Journal of Geomatics Science and Technology

fa شناسایی مناطق مستعد به وقوع زمین لغزش با استفاده از سیستم اطلاعات جغرافیایی و ترکیب مدل های یادگیری ماشین و الگوریتم های فراابتکاری Landslide Susceptibility Areas Detection Using GIS Information and Combinatiom of Machine Learning Models and Meta Heuristic Algorithms سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">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.  </div>   <div style="text-align: justify;">Landslide is a geological phenomenon that occurs in the unstable slopes of mountainous areas and in some cases causes very severe human and economic losses.  Research shows that by using the classification of landslide prone areas, possible future damage can be prevented.  The purpose of this study is to produce a landslide sensitivity map for Ardabil province using two machine learning methods ANFIS and SVM and combining them with PSO and GWO metaheuristic algorithms.  For this purpose, first a landslide map of 253 points was prepared.  Among the slip points, 70% were considered for Training and the remaining 30% were used for validation.  Continuing and according to previous studies and available data, fourteen effective factors including height, slope, slope direction,profile curvature and plan curvature of the slope, land use, lithology, rainfall, distance from the road, distance from the river, distance from the fault, road density , river density and fault density were selected.  After preparing the database using MATLAB software, the combined models SVR - PSO , SVR - GWO , ANFIS - GWO and ANFIS - PSO were implemented and then the landslide sensitivity index was obtained for each model.  During the modeling process, the performance of each method was evaluated using the RMSE statistical index.  Finally, landslide sensitivity maps were generated for each model using ArcMap 10.5 software and then the accuracy of each map was estimated using the ROC curve.  The results show that the ANFIS - psd model is more efficient than the other three models. The results of ROC curve obtained by applying ANFIS - PSO  , ANFIS - GWO , SVR - PSO , SVR - GWO were 89.4, 85.7, 88.1, 88.7,respectively.</div> یادگیری ماشین با نظارت , زمین لغزش , الگوریتم‌های بهینه‌سازی , GIS Machine Learning , Supervise Learning , Landslide , Optimization Algorithms ,GIS 111 125 http://jgst.issgeac.ir/browse.php?a_code=A-10-990-1&slc_lang=fa&sid=1 M. A. Darehshuri محمد امین دره شوری m_a_darehshuri.1361@yahoo.com 10031947532846009486 10031947532846009486 No Shiraz University دانشگاه شیراز M. Yazdi مهران یزدی yazdi@shirazu.ac.ir 10031947532846009487 10031947532846009487 Yes Shiraz University دانشگاه شیراز