عطااله شیرزادی - دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی ساری، ساری، ایران
کریم سلیمانی - استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
محمود حبیب نژاد روشن بها - استاد آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
عطااله کاویان - دانشیار آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه­های پیش­بینی مکانی مخاطرات زمینی از جمله زمین لغزش­ها 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 زمین لغزش­های سطحی اطراف شهر بیجار می­باشد. در ابتدا، نوزده عامل موثر بر وقوع زمین لغزش­های سطحی منطقه ی 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 curcvature)، شدت 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 موثر از بین آن­ها انتخاب و جهت مدل­سازی به کار گرفته شدند. اهمیت 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 زمین لغزش­های 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 موثر بر وقوع زمین لغزش­های منطقه ی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تایید این مدل­ها برای داده­های تعلیمی و داده های 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 زمین لغزش­های سطحی منطقه ی مورد مطالعه شده است. دستیابی به یک نقشه ی پیش­بینی مکانی زمین لغزش­های سطحی با صحت بالاتر، کمک شایانی در توسعه ی معقول­تر تاسیسات، اراضی شهری و روستایی، طرح­های آمایش سرزمین، طرح­های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده­ای و انتقال رسوبات به پایین دست خواهد شد.

زمین لغزش سطحی, الگوریتم, Random Forest, Random Subspace, بیجار