[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 12، شماره 1 - ( 6-1401 ) ::
دوره 12 شماره 1 صفحات 125-111 برگشت به فهرست نسخه ها
شناسایی مناطق مستعد به وقوع زمین لغزش با استفاده از سیستم اطلاعات جغرافیایی و ترکیب مدل های یادگیری ماشین و الگوریتم های فراابتکاری
محمد امین دره شوری، مهران یزدی*
چکیده:   (539 مشاهده)
زمین‌لغزش یک پدیده‌ی زمین‌شناسی است که در دامنه‌های ناپایدار مناطق کوهستانی رخ داده و در برخی از موارد خسارات جانی و اقتصادی بسیار شدیدی ایجاد می‌کند. با استفاده از پهنه‌بندی مناطق مستعد به وقوع زمین‌لغزش، می‌توان از خسارات احتمالی در آینده جلوگیری نمود. بدین منظور، نقشه‌ی حساسیت زمین‌لغزش با استفاده از دو روش یادگیری ماشین ANFIS و SVR و ترکیب آن‌ها با الگوریتم‌های فراابتکاری PSO و GWO تولید می‌شوند. فاکتورهای موثر انتخاب‌شده شامل چهارده فاکتور ارتفاع، شیب، جهت شیب، انحنای طولی و عرضی شیب، کاربری اراضی، لیتولوژی، بارندگی، فاصله از جاده، فاصله از رودخانه، فاصله از گسل، تراکم جاده، تراکم رودخانه و تراکم گسل می‌باشد. نقشه‌ی زمین‌لغزش‌های رخ‌داده شامل 253 نقطه تهیه شده و از بین نقاط لغزشی 70% برای مدل‌سازی و 30% باقی‌مانده نیز برای صحت‌سنجی در نظر گرفته می‌شوند. سپس، نقشه‌های مربوط به هر پارامتر تهیه  شده و پس از آماده‌سازی پایگاه داده، مدل‌های ترکیبی ANFIS-PSO، ANFIS-GWO، SVR-PSO و SVR-GWO پیاده‌سازی می‌شوند. سپس، شاخص حساسیت زمین‌لغزش برای هر مدل برآورد می‌شود که در طی فرآیند مدل‌سازی با استفاده از شاخص آماری RMSE عملکرد هر روش ارزیابی می‌گردد. در گام آخر، با استفاده از نرم‌افزار ArcMap 10.5 نقشه‌های حساسیت زمین‌لغزش برای هر مدل تولید شده و سپس با استفاده از منحنی ROC دقت هر نقشه تخمین زده می‌شود. نتایج حاصل از نمودار ROC برای مدل‌های ANFIS-PSO، ANFIS-GWO، SVR-PSO و SVR-GWO به ترتیب 89.4، 85.7 ، 88.1 ، 88.7 بدست آمد.
 
 
شماره‌ی مقاله: 8
واژه‌های کلیدی: یادگیری ماشین با نظارت، زمین لغزش، الگوریتم‌های بهینه‌سازی، GIS
متن کامل [PDF 1642 kb]   (235 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سامانه های اطلاعات مکانی
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Darehshuri M A, Yazdi M. Landslide Susceptibility Areas Detection Using GIS Information and Combinatiom of Machine Learning Models and Meta Heuristic Algorithms. JGST 2022; 12 (1) :111-125
URL: http://jgst.issge.ir/article-1-1063-fa.html

دره شوری محمد امین، یزدی مهران. شناسایی مناطق مستعد به وقوع زمین لغزش با استفاده از سیستم اطلاعات جغرافیایی و ترکیب مدل های یادگیری ماشین و الگوریتم های فراابتکاری. نشریه علمی پژوهشی علوم و فنون نقشه برداری 1401; 12 (1) :125-111

URL: http://jgst.issge.ir/article-1-1063-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 12، شماره 1 - ( 6-1401 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology