چکیده:
افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه های پیش بینی مکانی مخاطرات زمینی از جمله زمین لغزش ها یکی از چالش های پیش رو در این گونه مطالعات می باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام (Random Subspace-Random Forest (RS-RF، برای افزایش میزان صحت پیش بینی مناطق حساس به وقوع زمین لغزش های سطحی اطراف شهر بیجار می باشد. در ابتدا، نوزده عامل موثر بر وقوع زمین لغزش های سطحی منطقه مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب (Curvature)، تقعر و تحدب شیب (Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratio دوازده عامل موثر از بین آن ها انتخاب و جهت مدل سازی به کار گرفته شدند. اهمیت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبی RS-RF بررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROC برای ارزیابی مدل ها هم برای داده های تعلیمی و هم برای داده های صحت سنجی استفاده شدند. نقشه های پیش بینی مکانی وقوع زمین لغزش های سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RF درجه شیب مهم ترین فاکتورهای موثر بر وقوع زمین لغزش های منطقه مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تایید این مدل ها برای داده های تعلیمی و داده های صحت سنجی بودند. نتایج ارزیابی صحت نقشه پهنه بندی به دست آمده نشان داد که درصد مساحت زیر منحنی (ROC) AUROC برای داده های تعلیمی در مدل RF و مدل ترکیبی RS-RF ارائه شده به ترتیب 0.729 و 0.784 وبرای داده های صحت سنجی به ترتیب 0.717 و 0.771 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspace منجر به افزایش صحت پیش بینی مکانی حساسیت زمین لغزش های سطحی منطقه مورد مطالعه شده است. دستیابی به یک نقشه پیش بینی مکانی زمین لغزش های سطحی با صحت بالاتر، کمک شایانی در توسعه معقول تر تاسیسات، اراضی شهری و روستایی، طرح های آمایش سرزمین، طرح های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده ای و انتقال رسوبات به پایین دست خواهد شد.
The accuracy and reliance increase and consequently reduction of uncertainty of spatial prediction maps of environmental hazards including landslides is one of the challenges facing with in such studies Therefore, the objective of this research is to introduce a hybrid model of data mining algorithm named Random Forest (RF)-Random Subspace (RF-RS) in order to enhance the accuracy of spatial prediction map of landslide-prone areas around the city of Bijar, Kurdistan province, Iran. Firstly, 19 affecting factors on shallow landslides in the study area including slope degree, slope aspect, elevation, curvature, profile curvature, plan curvature, solar radiation, stream power index (SPI), topographic wetness index (TWI), length-angle of slope (LS), land use, normalized difference vegetation index (NDVI), litho logy, distance to fault, fault density, rainfall, distance to stream, stream density and distance to road were identified. Then based on Information Gain Ratio (IGR), twelve factors among them were selected to be used in modeling. The elative importance of each factor was assessed by Random Forest (RF) model as well as Random Forest-Random Subspace (RF-RS) hybrid model. Kappa, Precision, Recall, and AUROC indices were used to evaluate the models not only for training dataset but also for testing dataset. Shallow landslide susceptibility maps of the study area were prepared using both models. The results showed that slope aspect in the RF model and slope degree in the RF-RS hybrid model is the most important affecting factor on landslide occurrence in the area. The model evaluation results indicated that both models are reasonable in application for shallow landslide susceptibility mapping. The findings also indicated that the percentage of area under the curve of ROC (AUROC) was 0.729 and 0.784 for training dataset by RF and RF-RS hybrid model, respectively, while these values were 0.717 and 0.771 for testing dataset. In conclusion, it can be claimed that the new technique (RF-RS hybrid model) is able to increase the accuracy of spatial prediction map of shallow landslides in the study area. This accurate map will help decision-makers to protect infrastructures of an area, to develop better land-use planning programs and to more effectively control sediments.