Disaster Prevention and Management Knowledge

fa پیش‌بینی حساسیت وقوع زمین‌لغزش به‌منظور مدیریت ریسک زمین‌لغزش در حوضه آبخیز بار نیشابور Predicting the susceptibility of landslide occurrence in order to manage landslide risk in Bar Neyshabur watershed تخصصي Special پژوهشي Research <div style="text-align: justify;">زمینه و هدف: پهنه‌بندی حساسیت وقوع زمین‌لغزش با استفاده از روش‌های مختلف، یکی از راه‌کارهای مدیریت زمین‌لغزش است. هدف از این پژوهش، ارزیابی حساسیت وقوع زمین‌لغزش در حوضه آبخیز بار نیشابور در استان خراسان رضوی با استفاده از الگوریتم ماشین بردار پشتیبان (SVM) است. روش: ابتدا از طریق بازدیدهای میدانی و تصاویر ماهواره‌ای Google Earth، لایه زمین‌لغزش‌های منطقه که توسط اداره کل منابع طبیعی تهیه‌شده بود، اصلاح گردید. در نهایت 73 مورد زمین‌لغزش شناسایی و لایه مربوط (به‌‌صورت نقطه‌ای) به این زمین‌لغزش‌ها در محیط سیستم اطلاعات جغرافیایی(GIS) تهیه شد. از این تعداد زمین‌لغزش،70 درصد به ‌منظور آموزش مدل و 30 درصد باقیمانده به‌ منظور اعتبارسنجی مدل‌سازی مورد استفاده قرار گرفت. در ادامه با توجه به ‌مرور منابع گسترده و نظرات کارشناسی 16 عامل مؤثر بر وقوع زمین‌لغزش در منطقه مورد مطالعه شناسایی و لایه‌های مربوط به این پارامترها تهیه گردید. سپس با استفاده از الگوریتم SVM در محیط نرم‌افزار ModEco، نقشه حساسیت زمین تهیه شد و در نهایت، این نقشه به پنج کلاس با حساسیت خیلی زیاد، زیاد، متوسط، کم و خیلی کم تقسیم گردید. در پایان، عملکرد این الگوریتم با استفاده از منحنی ROC مورد ارزیابی قرار گرفت. یافته‌ها: بر اساس نتایج به‌دست ‌آمده، سطح زیر نمودار (AUC) با استفاده از داده‌های آموزشی،87/0 و با استفاده از داده‌های صحت‌سنجی، 85/0 به دست آمد. لذا الگوریتم SVM عملکرد خیلی خوبی جهت ارزیابی حساسیت زمین‌لغزش در منطقه مورد مطالعه دارد. همچنین ارزیابی مدل بر اساس شاخص کاپا نشان داد که شاخص‌های طول شیب (LS) و شیب بیشترین تأثیر را در ناپایداری دامنه‌ها در این منطقه دارند. نتایج پهنه‌بندی حساسیت نیز نشان داد که 6/27 درصد از اراضی منطقه که عمدتاً در غرب و شمال غرب حوضه واقع شدند در کلاس با حساسیت زیاد و خیلی زیاد قرار گرفتند. نتیجه‌گیری: نتایج به‌دست‌ آمده در مرحله آموزش مدل و هم در مرحله اعتبارسنجی بیانگر این مطلب است که الگوریتم SVM، از نظر صحت و اعتبار مدل‌سازی مورد تأیید میباشد. در نتیجه، نقشه حساسیت زمین‌لغزش به‌دست‌ آمده در منطقه مورد مطالعه به ‌عنوان سنگ بنای تحقیقات زمین‌لغزش در مواقع بحرانی، برنامه‌ریزی کاربری اراضی، کاهش خسارات و خطرات زمین‌لغزش می‌تواند به عنوان یک ابزار مدیریتی مورد استفاده قرار می‌گیرد.</div> <div style="text-align: justify;">Background and objective: Landslide susceptibility zoning using different methods is one of the landslide management strategies. The purpose of this study is to evaluate the landslides susceptibility in the Bar watershed in Khorasan Razavi province using the support vector machine (SVM) algorithm. Method: First, the landslide layer of the area was corrected through field visits and Google Earth satellite imagery. Finally, 73 landslides were identified and the layer related to these landslides was prepared in GIS environment. Of these landslides, 70% were used for model training and the remaining 30% for modeling validation. Then, according to the review of extensive sources and expert opinions, 16 factors affecting the occurrence of landslides in the study area were identified and layers related to these parameters were prepared. Then, using the SVM algorithm in ModEco software environment, a ground sensitivity map was prepared and finally this map was divided into five classes with very high, high, medium, low and very low sensitivity. Finally, the performance of this algorithm was evaluated using the ROC curve. Findings: Based on the results, the area under curve (AUC) was obtained using training data (0.87) and validation data (0.85). Therefore, SVM algorithm has a very good performance to evaluate landslide sensitivity in the study area. Also, model evaluation based on kappa index showed that slope length (LS) and slope indices have the greatest impact on slope instability in this region. The results of sensitivity zoning also showed that 27.6% of the lands in the region, which were mainly located in the west and northwest of the basin, were in the class with high and very high sensitivity. Conclusion: Based on the results obtained in the model training and validation stage, indicates that the SVM algorithm is approved in terms of accuracy and validity of modeling. As a result, the landslide susceptibility map obtained in the studied area can be used as a management tool as a cornerstone of landslide research in critical times, land use planning, damage reduction and landslide risks.</div> پهنه بندی, شاخص کاپا, الگوریتم SVM, نمودار ROC Zoning, Kapa Index, SVM algorithm, ROC Curve 253 268 http://dpmk.ir/browse.php?a_code=A-10-605-1&slc_lang=fa&sid=1 Ali Dastranj علی دسترنج dastranj66@gmail.com 10031947532846004770 10031947532846004770 Yes 1- Corresponding Author: Soil Conservation and Watershed Management Department, khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhhad. Iran بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی خراسان‌رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد. ایران. Samad Shadfar صمد شادفر samad.shadfar@gmail.com 10031947532846004771 10031947532846004771 No Associate Prof, Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran. دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران.