palette
نقش تعیین‌کننده هدف مدل‌سازی و نیاز کاربر در انتخاب مدل برتر حساسیت زمین‌لغزش (مطالعه موردی: حوزه آبخیز تجن، استان مازندران)

چکیده

در این تحقیق، سه مدل داده‌کاوی شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان و بیشینه آنتروپی برای ارزیابی حساسیت زمین‌لغزش در حوزه آبخیز تجن استان مازندران انتخاب گردید. نتایج مدل‌ها با شش شاخص کارایی مدل شامل: 1) روند توزیع مساحتی کلاس‌های حساسیت، 2) روند توزیع عددی زمین‌لغزش‌ها در کلاس-های حساسیت، 3) خطای نوع یک مدل‌سازی (مثبت کاذب)، 4) خطای نوع دو مدل‌سازی (منفی کاذب)، 5) مساحت زیر منحنی نرخ موفقیت و 6) مساحت زیر منحنی نرخ پیش‌بینی بررسی گردید و براساس آن‌ها مدل‌ها رتبه‌بندی شدند. نتایج حاکی از آن بود که براساس شاخص اول، مدل‌های بیشینه آنتروپی، ماشین بردار پشتیبان و شبکه عصبی مصنوعی به ترتیب بهترین تا ضعیف‌ترین کارایی را نشان دادند. براساس شاخص دوم، به ترتیب مدل‌های ماشین بردار پشتیبان، بیشینه آنتروپی و شبکه عصبی مصنوعی بهترین تا ضعیف‌ترین عملکرد را ارائه نمودند. شاخص سوم با اشاره به پتانسیل خسارات اقتصادی ناشی از خطای مدل‌سازی بیانگر عملکرد مناسب مدل ماشین بردار پشتیبان بود و مدل‌های بیشینه آنتروپی و شبکه عصبی مصنوعی مشترکاً در درجات بعدی اهمیت قرار گرفتند. همچنین، شاخص چهارم با اشاره به پتانسیل تلفات جانی و مالی ناشی از خطای مدل‌سازی نشانگر عملکرد خوب مدل شبکه عصبی مصنوعی بود و مدل‌های بیشینه آنتروپی و ماشین بردار پشتیبان به ترتیب در رتبه دوم و سوم قرار گرفتند. نتایج حاصل از شاخص‌های پنجم و ششم بیانگر قدرت بالای یادگیری و تعمیم نتایج در مدل ماشین بردار پشتیبان بود و مدل‌های بیشینه آنتروپی و شبکه عصبی مصنوعی در درجات بعدی اهمیت قرار گرفتند. 

واژگان کلیدی
بیشینه آنتروپی، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، مثبت کاذب، منفی کاذب.

منابع و مآخذ مقاله

-حسین زاده، م.، ثروتی، م.، منصوری، ع.، میرباقری، ب. و خضری، س.، 1388. پهنه‌بندی ریسک وقوع حرکات توده‌ای با استفاده از مدل رگرسیون لجیستیک، مطالعه موردی محدوده مسیر سنندج- دهگلان، فصلنامه زمین‌شناسی ایران، شماره 11، ص 57-68.

-شادفر، ص.، یمانی، م.، قدوسی، ج. و غیومیان، ج.، 1386. پهنه‌بندي خطر زمين‌لغزش با استفاده از روش تحليل سلسله مراتبي (مطالعه موردی: حوضه آبخیز چالکرود تنکابن)، مجله پژوهش و سازندگی در منابع طبیعی، شماره 75، ص 119-126.

-کلارستاقی، ع.، حبیب نژاد، م. و احمدی، ح.، 1386. مطالعه وقوع زمین‌لغزش‌ها در ارتباط با تغییر کاربری اراضی و جاده‌سازی مطالعه موردی حوزه آبخیز تجن ساری، مجله پژوهش‌های جغرافیایی، شماره 2، ص 81-91.

-منهاج، م.ب.، 1384. مباني شبکه‌های عصبي هوش محاسباتی، جلد اول، مرکز نشر دانشگاه تفرش و دانشگاه اميرکبير، 718 ص.

-Ayalew, L., Yamagishi, H. and Ugawa, N., 2004. Landslide susceptibility mapping using GIS-based weighted linear combination, the case in Tsugawa area of Agano River, Niigata Prefecture, Japan: Landslides, v. 1, p. 73-81.

-Beale, R. and Jackson, T., 1990. Neural Computing-an introduction, CRC Press.

-Blahut, J., van Westen, C.J. and Sterlacchini, S., 2010. Analysis of landslide inventories for accurate prediction of debris-flow source areas: Geomorphology, v. 119, p. 36-51.

-Carrara, A., Crosta, G. and Frattini, P., 2008. Comparing models of debris-flow susceptibility in the alpine environment: Geomorphology, v. 94, p. 353-378.

-Chen, W., Pourghasemi, H.R., Panahi, M., Kornejady, A., Wang, J., Xie, X. and Cao, S., 2017. Spatial prediction of landslide susceptibility using an adaptive neuro-fuzzy inference system combined with frequency ratio, generalized additive model, and support vector machine techniques: Geomorphology, v. 297, p. 69-85.

-Chung, C.J.F. and Fabbri, A.G., 1999. Probabilistic prediction models for landslide hazard mapping: Photogrammetric Engineering and Remote Sensing, v. 65, p. 1389-1399.

-Devkota, K.C., Regmi, A.D., Pourghasemi, H.R., Yoshida, K., Pradhan, B., Ryu, I.C. and Althuwaynee, O.F., 2013. Landslide susceptibility mapping using certainty factor, index of entropy and logistic regression models in GIS and their comparison at Mugling–Narayanghat road section in Nepal Himalaya: Natural Hazards, v. 65, p. 135-165.

-Elith, J., Phillips, S.J., Hastie, T., Dudík, M., Chee, Y.E. and Yates, C.J., 2011. A statistical explanation of MaxEnt for ecologists: Diversity and Distributions, v. 17, p. 43-57.

-Goetz, J.N., Brenning, A., Petschko, H. and Leopold, P., 2015. Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling: Computers & Geosciences, v. 81, p. 1-11.

-Kanungo, D.P., Sarkar, S. and Sharma, S., 2011. Combining neural network with fuzzy, certainty factor and likelihood ratio concepts for spatial prediction of landslides: Natural Hazards, v. 59, p. 1491-1506.

-Lee, E.M. and Jones, D.K., 2004. Landslide risk assessment, Thomas Telford, doi.org/10.1680/lra.31715.

-O’brien, R.M., 2007. A caution regarding rules of thumb for variance inflation factors: Quality & Quantity, v. 41, p. 673-690.

-Phillips, S.J., Anderson, R.P. and Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions: Ecological Modelling, v. 190, p. 231-259.

-Pourghasemi, H.R., Pradhan, B., Gokceoglu, C., Mohammadi, M. and Moradi, H.R., 2013. Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran: Arabian Journal of Geosciences, v. 6, p. 2351-2365.

-Pourghasemi, H.R. and Rossi, M., 2017. Landslide susceptibility modeling in a landslide prone area in Mazandarn Province, north of Iran: a comparison between GLM, GAM, MARS, and M-AHP methods: Theoretical and Applied Climatology, v. 130, p. 609-633.

-Radbruch-Hall, D.H. and Varnes, D.J., 1976. Landslides—cause and effect: Bulletin of the International Association of Engineering Geology, v. 13, p. 205-216.

-Rahmati, O., Kornejady, A., Samadi, M., Deo, R.C., Conoscenti, C., Lombardo, L. and Bui, D.T., 2019. PMT: New analytical framework for automated evaluation of geo-environmental modelling approaches: Science of the Total Environment, v. 664, p. 296-311.

-Rahmati, O., Kornejady, A., Samadi, M., Nobre, A.D. and Melesse, A.M., 2018. Development of an automated GIS tool for reproducing the HAND terrain model: Environmental Modelling & Software, v. 102, p. 1-12.

-Van Westen, C.J., Van Asch, T.W. and Soeters, R., 2006. Landslide hazard and risk zonation—why is it still so difficult?: Bulletin of Engineering Geology and the Environment, v. 65, p. 167-184.

-Vapnik, V.N., 1995. The nature of statistical learning, Theory, DOI: 10.1007/978-1-4757-3264-1_1.

-Xu, C., Dai, F., Xu, X. and Lee, Y.H., 2012. GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China: Geomorphology, v. 145, p. 70-80.

-Yalcin, A., 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations: Catena, v. 72, p. 1-12.

-Yao, X., Tham, L.G. and Dai, F.C., 2008. Landslide susceptibility mapping based on support vector machine: a case study on natural slopes of Hong Kong, China: Geomorphology, v. 101, p. 572-582.


ارجاعات
  • در حال حاضر ارجاعی نیست.