هیمن شهابی

زمین‌لغزش‌ها از جمله بلایای طبیعی هستند که سالانه خسارات مالی و جانی قابل توجهی را در کشور برجای می‌گذارند. شناسایی مناطق پرخطر می‌تواند نقش مهمی در کاهش این خسارات و تصمیم‌گیری‌های موثر در حوزه سیاست‌های توسعه اراضی ایفا کند. هدف اصلی این پژوهش، ارزیابی و مقایسه کارایی الگوریتم‌های یادگیری ماشین شامل ADTree، Random Forest و Bayesian Network در مدل‌سازی و پیش‌بینی مناطق مستعد زمین‌لغزش در محور جاده‌ای سقز–بانه در استان کردستان بود. برای دستیابی به این هدف، ابتدا اقدام به انجام بررسی‌های میدانی شد و نقشه‌ای از مناطق مستعد زمین‌لغزش در منطقه تهیه گردید که شامل ثبت ٤٦٠ موقعیت زمین‌لغزش بود. داده‌های موجود به منظور ساخت و اعتبارسنجی مدل‌ها به دو بخش تقسیم شدند؛ به طوری که 80 درصد اول داده‌ها (٣٧٠ نقطه) برای آموزش و ساخت مدل‌های پیش‌بینی و 20 درصد باقیمانده (٩٠ نقطه) برای ارزیابی دقت و کارایی مدل‌های ساخته‌شده به کار گرفته شدند. همچنین 22 عامل مؤثر بر وقوع زمین‌لغزش در منطقه شناسایی گردید که از میان این عوامل، 12 متغیر کلیدی با استفاده از شاخص نسبت بهره اطلاعاتی (IGR) انتخاب و به عنوان ورودی مدل‌ها مورد استفاده قرار گرفتند. در نهایت عملکرد الگوریتم‌های مورد مطالعه با استفاده از معیارهای آماری مختلفی از جمله Precision، Recall، F-Measure، ضریب کاپا، MAE، RMSE و AUC ROC مورد ارزیابی قرار گرفت. نتایج حاصل از اعتبارسنجی مدل‌ها نشان داد که بهترین عملکرد در مرحله آموزش با استفاده از الگوریتم Bayesian Network با مقدار AUC برابر با 0.879 به دست آمد، اما بر اساس مجموعه داده اعتبارسنجی، الگوریتم ADTree با مقدار AUC برابر با 0.864، عملکرد بهتری را در میان الگوریتم‌های مورد بررسی نشان داد.