگیری ماشینی با داده‌های مکانی می‌تواند تحولی در پیش‌بینی مخاطرات طبیعی به خصوص زمینلغزش 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</div> <div style="text-align: justify;">Introduction and Objective: 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 damages 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). The advantages of machine learning compared to conventional methods such as multi-criteria decision making include high processing speed, higher accuracy, flexibility, and lower cost. Chalus Road is one of the busiest and most dangerous roads in the country. 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, and 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). Materials and Methods: The Sira Watershed on Chalus Road is located in the northwest of the large watershed of Karaj Dam basin. There are a total of 6 villages with 762 households and 1904 people in the watershed. First, to identify landslide areas at the watershed level, the database available at the General Directorate of Natural Resources and Watershed Management of Alborz Province and interpretation of aerial photographs were used, and 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 topographic wetness index. Next, the random forest method was used in 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 5 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. Results: The results showed that about 25.7 percent of the Sira watershed (1943 hectares) of the total 7,608.7 hectares has high and very high landslide susceptibility, which indicates the high importance of landslide stabilization in the watershed. The model efficiency in the training and validation stages using the receiver operating characteristic (ROC) curve was 0.921 and 0.904, respectively, which indicates the excellent performance of the model and the model results can be trusted. The results showed that the two villages of Aygan and Avizar, each with 39% of the village, are exposed to high and very high landslide susceptibility. Kalvan village is 7% and Kalha village is 16% susceptible to landslide susceptibility. 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 are 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. However, to achieve practical results, cooperation between government institutions, academia, and local communities is essential to implement sustainable solutions. This research is an effective step towards 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 Landslide, Chalus Road, Random Forest, Sira Watershed, Susceptibility mapping 0 0 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 100319475328460015649 100319475328460015649 Yes AREEO سازمان تحقیقات آموزش و ترویج کشاورزی Omid Asadi Nalivan امید اسدی نلیوان o.asadi@maragheh.ac.ir 100319475328460015650 100319475328460015650 No University of Maragheh دانشگاه مراغه Ali Dastranj علی دسترج Dastranj66@gmail.com 100319475328460015651 100319475328460015651 No AREEO سازمان تحقیقات آموزش و ترویج کشاورزی