رانش زمین، به عنوان فرآیندهای زمین‌شناسی طبیعی رایج در مناطق کوهستانی و تپه‌ای، تهدیدات قابل توجهی را برای ایمنی انسان، زیرساخت‌های حمل و نقل، توسعه اقتصادی و محیط‌های زیست‌محیطی ایجاد می‌کند. در حال حاضر، رانش زمین در سطح جهان در حال افزایش است و همه کشورهای جهان از تهدید بلایای رانش زمین رنج می‌برند. رانش زمین لا کلاپیر بزرگترین رانش زمین در فرانسه است ^۱ و میزان کاهش آن بین سال‌های ۱۹۸۷ و ۱۹۸۸ به اوج خود رسید و نگرانی‌ها را در مورد پارگی فاجعه‌بار افزایش داد. منطقه آپنین ایتالیا دارای رانش‌های زمین زیادی است که به دلیل فعالیت تکتونیکی و آب و هوای شدید تشکیل شده‌اند و خسارات اقتصادی زیادی را به بار آورده‌اند ۲،۳ ^{. کره ، جایی که کوه‌ها} و تپه‌ها بیشتر مساحت آن را اشغال کرده‌اند، خطرات رانش زمین قابل ^{توجهی دارد ۴،۵،۶،۷ .} چین همچنین یک کشور فاجعه‌زده معمولی است، با کوه‌هایی که دو سوم مساحت آن را اشغال کرده‌اند، به ویژه در منطقه چینلینگ چین، با کوه‌های باشکوه، دره‌ها و دره‌ها، و بیشتر جاده‌های ساخته شده بر فراز کوه‌ها و با فراز و نشیب‌های زیاد، شرایط محیط زمین‌شناسی در امتداد جاده‌ها پیچیده و متغیر است و محیط زیست شکننده است که منجر به رانش زمین مکرر می‌شود. رانش زمین در امتداد جاده می‌تواند باعث دفن جاده یا حتی آسیب به جاده، مسدود کردن ترافیک و ایجاد خسارات اقتصادی جدی شود . ^۸ بنابراین، ارزیابی حساسیت به رانش زمین ^۹ در امتداد بزرگراه‌های پیشرفته کوهستانی نقش حیاتی در تضمین قابلیت اطمینان ساخت جاده و انجام کارهای پیشگیری و کنترل رانش زمین ایفا می‌کند.

به طور کلی، ارزیابی حساسیت زمین لغزش می‌تواند مبنای اساسی برای پیشگیری و کنترل زمین لغزش‌ها فراهم کند و با تأکید بر مدیریت جامع، به آن دست یابد. از دهه ۱۹۶۰، کارشناسان و محققان داخلی و خارجی روش‌های زیادی را برای ارزیابی حساسیت زمین لغزش مطالعه کرده‌اند. رایج‌ترین مدل‌های تحلیل حساسیت زمین لغزش شامل دو نوع زیر است: (۱) مدل‌های مبتنی بر دانش، که شامل روش امتیازدهی متخصص، فرآیند تحلیل سلسله مراتبی (AHP) ^{۱۰ ، ۱۱} ، روش منطق فازی ^{۱۲ ، ۱۳ ، ۱۴} و روش ارزیابی جامع فازی و همکاران ^{۱۰ ، ۱۵} می‌شود . (۲) مدل‌های داده‌محور، که شامل مدل سنتی داده‌محور می‌شوند: مدل اطلاعات ^{۱۶ ، ۱۷ ، ۱۸} ، مدل نسبت فراوانی (FR) ^{۱۹ ، ۲۰ ، ۲۱ ، ۲۲} ، مدل رگرسیون لجستیک ^{۲۳ ، ۲۴ ، ۲۵ ، ۲۶} ، و مدل‌های یادگیری ماشین: مدل شبکه عصبی مصنوعی (ANN) ^{۲۲ ، ۲۷} ، مدل ماشین بردار پشتیبان (SVM) ^{۲۸ ، ۲۹ ، ۳۰ ، ۳۱ ، ۳۲ ، ۳۳} ، مدل جنگل تصادفی (RF) ^{۱۹ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷} ، مدل درخت تصمیم جایگزین و همکاران ^{۳۸ ، ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ، ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ .}

فرآیند مدل‌سازی و کمی‌سازی مدل مبتنی بر دانش ساده است و اصل مدل‌سازی آن ارتباط نزدیکی با ویژگی‌های عوامل مؤثر بر وقوع زمین‌لغزش دارد، در حالی که ذهنی است. ژو و همکاران ^۴۸ منطقه مطالعاتی کایشیَن و سه دره را به عنوان هدف تحقیق در نظر گرفتند و نقشه‌برداری از حساسیت زمین‌لغزش را بر اساس دانش تخصصی پیشنهاد کردند. موراگوز و همکاران ^۴۹ از روش AHP و ترکیب خطی وزنی برای ارزیابی فرآیند حساسیت به ناپایداری دامنه شاخه هوبئی آرژانتین از صفحه یخی پاتاگونیای جنوبی استفاده کردند. پورقاسمی و همکاران ^۵۰ از روش منطق فازی و مدل AHP برای ساخت LSM های حوضه خوارز در ایران استفاده کردند. ژائو و همکاران ^۱۰ از نظریه آنتروپی شانون، روش ارزیابی جامع فازی و AHP برای ایجاد مدل حساسیت زمین‌لغزش در منطقه مورد مطالعه و ارزیابی حساسیت استفاده کردند. تحقیقات فوق نشان می‌دهد که با توسعه فناوری و تعمیق تحقیقات، درک مردم از زمین‌لغزش بیشتر بهبود یافته و حوزه‌های دانش بیشتری در داده‌های زمین‌لغزش دخیل هستند. مدل دانش‌محور مبتنی بر دانش و تجربه متخصصان، به شدت تحت تأثیر سطح متخصصان، ذهنی بودن آنها و عدم توانایی در برخورد مؤثر با داده‌های عظیم رانش زمین و ویژگی‌های مربوط به عوامل مؤثر بر وقوع رانش زمین قرار دارد.

مدل داده‌محور، رابطه داخلی بین عوامل مؤثر و زمین‌لغزش را از طریق تجزیه و تحلیل آمار ریاضی عینی بررسی می‌کند تا پیش‌بینی حساسیت زمین‌لغزش را محقق سازد. اکبر و ها ^۵۱ داده‌های زمین‌لغزش دره کاهان در هیمالیای غربی پاکستان را از طریق فناوری ۳S به دست آوردند و حساسیت زمین‌لغزش منطقه را بر اساس مدل محتوای اطلاعات ارزیابی کردند؛ برهان و همکاران ^۵۲ نقشه‌های موجودی زمین‌لغزش را از طریق بررسی میدانی، تجزیه و تحلیل عکاسی هوایی استریو و تفسیر تصویر ساختند و سپس از مدل نسبت فرکانس برای تولید LSM برای تکمیل ارزیابی حساسیت استفاده کردند؛ اشلوگل و همکاران ^۵۳ سه DEM با وضوح مختلف را با انتخاب منطقه زمین‌لغزش یا منبع برای به دست آوردن مجموعه داده‌های نمونه ترکیب کردند و سپس یک مدل رگرسیون لجستیک برای ارزیابی حساسیت زمین‌لغزش در منطقه مورد مطالعه ایجاد کردند. تحقیق فوق بر اساس مدل سنتی داده‌محور برای ارزیابی حساسیت زمین‌لغزش است. نتایج ارزیابی نشان می‌دهد که مدل سنتی مبتنی بر داده، توانایی کاوش و تحلیل تعامل بین عوامل مؤثر بر لغزش زمین را ندارد و نمی‌تواند ویژگی‌های خطی و عدم قطعیت لغزش زمین ناشی از عامل مؤثر را در نظر بگیرد. به عنوان یک نوع جدید از مدل مبتنی بر داده، مدل یادگیری ماشین، کاستی‌های ذهنیت قوی و دقت پیش‌بینی پایین مدل مبتنی بر دانش و همچنین نقص مدل سنتی مبتنی بر داده در تحلیل تعامل بین عوامل مؤثر را جبران می‌کند. مدل یادگیری ماشین، دقت و قابلیت اطمینان نتایج محاسبه و تحلیل را از طریق تحلیل آمار ریاضی عینی تضمین می‌کند. پارک و همکاران. ^۵۴ توانایی مدل‌های FR، AHP، رگرسیون لجستیک و ANN را برای تولید LSM مقایسه کردند. نتایج نشان داد که دقت این چهار مدل تقریباً مشابه بود، اما ANN کمی بالاتر از سه مدل دیگر بود. پورقاسمی و کرل ^۵۵ از RF مبتنی بر GIS برای LSM در بخش غربی استان مازندران، شمال ایران استفاده کردند. چن و همکاران. ^۵۶ از سه تکنیک داده‌کاوی، یعنی سیستم استنتاج عصبی-فازی تطبیقی ​​​​ترکیب شده با نسبت فرکانس (ANFIS-FR)، مدل جمعی تعمیم‌یافته (GAM) و SVM، برای ارزیابی حساسیت زمین‌لغزش هانیوان استفاده کردند و مدل SVM بالاترین دقت پیش‌بینی را داشت ^۵۷ ؛ ژائو و همکاران ^۱۹ اثربخشی مدل‌های مختلف یادگیری ماشین را برای پیش‌بینی حساسیت زمین‌لغزش در وضوح‌های مکانی مختلف بررسی کردند و دریافتند که وضوح‌های بالاتر و مدل‌های یکپارچه به طور قابل توجهی دقت را بهبود می‌بخشند، به طوری که مدل RS-ADT در وضوح ۱۲٫۵ متر بهترین عملکرد را دارد؛ پاندی و همکاران ^۵۸از مدل‌های درخت رگرسیون تقویت‌شده (BRT)، مدل خطی تعمیم‌یافته (GLM)، RF و SVM برای تحلیل حساسیت زمین‌لغزش‌ها در امتداد کریدور بزرگراه از نهان تا راجگره استفاده شد. نتایج نشان داد که مدل RF بالاترین دقت پیش‌بینی را دارد و پس از آن مدل SVM قرار دارد. بسیاری از محققان نشان داده‌اند که مدل‌های RF و SVM از کاربردپذیری خوب و دقت پیش‌بینی بالایی برخوردارند . ^۵۹

بزرگراه نقش مهمی در توسعه اقتصادی منطقه ^۶۰ ایفا می‌کند . با این حال، وقوع مکرر رانش زمین در امتداد بزرگراه ^۶۱، مشکلات خاصی را برای ساخت، بهره‌برداری و نگهداری پروژه‌های بزرگراهی ^۶۲ به همراه داشته است . بنابراین، ارزیابی حساسیت رانش زمین در امتداد بزرگراه‌های کوهستانی نقش حیاتی در کاهش بلایای رانش زمین در امتداد بزرگراه‌های کوهستانی ایفا می‌کند. بخش ژنان بزرگراه G345 یکی از پروژه‌های کلیدی ساخت بزرگراه در استان شانشی است که در شهرستان ژنان، استان شانشی واقع شده است. شهرستان ژنان در وسط جنوب کوه‌های چینلینگ واقع شده است. ساختار زمین‌شناسی پیچیده است، محیط زمین‌شناسی ضعیف است و کوه‌ها در ژنان متقاطع هستند. در عین حال، بارندگی فراوان است و انواع مختلفی از رانش زمین وجود دارد. این منطقه یکی از مناطق مستعد رانش زمین در استان شانشی است. در این مقاله، بخش لیزا-جیزی از بزرگراه ملی G345 و منطقه اطراف آن در محدوده ۲ کیلومتری به عنوان منطقه مورد مطالعه در نظر گرفته شده است. با در نظر گرفتن جامع توپوگرافی، ساختار زمین‌شناسی، هیدرولوژی هواشناسی، پوشش گیاهی و فعالیت‌های انسانی، ۱۱ عامل مؤثر انتخاب شدند: ارتفاع، شیب، جهت شیب، انحنای سطح، انحنای پروفیل، سنگ‌شناسی، فاصله از گسل، بارندگی، فاصله از رودخانه، شاخص پوشش گیاهی نرمال شده (NDVI) و فاصله از جاده. از مدل‌های RF و SVM برای به دست آوردن LSM منطقه مورد مطالعه استفاده شده است که می‌تواند مرجع مهمی برای پیشگیری و کاهش رانش زمین، ارزیابی ریسک، مهندسی ساخت و ساز، برنامه‌ریزی کاربری اراضی و توسعه اقتصادی در امتداد بزرگراه‌ها در منطقه مورد مطالعه باشد.

طول کل بزرگراه ملی در منطقه مورد مطالعه ۸۵٫۷۷۱ کیلومتر است که در شهرستان ژنان، شهر شانگلو، استان شانشی، چین واقع شده است (شکل  ۱ ). مختصات جغرافیایی آن ۱۰۸°۳۳′۵۸″–۱۰۹°۰۶′۳۲″ شرقی، ۳۳°۱۷′۰۴″–۳۳°۳۰′۴۵″ شمالی، از جیزی در شرق و از لیژا در غرب است که بخش مهمی از بزرگراه ملی G345 است.

منطقه مورد مطالعه متعلق به منطقه آب و هوایی نیمه گرمسیری است و گرم و مرطوب با بارندگی فراوان است. با این حال، زمین کوهستانی پیچیده است و هرچه ارتفاع بیشتر باشد، دما کمتر است و تغییرات زیادی در جهت عمودی نشان می‌دهد. میزان بارندگی بین سالانه بسیار متغیر است و توزیع بارندگی سالانه نیز بسیار ناهموار است. فصلی بودن آن آشکار است و یک اوج واحد را نشان می‌دهد. میزان بارندگی از ژوئن تا اکتبر زیاد است و بیشترین آن در ماه جولای است.

زمین منطقه مورد مطالعه عموماً در شمال غربی مرتفع و در جنوب شرقی پست است و زمین منطقه نزدیک به آن موج‌دار است. بلندترین ارتفاع ۲۵۸۵ متر، کمترین ارتفاع ۴۷۴ متر و اختلاف ارتفاع ۲۱۱۱ متر است. گسل معکوس ژنان-بانیان در منطقه مورد مطالعه توسعه یافته است، موقعیت آن حدود ۵°~۲۵° ∠ ۵۰°~۸۵° است و اساساً از بزرگراه طولی عبور می‌کند. علاوه بر این، منطقه گسل عموماً به سمت شمال است.

این بخش می‌تواند به زیرعنوان‌ها تقسیم شود. این بخش باید شرح مختصر و دقیقی از نتایج آزمایش، تفسیر آنها و همچنین نتیجه‌گیری‌های تجربی قابل استخراج ارائه دهد.

نقشه برداری از فهرست زمین لغزش ها

روش‌های زیادی برای تهیه نقشه موجودی زمین‌لغزش وجود دارد. این مطالعه داده‌های منطقه مورد مطالعه را به دست آورد و نقشه موجودی زمین‌لغزش را با مراجعه به داده‌های تاریخی، نقشه تصاویر سنجش از دور، نقشه زمین‌شناسی و بررسی‌های میدانی دقیق تهیه کرد. در مجموع ۶۷ زمین‌لغزش در طول بررسی‌های میدانی در منطقه مورد مطالعه یافت شد، از جمله ۴۲ رانش زمین و ۲۵ آبشار. در میان آنها، ۵۸ رانش زمین کوچک ۸۶.۵۷٪ از کل تعداد رانش زمین و ۹ رانش زمین متوسط ​​۱۳.۴۳٪ از کل تعداد رانش زمین را تشکیل می‌دهند. رانش‌های معمول عبارتند از: اسلاید ۳ (شکل  ۲ الف) با حجم ۱.۲ × ۱۰۴ ^متر مکعب ^، و آبشارهای معمول مانند آبشار ۷ (شکل  ۲ ب) با حجم ۱.۶۲ × ^۱۰۴ متر ^مکعب . از طریق تجزیه و تحلیل و مقایسه داده‌های زمین لغزش، ۶۷ زمین لغزش در منطقه مورد مطالعه به طور تصادفی به ۷۰٪ از نمونه‌های مجموعه آموزشی (۴۷) ^{۶۳ ، ۶۴ ، ۶۵ ، ۶۶} و ۳۰٪ از نمونه‌های مجموعه اعتبارسنجی (۲۰) ^{۶۷ ، ۶۸ ، ۶۹} ​​تقسیم شدند. به منظور ساخت مدل ارزیابی حساسیت زمین لغزش، تعداد مساوی از نمونه‌های غیر زمین لغزش (۶۷) به طور تصادفی از منطقه مورد مطالعه در فاصله ۱۰۰ متری از زمین لغزش‌ها انتخاب شدند و به طور تصادفی به ۷۰٪ از نمونه‌های مجموعه آموزشی (۴۷) و ۳۰٪ از نمونه‌های مجموعه اعتبارسنجی (۲۰) تقسیم شدند. نمونه‌های مجموعه آموزشی برای ساخت مدل‌های RF و SVM استفاده شدند، نمونه‌های مجموعه اعتبارسنجی برای تأیید توانایی تعمیم مدل ^۷۰ استفاده شدند و قابلیت اطمینان مدل بررسی شد.

عوامل مؤثر در وقوع زمین‌لغزش

^با توجه به توپوگرافی، ساختار زمین‌شناسی، هیدرولوژی هواشناسی، پوشش گیاهی و فعالیت‌های انسانی در منطقه مورد مطالعه، در مجموع ۱۱ عامل مؤثر انتخاب شدند ^{: ارتفاع ، شیب ، جهت شیب، انحنای سطح، انحنای پروفیل، سنگ‌شناسی ،} فاصله از گسل، بارندگی، فاصله از رودخانه، NDVI و فاصله از جاده.

ارتفاع، انرژی پتانسیل شیب را منعکس می‌کند و تا حد زیادی پایداری شیب را کنترل می‌کند. ارتفاع بر میزان آب و تنش در شیب، و همچنین شدت فعالیت‌های مهندسی انسانی و توزیع پوشش گیاهی در سطح شیب تأثیر می‌گذارد. نقشه ارتفاع (شکل  ۳ الف) توسط داده‌های ASTER GDEM با وضوح ۳۰ متر جمع‌آوری شده توسط Geospatial Data Cloud ( http://www.gscloud.cn/search ) تهیه شده است. علاوه بر این، از داده‌های DEM برای تولید شیب (شکل ۳ ب)، جنبه (شکل  ۳ ج)، انحنای سطح (شکل  ۳ د) و انحنای پروفیل (شکل  ۳ ه) توسط GIS استفاده می‌شود  .

سنگ‌شناسی به عنوان پایه مادی زمین‌لغزش، تا حد زیادی بر ترکیب سنگ و خاک، اندازه ذرات، یکنواختی، درجه سستی، درجه هوازدگی و سایر جنبه‌ها تأثیر می‌گذارد. مقاومت سنگ‌شناسی‌های مختلف بسیار متفاوت است و تأثیر آن بر زمین‌لغزش نیز متفاوت است. بنابراین، سنگ‌شناسی بر پایداری شیب تأثیر می‌گذارد که یکی از عوامل مهم در شکل‌گیری زمین‌لغزش است. سنگ‌شناسی به‌دست‌آمده از بررسی‌های میدانی و داده‌های دقیق بررسی به چهار دسته تقسیم می‌شود (شکل  ۳ و). تحت تأثیر ترکیبی اثرات زمین‌شناسی دینامیکی داخلی و خارجی، لایه‌های سنگ تغییر شکل می‌دهند. هنگامی که تنش از حد مقاومت خود فراتر رود، سنگ نمی‌تواند شکل کامل اولیه خود را حفظ کند و دچار پارگی می‌شود. هنگامی که جابجایی موقعیت سنگ به مقدار بحرانی می‌رسد، یک گسل تشکیل می‌شود. گسل‌ها بر توسعه زمین‌لغزش‌ها تأثیر می‌گذارند و هرچه به گسل نزدیک‌تر باشند، احتمال زمین‌لغزش بیشتر می‌شود که نشان‌دهنده کنترل قوی است. طبق نقشه توپوگرافی، توزیع گسل به دست می‌آید و فاصله تا گسل توسط تابع تحلیل بافر GIS به دست می‌آید (شکل  ۳ و).

بارندگی عامل اصلی محرک رانش زمین است ^۷۵ که در نفوذ آب باران به سنگ و خاک آشکار می‌شود و منجر به نرم شدن سنگ می‌شود. با افزودن مقدار زیادی آب باران، فشار منفذی افزایش می‌یابد در حالی که رطوبت سنگ و خاک افزایش می‌یابد که این امر تنش مؤثر سنگ و خاک را کاهش داده و شرایط را برای توسعه رانش زمین فراهم می‌کند. داده‌های بارندگی از شبکه اطلاعات هیدرولوژی و منابع آب شانشی ( http://www.shxsw.com.cn/ ) گرفته شده است (شکل  ۳ ح). برش طولانی مدت رودخانه و فرسایش جانبی شیب کناره، به ویژه در فصل سیلاب، سطح جلوی شیب را تا حد زیادی افزایش داده و شرایط طبیعی را برای وقوع رانش زمین، عمدتاً در توزیع مکانی رانش زمین، ایجاد کرده است. طبق تجربیات تحقیقاتی قبلی و بررسی میدانی در این منطقه مورد مطالعه، فاصله تا رودخانه با استفاده از تابع تحلیل بافر GIS به دست می‌آید (شکل  ۳ ح).

نقش اصلی پوشش گیاهی، حفاظت از پایداری شیب و کاهش فرسایش خاک است. به طور کلی، هر چه پوشش گیاهی سرسبزتر باشد، درجه توسعه زمین لغزش کمتر خواهد بود، اما نقش تعیین کننده‌ای در توسعه زمین لغزش ندارد. NDVI (شکل  ۳j ) استخراج شده از تصویر سنجش از دور لندست ۸ OLI_TIRS ( http://www.gscloud.cn/search ) می‌تواند به طور دقیق پوشش گیاهی سطحی را منعکس کند.

پروژه بازسازی و توسعه بزرگراه‌های کوهستانی، ناگزیر شیب را حفر می‌کند و در نتیجه شیب مصنوعی بلند و تندی ایجاد می‌کند. تحت تأثیر عوامل خارجی، به ویژه بارندگی، سنگ و خاک سست روی شیب فرو می‌ریزد و رانش زمین مانند لغزش و ریزش ایجاد می‌کند که ممکن است باعث ازدحام ترافیک و آسیب به عابران پیاده شود. طبق نقشه توپوگرافی همراه با بررسی میدانی در این منطقه مورد مطالعه، فاصله بین منطقه مورد مطالعه و جاده با استفاده از تابع تحلیل بافر GIS به دست می‌آید (شکل  ۳k ).

این مطالعه به پنج مرحله تقسیم می‌شود: (۱) استفاده از GIS برای آماده‌سازی داده‌ها، دریافت داده‌های ویژگی نقطه‌ای شبکه. (۲) تحلیل همبستگی شاخص‌ها. (۳) ایجاد RF و SVM به ترتیب برای دریافت شاخص حساسیت زمین‌لغزش. (۴) اعتبارسنجی مدل‌ها توسط ROC. (5) داده‌های حساسیت زمین‌لغزش برای تولید LSM به GIS وارد می‌شوند.

تحلیل همبستگی عامل شرطی‌سازی

زمین لغزش تحت تأثیر عوامل مختلفی قرار می‌گیرد و ۱۱ عامل تعیین‌کننده ممکن است همبستگی خاصی داشته باشند. در ساخت بعدی مدل‌ها، ممکن است مشکلات هم‌خطی متعددی رخ دهد که بر دقت مدل‌ها تأثیر می‌گذارد. بنابراین، تجزیه و تحلیل همبستگی بین شاخص‌ها و حذف عوامل تعیین‌کننده اضافی بسیار مهم است. بنابراین، این مقاله از ضریب همبستگی پیرسون ^{۷۶ ، ۷۷ ، ۷۸} برای تجزیه و تحلیل همبستگی هر عامل در منطقه مورد مطالعه استفاده می‌کند. در GIS، داده‌های ویژگی هر لایه عامل در منطقه مورد مطالعه استخراج و به Matlab وارد می‌شوند. از تابع corr برای تجزیه و تحلیل همبستگی بین هر عامل استفاده می‌شود. ضریب همبستگی R برای اندازه‌گیری همبستگی بین هر عامل استفاده می‌شود و محدوده مقدار R برابر با [-۱،۱] ^۷۹ است . در اینجا |R| برای اندازه‌گیری همبستگی بین عوامل استفاده می‌شود. همانطور که در جدول  ۱ نشان داده شده است ، هرچه |R| بیشتر باشد، به ۱ نزدیک‌تر است که نشان می‌دهد همبستگی بین دو عامل بیشتر است. مجموعه‌ای از سیستم عامل تعیین‌کننده مناسب برای این منطقه مورد مطالعه با حذف شاخص‌های بسیار مرتبط ایجاد شده است.

