تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,036 |
تعداد مشاهده مقاله | 125,504,858 |
تعداد دریافت فایل اصل مقاله | 98,768,963 |
ارزیابی و پیشبینی مکانی مخاطرۀ زمینلغزش در جادۀ کوهستانی سنندج-کامیاران با استفاده از الگوریتمهای پیشرفتۀ دادهکاوی | ||
مدیریت مخاطرات محیطی | ||
مقاله 2، دوره 6، شماره 4، دی 1398، صفحه 317-340 اصل مقاله (1.68 M) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2020.294693.527 | ||
نویسندگان | ||
صالح میرزانیا1؛ هیمن شهابی* 2 | ||
1کارشناسی ارشد رشتۀ مخاطرات محیطی، گروه ژئومورفولوژی، دانشکدۀ منابع طبیعی، دانشگاه کردستان | ||
2استادیار گروه ژئومورفولوژی، دانشکدۀ منابع طبیعی، دانشگاه کردستان | ||
چکیده | ||
زمینلغزشها از بلایای طبیعی هستند که سالانه خسارتهای مالی و جانی زیادی را در کشور ایجاد میکنند. شناخت مناطق پرخطر میتواند در کاهش خسارتها و تصمیمگیری در زمینۀ سیاستهای توسعۀ اراضی مؤثر باشد. هدف این پژوهش، پیشبینی مکانی خطر زمینلغزش در محدودۀ جادۀ ارتباطی سنندج-کامیاران در استان کردستان است. در این تحقیق، پهنهبندی خطر زمینلغزش با استفاده از الگوریتمهای پیشرفتۀ دادهکاوی از قبیل مدل تابع شواهد قطعی (EBF) و شواهد وزنی (WOE) انجام گرفت. ابتدا 79 زمینلغزش با استفاده از پیمایش میدانی شناسایی شد. سپس این نقاط بهطور تصادفی بهمنظور تهیۀ مدل و اعتبارسنجی بهترتیب به دو گروه آموزش (70 درصد، 55 نقطه) و اعتبارسنجی (30 درصد، 24 نقطه) تقسیم شدند. در این پژوهش، با توجه به تحقیقات قبلی و شرایط منطقه، چهارده عامل مؤثر در وقوع زمینلغزشها شامل شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم رودخانه، فاصله از گسل، فاصله از جاده، کاربری اراضی، جنس خاک، انحنای شیب، لیتولوژی، شاخص تفرق پوشش گیاهی ((NDVI، شاخص توان آبراهه (SPI) و شاخص رطوبت توپوگرافی (TWI) برای پهنهبندی پتانسیل خطر زمینلغزش در نظر گرفته شدند. همچنین در این پژوهش با استفاده از منحنی ویژگی عملگر نسبی (ROC)، عملکرد هر دو مدل بررسی شد.نتایج تحلیل منحنی ویژگی عملگر نسبی نشان داد که مدلهای WoE و EBF بهترتیب دارای مقدار AUC 89/0 و 79/0 هستند؛ بنابراین مدل WoE نسبت به EBF دارای بیشترین مقدار AUC بوده و بهترین مدل برای پیشبینی مکانی خطر زمینلغزش در منطقۀ پژوهش است. افزونبر آن، نتایج نشان داد که الگوریتمهای پیشرفتۀ دادهکاوی بنا به ساختار خود از دقت کافی در پیشبینی مکانی زمینلغزش در منطقۀ پژوهش برخوردارند. | ||
کلیدواژهها | ||
الگوریتمهای پیشرفتۀ دادهکاوی؛ تابع شواهد قطعی؛ جادۀ سنندج-کامیاران؛ زمینلغزش؛ مدل شواهد وزنی | ||
مراجع | ||
[1]. رجایی، عبدالحمید (1373). کاربرد ژئومورفولوژی در آمایش سرزمین و مدیریت محیط، تهران: قومس. [2]. روستایی، شهرام؛ مختاری، داوود؛ و خدایی، فاطمه (1394). «کاربرد روش رگرسیون لجستیک در پهنهبندی خطر وقوع ناپایداریهای دامنهای در جادههای کوهستانی (محدودۀ مورد مطالعه: تنگۀ دره دیز)»، مخاطرات محیط طبیعی، دورۀ 4، ش 6، ص 103-89. [3]. ریاضی، برهان؛ کرمی، نعمتالله؛ کرمی، محمود؛ و هوشیاردل، بنفشه (1385). «بررسی اثرات حملونقل جادهای و ریلی بر حیات وحش جانوری و ارائۀ رهنمودهای لازم»، علوم و تکنولوژی محیط زیست، دورۀ 8، ش 3، ص 60-53. [4]. زندی، دانش؛ شهابی، هیمن؛ چپی، کامران؛ و شیرزادی، عطالله (1397). پیشبینی مکانی حرکتهای دامنهای جادهای با استفاده از الگوریتمهای پیشرفته دادهکاوی (گردنۀ صلواتآباد سنندج). پایاننامۀ کارشناسی ارشد مخاطرات طبیعی، دانشگاه کردستان. [5]. شادفر، صمد؛ نوروزی، علیاکبر؛ قدوسی، جمال؛ و غیومیان، جعفر (1384). «پهنهبندی خطر زمینلغزش در حوزۀ لاکتراشان»، حفاظت خاک و آب، دورۀ 1، ش 3، ص 10-1. [6]. شیرزادی، عطالله؛ سلیمانی، کریم؛ حبیبنژاد روشن، محمود؛ و چپی، کامران (1396). «معرفی یک مدل جدید ترکیبی الگوریتم مبنا بهمنظور پیشبینی حاسیت زمینلغزشهای سطحی اطراف شهر بیجار»، جغرافیا و توسعه، دورۀ 14، ش 46، ص 246-225. [7]. شیرزادی، عطالله؛ سلیمانی، کریم؛ حبیبنژاد روشن، محمود؛ کاویان، علی؛ و قاسمیان، بهاره (1394). «مقایسۀ روشهای رگرسیون لجستیک، نسبت فراوانی و تحلیل سلسلهمراتبی در تهیۀ نقشۀ حساسیت ریزش سنگ (مطالعۀ موردی: استان کردستان، گردنۀ صلواتآباد)»، پژوهشنامۀ مدیریت حوزۀ آبخیز، دورۀ 12، ش 5، ص 203-193. [8]. صفاری، امیر؛ و اخدر، آرش (1391). «مقایسۀ مدل نسبت فراوانی و توابع عضویت فازی در پهنهبندی خطر زمینلغزش (مطالعۀ موردی: جادۀ ارتباطی مریوان-سنندج)»، جغرافیا و مخاطرات محیطی، دوره 1، ش 4، ص 96-79. [9]. عرب عامری، علیرضا؛ شیرانی، کورش؛ و رضایی، خلیل (1396). «ارزیابی مقایسهای روشهای احتمالاتی وزن واقعه و نسبت فراوانی در پهنهبندی خطر زمینلغزش (مطالعۀ موردی: حوزۀ آبخیز ونک، اصفهان)»، پژوهشنامۀ مدیریت حوزۀ آبخیز، دورۀ 8، ش 15، ص 163-147. [10]. فلاحتبار، نصراله (1379)، «تأثیر برخی عوامل جغرافیایی بر راههای کشور»، پژوهشهای جغرافیایی، دورۀ 32، ش 38، ص 55-47. [11]. قاسمیان، بهاره؛ عابدینی، موسی؛ روستایی، شهرام؛ و شیرزادی، عطالله (1396). «ارزیابی حساسیت زمینلغزش با استفاده از الگوریتم ماشین پشتیبان بردار (مطالعۀ موردی: شهرستان کامیاران، استان کردستان)»، پژوهشهای ژئومورفولوژی کمّی، دورۀ 6، ش 3، ص 36-15. [12]. متولی، صدرالدین؛ حسینزاده، محمد؛ اسماعیلی، رضا؛ و درفشی، خهبات (1394). «ارزیابی دقت روشهای رگرسیون چندمتغیره (MR)، رگرسیون لجستیک (LR)، تحلیل سلسلهمراتبی (AHP) و منطق فازی (FL) در پهنهبندی خطر زمینلغزش حوضۀ آبخیز طالقان»، پژوهشهای ژئومورفولوژی کمّی، دورۀ 1، ش 13، ص 20-1. [13]. موسوی، معصومه؛ و عابدینی، موسی (1392). «پهنهبندی خطر وقوع زمینلغزش در حوضههای آبخیز شهری با استفاده از مدل (WLC) مطالعۀ موردی: حوضۀ آبخیز شهر ایذه خوزستان»، دومین کنفرانس بینالمللی مخاطرات محیطی، تهران، دانشگاه خوارزمی. [14]. Bonham-Carter, G.F. (1994). Geographic Information Systems for Geoscientists: Modeling with GIS. Pergamon Press, Canada, p: 398. [15]. Carrara, A.; G.B. Crosta.; & P. Frattini. (2003). “Geomorphologic and historical data in assessing andslide hazard”, Earth Surface Processes and Landforms, 28, pp: 1125-1142. [16]. Chen, W.; Hong, H.; Panahi, M.; Shahabi, H.; Wang, Y.; Shirzadi, A.; & Rezaie, F. (2019). “Spatial Prediction of Landslide Susceptibility Using GIS-Based Data Mining Techniques of ANFIS with Whale Optimization Algorithm (WOA) and Grey Wolf Optimizer (GWO)”, Applied Sciences, 9(18), p: 3755. [17]. Chen, W.; Shahabi, H.; Zhang, S.; Khosravi, K.; Shirzadi, A.; Chapi, K.; Pham, B.; Zhang, T.; Zhang, L.; Chai, H.; & Ma, J. (2018). “Landslide Susceptibility Modeling Based on GIS and Novel Bagging-Based Kernel Logistic Regression”, Applied Sciences, 8(12), p: 2540. [18]. Chen, W.; Xie, X.; Peng, J.; Wang, J.; Duan, Z.; & Hong, H. (2017). “GIS-based landslide susceptibility modelling: a comparative assessment of kernel logistic regression, Naïve-Bayes tree, and alternating decision tree models”, Geomatics, Natural Hazards and Risk, pp: 1-24. [19]. 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, pp: 1006-1018. [20]. Constantin, M.; Bednarik, M.; Jurchescu. M.C.; & Vlaicu. M. (2011). “Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania)”, Environment. Earth Sci, 63, pp: 397-406. [21]. Crosby, D. A. (2006). The effect of DEM resolution on the computation of hydrologically significant topographic attributes. M.S. Thesis Arts, Department of Geography, College of Arts and Sciences, University of South Florida. [22]. Devkota, C. K.; Regmi, D. A.; Pourghasemi, R. H.; Yohida, K.; Pradham, B.; Ryu, C. L.; Dhital, R. M.; & Althuwaynee, F. O. (2012). “Landslide susceptibility mapping using certainty factor, index of entropy and logistic regression models in GIS and their comparison at Mugling-Narayanghat road section in Nepal Himalaya”, Natural Hazards, 65(1), pp: 135-165. [23]. Goetz, J. N.; Brenning, A.; Petschko, H.; & Leopold, P. (2015). “Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling”, Computers & Geosciences, 81, pp: 1-11. [24]. Huang, F.; Chen, L.; Yin, K.; Huang, J.; & Gui, L. (2018). “Object-oriented change detection and damage assessment using high-resolution remote sensing images, Tangjiao Landslide, Three Gorges Reservoir, China”, Environmental Earth Sciences, 77, p: 183. [25]. Hunger, O.; Evans, S.J.; Bovis, M.U.; & Hutchinson, J.N. (2001). “A review of the classification of landslides of the flow type Environ”, Environmental and Engineering Geoscience, 7, pp: 221-238 [26]. Jebur, M.; Pradhan, B.; & Tehrany, M. (2014). “Manifestation of LiDAR-derived parameters in the spatial potential in the area of Pohang City, Korea”, Journal of Hydrology, 399. pp: 158-172. [27]. Kavzoglu, T.; Kutlug Sahin, E; & Colkesen, I. (2015). “An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district”, Natural Hazards, 76 (1), pp: 471 - 496. [28]. Kornejady, A.; Ownegh, M.; & Bahremand, A. (2017). “Landslide susceptibility assessment using maximum entropy model with two different data sampling methods”, Catena, 152, pp:144-162. [29]. Nefeslioglu, H.A.; Duman, T.Y.; & Durmaz. S. (2008). “Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey)”, Geomorphology, 94, pp: 401-418. [30]. Oh, H. J.; Kadavi, P. R.; Lee, C. W.; & Lee, S. (2018). “Evaluation of landslide susceptibility mapping by evidential belief function, logistic regression and support vector machine models. Geomatics”, Natural Hazards and Risk, 9(1), pp: 1053-1070. [31]. Pontius, R.G.; & L.C. Schneider. (2001). “Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture”, Ecosystems and Environment, 85(1), pp: 239- 248. [32]. Pradhan, B. (2012). “Landslide susceptibility mapping at Golestan Province, Iran: A comparison between frequency ratio, Dempster-Shafer and weights-of-evidence models”, Journal of Asian Earth Sciences, 61, pp: 221-236. [33]. Qing, F.; Wie, C.; & Haeyuan, H. (2016). “Application of frequency ratio weights of evidence and evidential belif function model in land slide susceptibility mapping”, Geocarto International, (6)32, pp: 619 – 639. [34]. Regmi, A.D.; Devkota, K.C.; Yoshida, K.; Pradhan, B.; Pourghasemi, H.R.; Kumamoto, T. & Akgun. A. (2014). “Application of frequency ratio, statistical index, and weights-of-evidence models and their comparison in landslide susceptibility mapping in Central Nepal Himalaya”, Arabian Journal of Geosciences, 7, pp: 725-742. [35]. Roodposhti, M. S.; Safarrad, T.; & Shahabi, H. (2017). “Drought sensitivity mapping using two one-class support vector machine algorithms”, Atmospheric Research, 193, pp: 73-82. [36]. Shahabi, H.; Khezri, S.; Ahmad, B. B.; & Hashim, M. (2014). “Landslide susceptibility mapping at central Zab basin, Iran: a comparison between analytical hierarchy process, frequency ratio and logistic regression models”, Catena, 115,pp: 55-70. [37]. Shirzadi, A.; Bui, D. T.; Pham, B. T.; Solaimani, K.; Chapi, K.; Kavian, A.; & Revhaug, I. (2017). “Shallow landslide susceptibility assessment using a novel hybrid intelligence approach”, Environmental Earth Sciences, 76(2), pp: 60.-71. [38]. Song, K.Y.; Oh, J.; Choi, J.; Park, I.; Lee, C.; & Lee, S. (2012). “Prediction of landslides using ASTER imagery and data mining models”, Advances in Space Research, 49, pp: 978-993. [39]. Yilmaz, C.; Topal, T.; & Suzen, M.L. (2012). “GIS-based landslide susceptibility mapping using bivariate statistical analysis in Devrek (Zonguldak-Turkey)”, Environmental Earth Science, 65, pp: 2161- 2178. [40]. Zhang, K.; Wu, X.; Niu, R.; Yang, K.; & Zhao, L. (2017). “The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China”, Environmental Earth Sciences, 76(11), pp: 405-414. | ||
آمار تعداد مشاهده مقاله: 634 تعداد دریافت فایل اصل مقاله: 533 |