پیش بینی حساسیت وقوع زمین لغزش با الگوریتم یادگیری ماشین بیشینه آنتروپی (حوزه آبخیز بار نیشابور)
زمین لغزش یکی از مخرب ترین بلایای طبیعی محسوب می شود. در مواجهه با زمین لغزش در لحظه وقوع، کار چندانی نمی توان انجام داد، درحالی که می توان با برنامه ریزی مناسب و پیش بینی شده، خسارات و تلفات احتمالی را کاهش داد. بنابراین تهیه نقشه جامع حساسیت وقوع زمین لغزش برای کاهش آسیب های احتمالی به افراد و زیرساخت ها لازم و ضروری است. هدف پژوهش حاضر، اولویت بندی عوامل موثر بر وقوع زمین لغزش و پهنه بندی حساسیت وقوع آن با استفاده از روش حداکثر آنتروپی در حوزه آبخیز بار نیشابور، واقع در استان خراسان رضوی است. روش پژوهش در این مطالعه از نظر هدف کاربردی و از نظر ماهیت توصیفی- تحلیلی است که از روش های کتابخانه ای، بازدیدهای میدانی و مدل سازی استفاده شده است. بدین منظور با توجه به مرور منابع گسترده، 16 عامل موثر بر وقوع زمین لغزش در منطقه موردمطالعه انتخاب و لایه رقومی عوامل موثر در سامانه اطلاعات جغرافیایی تهیه شدند. سپس لایه زمین لغزش های موجود تهیه و به منظور مدل سازی حساسیت وقوع زمین لغزش به صورت تصادفی 70 درصد زمین لغزش ها به منظور آموزش (واسنجی) مدل و 30 درصد برای اعتبارسنجی نتایج مدل انتخاب شدند. سپس با استفاده از الگوریتم بیشینه آنتروپی، ارتباط بین عوامل موثر و موقعیت زمین لغزش ها در نرم افزار MaxENT، محاسبه و به منظور طبقه بندی نقشه حساسیت زمین لغزش به محیط GIS منتقل شد. در ادامه به منظور ارزیابی نتایج مدل از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی (ROC) با استفاده از دودسته داده آموزش و اعتبارسنجی استفاده شد. براساس نتایج نمودار Jackknife، از بین پارامترهای انتخاب شده در فرایند مدل سازی به ترتیب لایه های طول شیب(LS)، جهت شیب و شیب بیشترین مشارکت و تاثیر را در وقوع زمین لغزش های حوزه بار را دارند. سطح زیر منحنی (AUC) براساس منحنی تشخیص عملکرد نسبی، نشان دهنده دقت عالی (92/0=AUC) در مرحله آموزش و خیلی خوب (87/0=AUC) در مرحله اعتبار سنجی هست. براساس نتایج مدل حداکثر آنتروپی، حدود 13 درصد از حوزه بار نیشابور در پهنه حساسیت زیاد و خیلی زیاد قرار گرفته است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.