- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 2,644 |
| تعداد مقالات | 30,248 |
| تعداد مشاهده مقاله | 20,346,617 |
| تعداد دریافت فایل اصل مقاله | 14,704,884 |
ارزیابی کارایی مدل‌های یادگیری ماشین در تهیه نقشه خطر زمین‌لغزش در آبخیز بار نیشابور | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 شهریور 1402 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2023.361650.1531 | ||
| نویسندگان | ||
| علی دسترنج* 1؛ ابراهیم کریمی سنگچینی2؛ حمزه نور1 | ||
| 1استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خراسان رضوی، سازمان تحقیقات، آموزش | ||
| 21- استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، آموزش | ||
| چکیده | ||
| مقدمه و هدف: با توجه به طیف گسترده وقوع پدیده زمین‌لغزش روش واحدی برای شناسایی و تهیه نقشه پهنه‌بندی جهت ارزیابی خطر وجود ندارد. با به‌کارگیری روش‌های علمی، مجموعه‌ای از ابزارهای دقیق برای آماده‌سازی و استفاده بهینه از نقشه پهنه‌بندی زمین‌لغزش و همچنین استفاده از مدل‌های پیش‌بینی لغزش فراهم می‌آید، که مشکل شناسایی و پهنه‌بندی خطر زمین‌لغزش را کاهش می‌دهد. پهنه‌بندی حساسیت وقوع زمین‌لغزش با استفاده از روش‌های مختلف، یکی از راهکارهای مدیریت زمین‌لغزش است. هدف از مطالعه پیش رو، مدل‌سازی مکانی حساسیت وقوع زمین‌لغزش با استفاده از سه روش الگوریتم یادگیری ماشین جنگل تصادفی(RF)، بیشینه آنتروپی(ME) و الگوریتم ماشین بردار پشتیبان (SVM) و مقایسه کارایی این مدل ها در پهنه بندی حساسیت وقوع زمین لغزش در حوزه آبخیز بار نیشابور، استان خراسان رضوی است. مواد و روش‌ها: برای این منظور، لایه نقشه پراکنش زمین‌لغزش‌های منطقه شامل 73 زمین‌لغزش تهیه و به دو دسته برای آموزش مدل (70 درصد) و اعتبارسنجی مدل (30 درصد) به‌صورت تصادفی تقسیم شدند. همچنین، 16 عامل مؤثر بر وقوع زمین‌لغزش در منطقه موردمطالعه با توجه به‌مرور منابع گسترده شناسایی و لایه‌های رقومی در سامانه اطلاعات جغرافیایی تهیه شد. سپس نقشه خطر(استعداد) زمین لغزش بر اساس سه روش یاد شده تهیه شد. در ادامه به منظور ارزیابی صحت مدل سازی و مقایسه کارایی مدل ها از شاخص جمع کیفیت(Qs) استفاده گردید. نتایج و بحث: نتایج نشان داد که روش الگوریتم جنگل تصادفی(RF) با Qs برابر با 018/0 به عنوان مدل برتر برای حوضه برگزیده شد. مدل های بردار پشتیبان(SVM) با Qs برابر با 014/0 و مدل حداکثر آنتروپی(ME) با Qs برابر با 013/0 به ترتیب در اولویت بعدی قرار دارند. نتیجه‌گیری و پیشنهادها: الگوریتم جنگل تصادفی نه‌تنها نتایج بهتری، بلکه نتایج کاربردی‌تری نیز ارائه می‌دهد؛ به طوری که با تطبیق نتایج بدست آمده با شرایط واقعی موجود از طریق بازدیدهای میدانی، تطبیق بسیار بالای بین نتایج نقشه پهنه‌بندی حساسیت زمین‌لغزش با استفاده از مدل جنگل تصادفی و شواهد واقعی موجود در منطقه موردمطالعه وجود دارد. به‌طوری‌که با فرض تمرکز عملیات مدیریتی در کلاس‌های با حساسیت بالا و همچنین انتخاب مدل جنگل تصادفی به‌عنوان مدل برتر، 5/75 درصد از مساحت منطقه از روند مدیریتی خارج‌شده و سبب تخصیص منابع مالی و زمان کم‌تری نیز خواهد شد. | ||
| کلیدواژه‌ها | ||
| آبخیز بار؛ جنگل تصادفی؛ استان خراسان رضوی؛ زمین لغزش | ||
| عنوان مقاله [English] | ||
| Evaluating the effectiveness of machine learning models in preparing a landslide risk map in Bar Neyshabur watershed | ||
| نویسندگان [English] | ||
| Ali Dastranj1؛ Ebrahim Karimi Sangchini2؛ Hamzeh Noor1 | ||
| 1Assistant Professor, Soil Conservation and Watershed Management Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran. | ||
| 21- Assistant Professor, Soil Conservation and Watershed Management Research Department, Lorestan Agricultural and Natural Resources Research and Education Center, AREEO, Khorramabad, Iran. | ||
| چکیده [English] | ||
| Introduction and Objective: Landslide susceptibility zoning using different methods is one of the solutions for landslide management.Due to the wide range of occurrences of landslides, there is no single method to identify and prepare a zoning map for risk assessment. By applying scientific methods, a set of accurate tools is provided for the preparation and optimal use of the landslide zoning map, as well as the use of landslide prediction models, which reduces the problem of landslide risk identification and zoning. The aim of the upcoming study is to model the sensitivity of landslide occurrence using three methods of machine learning algorithm, random forest (RF), maximum entropy (ME) and support vector machine (SVM) algorithm. Then, the efficiency of these models is compared in zoning the sensitivity of landslides in Bar Neyshabur watershed, Razavi Khorasan province. Materials and Methods: For this purpose, the distribution map layer of landslides in the region including 73 landslides was prepared and randomly divided into two groups for model training (70%) and model validation (30%). Also, 16 factors affecting the occurrence of landslides in the studied area were identified according to the review of extensive sources and digital layers were prepared in the geographic information system. Then, the landslide hazard map was prepared based on the three mentioned methods. Next, in order to evaluate the accuracy of modeling and compare the efficiency of the models, the total quality index (Qs) was used. Results and Discussion: The results showed that the random forest algorithm method (RF) with Qs = 0.018 was chosen as the best model for the basin. Support vector models (SVM) with Qs = 0.014 and maximum entropy (ME) model with Qs = 0.013 are in the next priority, respectively. Conclusion and Suggestions: The random forest algorithm provides not only better results, but also more practical results; So that by matching the results obtained with the actual conditions through field visits, there is a very high match between the results of the landslide susceptibility zoning map using the random forest model and the actual evidence in the study area. So, assuming the concentration of management operations in high-sensitivity classes and choosing the random forest model as the best model, 75.5% of the area of the region will be removed from the management process and will result in the allocation of financial resources and less time. | ||
| کلیدواژه‌ها [English] | ||
| Bar watershed, Random Forest, Razavi Khorasan Province, Landslide | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 40 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب