مقایسه کارایی برخی از مدل های یادگیری ماشین در تهیه نقشه حساسیت پذیری به حرکات توده ای (مطالعه موردی: استان چهارمحال و بختیاری)
حرکات تود ه ای در زمره خطرناک ترین حوادث طبیعی در مناطق کوهستانی به شمار می روند. پژوهش حاضر از مدل های یادگیری ماشین(ML) برای تهیه نقشه حساسیت به حرکات توده ای در استان چهارمحال و بختیاری استفاده می کند. این مدل ها بر پایه مجموعه اطلاعات جامع 864 حرکت توده ای شامل جریان واریزه، زمین لغزش و ریزش سنگ در طول 42 سال گذشته (1356تا1397 خورشیدی) و همچنین 12 عامل موثر در رخداد این حرکات، مورد بررسی، آزمون و اعتبارسنجی قرارگرفته اند. نتایج اعتبارسنجی نشان می دهدکه روشRandom Forest) RF) جنگل تصادفی مناسب ترین مدل برای تهیه نقشه های حساسیت به حرکات توده ای است. افزون براین، روش های Multivariate Adaptive Regression Splines) MARS ،(Mixture Discriminant Additive) MDA) و BRT (Boosted Regression Trees) نیز نتایج نسبتا دقیقی ارایه داده اند. نتایج سطح زیر منحنی (AUC) برای اعتبارسنجی روش هایRF، MARS،MDA و BRT به ترتیب 0/968، 0/845، 0/828، و 0/765 است. برپایه نقشه حساسیت به حرکات توده ای تولید شده توسط مدل RF، 32 درصد از سطح استان در کلاس های حساسیت بالا و بسیار بالا شناسایی شده است. بیشتر مناطق در معرض خطر حرکات توده ای در باختر و مرکز استان چهارمحال و بختیاری واقع هستند. افزون براین، یافته های این پژوهش نشان می دهدکه ارتفاع، زاویه شیب، فاصله از جاده ها و فاصله از گسل ها عوامل بحرانی در وقوع حرکات توده ای هستند. نتایج این پژوهش رهیافتی را برای کاهش خسارات ناشی از خطرات طبیعی ارایه می کند.
- 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.