علوم و فنون نقشه برداری، جلد ۱۲، شماره ۱، صفحات ۰-۰

عنوان فارسی شناسایی مناطق مستعد به وقوع زمین لغزش با استفاده از سیستم اطلاعات جغرافیایی و ترکیب مدل های یادگیری ماشین و الگوریتم های فراابتکاری
چکیده فارسی مقاله زمین لغزش یک پدیده زمین شناسی 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 زمین لغزش می‌توان از خسارات احتمالی در آینده جلوگیری نمود. بدین منظور نقشه حساسیت زمین لغزش با استفاده از دو روش یادگیری ماشین ANFIS و SVR و ترکیب آنها با الگوریتم های فراابتکاری PSO و GWO تولید می‌شوند. فاکتورهای موثر انتخاب شده 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. نقشه زمین لغزش‌های رخ داده شامل 253 نقطه تهیه شده و از بین نقاط لغزشی 70% برای مدل سازی و 30% باقی مانده نیز برای صحت سنجی در نظر گرفته می‌شوند. سپس نقشه های مربوط به هر پارامتر تهیه  شده و پس از آماده سازی پایگاه داده مدل های ترکیبی ANFIS-PSO، ANFIS-GWO، SVR-PSO و SVR-GWO پیاده سازی می‌شوند. سپس شاخص حساسیت زمین لغزش 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 نرم افزار ArcMap 10.5 نقشه‌های حساسیت زمین لغزش برای هر مدل تولید شده و سپس با استفاده از منحنی ROC دقت هر نقشه تخمین زده می‌شود. نتایج حاصل از نمودار ROC برای مدل های ANFIS-PSO، ANFIS-GWO، SVR-PSO و SVR-GWO به ترتیب 89.4 ، 85.7 ، 88.1 ، 88.7 بدست آمد.  
کلیدواژه‌های فارسی مقاله یادگیری ماشین با نظارت ، زمین لغزش ، الگوریتم‌های بهینه‌سازی ، GIS

عنوان انگلیسی Landslide Susceptibility Areas Detection Using GIS Information and Combinatiom of Machine Learning Models and Meta Heuristic Algorithms
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله Machine Learning , Supervise Learning , Landslide , Optimization Algorithms ,GIS

نویسندگان مقاله محمد امین دره شوری | M. A. Darehshuri
Shiraz University
دانشگاه شیراز

مهران یزدی | M. Yazdi
Shiraz University
دانشگاه شیراز


نشانی اینترنتی http://jgst.issge.ir/browse.php?a_code=A-10-990-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده سامانه های اطلاعات مکانی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات