معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیش‌بینی حساسیت زمین‌لغزش‌های سطحی اطراف شهر بیجار

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران

2 استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

3 دانشیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

4 استادیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران

چکیده

افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه­های پیش­بینی مکانی مخاطرات زمینی از جمله زمین‌لغزش­ها یکی از چالش­های پیش رو در این گونه مطالعات می­باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده ­کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF)،برای افزایش میزان صحت پیش­بینی مناطق حساس به وقوع زمین‌لغزش­های سطحی اطراف شهر بیجار می­باشد. در ابتدا، نوزده عامل مؤثر بر وقوع زمین‌لغزش­های سطحی منطقه‌ی 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 curcvatureشدت 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 آن­ها انتخاب و جهت مدل­سازی به کار گرفته شدند. اهمیّت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبیRS-RFبررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROCبرای ارزیابی مدل­ها هم برای داده­های تعلیمی و هم برای داده­های صحت­سنجی استفاده شدند. نقشه­های پیش­بینی مکانی وقوع زمین‌لغزش­های سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RFدرجه شیب مهم­ترین فاکتورهای مؤثر بر وقوع زمین‌لغزش­های منطقه‌ی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تأیید این مدل­ها برای داده­های تعلیمی و داده‌های صحت­سنجی بودند. نتایج ارزیابی صحت نقشه پهنه­بندی به دست آمده نشان داد که درصد مساحت زیر منحنیROC(AUROC) برای داده­های تعلیمی در مدل RF و مدل ترکیبی  RS-RFارائه شده به ترتیب 729/0 و 784/0 وبرای داده­های صحت­سنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspaceمنجر به افزایش صحت پیش­بینی مکانی حساسیت زمین‌لغزش­های سطحی منطقه‌ی مورد مطالعه شده است. دستیابی به یک نقشه‌ی پیش­بینی مکانی زمین‌لغزش­های سطحی با صحت بالاتر، کمک‌شایانی در توسعه‌ی معقول­تر تأسیسات، اراضی شهری و روستایی، طرح­های آمایش سرزمین، طرح­های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده­ای و انتقال رسوبات به پایین‌دست خواهد شد.

کلیدواژه‌ها


عنوان مقاله [English]

A Novel Ensemble Algorithm Based Model for Shallow Landslide Susceptibility Assessment Around the Bijar City A Novel Ensemble Algorithm Based Model for Shallow Landslide Susceptibility Assessment Around the Bijar City A Novel Ensemble Algorithm Based Model for Shallow Landslide Susceptibility Assessment Around the Bijar City

نویسندگان [English]

  • Attaollah Shirzadi 1
  • Karim Soleimani 2
  • Mahmoud Habibnejad Roshanbaha 2
  • Attaollah Kaviyan 3
  • Kamran Chapi 4
چکیده [English]

The accuracy and reliance increase  and consequently  reduction of uncertainty of spatial prediction maps of environmental  hazards including landslides is one of  the  challenges facing with in such studies Therefore, the objective of this research is to introduce a hybrid model of data mining algorithm named Random Forest (RF)-Random Subspace (RF-RS) in order to enhance the accuracy of spatial prediction map of landslide-prone areas around the city of Bijar, Kurdistan province, Iran. Firstly, 19 affecting factors on shallow landslides in the study area including slope degree, slope aspect, elevation, curvature, profile curvature, plan curvature, solar radiation, stream power index (SPI), topographic wetness index (TWI), length-angle of slope (LS), land use, normalized difference vegetation index (NDVI), litho logy, distance to fault, fault density, rainfall, distance to stream, stream density and distance to road were identified. Then based on Information Gain Ratio (IGR), twelve  factors among them were selected to be used in modeling. The elative importance of each factor was assessed by Random Forest (RF) model as well as Random Forest-Random Subspace (RF-RS) hybrid model. Kappa, Precision, Recall, and AUROC indices were used to evaluate the models not only for training dataset but also for testing dataset. Shallow landslide susceptibility maps of the study area were prepared using both models. The results showed that slope aspect in the RF model and slope degree in the RF-RS hybrid model is the most important affecting factor on landslide occurrence in the area. The model evaluation results indicated that both models are reasonable in application for shallow landslide susceptibility mapping. The findings also indicated that the percentage of area under the curve of ROC (AUROC) was 0.729 and 0.784 for training dataset by RF and RF-RS hybrid model, respectively, while these values were 0.717 and 0.771 for testing dataset. In conclusion, it can be claimed that the new technique (RF-RS hybrid model) is able to increase the accuracy of spatial prediction map of shallow landslides in the study area. This accurate map will help decision-makers to protect infrastructures of an area, to develop better land-use planning programs and to more effectively control sediments.

کلیدواژه‌ها [English]

  • Shallow landslide
  • Algorithm
  • Random Forest
  • Random Subspace
  • Bijar

-      ابراهیمی، خدیجه؛ محمدجواد یزدی (1392). بررسی عوامل موثر در زمین‌لغزش‌های کم‌عمق توسط برخی پارامترهای خاکی در زیرحوضه تول بنه. کنفرانس علوم کشاورزی و محیط زیست. 6 ص.

-      حنفی، علی؛ ایرج حاتمی (1392). تهیه نقشه اقلیمی استان کردستان با استفاده از سیستم اطلاعات جغرافیایی، مجله اطلاعات جغرافیایی (سپهر). دوره 22. شماره 78. صفحات 28-24.

-      شیرانی، کورش؛ علیرضا عرب‌عامری (1394). پهنه­بندی خطر وقوع زمین­لغزش ­با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دزعلی)، مجله علوم و فنون کشاورزی و منابع طبیعی.علوم آب و خاک. سال نوزدهم. شماره هفتاد و دوم. صفحات 334-321.

-      عابدینی، موسی؛ بهاره قاسمیان؛ عطااله شیرزادی (1393). مدل­سازی خطر وقوع زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک (مطالعه موردی: استان کردستان، شهرستان بیجار)، مجله جغرافیا و توسعه. شماره 37. صفحات 102- 85.

-      فعله­گری، محسن؛ علی  طالبی؛ یاسر کیااشکوریان (1392). بررسی اثر جاده‌سازی در وقوع زمین ‌لغزش با استفاده از مدل پایداری دامنه (FLAC SLOP)  مطالعه: موردی حوضه آب خیز سد ایلام، مجله پژوهش‌های حفاظت آب و خاک. جلد بیستم. شماره اول. گزارش کوتاه علمی. صفحات 240 -227.  

-  Acharya, G. (2011).  Analyzing the Interactions between Water-induced Soil Erosion and Shallow Landslides, Department of Civil and Natural Resources Engineering University of Canterbury PhD thesis, 211 pp.

-  Akgun, A., Turk, N. (2011). Mapping erosion susceptibility by a multivariate statistical method: a case study from the AyvalIk Region, NW Turkey. Computer Geosciences, 37, 1515–1524.

 

-  Althuwaynee, O.F., Biswajeet, P., Park, H-J., Lee, J.H. (2014). A novel ensemble decision tree-based CHi-squared automatic interaction detection (CHAID)and multivariate logistic regression models in landslide susceptibility mapping. Landslides, 11(6), 1063–1078.

-  Avanzi, G.D., Giannecchini, R, & Puccinelli, A. (2004). The influence of geological and geo -morphological settings on shallow landslides. An example in temperate climate environment: the June 19, 1996 event in northwestern Tuscany (Italy). Engineering Geology, 73, 215–228.

-  Ayalew, L., Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko mountains, central Japan. Geomorphology, 65,15–31.

-  Ballabio, C., Sterlacchini, S. (2012). Support vector machines for landslide susceptibility mapping: the Staffora River Basin case study, Italy. Mathematical Geosciences, 44, 47–70.

-  Benda, L., and Dunne, T. (1997). Stochastic forcing of sediment supply to channel networks from landsliding and debris flow. Water Resources Research, 33, 2849–2863.

-  Breiman, L. (2001). Random Forest. Machine Learning, 45, pp. 5-32.

-  Dehnavi, A., Aghdam, I.N., Pradhan, B., Varzandeh, M.H.M. (2015). A new hybrid model using step-wise weight assessment ratio analysis (SWARA) technique and adaptive neuro-fuzzy inference system (ANFIS) for regional landslide hazard assessment in Iran. Catena, 135, 122-148

-  Dou, J., Yamagishi, H., Pourghasemi H-R., Yunus,A-P., Song, X., Xu, Y., Zhu, Zh. (2015). An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan. Natural Hazards, 78:1749–1776.

-  Dubois, D., Prade, H. (1990). Rough fuzzy sets and fuzzy rough sets.International Journal of General Systems, 17:191–209

-  Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi,E.,Savage,W(2008).Guidelines for landslide susceptibility, hazard and risk zoning for land-useplanning. Engineering Geology,102,99-111. 

-  Guo, C., Montgomery, D.R., Zhang, Y., Wang, K., Yang, Z. (2015). Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone, Tibetan Plateau. China Geomorphology, 248, 93-110.

-  Guzzetti, F., Reichenbach, P., Ardizzone, F., Cardinali, M., Galli, M. (2006). Estimating the quality of landslide susceptibility models. Geomorphology, 81, 166-184.

