بررسی دقت مدل‌های GLM و SVM در تهیه نقشه حساسیت‌پذیری زمین لغزش (مطالعه موردی: حوزه آبخیز کرگانه، استان لرستان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، آموزش و

2 استادیار، بخش تحقیقات جنگلها و مراتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات، آموزش و ترویج

3 عضو هیات علمی مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی خراسان‌رضوی

10.48308/esrj.2024.104720

چکیده

زمین‌لغزش یکی از پدیده‌های ژئومورفولوژیکی و زمین‌شناسی است که در تغییر شکل سطح زمین نقش مؤثری دارد. هدف از این تحقیق، مدل‌سازی مکانی حساسیت وقوع زمین‌لغزش با استفاده از دو روش مدل خطی تعمیم‌یافته (GLM) و الگوریتم ماشین بردار پشتیبان (SVM) و مقایسه کارایی این مدل‌ها در پهنه‌بندی حساسیت وقوع زمین‌لغزش در حوزه آبخیز کرگانه، استان لرستان است. روش پژوهش در این مطالعه ازنظر هدف کاربردی و ازنظر ماهیت توصیفی- تحلیلی است که از روش‌های کتابخانه‌ای، بازدیدهای میدانی و مدل‌سازی استفاده‌شده است. برای این منظور، لایه نقشه پراکنش زمین‌لغزش‌های منطقه شامل ۹۵ زمین‌لغزش تهیه و به دو دسته برای آموزش مدل (70 درصد) و اعتبارسنجی مدل (30 درصد) به‌صورت تصادفی تقسیم شدند. همچنین، 16 عامل مؤثر بر وقوع زمین‌لغزش در منطقه موردمطالعه با توجه به‌مرور منابع گسترده شناسایی و لایه‌های رقومی در سامانه اطلاعات جغرافیایی تهیه شد. سپس نقشه خطر (استعداد) زمین‌لغزش بر اساس دو روش یاد شده در محیط نرم‌افزار ModEco تهیه شد. در ادامه به منظور ارزیابی صحت مدل سازی و مقایسه کارایی مدل‌ها از شاخص تشخیص عملکرد نسبی(ROC) استفاده گردید. نتایج نشان داد که روش الگوریتم ماشین بردار پشتیبان (SVM) با ROC برابر با 913/0 به عنوان مدل برتر برای حوضه برگزیده شد. الگوریتم ماشین بردار پشتیبان نه‌تنها نتایج بهتری، بلکه نتایج کاربردی‌تری نیز ارائه می‌دهد و می‌تواند برای برنامه‌ریزی کاربری‌اراضی آتی و کاهش حساسیت‌پذیری زمین‌لغزش در منطقه مورد مطالعه استفاده شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Accuracy Assessment of GLM and SVM models in preparing a landslide susceptibility map (case study: Karganeh Watershed, Lorestan Province)

نویسندگان [English]

  • Ebrahim Karimi Sangchini 1
  • Seyed Hossein Arami 2
  • ALi Dastranj 3
1 Assistant Professor, Soil Conservation and Watershed Management Research Department, Lorestan Agricultural and Natural Resources Research and Education Center(AREEO), Khorramabad, Iran.
2 Assistant Professor, Forests and Rangelands Research Department, Khuzestan Agricultural and Natural Resources Research and Education Center, Agricultural Research Education and Extension Organization (AREEO), Ahvaz, Iran
3 khorasan Razavi Agricultural and Natural Resources Research and Education Center
چکیده [English]

Landslide is one of the geomorphological and geological phenomena that plays an effective role in changing the shape of the earth's surface. The purpose of this research is to spatially model landslide susceptibility using two methods: generalized linear model (GLM) and support vector machine (SVM) and compare the efficiency of these models in zoning landslide susceptibility in Karganeh Watershed, Lorestan Province. The research method in this study is applied in terms of purpose and in terms of descriptive-analytical nature, library methods, field visits and modeling are used. For this purpose, the distribution map of landslides in the region including 95 landslides was prepared and randomly divided into two groups for model training (70%) and model validation (30%). Also, 16 factors affecting the occurrence of landslides in the studied area were identified according to the review of extensive sources and digital layers were prepared in the geographic information system. Then, the landslide hazard map was prepared based on the two mentioned methods in the ModEco software environment. Next, in order to evaluate the accuracy of the modeling and compare the efficiency of the models, the relative performance recognition index (ROC) was used. The results showed that the support vector machine (SVM) method with ROC equal to 0.913 was chosen as the best model for the basin. Support vector machine algorithm provides not only better results. The predicted map is reliable and can be used for planning future land use and reducing landslide susceptibility in the study area.

کلیدواژه‌ها [English]

  • Landslide
  • Sensitivity
  • Generalized linear model
  • Support vector machine algorithm
  • Karganeh Watershed