نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اردبیل (مغان)، سازمان تحقیقات، آموزش

2 دانشیارپژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران.

10.22092/ijwmse.2022.360475.1996

چکیده

در این مطالعه توانایی مدل‌های رگرسیون لجستیک (LR) و شبکه عصبی مصنوعی (ANN) در ارزیابی حساسیت به زمین‌لغزش مورد مقایسه قرار گرفته است. نتایج آن می‌تواند در پیش‌بینی وقوع احتمالی زمین‌لغزش و کاهش خسارت در حوضه سقزچای در جنوب استان اردبیل مورد استفاه قرار گیرد. بر اساس 113 زمین‌لغزش نقشه پراکنش تهیه شد، که در آن به‌ترتیب70 و30 درصد از زمین‌‌لغزش‌ها به داده‌های آموزشی و ارزیابی اختصاص داده شدند. ده عامل مؤثر در وقوع زمین‌لغزش‌ها شامل درصد شیب، جهات شیب، فاصله از گسل‌ها، فاصله از رودخانه‌ها، فاصله از راه‌ها، فاصله از مناطق مسکونی، واحدهای سنگ‌شناسی، بیشینه شتاب افقی زمین، کاربری اراضی و مجموع بارندگی سالانه در تحلیل مدل‌ها مورد استفاده قرار گرفتند. نتایج نشان داد که در مدل شبکه عصبی مصنوعی بیشینه شتاب افقی زمین و مجموع بارندگی سالانه بیشترین تأثیر را در وقوع زمین‌لغزش‌ها در منطقه دارند. دقت و اعتبار هر مدل با استفاده از روش منحنی ROC و بر مبنای سطح زیر آن (AUC) تعیین گردید. سطح زیر منحنی به‌ترتیب برای مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی برابر 848/0 و 929/0 است. نتایج هر دو مدل خوب بوده و دقت بالاتر از 84 درصد دارند. روش شبکه عصبی مصنوعی در توضیح رابطه وقوع زمین‌لغزش با عوامل مؤثر برتری نشان داد. نقشه‌ حساسیت خروجی از این مدل به پنج کلاس حساسیت بسیار کم (4/71 درصد)، کم (3/14 درصد)، متوسط (6/6 درصد)، زیاد (3/4 درصد) و بسیار زیاد (4/3) طبقه‌بندی شدند. بنابراین، استفاده از مدل‌های شبکه عصبی مصنوعی در ارزیابی حساسیت به زمین‌لغزش در حوضه و مناطق مشابه به‌منظور کمک به تصمیم‌گیران، برنامه‌ریزان، مدیران کاربری اراضی و سازمان‌های دولتی در کاهش خطرات و آسیب‌ها توصیه می‌شود

کلیدواژه‌ها

عنوان مقاله [English]

Landslide susceptibility modeling using artificial neural network and logistic regression methods at the Saqezchay basin, south of Ardabil Province

نویسندگان [English]

  • Reza Talaei 1
  • Samad Shadfar 2

1 Assistant Professor, Soil Conservation and Watershed Management Research Department, Ardabil Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO),

2 Associate Prof, Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran

چکیده [English]

This study compared the abilities of logistic regression (LR) and artificial neural network (ANN) models to landslide susceptibility assessments. Its results can be used in predicting possible landslides occurrence and reducing damage at the Saqezchay basin in the south of Ardabil province. The inventory map was generated based on 113 landslides, the training dataset and validation dataset were, respectively, prepared using 70% landslides and the remaining 30% landslides. Ten landslide causative factors based on slope angle, slope aspect, distance to faults, distance to stream network, distance to the roads, distance to settlement area, lithology, peak ground acceleration (PGA), land-use type and mean annual precipitation were applied for the models analysis. The results indicated that in the artificial neural network model, the mean annual precipitation and peak ground acceleration have the greatest effect on the occurrence of landslides in the region. The validity and the accuracy of each model were tested and compared by calculating areas under receiver (AUC) of operating characteristic curves (ROC). The areas under the relative operating characteristic curves for the logistic regression and artificial neural network models were 0.848 and 0.929, respectively. The findings of the models show good results with the accuracy of two models being higher than 84%. The artificial neural network method proved to be superior in explaining the relationship of landslide occurrence with influencing factors. The landslide susceptibility map was prepared using this method by dividing into five class, namely: very low (71.4%), low (14.3%), moderate (6.6%), high (4.3%) and very high (3.4%) susceptibility zones. Therefore, it is recommended to use the artificial neural network models in landslide susceptibility assessment in the basin and similar regions to help decision makers, planners, land use managers and government agencies in hazard and damage reduction.

کلیدواژه‌ها [English]

  • Artificial neural network
  • assessments
  • landslide
  • logistic regression and susceptibility