پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از تکنیک مدل‌سازی الگوریتم یادگیری ماشین (نمونۀ موردی: شهرستان ایذه)

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 استادیار گروه جغرافیا، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران

2 استادیار گروه جغرافیا، واحد ماهشهر، دانشگاه آزاد اسلامی، ماهشهر، ایران

10.22059/jhsci.2025.394488.879

چکیده

هدف: پهنه‌بندی خطر وقوع زمین‌لغزش می‌تواند مرجع مؤثری برای کاهش مخاطرات طبیعی و برنامه‌ریزی کاربری زمین باشد، اما فرایند مدل‌سازی شامل دانشی چندرشته‌ای است که سبب پیچیدگی آن می‌شود. این پژوهش با هدف پهنه‌بندی خطر وقوع زمین‌لغزش در شهرستان ایذه با استفاده از روش مدل‌سازی الگوریتم یادگیری ماشین MLR انجام گرفته است.
روش پژوهش: در این پژوهش، مدل‌سازی با در نظر گرفتن چهارده عامل پیش‌بینی‌کننده اعمال شد. لایه‌های موضوعی همۀ عوامل پیش‌بینی کننده و زمین‌لغزش‌های موجود در نرم‌افزار ArcMap 10.8، SAGA-GIS 9.0.1، Rstudio،  ENVI 5.6 و اغلب از مشتقات مبتنی بر DEM و داده‌های میدانی برای تهیۀ لایه‌های دادۀ عوامل پیش‌بینی‌کننده تهیه شد.
یافته‌ها: نتایج مدل‌سازی نشان داد که الگوریتم MLR با ضریب کاپای 9711/0، RMSE برابر با 0102/0 و R² معادل 9812/0 عملکرد بسیار دقیقی در پیش‌بینی و تبیین خطر زمین‌لغزش دارد. این ارقام گویای توافق زیاد میان مقادیر واقعی و پیش‌بینی‌شده و قدرت توضیحی زیاد مدل هستند. در میان عوامل مؤثر شناسایی‌شده، فاصله از جاده‌ها (با ضریب اهمیت 73/0)، شیب (62/0)، زمین‌شناسی (54/0) و فاصله از رودخانه (42/0) بیشترین تأثیر را در وقوع لغزش‌های زمین داشته‌اند. همچنین فشار ناشی از راه‌سازی، جهت تابش، افزایش شیب و ماهیت نرم سنگ‌های گچساران، مارن و رسوبات کواترنری به‌عنوان عوامل تشدیدکنندۀ ناپایداری دامنه‌ها شناسایی شدند. در مقابل، گسل‌ها، ارتفاع و شاخص رطوبت توپوگرافی تأثیر کاهنده یا خنثی بر وقوع زمین‌لغزش نشان داده‌اند. براساس نقشۀ پهنه‌بندی خطر تولیدشده توسط مدل MLR، حدود 7/21 درصد از منطقه (96905 هکتار) در طبقۀ «خطرناک» و 3/15 درصد (20338 هکتار) در طبقۀ «خیلی خطرناک» قرار گرفته‌اند. این موضوع نشان می‌دهد که بخش بزرگی از منطقه به‌خصوص مناطق جنوبی دارای حساسیت زیاد به زمین‌لغزش است که ضرورت اقدامات مدیریتی پیشگیرانه را دوچندان می‌کند.