-  Ho, T.K. (1998). The random subspace method for constructing decision forests Pattern Analysis and Machine Intelligence.IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(8), 832-844.

-  Hunter, E., Matin, J., Stone, P(1966). Experiments in induction. Academic, New York.

-  Jing-chun, X., Rui, L., Hui-wen, L., Zi-li, L. (2015). Analysis of landslide hazard area in Ludian earthquake based on Random Forests, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7/W3, 36th International Symposium on Remote Sensing of Environment, Berlin, Germany, 865-869.

-  Miao T.Y., Wang, M. (2015). Susceptibility Analysis of Earthquake-Induced Landslide Using Random Forest Method, International Conference on Computer Information Systems and Industrial Applications (CISIA), 771-775.

-  Park, N-W.(2010). Application of Dempster-Shafer theory of evidence to GIS-based landslidesusceptibility analysis.Environmental Earth Sciences, 62(2), 367-376.

-  Piao,Y., Piao, M., Hao, Jin, C., Sun, S-H., Chung, J-M., Hwang, B., Ho, R. (2015). A New Ensemble Method with Feature Space Partitioning for High-Dimensional Data Classification, Hindawi Publishing Corporation Mathematical Problems in Engineering, Article ID590678,13pp.

-  Quinlan, J.R. (1993). C4.5: programs for machine learning. Morgan Kaufmann, San Mateo, CA, USA.

-  Rickli, C., Graf, F. (2009). Effects of forests on shallow landslides; case studies in Switzerland.Forest, Snow and Landscape Research, 82(1), 33-44.  

-  Shirzadi, A., Saro, L., Hyun-Joo, Oh and Chapi, K. (2012). A GIS-based logistic regression model in rock fall susceptibility mapping along a mountainous road: Salavat Abad case study, Kurdistan, Iran. Natural Hazard, 64, 1639-1656.

-  Sidle, R.C., Ochiai, H. (2006). Landslides: Processes, Prediction, and Land use. Water Resource Monograph: 18, AGU books, ISSN: 0170-9600.

-  Sujatha, E.R., Kumaravel, P., Rajamanickam,V.G. (2012). Landslide Susceptibility Mapping Using Remotely Sensed Data through Conditional Probability Analysis Using Seed Cell and Point Sampling Techniques.Journal of the Indian Society of Remote Sensing, 40(4), 669-678.

-  Tehrany, M.S., Pradhan, B., Jebur, M.N. (2014). Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of Hydrology, 512,332-343.

-  Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., (2012a). Landslide susceptibility assessment in Vietnam using Support vector machines, Decision tree and Naive Bayes models. Mathematical Problems in Engineering, http://dx.doi.org/ 10.1155/2012/974638, 2012.

-  Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., Dick, O.B.(2012b). Landslide susceptibility mapping at HoaBinh province (Vietnam) using an adaptive neuro fuzzy inference system and GIS. Computers & Geosciences, 45, 199–211.

-  Tien Bui, D., Pradhan, B., Revhaug, I., Trung Tran, C. (2014). A comparative assessment between the application of fuzzy unordered rules induction algorithm and J48 Decision tree models in spatial prediction of shallow landslides at Lang Son City, Vietnam. In: Srivastava, P.K., Mukherjee, S., Gupta, M., Islam, T(Eds.), Remote Sensing Applications in Environmental Research. Springer International Publishing,
PP: 87–111.

-  Tien Bui, D., Tuan, T.A., Klempe, H., Pradhan, B., Revhaug, I. (2015). Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines,artificial neural networks, kernel logistic regression, and logistic model tree. Landslides, http://dx.doi.org/10.1007/s10346-015-0557-6

-  Tsangaratos, P., Benardos A. (2014). Estimating landslide susceptibility through an artificial neural networkclassifier.NaturalHazards,74(3),1489-1516.

-  Umar, Z., Pradhan, B., Ahmad, A., NeamahJebur, M.,ShafapourTehrany, M. (2014).  Earthquake induced landslide susceptibility mapping using an integrated ensemble frequency ratio and logistic regression models in West Sumatera Province, Indonesia. Catena, 118, 124-135.

-  Wang, L-J., Guo, M., Sawada K., Lin J., Zhang J. (2015). Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models. Catena, 135, 271–282.

-  Wang, L-J., Sawada K., MoriguchiS.(2013). Landslide susceptibility analysis with logistic regression model based on FCM sampling strategy.Computers  & Geosciences,57,81-92.

-  Xu, C., Xu, X., Dai, F., Xiao, J., Tan, X., Yuan, R. (2012). Landslide hazard mapping using GIS and weight of evidence model in Qingshui River watershed of 2008 Wenchuan earthquake struck region. Journal of Earth Science, 23, 97–120.


Yalcin,A(2008