سال 16، شماره 2 - ( تابستان 1405 )                   جلد 16 شماره 2 صفحات 153-131 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
rostamizad G, shirani K, abdollahi Z, Shademan H. Assessing the accuracy of machine learning models in landslide susceptibility zoning. E.E.R. 2026; 16 (2) :131-153
URL: http://magazine.hormozgan.ac.ir/article-1-912-fa.html
رستمی زاد قباد، شیرانی کورش، عبداللهی زهرا، شادمان حسن. ارزیابی صحت‌سنجی مدل‌های یادگیری ماشین در پهنه‌بندی حساسیت زمین‌لغزش. پژوهش هاي فرسايش محيطي. 1405; 16 (2) :131-153

URL: http://magazine.hormozgan.ac.ir/article-1-912-fa.html

ارزیابی صحت‌سنجی مدل‌های یادگیری ماشین در پهنه‌بندی حساسیت زمین‌لغزش
قباد رستمی زاد* ، کورش شیرانی ، زهرا عبداللهی ، حسن شادمان
بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان زنجان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زنجان، ایران ، rostamizad60@gmail.com
چکیده:   (282 مشاهده)
زمین‌لغزش یکی از بلایای طبیعی با اثرات مخرب بر روی زیرساخت‌ها و محیط زیست است. هدف اصلی این تحقیق، ارزیابی دقت و اعتبار مدل‌های مختلف یادگیری ماشین شامل حداکثر آنتروپی، جنگل تصادفی و ماشین‌های بردار پشتیبان در پیش‌بینی وقوع زمین‌لغزش با استفاده از 16 عامل موثر در رخداد زمین لغزش در حوزه آبخیز چسب در استان زنجان است.  با استفاده از 70 درصد نقاط لغزشی برای آموزش و 30 درصد برای اعتبارسنجی، دقت مدل‌ها ارزیابی شد. نتایج مدل حداکثر آنتروپی نشان داد که 83/49 درصد مساحت در کلاس حساسیت خیلی کم و کم، 17/30 درصد در کلاس حساسیت متوسط و 20 درصد در کلاس حساسیت زیاد و خیلی زیاد قرار دارند، با مساحت زیر نمودار ROC برابر با 911/0 که نشان‌دهنده قابلیت خوب مدل است. همچنین، مدل جنگل تصادفی نشان داد که 31/74 درصد مساحت در کلاس‌های حساسیت خیلی کم و کم، 94/12 درصد در کلاس متوسط و 76/12 درصد در کلاس‌های حساسیت زیاد و خیلی زیاد قرار دارد، با مساحت زیر نمودار ROC برابر با 934/0. مدل ماشین‌بردار پشتیبان نیز نتایج مشابهی ارائه داد؛ به‌طوری‌که 05/73 درصد مساحت در کلاس‌های حساسیت خیلی کم و کم، 15/8 درصد در کلاس متوسط و 83/18 درصد در کلاس‌های حساسیت زیاد و خیلی زیاد قرار گرفت، با مساحت زیر نمودار ROC برابر با 873/0. بر اساس ارزیابی‌ها، مدل جنگل تصادفی به‌عنوان بهترین مدل شناخته شد که دقت بالایی در پیش‌بینی خطر زمین‌لغزش دارد و تطابق بالایی با شرایط واقعی منطقه دارد.
 
واژه‌های کلیدی: حوزه آبخیز چسب، زمین لغزش، حساسیت زمین لغزش، مدل‌های یادگیری ماشین، ریسک
متن کامل [PDF 843 kb]   (7 دریافت)    
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی | موضوع مقاله: مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1404/7/14 | انتشار: 1405/5/25
فهرست منابع
1. Asgari, Sh., & Shirani, K. (2026). Zoning and assessing the sensitivity of gully erosion using the maximum entropy model in the Ilam watershed, Environmental Erosion Researches, 15(4), 124-148. (in Persian).
2. Badola, S., Mishra, V. N., & Parkash, S. (2023). Landslide susceptibility mapping using XGBoost machine learning method. In 2023 International Conference on Machine Intelligence for GeoAnalytics and Remote Sensing (MIGARS) (pp. 1-4). IEEE. [DOI:10.1109/MIGARS57353.2023.10064496]
3. Chen, X., & Chen, W. (2021). GIS-based landslide susceptibility assessment using optimized hybrid machine learning methods. Catena, 196, 104833. [DOI:10.1016/j.catena.2020.104833]
4. Convertino, M., Troccoli, A., & Catani, F. (2013). Detecting fingerprints of landslide drivers: A MaxEnt model. Journal of Geophysical Research: Earth Surface, 118(3), 1367-1386. [DOI:10.1002/jgrf.20096]
5. Dastrang, A., & Karimi Sangchini, E. (2022). Prediction of landslide susceptibility using the maximum entropy machine learning algorithm (Bar Neyshabur watershed). Earth Science Research, 13(3), 76-96. [DOI:10.30495/researth.2022.19643.1598 (in Persian).]
6. Dastranj A, Vakili tajareh F., Noor H. Evaluation of Hazard Landslide Zonation Using Fuzzy Logic Method in Binalood Mountain. jwmseir 2021; 15 (53) :12-22(in Persian).
7. Davies, T. (2015). Landslide hazards, risks, and disasters: Introduction. In T. Davies (Ed.), Landslide hazards, risks, and disasters (pp. 1-16). Elsevier. https://doi.org/10.1016/B978-0-12-396452-6.00001-X [DOI:10.1016/B978-0-12-396452-6.00001-2]
8. Gao, J., Shi, X., Li, L., Zhou, Z., & Wang, J. (2022). Assessment of landslide susceptibility using different machine learning methods in Longnan City, China. Sustainability, 14(24), 16716. [DOI:10.3390/su142416716]
9. Gopi, B., Premalatha, J., Kalaivani, R., & Ravikumar, D. (2023). Cloud-based landslide detection and alerting nearby people by using IoT technology. In 2023 Third International Conference on Artificial Intelligence and Smart Energy (ICAIS) (pp. 1287-1292). IEEE. [DOI:10.1109/ICAIS56108.2023.10073723]
10. Hallaji, M., Zanganeh Asadi, M. A., & Amirahmadi, A. (2020). Evaluation of the efficiency of landslide susceptibility prediction models in the Bar Neyshabur watershed. Watershed Management Research Journal, 33(2), 20-30. [DOI:10.29252/jwmr.33.2.20 (in Persian)]
11. Hart, A. (2024). Landslides. In G. R. Ciottone (Ed.), Ciottone's disaster medicine (3rd ed., pp. 640-643). Elsevier. https://doi.org/10.1016/B978-0-323-80932-0.00104-X [DOI:10.1016/B978-0-323-80932-0.00097-8]
12. Hong, H., Pradhan, B., Xu, C., & Bui, D. T. (2015). Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines. Catena, 133, 266-281. [DOI:10.1016/j.catena.2015.05.019]
13. Kim, H. G., Lee, D. K., & Park, C. (2018). Assessing the cost of damage and effect of adaptation to landslides considering climate change. Sustainability, 10(5), 1628. [DOI:10.3390/su10051628]
14. Koohpayma, A. (2016). Susceptibility zoning, landslide risk assessment, and management (Case study: Lethyan watershed) [Doctoral dissertation, University of Tehran]. (in Persian)
15. Kornejady, A. (2017). Assessing potential, danger, risk, and preparation of a landslide strategic management plan for Oghan watershed, Golestan Province, Iran [Doctoral dissertation, Gorgan University of Agricultural Sciences and Natural Resources]. (in Persian)
16. Kornejady, A., & Pourghasemi, H. R. (2019). Landslide susceptibility assessment using data mining models: A case study of Chehel-Chai Basin. Journal of Watershed Engineering and Management, 11(1), 28-42. [DOI:10.22092/ijwmse.2019.118436 (in Persian)]
17. Kornejady, A., Ownegh, M., Pourghasemi, H. R., Bahremand, A., & Motamedi, M. (2020). Landslide susceptibility prediction using the coupled Mahalanobis distance and machine learning models (Case study: Owghan watershed, Golestan Province). Earth Science Research, 11(2), 1-18. https://doi.org/10.52547/esrj.11.2.1 [DOI:10.52547/esrj.11.2.1 (in Persian)]
18. Kornejady, A., Pourghasemi, H. R., & Afzali, S. F. (2019). Presentation of RFFR new ensemble model for landslide susceptibility assessment in Iran. In S. Pradhan (Ed.), Landslides: Theory, practice and modelling (pp. 123-143). Springer. https://doi.org/10.1007/978-3-319-77377-3_6 [DOI:10.1007/978-3-319-77377-3_6 (in Persian).]
19. Kornezhadi, A. (2018). Assessment of susceptibility, hazard, and preparation of a strategic landslide management plan for the Oghan watershed, Golestan Province [Doctoral dissertation, Gorgan University of Agricultural Sciences and Natural Resources]. (in Persian)
20. Kornezhadi, A., Ownegh, M., & Saadoddin, A. (2015). Zonation of landslide hazard and damage (Case study: Ziarat watershed, Golestan Province). Crisis Management Quarterly, 7, 51-62. (in Persian)
21. Kunwar, B. B., Muensit, N., Techato, K., & Gyawali, S. (2023). Landslide susceptibility mapping of Phewa watershed, Kaski, Nepal. Research Square. [DOI:10.21203/rs.3.rs-2860742/v1]
22. Kwon, S., Pan, L., Kim, Y., Lee, S. I., Kweon, H., Lee, K., Yeom, K., & Seo, J. I. (2023). Empirical comparison of supervised learning methods for assessing the stability of slopes adjacent to military operation roads. Forests, 14(6), 1237. [DOI:10.3390/f14061237]
23. Kyaw Htun, Cho Thae Oo, Tun Naing Zaw, & Day Wa Aung. (2019). Landslide hazard in Chin State: A case study in Hakha and its environs. In T. Kaneko, S. Ma, & T. Kaneko (Eds.), Population, development, and the environment (pp. 195-213). Springer Nature. https://doi.org/10.1007/978-981-13-2101-6_12 [DOI:10.1007/978-981-13-2101-6_12.]
24. Negahban, S., Merhamat, M., & Alinejad, H., (2015). Landslide susceptibility assessment and zoning with machine learning algorithms (case study of Margoon watershed, Zagros, Fars). Quantitative Geomorphology Research, 14(2), 42-61(in Persian).
25. Lee, S., Hong, S.-M., & Jung, H.-S. (2017). A support vector machine for landslide susceptibility mapping in Gangwon Province, Korea. Sustainability, 9(1), 48. [DOI:10.3390/su9010048]
26. Maodin, M. A., Faryansah, Ariadi, S. D., Verlandi, G. S., & Alpiana, Hidayati. (2023). Analysis of andesite rock slope stability with Bishop method. IOP Conference Series: Earth and Environmental Science, 1175, 012007. [DOI:10.1088/1755-1315/1175/1/012007]
27. Mas, J.-F., Soares Filho, B., Pontius, R. G., Jr., Farfán Gutiérrez, M., & Rodrigues, H. (2013). A suite of tools for ROC analysis of spatial models. ISPRS International Journal of Geo-Information, 2(3), 869-887. [DOI:10.3390/ijgi2030869]
28. May Thu, N., Mar Mar Aye, & Kyaw Lwin, O. (2022). Rainfall and landslide susceptibility in Hakha environ in Northern Chin State, Myanmar. British Journal of Arts and Humanities, 4(4), 1-14. [DOI:10.34104/bjah.02201014]
29. Mohammadi, M., & Pourghasemi, H. R. (2017). Prioritization of factors affecting landslide occurrence and preparation of its susceptibility map using the novel random forest algorithm (Case study: Part of Golestan Province). Watershed Management Research Journal, 8(15), 161-170. https://doi.org/10.29252/jwmr.8.15.161 [DOI:10.29252/jwmr.8.15.161 (in Persian)]
30. Mohammadi, M., & Pourghasemi, H. R. (2017). Prioritization of landslide-conditioning factors and landslide susceptibility mapping using the novel random forest algorithm (Case study: A part of Golestan Province). Watershed Management Research Journal, 8(15), 161-170. https://doi.org/10.29252/jwmr.8.15.161 [DOI:10.29252/jwmr.8.15.161 (in Persian)]
31. Peng, L., Niu, R., Huang, B., Wu, X., Zhao, Y., & Ye, R. (2014). Landslide susceptibility mapping based on rough set theory and support vector machines: A case of the Three Gorges area, China. Geomorphology, 204, 287-301. [DOI:10.1016/j.geomorph.2013.08.013]
32. Pham, B. T., Pradhan, B., Bui, D. T., Prakash, I., & Dholakia, M. B. (2016). A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of Uttarakhand area (India). Environmental Modelling & Software, 84, 240-250. [DOI:10.1016/j.envsoft.2016.07.005]
33. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3-4), 231-259. [DOI:10.1016/j.ecolmodel.2005.03.026]