کلیدواژه‌ها


  • ایلانلو، مریم؛ و ابراهیمی، لیلا (1۳۹۵). پهنه‌بندی خطر وقوع حرکات توده‌ای با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LNRF در حوضة آبخیز زهره، مدیریت مخاطرات محیطی، ۳(2)، 141-153.
  • اصغری سراسکانرود، صیاد؛ محمدزاده شیشه‌گران، مریم؛ و اصغری سراسکانرود، صالح (1401). پهنه‌بندی و برآورد میزان حرکات دامنه‌ای و مخاطرات آن در شهرستان هشترود با استفاده از تداخل‌سنجی راداری و مدل MABAC، مدیریت مخاطرات محیطی، 9(2)، 133-150.
  • رئیسیان، میثم؛ ایلانلو، مریم؛ ابراهیمی، لیلا؛ و بزرگمهر، کیا (1۳۹۹). تحلیل جامع تاب‌آوری شهری در مواجهه با خطر وقوع زلزله (مطالعۀ موردی: شهر ساری)، مدیریت مخاطرات طبیعی، ۷(۴)، 383-400.
  • کشاورز، سیده ساناز؛ بیاتی اشکفتکی، جلال؛ و المدرسی، سیدرضا (1401). تحلیل مکانی مقدار زمین‌لغزش با استفاده از روش تداخل‌سنجی راداری به‌منظور کاهش مخاطرات (مطالعۀ موردی: منطقۀ سرباز در استان اصفهان)، مدیریت مخاطرات طبیعی، 9(3)، 271-288.
  • معماری، گلان؛ شهابی، هیمن؛ و زندی، جلال (1402). پهنه‌بندی خطر زمین‌لغزش در محور بوکان- سردشت با استفاده از مدل‌های شواهد وزنی و تابع شواهد قطعی، مدیریت مخاطرات طبیعی، 10(2)، 165-181.
  • Addis, A. (2023). GIS– based flood susceptibility mapping using frequency ratio and information value models in upper Abay River basin, Ethiopia. Natural Hazards Research, 12(3), 247–256.
  • Asghari Saraskanroud, S., Mohammadzadeh Shishegaran, M., & Asghari Saraskanroud, S. (2022). Zoning and estimation of slope movements and their hazards in Hashtroud County using radar interferometry and MABAC model. Environmental Hazards Management, 9(2), 133–150.(in Persian)
  • Asmare, D., & Tesfa, C. (2022). Application and validation of the evaluation using slope stability susceptibility evaluation parameter rating system to debre werk area (Northwest Ethiopia). Geotech. Eng. 24(40), 2475–2488.
  • Asmare, D., Tesfa, C., & Zewdie, M.M. (2023). A GIS-based landslide susceptibility assessment and mapping around the Aba Libanos area, Northwestern Ethiopia. Applied Geomatics 15(3), 265–280.
  • Bragagnolo, L., Rezende, R., da Silva, R.V., & Grzybowski,
    J.M.V. (2021). Convolutional neural networks applied to semantic segmentation of landslide scars, Catena, 201(5), 105189.
  • Baeza, C., Lantada, N. & Amorim, S. (2016). Statistical and spatial analysis of landslide susceptibility maps with different classification systems, Environ. Earth Sci. 75(2), 1318.
  • Chen, X., Zhao, C., Xi, J., Lu, Z., Ji, S., & Chen, L. (2022). Deep learning method of landslide inventory map with imbalanced samples in optical remote sensing, Remote Sens,14(21) 5517.
  • Chen, W. Li, W., Hou, E., Zhao, Z., Deng, N., Bai, H., & Wang, D. (2024). Landslide susceptibility mapping based on gis and information value model for the chencang district of baoji, China, Arab. J. Geosci. 7(2), 4499–4511.
  • Crozier, M.J., & Glade, T. (2025). Landslide hazard and risk: issues, concepts and approach. Landslide hazard and risk. 34(23), 1–40.
  • Guzzetti, F., Carrara, A., Cardinali, M., & Reichenbach, P. (2025). Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology, 12(31), 181–216.
  • Guo, , Tian, B., He, J., Xu, C., Zeng, T., Zhu, Y. (2023). Hazard assessment for regional typhoon-triggered landslides by using physically-based model – a case study from. southeastern China, Georisk, 17(4) 740–754.
  • Guo, , Torra, O., Hürlimann, M., Medina, V., & Puig-Polo, C. (2022). FSLAM: a QGIS plugin for fast regional susceptibility assessment of rainfall-induced landslides, Environ. Model. Software, 19(150), 105354.
  • Guo, Z. L. Chen, K. Yin, D.P. Shrestha, L. Zhang, (2020). Quantitative risk assessment of slow-moving landslides from the viewpoint of decision-making: a case study of the three gorges reservoir in China, Eng. Geol. 34(273), 105667
  • Ilanloo, M. (2011). A comparative study of fuzzy logic approach for landslide susceptibility mapping using GIS: An experience of Karaj dam basin in Iran, Procedia - Social and Behavioral Sciences, 22(19), 668-676
  • Keshavarz, S.S., Bayati Ashkaftaki, J., & Al-Modarresi, S.R. (2022). Spatial analysis of landslide magnitude using radar interferometry method for hazard reduction (Case study: Sarbaz area in Isfahan province). Natural Hazards Management, 9(3), 271–288. .(in Persian)
  • Ilanloo, M., & Ebrahimi, L. (2016). Landslide hazard zoning using information value, surface density, and LNRF models in the Zohreh watershed. Environmental Hazards Management, 3(2), 141–153.(in Persian)
  • Kim, , Lee, J. Park, H. & Heo, J. (2021). Assessment of temporal probability for rainfall-induced landslides based on nonstationary extreme value analysis, Eng. Geol. 76(29),4 106372.
  • Lombardo, L., Tanyas, H., & Nicu, I.C. (2020). Spatial modeling of multi-hazard threat to cultural heritage sites, Eng. Geol. 277(33), 105776.
  • Lu, P., Shi, W., Wang, Q., Li, Z., Qin, Y., & Fan, X. (2021). Co-seismic landslide mapping using sentinel-2 10-m fused nir narrow, red-edge, and swir bands, Landslides, 18(4). 2017–2037.
  • Medina, V. Hürlimann, M., Guo, Z., Lloret, A. & Vaunat, J. (2021). Fast physically-based model for rainfall-induced landslide susceptibility assessment at regional scale, Catena, 67(201), 105213
  • Pei, Y. H. Qiu, D. Yang, Z. Liu, S. Ma, J. Li, M. Cao, W. Wufuer, (2023). Increasing landslide activity in the taxkorgan river basin (eastern pamirs plateau, China) driven by climate change, Catena, 78(223), 106911