پهنه‌بندی زمین‌لغزش‌های محدوده کوهستانی استان گلستان با استفاده از روش الگوریتم ترکیبی کمترین مربعات ماشین‌بردار پشتیبان و کلونی زنبور عسل مصنوعی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری مخاطرات ژئومورفولوژی ، دانشگاه خوارزمی، تهران، ایران.

2 دانشیار ژئومورفولوژی ، دانشگاه خوارزمی، تهران، ایران

3 دانشیار ژئومورفولوژی ، دانشگاه خوارزمی، تهران، ایران.

4 استاد جنگلداری دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

پهنه‌بندی اراضی بر مبنای میزان خطر وقوع زمین‌لغزش با استفاده از الگوریتم‌های مناسب، یکی از راهکارهای مدیریت زمین‌لغزش است. تاکنون کارایی روش‌ها و الگوریتم‌های زیادی برای پهنه‌بندی خطر وقوع زمین‌لغزش مورد بررسی قرار گرفته است تا بهترین و کاراترین روش و الگوریتم مورد استفاده قرار گیرد. در این پژوهش کارایی الگوریتم ترکیبی نوین کمترین مربعات ماشین­ بردار پشتیبان و کلونی زنبورعسل مصنوعی در پهنه‌بندی خطر زمین‌لغزش­های محدوده کوهستانی استان گلستان مورد ارزیابی قرار گرفت. روش تحقیق بر پایه روش کمّی-تحلیلی و در محیط نرم‌افزارهای ARC GIS 10.5، SAGA GIS و MATLAB انجام شد و تعداد 12 پارامتر شامل زاویه شیب، جهت شیب، مدل رقومی ارتفاع، انحنای سطح زمین (انحنای شیب)، فاصله از گسل، کاربری اراضی، بافت خاک، عمق دره، شاخص توان آبراهه، شاخص سختی زمین، شاخص میزان رطوبت و لیتولوژی به‌منظور اجرای مدل انتخاب شدند. نتایج نشانگر آن است که معیار صحت کلی برای داده‌های تعلیمی و اعتباری به ترتیب 26/86 و 3/82 درصد می‌باشد که بیانگر این مطلب است که مدل ذکرشده از نظر صحت و اعتبار مدل‌سازی مورد تأئید است و درنهایت، منطقۀ مطالعاتی به پنج طبقه با حساسیت بسیار زیاد، زیاد، متوسط، خیلی کم و کم، طبقه‌بندی گردید که ارزیابی تمامی نتایج، نشان‌دهنده عملکرد بالا و ظرفیت پیش‌بینی خوب الگوریتم کمترین مربعات ماشین بردار پشتیبان- کلونی زنبورعسل مصنوعی در شناسایی پهنه‌های با پتانسیل بالای لغزشی است که می‌تواند برای مدیریت بهتر در استان گلستان مورد استفاده قرار گیرد. در نقشۀ نهایی پهنه­بندی لغزش در استان، به‌ترتیب 69 /0، 11/28، 93/62 و 27/8 درصد از مساحت نواحی کوهستانی استان در در پهنه‌های لغزشی با حساسیت کم ، متوسط، زیاد و خیلی زیاد قرار دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Landslides zoning of Golestan province using combination algorithm least squares support vector machines and artificial bee colony

نویسندگان [English]

  • VALEH TAHERI 1
  • Amir Karam 2
  • amir Safari 3
  • Shaban Shataii joibari 4
1 Department of Geography, Faculty of Humanities, Kharazmi University, Tehran, Iran
2 Department of Geography, Faculty of Humanities, Kharazmi University, Tehran, Iran
3 Department of Geography, Faculty of Humanities, Kharazmi University, Tehran, Iran
4 Department of Geography, Faculty of Humanities, Kharazmi University, Tehran, Iran
چکیده [English]

Landslide zoning based on the risk of landslide hazard using one of the proper algorithms is one of the land management methods. So far, the effectiveness of many algorithms and algorithms for landslide hazard zonation has been investigated in order to use the best and most efficient method and algorithm. In this research, the efficiency of the newest least squares algorithm for support and colony of artificial bison was evaluated in Golestan landslide zonation. The research method was based on quantitative and analytical method and in the environment of two software GIS and MATLAB and 13 parameters including slope, tilt direction, digital elevation model, distance from fault, land use, geology, landscape, gender and type of soil, Valley Depth, Water Power Index, Earth Hardness Index, Moisture Index, Land Curvature, were selected for implementation of the model. The results indicate that the overall accuracy criterion for educational and evaluation data is 84.4% and 81.4%, respectively, which indicates that the mentioned model is validated in terms of validity and validity of modeling. Finally, the study area was categorized into five classes of very high, high, moderate, very low and low sensitivity. All of the results of the evaluation showed high performance and good predictive capacity of the least squares model of artificial support binoculars in identifying areas with high slip potential. Which can be used for better management in Golestan province. landslidSlide classification is 70.57% in very low class, 0.46% in low class, 15.44% in middle class, 3.61% in high class and 9.41% in very high class.

