| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,005 |
| تعداد مقالات | 33,631 |
| تعداد مشاهده مقاله | 44,479,704 |
| تعداد دریافت فایل اصل مقاله | 30,131,307 |
ارزیابی حساسیت زمین‌لغزش با استفاده از مدل‌های داده‌کاوی، مطالعه موردی: حوزه آبخیز چهل‌چای | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 3، دوره 11، شماره 1، فروردین 1398، صفحه 28-42 اصل مقاله (1.86 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2019.118436 | ||
| نویسندگان | ||
| آیدینگ کرنژادی1؛ حمیدرضا پورقاسمی* 2 | ||
| 1دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2استادیار، دانشکده کشاورزی، دانشگاه شیراز | ||
| چکیده | ||
| هدف از تحقیق پیش‌رو، پهنه‌بندی حساسیت زمین‌لغزش در حوزه آبخیز چهل‌چای، واقع در استان گلستان می‌باشد. بدین منظور، از دو مدل داده‌کاوی ماشین بردار پشتیبان (SVM) و درخت رگرسیون تقویت شده (BRT) به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند زمین‌لغزش استفاده شد. شواهد زمین‌لغزش با استفاده از دستگاه موقعیت‌یاب جهانی (GPS)، بازدیدهای میدانی و اطلاعات سازمانی موجود ثبت و در سامانه اطلاعات جغرافیایی (GIS) در قالب نقشه تهیه شد. همچنین، با توجه به مرور منابع گسترده، 12 عامل زمینه‌ساز شامل فاصله از گسل، فاصله از آبراهه، فاصله از جاده، واحدهای سنگ‌شناسی، بافت خاک، کاربری اراضی، درجه شیب، جهت شیب، طبقات ارتفاعی، انحنای طولی و عرضی دامنه و شاخص رطوبت (WI) بهعنوان عوامل موثر بر وقوع زمین‌لغزش منطقه مورد مطالعه انتخاب و لایه‌های مذکور در سامانه اطلاعات جغرافیایی تهیه شدند. به‌منظور ارزیابی نتایج مدل‌ها، از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی (ROC) و 30 درصد لغزش‌های استفاده نشده در فرایند مدلسازی استفاده شد. نتایج نشان داد که مدل ماشین بردار پشتیبان (SVM) با مساحت زیر منحنی 0/82 (82 درصد) کارایی بهتری در پهنه‌بندی حساسیت زمین‌لغزش در حوضه مورد مطالعه داشته و مدل BRT با مقدار معادل 0/77 (77 درصد) در رتبه بعدی اهمیت قرار گرفت. بر اساس نتایج مدل SVM، حدود 45 درصد از حوزه آبخیز چهل‌چای در پهنه حساسیت زیاد و خیلی زیاد به وقوع زمین‌لغزش قرار گرفته است. | ||
| کلیدواژه‌ها | ||
| استان گلستان؛ درخت رگرسیون تقویت‌شده؛ سامانه اطلاعات جغرافیایی؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Landslide Susceptibility Assessment Using Data Mining Models, A case study: Chehel-Chai Basin | ||
| نویسندگان [English] | ||
| Aiding Kornejady1؛ Hamid Reza Pourghasemi2 | ||
| 1PhD Student, Faculty of Range Land and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran | ||
| 2Assistant Professor, Faculty of Agriculture, Shiraz University, Shiraz, Iran | ||
| چکیده [English] | ||
| The current study is aimed to map landslide susceptibility in the Chehel-Chai Basin is located in the Golestan Province. To this end, two data mining models namely support vector machine and boosted regression tree were employed due to their robust computational algorithm. Landslide inventories were recorded through several field surveys using global positioning system (GPS), local information and available organizational resources and corresponding map was created in the geographic information system (GIS). Reviewing several worldwide studies, 12 predisposing factors including proximity to fault, proximity to stream, proximity to road, lithological units, soil texture, land use/ cover, slope degree, slope aspect, altitude, plan curvature, profile curvature and topographic wetness index (TWI) were chosen and the corresponding maps were produced in the geographic information system. In order to evaluate models’ results the receiver characteristic curve (ROC) and 30% of landslide inventories were used. Results showed that the SVM model with the AUC value of 0.82 had better performance on landslide susceptibility zonation over the study area and followed by the BRT model with the value of 0.77. Based on the SVM model results, about 45% of the Chehel-Chai Basin has high and very high landslide prone areas. | ||
| کلیدواژه‌ها [English] | ||
| Boosted regression tree, Landslide, Geographic Information System, Support Vector Machine | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 499 تعداد دریافت فایل اصل مقاله: 1,080 |
||