پیش‌بینی مکانی زمین‌لغزش‌های سطحی با استفاده از مدل‌های آماری و یادگیری ماشین (مطالعۀ موردی: حوضه سرخون)

تهیۀ نقشۀ حساسیت­پذیری زمین­لغزش به­عنوان اولین گام مهم در ارزیابی خطر زمین­لغزش محسوب می­شود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) به­منظور مدل­سازی حساسیت­پذیری زمین­لغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدین­منظور ابتدا نقشۀ پراکنش با تعداد 98 موقعیت زمین­لغزش با استفاده از داده­های عملیات میدانی و همچنین داده­های تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه داده­ها، 100 موقعیت غیرزمین­لغزشی نیز شناسایی شدند. نقاط زمین­لغزشی و غیرزمین­لغزشی به صورت تصادفی به دو دسته دادۀ مدل­سازی و اعتبارسنجی تقسیم شدند. سپس بیست عامل مؤثر با توجه به مرور منابع و خصوصیات زمین­محیطی حوضه شناسایی شدند. در ادامه، مدل­های LMT و LR برای شناسایی تأثیر عوامل مؤثر روی وقوع زمین­لغزش و همچنین ارزیابی حساسیت­پذیری زمین­لغزش­ها، به­وسیلۀ داده­های مرحلۀ آموزش به­کار گرفته شدند. در نهایت، عملکرد این دو مدل از طریق سطح زیر منحنی عامل گیرنده (AUC) مورد بررسی قرار گرفت. نتایج اعتبارسنجی مدل­ها حاکی از آن بود که مدل LR با AUC برابر با 797/0 عملکرد مناسب­تری نسبت به مدل LMT (740/0 = AUC) از خود نشان داده، هر چند که هر دو مدل ابزارهای مفیدی برای پیش­بینی مکانی حساسیت­پذیری زمین­لغزش هستند. بنابراین مدل LR می­تواند به­عنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تأثیر زمین­لغزش در منطقۀ مورد مطالعه پیشنهاد شود.