کلیدواژه‌ها [English]

  • landslide
  • Zoning
  • Artificial colonies
  • Least squares support vector machines
  • Golestan province

مراجع

  1. بروغنی، مهدی. سیما پور‌هاشمی و محمد علی زنگنه اسدی. 1397. ارزیابی خطر و خسارت زمین لغزش در حوضه آبخیز بقیع به روش فاکتور قطعیت و رگرسیون لجستیک. مجله آمایش جغرافیایی فضا، سال هشتم، شماره 29، صص 1-18.
  2. بهشتی­راد، مسعود. سادات فیض نیا و علی سلاجقه و علی احمدی. 1388. بررسی کارایی مدل پهنه‌بندی خطر زمین‌لغزش فاکتور اطمینان (CF) مطالعۀ موردی حوزۀ آبخیز معلم کلایه. فصلنامه جغرافیای طبیعی، سال دوم، شماره 5، صص 19-28.
  3. پورقاسمی، حمیدرضا. ۱۳۸۹. پهنه‌بندی حساسیت زمین‌لغزش با استفاده از مدل احتمالاتی وزن واقعه. نشریه مهندسی فناوری اطلاعات مکانی، سال یکم، شماره نهم، صص ۸۰- ۶۹.
  4. حسین­زاده، محمدمهدی. محمدرضا ثروتی و عادل منصوری و بابک میرباقری و سعید خضری. ۱۳۸۸. پهنه‌بندی ریسک وقوع حرکات توده‌ای توسط از مدل رگرسیون لجستیک مسیر سنندج – دهگلان. فصلنامه زمین‌شناسی ایران، سال سوم، شماره ۱۱، صص۲۷-۳۷.
  5. راکعی، بابک. ماشااله خامه چیان و پرویز عبدالملکی و پانته آ گیاهچی . 1386. مجله علوم دانشگاه تهران. کاربرد سیستم شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مطالعه موردی: ناحیه سفیدارگله در استان سمنان.جلد 33 , شماره  1 ، صص 57- 64.
  6. رنجبر، محسن. عسل فلک. 1393. بررسی و تحلیل مدل­های AHP و شبکه عصبی مصنوعی در پهنه بندی خطر زمین لغزش دامنه­های جنوبی البرز (منطقه تجریش تهران). فصلنامه جغرافیایی سرزمین، سال 11، شماره 43، صص 85- 97.
  7. روستایی، شهریور. محسن احدنژاد روشنی و مینا فرخی صومعه. 1393. سنجش فضایی گستردگی شهری با تأکید بر تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای چندزمانه، مطالعه موردی: ارومیه. سال 18، شمارۀ50، صص 189- 206.
  8. سیفی، اکرم. سید مجید میرلطفی و حسین ریاحی. 1392. معرفی و کاربرد ماشین بردار پشتیبان حداقل مربعات در برآورد تبخیر- تعرق مرجع و تحلیل عدم
    قطعیت نتایج ؛ مطالعه موردی شهر کرمان. فصلنامه علمی پژوهشی مهندسی آبیاری وآب. سال چهارم، شماره 13: 67-79.
  9. شریعت جعفری، محسن. 1375. شناسایی آب‌های زیر زمینی با استفاده از دستگاه Dowsing Rod به‌منظور توسعه پایدار شهری‎. کنگره بین المللی تخصصی علوم زمین، دوره 34.

10. شمسی‌پور، علی اکبر. هیمن شهابی، ممند سالاری و محمد عباسی. ۱۳۸۹. پهنه‌بندی خطر زمین‌لغزش با استفاده از تحلیل سلسله مراتبی. نشریه محیط جغرافیایی شماره ۱.

11. شیرانی، کورش. علیرضا عرب عامری. 1394. پهنه‌بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک، مطالعه موردی: حوضه دز علی. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک. سال نوزدهم، شماره 72، صص 321-334.

12. شیرانی، کورش. فرزاد حیدری و علیرضا عرب عامری. 1396. مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پهنه بندی خطر زمین لغزش، مطالعه موردی: حوضه ونک، استان اصفهان. نشریه علمی- پژوهشی مهندسی و مدیریت آبخیز، جلد نه، شماره 4، صص 451-464.

13. شیرزادی، عطااله. کریم سلیمانی، محمود حبیب نژاد ، عطاله کاویان و کامران چپی. ۱۳۹۶. معرفی یک مدل جدید ترکیبی الگوریتم مبنا به‌منظور پیش‌بینی حساسیت زمین‌لغزش‌های سطحی اطراف شهر بیجار. جغرافیا و توسعه، شماره ۴۶، صفحات ۲۴۶-۲۲۵.

14. صفاری، امیر. معصومه‌هاشمی. 1395. پهنه بندی حساسیت وقوع زمین لغزش با مدل‌های آنتروپی و منطق فازی (مطالعه موردی: شهرستان کرمانشاه). فصلنامه جغرافیای طبیعی. سال نهم، شماره 34، صص 43-62.

15. عابدینی، موسی. بهاره قاسمیان. 1394. پهنه بندی خطر زمین‌لغزش در شهرستان بیجار به روش تحلیل سلسله مراتبی (AHP). نشریه علمی-پژوهشی جغرافیا و برنامه ریزی، سال 19، شماره 52، 205-227.

16. غلامی کلاته، غلامرضا. پرویز کردوانی و محسن رنجبر. 1399. پهنه بندی خطر زمین لغزش در حوضه آبخیز اوغان استان گلستان با استفاده از مدل فازی. مجله آمایش جغرافیایی فضا، سال دهم، شماره 36، صص 1-14.

  1. 17.  کرم ،امیر. مریم تورانی. 1392. پهنه بندی استعداد اراضی نسبت به وقوع لغزش با استفاده ازروش‌های رگرسیون خطی و فرآیند تحلیل سلسله مراتبی مطالعۀ موردی: محور هراز از رودهن تا رینه، نشریه تحقیقات کاربردی علوم جغرافیایی، سال سیزدهم شماره 28، صص 177- 190.

18. مددی، عقیل. عطا غفاری گیلانده، الناز پیروزی­ .1394. ارزیابی و پهنه‌بندی خطر لغزش با استفاده از مدل VIKOR، مطالعۀ موردی: حوضۀ آبخیز آق لاقان چای. پژوهش‌های ژئومورفولوژی کمی، سال سوم، شماره 4 ، صص 124-141.

  1. مطالعات آمایش استان گلستان، 1394.

20. مقیمی، ابراهیم. سعید نگهبان. 1391. بررسی فرسایش در حوضه‎ی‌ آبخیز رودخانه‎ی شورفدامی(استان فارس) با استفاده از مدل آنتروپی . پژوهش‌های جغرافیای طبیعی، سال 44، شماره 3،  صص 1-16.

21. ملکی، امجد. بهزاد میلادی. ۱۳۹۱. شبیه سازی مناطق مستعد خندق زایی با استفاده از روش SPI در حوضه ی رودخانه مرگ. پژوهش‌های ژئومورفولوژی کمی، شماره 3، صص ۳۸-۲۳.

22. نصر آزادانی و همکاران، 1392. ارزیابی مدل‌های پهنه بندی آماری دو متغیره زمین لغزش، با استفاده از GIS در حوضه آبخیز علیا، مجله مهندسی فناوری اطلاعات مکانی، دوره 1، شماره 1، صص 65-80.

  1. یمانی، مجتبی. علی احمد‌آبادی و غلامرضا زارع. 1391. به کار گیری الگوریتم ماشین‌های پشتیبان بردار در پهنه بندی خطر وقوع زمین لغزش، مطالعه موردی: حوضه آبریز درکه. نشریه جغرافیا و مخاطرات محیطی، شماره 3، صص 125- 142.
    1. Ballabio. C. and Sterlacchini, S. 2012. Support Vector Machines for Landslide Susceptibility Mapping: The Staffora River Basin Case Study. Italy, Math Geosci, 44: 47-70.
    2. Bouzerdoum, Mellit, M.A. and Pavan, A.M. 2013. A hybrid model (SARIMA–SVM) for short-term power forecasting of a small-scale grid-connected photovoltaic plant. Solar Energy, 98: 226-235.
    3. Cevik, E. and Topal, T. 2003. GIS-based landslide susceptibility mapping for a problematic segment of the natural gas pipeline, Hendek (Turkey). 44(8): 949-962.
    4. Cheng, M-Y, and Hoang, N-D .2015. Typhoon-induced slope collapse assessment using a novel bee colony optimized support vector classifier. Nat Hazards 78:1961-1978.
    5. Cruden D.M. and Varnes D.J. 1996. Landslide types and processes, Special Report, Transportation Research Board. National Academy of Sciences 247: 36-75.
    6. Dai, F.C., and Lee, C.F. 2001. Terrain-based mapping of landslide susceptibility using a geographical information system: a case study. Canadian Geotechnical Journal 38: 911-923.
    7. Dai, F.C., and Lee, C.F. 2002. Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong. Geomorphology 42: 213–228.
    8. Dehnavi A, Aghdam I.N., Pradhan B., and Morshed Varzandeh M.H. 2015. A new hybrid model usi stepwise weight assessment ratio analysis (SWARA) technique and adaptive neuro-fuz inference system (ANFIS) for regional landslide hazard assessment in Iran Catena 135:122-148.
    9. Gorum, T., Gonencgil, B., Gokceoglu, C., and Nefeslioglu, H.A. 2008. Implementation of reconstructed geomorphologic units in landslide susceptibility mapping: the Melen Gorge (NWTurkey). Natural Hazards 46: 323-351.
    10. Grabs, T., Seibert, J., and Laudon, H. 2007: Modelling spatial patterns of saturated areas: a comparison of the topographic wetness index and a distributed model. Geophysical Research Abstracts 9 SRef-ID: 1607-7962 /gra/ EGU 2007-A-00894.
    11. Guzzetti, F. et al.1999. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study. Central Italy, 31(1): 181-216.
    12. Karaboga, D., Gorkemli, B, Ozturk C, Karaboga N .2014. A comprehensive survey: artificial bee colony (ABC) algorithm and applications. Artif Intell Rev 42: 21-57.
    13. Kavzoglu, T., Sahin, E.K. and Colkesen, I. 2014. Landslide susceptibility mapping using GIS-based multi-criteria decision analysis, support vector machines, and logistic regression. Landslides 11 (3): 425e439.
    14. Keefer, D.K.1984. Landslides caused by earthquakes. GSA Bulletin, 95(4): 406-421.
    15. Lin, Y., Chu, H.J., and Wu, C.F. 2010. Spatial pattern analysis of landslide using landscape metrics and logistic regression: a case study in Central Taiwan, Hydrol. Earth Syst. Sci. Discuss 7: 3423-3451.
    16. Moore, I.D., Grayson R, and Ladson A. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrol Process 5:3-30.
    17. Shah, R.S. 2007. Support vector machines for classification and regression .Degree of Master of Science. McGill University.
    18. Suykens, J.A.K., Van Gestel, T., De Brabanter, J., De Moor, B. and Vandewalle, J. 2002. Least Squares Support Vector Machines, World Scientific, In press.
    19. Suzen, M.L., and Doyuran, V. 2004. Data driven bivariate landslide susceptibility assessment using geographical information systems: a method and application to Asarsuyu Catchment, Turkey. Engineering Geology 71: 303-321.
    20. Tien Bui, D., Tuan,T.A. Klempe, H., Pradhan, B., and Revhaug, I. 2015. spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Journal of International Consortium on Landslide.
    21. Tien Bui, D., Tuan, T.A., Hoang, N.D., Thanh, N.Q, Nguyen, D.B., Liem, N.V. and Pradhan, B. 2016. Spatial prediction of rainfall-induced landslides for the Lao Cai area (Vietnam) using a hybrid intelligent approach of least squares support vector machines inference model and artificial bee colony optimization. Landslides, 14: 447-458.
    22. Van Westen, C.J., Castellanos, E. and Kuriakose, S.L. 2008. Spatial data for landslide susceptibility, hazard, and vulnerability assessment an overview. Engineering Geology 102: 112-131.
    23. 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 101: 572-582.
    24. Yesilnacar, E., Topal, T., 2005. Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study. Hendek region (Turkey). Engineering Geology 79: 251-266.
    25. Zhu, L. and Jing-Feng, H. 2006. GIS-based logistic regression method for landslide susceptibility mapping in regional scale. Journal of Zhejiang University SCIENCE A 7 (12): 2007-2017.

39.              Milena, R., Migon, P. and Michniewicz, A. 2016. Topographic Wetness Index and Terrain Ruggedness Index in geomorphic characterisation of landslide terrains, on examples from the Sudetes, SW Poland.


 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار