مشخصات پژوهش

عنوان	پیش بینی زمین لغزش های سطحی اطراف شهر بیجار با استفاده از الگوریتم های پیشرفته داده کاوی
نوع پژوهش	پایان نامه
کلیدواژه‌ها	زمین لغزش سطحی، الگوریتم یادگیری ماشین، درخت تصمیم، تئوری بیزین، قدرت تفکیک مکانی، GIS، استان کردستان
چکیده	زمین لغزش های سطحی به عنوان یکی از چالش های زیست محیطی شناخته شده و منجر به تخریب زمین و در نتیجه کاهش حاصل خیزی آن و نیز خسارت های اکوسیستمی قابل توجهی می گردند. بنابراین، شناسایی صحیح مناطق مستعد زمین لغزش های سطحی از طریق مدل سازی، کمک شایانی به مدیران و برنامه ریزان توسعه اراضی و همچنین برنامه های آمایش سرزمین برای ارائه استراتژهای مدیریتی مناسب جهت جلوگیری ازتخریب زمین می نماید. با این دید، مسئله مهم پیش روی مدل سازی زمین لغزش ها موضوع "عدم قطعیت" به مفهوم شک و تردید در مورد نتایج به دست آمده از مدل سازی می باشد. در این پژوهش دو نوع از عدم قطعیت های مربوط به داده های ورودی به مدل شامل ترکیبی از اندازه نمونه و قدرت تفکیک مکانی (اندازه پیکسل ها)، جهت پیش بینی حساسیت زمین لغزش های سطحی اطراف شهر بیجار با استفاده از الگوریتم های پیشرفته داده کاوی شامل الگوریتم درخت تصمیم از نوع ADTree و الگوریتم بیز-مبنا از نوع Naïve Bayes (NB) و همچنین الگوریتم های ترکیب/تجمیعی شامل Multiboost (MB)، Bagging،Random Subspace (RS) و Rotation Forest (RF) به کار گرفته شدند. به این منظور، چهار نوع اندازه نمونه شامل 40/60، 30/70، 20/80 و 10/90 درصد (تعداد داده های آموزشی و صحت سنجی) و همچنین شش نوع قدرت تفکیک مکانی شامل 10، 15، 20، 30، 50 و 100 متری مورد بررسی قرار گرفتند. از میان بیست عامل مؤثر بر وقوع زمین لغزش های سطحی بر اساس تکنیک Information Gain Ratio (IGR) در اغلب ترکیب ها، 12 عامل برای فرایند مدل سازی بر اساس داده های آموزشی انتخاب شدند. فرایند ارزیابی صحت الگوریتم ها براساس حساسیت (Sensitivity)، شفافیت(Specificity) ، صحت(Accuracy) ، کاپا(Kappa) ، ریشه مجذور مربعات خطا(RMSE) و درصد مساحت زیر منحنی نرخ موفقیت پیش بینی (AUROC) انجام گرفت. نتایج نشان داد عوامل زاویه شیب، شاخص نمناکی توپوگرافیکی (TWI)، انحنای طولی شیب و ترکیب زاویه-طول شیب (LS) به ترتیب چهار عامل مهم اثرگذار بروقوع زمین لغزش های سطحی منطقه مورد مطالعه بودند. همچنین نتایج بیانگر این مطلب است که به ازاء قدرت تفکیک مکانی ثابت، صحت پیش بینی الگوریتم درختی ADTree -بر اساس شاخص صحت- با افزایش تعداد زمین لغزش های در نظرگرفته شده برای آموزش مدل، افزایش یافت. علاوه بر این، به ازاء یک مقدار ثابت اندازه نمونه، معمولاً با افزای
پژوهشگران	کامران چپی (استاد مشاور)، عطااله کاویان (استاد مشاور)، محمود حبیب نژاد روشن (استاد راهنما)، کریم سلیمانی (استاد راهنما)، عطااله شیرزادی (دانشجو)