کامران چپی

افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه های پیش بینی مکانی مخاطرات زمینی از جمله زمین لغزشها یکی از چالشهای پیش رو در این گونه مطالعات می باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF) برای افزایش میزان صحت پیش بینی مناطق حساس به وقوع زمین لغزشهای سطحی اطراف شهر بیجار می باشد. در ابتدا، نوزده عامل مؤثر بر وقوع زمین لغزشهای سطحی منطقه مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب (Curvature)، تقعر و تحدب شیب (Profile curvature)، همگرایی و واگرایی شیب (Plan curvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratioدوازده عامل مؤثر از بین آن ها انتخاب و جهت مدلسازی به کار گرفته شدند. اهمیت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبی RS-RF بررسی شد. معیارهای Kappa، Precision، Recall، F-Measure و AUROC برای ارزیابی مدلها هم برای داده های تعلیمی و هم برای داده های صحت سنجی استفاده شدند. نقشه های پیش بینی مکانی وقوع زمین لغزشهای سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدلRF جهت شیب و در مدل ترکیبی RS-RF درجه شیب مهمترین فاکتورهای مؤثر بر وقوع زمین لغزشهای منطقه مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تأیید این مدل ها برای داده های تعلیمی و داده های صحت سنجی بودند. نتایج ارزیابی صحت نقشه پهنه بندی به دست آمده نشان داد که درصد مساحت زیر منحنی ROC (AUROC) برای داده های تعلیمی در مدل RF و مدل ترکیبی RS-RF ارائه شده به ترتیب 729/0 و 784/0 و برای داده های صحت سنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspace منجر به افزایش صحت پیش بینی مکانی حساسیت زمین لغزشهای سطحی منطقه ی مورد مطالعه شده است. دستیابی به یک نقشه پیش بینی مکانی زمین لغزشهای سطحی با صحت بالاتر، کمک شایانی در توسعه معقول تر تأسیسات، اراضی شهری و روستایی، طرحهای آمایش سرزمین، طرحه