%0 Journal Article %T پیش‌بینی مکانی زمین‌لغزش‌های سطحی با استفاده از مدل‌های آماری و یادگیری ماشین (مطالعۀ موردی: حوضه سرخون) %J نشریه علمی - پژوهشی مرتع و آبخیزداری %I دانشکده منابع طبیعی دانشگاه تهران %Z 5044-2008 %A براتی, زهرا %A امیدوار, ابراهیم %A شیرزادی, عطااله %D 2019 %\ 02/20/2019 %V 71 %N 4 %P 869-884 %! پیش‌بینی مکانی زمین‌لغزش‌های سطحی با استفاده از مدل‌های آماری و یادگیری ماشین (مطالعۀ موردی: حوضه سرخون) %K ارزیابی آماری %K حوضۀ سرخون %K حساسیت‌پذیری %K زمین‌لغزش %K سامانۀ اطلاعات جغرافیایی %K یادگیری ماشین %R 10.22059/jrwm.2018.268247.1314 %X 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. %U https://jrwm.ut.ac.ir/article_70130_d8d6409d28c73e46eb89ca9455c6a62b.pdf