34. Pourghasemi, H. R., & Rahmati, O. (2018). Prediction of the landslide susceptibility: Which algorithm, which precision? Catena, 162, 177-192. [DOI:10.1016/j.catena.2017.11.022]
35. Rahmati, O., Kornejady, A., & Deo, R. C. (2021). Spatial prediction of landslide susceptibility using random forest algorithm. In A. Sidhu, T. Singh, & J. P. Singh (Eds.), Intelligent data analytics for decision-support systems in hazard mitigation: Theory and practice of hazard mitigation (pp. 281-292). Springer. [DOI:10.1007/978-981-15-5772-9_15]
36. Schuster, R. L., & Wieczorek, G. F. (2018). Landslide triggers and types. In G. F. Wieczorek & J. C. Snyder (Eds.), Landslides (pp. 59-78). Routledge. https://doi.org/10.1201/9780203749197-4 [DOI:10.1201/9781351435833-4]
37. Shahabi, H., Ahmadi, R., Alizadeh, M., Hashim, M., Al-Ansari, N., Shirzadi, A., Wolf, I. D., & Ariffin, E. H. (2023). Landslide susceptibility mapping in a mountainous area using machine learning algorithms. Remote Sensing, 15(12), 3112. [DOI:10.3390/rs15123112]
38. Tabaraki, S., Zakeri Nejad, R., & Khosravi, I,. (1405). Assessment and prediction of landslide susceptibility using advanced machine learning algorithms (Study area: Alvand watershed). Geography and Environmental Planning, 35 (1).1-15(in Persian)Talebi, T., Goudarzi, S., & Pourghasemi, H. R. (2018). Investigation of the possibility of landslide hazard mapping using the random forest algorithm (Case study: Sardarabad watershed, Lorestan Province). Journal of Natural Environment Hazards, 7(16), 45-64. [DOI:10.22111/jneh.2018.5972 (in Persian)]
39. Thakur, N., & Sharma, S. (2022). Study of sustainable techniques for effective risk management and control: A review. International Journal of Research in Applied Science & Engineering Technology, 10(7), 1688-1696. [DOI:10.22214/ijraset.2022.45109]
40. Wang, H., Zhang, L., Yin, K., Luo, H., & Li, J. (2021). Landslide identification using machine learning. Geoscience Frontiers, 12(2), 351-364. [DOI:10.1016/j.gsf.2020.02.012]
41. Woodard, J. B., Mirus, B. B., Crawford, M. M., Or, D., Leshchinsky, B. A., Allstadt, K. E., & Wood, N. J. (2023). Mapping landslide susceptibility over large regions with limited data. Journal of Geophysical Research: Earth Surface, 128(3), e2022JF006810. [DOI:10.1029/2022JF006810]
42. Yamani, M., Ahmadabadi, A., & Zare, G. (2012). Application of support vector machine algorithm in landslide hazard zonation (Case study: Darakeh watershed). Geography and Environmental Hazards Journal, (7), 125-142. [DOI:10.22067/geoeh.v0i7.18416 (in Persian)]
43. Yarahmadi, J., Amini, A., & Rostamizad, G. (2023). Evaluation of the accuracy of pistachio climatic suitability map using the ROC curve. Journal of Environment and Water Engineering, 9(1), 127-140. [DOI:10.22034/jewe.2023.384054.1870 (in Persian)]
44. Yasukuni, O., & Soe, M. (2017). Report of life with landslides in Myanmar. [Publisher not specified].
45. Zhang, W., Li, H., Han, L., Chen, L., & Wang, L. (2022). Slope stability prediction using ensemble learning techniques: A case study in Yunyang County, Chongqing, China. Journal of Rock Mechanics and Geotechnical Engineering, 14(4), 1089-1099. [DOI:10.1016/j.jrmge.2021.12.011]
46. Zhou, C., Wang, Y., Cao, Y., Singh, R. P., Ahmed, B., Motagh, M., Wang, Y., & Chen, L. (2023). Non-landslide sampling and ensemble learning techniques to improve landslide susceptibility mapping. Natural Hazards and Earth System Sciences. [DOI:10.5194/nhess-2023-44]
47. Zhou, C., Yin, K., Cao, Y., Ahmed, B., Li, Y., Catani, F., & Pourghasemi, H. R. (2018). Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China. Computers & Geosciences, 112, 23-37. [DOI:10.1016/j.cageo.2017.11.019]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله پژوهش‌های فرسایش محیطی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Environmental Erosion Research Journal

Designed & Developed by : Yektaweb