- همه نشریات
- 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
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
اخبار و اعلانات
آمار
| تعداد نشریات | 279 |
| تعداد نشریات سازمان | 78 |
| تعداد شماره‌ها | 2,248 |
| تعداد مقالات | 26,038 |
| تعداد مشاهده مقاله | 14,151,899 |
| تعداد دریافت فایل اصل مقاله | 11,327,382 |
مدل‌سازی حساسیت زمین‌لغزش با استفاده از الگوریتم‌های داده‌کاوی در منطقه رابر | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 آذر 1400 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2021.356462.1439 | ||
| نویسنده | ||
الهام رفیعی ساردوئی 
| ||
| استادیار گروه مهندسی طبیعت، دانشکده منابع طبیعی، دانشگاه جیرفت، کرمان، ایران. | ||
| چکیده | ||
| هدف از پژوهش حاضر، پهنه بندی این مخاطره زیست محیطی با استفاده از مدل‌های شبکه عصبی پیچشی، تابع شواهد قطعی و ماشین بردار پشتیبان در منطقه رابر می‌باشد. برای دست‌یابی به هدف تحقیـق از پـارامترهـای ارتفاع، شیب، فاصله از گسل، زمین‌شناسی، کاربری اراضی، نوع خاک، شاخص پوشش گیاهی تفاضلی نرمال، فاصله از رودخانه و بارندگی استفاده شد. سپس با استفاده از داده‌های سازمان زمین‌شناسی و عملیات میدانی با استفاده ازGPS ، نقشه پراکنش زمین‌لغزش‌ها به عنوان متغیر وابسته تهیه گردید. از تعداد کل 70 زمین لغزش، 49 زمین لغزش (70%) برای مدل‌سازی و 21 زمین لغزش (30%) برای اعتبار سنجی مدل مورد استفاده قرار گرفت. نتایج به دست آمده از اعتبارسنجی مدل‌ها با استفاده از منحنی ROC نشان داد که مقادیرAUC برای مدل‌های شبکه عصبی پیچشی، ماشین بردار پشتیبان و تابع شواهد قطعی به ترتیب 987/0، 958/0 و 899/0 می‌باشد. به طور کلی، نتایج، تطابق رضایت بخشی را بین داده‌های زمین لغزش موجود در منطقه و نقشه‌های حساسیت زمین لغزش نشان داد. نهایتا، نقشه حساسیت زمین لغزش در چهار کلاس با حساسیت کم، متوسط، زیاد و خیلی زیاد طبقه‌بندی گردید. بر طبق نتایج خروجی هر سه مدل؛ قسمت‌های مرکزی، جنوب شرقی و جنوب غربی منطقه مورد مطالعه دارای خطر زیاد و خیلی زیاد زمین‌لغزش می‌باشد. انجام طرح‌های مناسب از قبیل دیوارهای حائل، جلوگیری از نفوذ آب، زهکشی مناسب، کاشت پوشش گیاهی متناسب با محیط و دامنه‌های مستعد لغزش و... می تواند در جلوگیری و کنترل این مخاطره مناسب باشد. | ||
| کلیدواژه‌ها | ||
| سامانه اطلاعات جغرافیایی؛ تابع شواهد قطعی؛ شبکه عصبی پیچشی؛ ماشین بردار پشتیبان؛ مدل‌سازی | ||
| عنوان مقاله [English] | ||
| Landslide Susceptibility Modeling Using Data Mining Algorithms in Rabor Area | ||
| نویسندگان [English] | ||
| Elham Rafiei Sardooi | ||
| Assistant Professor, Department of Ecological Engineering, Faculty of Natural Resources, University of Jiroft | ||
| چکیده [English] | ||
| The purpose of this study is to zone this environmental hazard using convolutional neural network (CNN), support vector machine (SVM) and evidential belief function (EBF) models in Rabor region. To achieve this purpose, the parameters of altitude, slope, distance from fault, geology, land use, soil type, Normalized Difference Vegetation Index, and distance from river were used. Then, using the data of the Geological Survey of Iran and field observations using GPS, a landslide distribution map was prepared as a dependent variable. There were 70 landslides that 49 landslides (70%) were used for modeling and 21 landslides (30%) were used for model validation. The results obtained from the validation of the models using the ROC showed that the AUC values for CNN, SVM and EBF models were obtained 0.987, 0.958 and 0.899, respectively. Overall, the results showed a satisfactory correlation between the landslide data available in the area and the landslide susceptibility maps. Finally, the landslide susceptibility map was classified into four classes: low, medium, high, and very high susceptibility. According to the results of all models; the central, southeastern, and southwestern parts of the study area have a high and very high landslide risk. Carrying out appropriate designs such as retaining walls, preventing water infiltration, appropriate drainage, planting vegetation suitable for the environment, and landslide-prone slopes and etc can be appropriate in preventing and controlling this hazard. | ||
| کلیدواژه‌ها [English] | ||
| Geographic Information System, Evidence Belief Function, convolutional neural network, Support Vector Machine, Modeling | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 8 |
||