جنگل تصادفی

^{الگوریتم RF اولین بار توسط Breiman 80} به عنوان یک الگوریتم گروهی پیشنهاد شد . RF مجموعه‌ای از درخت‌های تصمیم است که به صورت تصادفی برای تشکیل یک جنگل ساخته شده‌اند. تعداد درخت‌های تصمیم در جنگل قابل تنظیم است و هیچ رابطه مستقیمی بین درخت‌های تصمیم ساخته شده وجود ندارد. RF از روش بوت‌استرپ برای مدل‌سازی درخت تصمیم برای هر نمونه بوت‌استرپ ^۸۱ از نمونه اصلی استفاده می‌کند و سپس درخت‌های تصمیم ^۸۲ را با هم ترکیب می‌کند تا نتایج طبقه‌بندی یا پیش‌بینی نهایی را با رأی‌گیری به دست آورد. مدل RF با تصادفی‌سازی داده‌های نمونه و انتخاب ویژگی، همبستگی بین هر دو درخت تصمیم را کاهش می‌دهد و از بیش‌برازش مدل جلوگیری می‌کند. شکل  ۴ فرآیند ساخت یک مدل RF را نشان می‌دهد. تعداد زیادی از مطالعات نظری و تجربی ثابت کرده‌اند که الگوریتم RF دارای دقت پیش‌بینی بالا، توانایی تعمیم قوی و سرعت آموزش سریع است.

ماشین بردار پشتیبان

SVM یک ماشین یادگیری جدید مبتنی بر نظریه یادگیری آماری است ^{۸۳ ، ۸۴٫} به طور کلی، روش تحلیل آماری سنتی از اصل حداقل ریسک تجربی برای ساخت یک مدل ریاضی استفاده می‌کند. این روش تحت شرایط نمونه‌های به اندازه کافی بزرگ قابل اجرا است. با این حال، هنگامی که اندازه نمونه کوچک است، هم اندازه ریسک تجربی و هم پیچیدگی مدل باید در نظر گرفته شود و باید تلاش شود تا پیچیدگی مدل به حداقل برسد. بر اساس شرایط فوق، Vapnik به طور جامع ریسک تجربی و بعد VC مدل (که نشان دهنده پیچیدگی مدل است) را در نظر گرفت و اندازه این دو را برای به حداقل رساندن ریسک واقعی تقریبی به خطر انداخت. در کاربرد عملی، هدف اصلی این روش به حداقل رساندن مجموع نرخ خطای تعمیم مدل و مقدار بعد VC است. به طور کلی، در مقایسه با روش‌های آماری سنتی، SVM از دقت پیش‌بینی بالاتر و توانایی تعمیم خوبی برخوردار است.

ایده اصلی SVM یافتن یک سطح بهینه است به طوری که فاصله بین همه نمونه‌ها و سطح حداکثر شود و ابرصفحه به صورت زیر بیان می‌شود:

در فرمول:  بردار ویژگی ابرصفحه در فضای با ابعاد بالا،  تابع نگاشت از فضای با ابعاد پایین به فضای با ابعاد بالا و b آستانه است.

ارزیابی حساسیت زمین لغزش یک مسئله غیرخطی معمول است که تحت تأثیر عوامل زیادی قرار می‌گیرد. بنابراین، این مقاله از تابع نگاشت غیرخطی برای تبدیل فضای کم‌بعد به فضای سطح بالا استفاده می‌کند. پس از تبدیل داده‌های با بعد اصلی به داده‌های مکانی با بعد بالا، با استفاده از تابع هسته، ابرصفحه جستجو می‌شود تا فاصله ابرصفحه نمونه به حداکثر برسد. هسته تابع پایه شعاعی (RBF) می‌تواند نتایج پیش‌بینی دقیق‌تری را در اکثر مدل‌های طبقه‌بندی، به ویژه در محیط‌های غیرخطی ارائه دهد. ^{۸۵ ، ۸۶ ، ۸۷ ، ۸۸٫} بنابراین، هسته RBF برای مدل‌سازی SVM در این ارزیابی حساسیت زمین لغزش انتخاب شده است.

در فرمول: تابع هسته است، پارامتر یک تابع هسته است.

تحلیل عوامل شرطی‌سازی

با افزایش ارتفاع، تراکم زمین لغزش‌ها به طور قابل توجهی کاهش یافت (شکل  ۵ الف). در محدوده ارتفاع کمتر از ۸۰۰ متر، تراکم زمین لغزش‌ها بیشترین مقدار را دارد که ۰٫۴۹۹۸ در کیلومتر مربع است ^. زمین لغزش‌ها عمدتاً در محدوده ارتفاع کمتر از ۱۴۰۰ متر توزیع شده‌اند، در مجموع ۶۰ مورد، که ۸۹٫۵۵٪ از کل را تشکیل می‌دهند. در این محدوده، رودخانه‌های زیادی وجود دارد و فعالیت‌های مهندسی انسانی مکرراً انجام می‌شود. تشکیل دامنه‌های شیب‌دار آسان است، اگر در اثر بارندگی و آبشستگی رودخانه ایجاد شود، به راحتی باعث رانش زمین می‌شود. در محدوده شیب کمتر از ۳۳٫۴۸ درجه (شکل  ۵ ب)، ۵۳ زمین لغزش در منطقه مورد مطالعه ایجاد شد که ۷۹٫۱٪ از کل را تشکیل می‌دهد. هنگامی که شیب در محدوده کمتر از ۱۵٫۱۴ درجه است، تراکم زمین لغزش بیشترین مقدار را دارد که ۰٫۴۷۵۷ در کیلومتر مربع ^است . در این محدوده، فعالیت‌های مکرر مهندسی انسانی همراه با شیب، بر سطح مؤثر شیب تأثیر می‌گذارند. اگر این امر ناشی از بارندگی باشد، به راحتی می‌توان باعث رانش زمین شد. تغییر تراکم رانش زمین در جهت شیب، یک پیک واحد آشکار را نشان می‌دهد و حداکثر تراکم رانش زمین ۰٫۳۸۹۴ در کیلومتر مربع ^در جنوب (۱۵۷٫۵°~۲۰۲٫۵°) است (شکل  ۵c ). رانش زمین عمدتاً در جنوب شرقی (۱۱۲٫۵°~۱۵۷٫۵°)، جنوب (۱۵۷٫۵°~۲۰۲٫۵°)، جنوب غربی (۲۰۲٫۵°~۲۴۷٫۵°) توزیع شده است که در مجموع ۳۹ مورد است و ۵۸٫۲۱٪ از کل را تشکیل می‌دهد. در مورد شرایط مشابه محیط زمین‌شناسی و فعالیت‌های مهندسی انسانی، شرایط هیدروترمال شیب آفتابی بهتر است، آب داخلی سنگ و خاک بیشتر احتمال دارد به اشباع برسد و تشکیل رانش زمین در آن آسان‌تر است. در محدوده انحنای صفحه‌ای -۱٫۳۷۸ ~ ۱٫۳۰۱، توزیع زمین لغزش بیشتر است (شکل  ۵ د)، در مجموع ۵۶ مورد، که ۸۳٫۵۸٪ از کل را تشکیل می‌دهد. در محدوده انحنای صفحه‌ای -۱٫۳۷۸ ~ -۰٫۰۳۹، چگالی زمین لغزش بیشترین مقدار را دارد که ۰٫۲۹۵۱ در کیلومتر مربع است ^. در محدوده انحنای مقطع -۲٫۲۸۷ ~ ۲٫۲۵۰، توزیع زمین لغزش بیشتر است (شکل  ۵ ه)، در مجموع ۵۹ مورد، که ۸۸٫۰۶٪ از کل را تشکیل می‌دهد. در محدوده انحنای مقطع ۰٫۶۴۰ ~ ۲٫۲۵۰، چگالی زمین لغزش بیشترین مقدار را دارد که ۰٫۲۷۴۹ در کیلومتر مربع ^است .

سنگ‌شناسی در منطقه مورد مطالعه عمدتاً از گروه سنگ سخت است و ۱۳ زمین لغزش ایجاد شده است (شکل  ۵ و) که ۱۹.۴٪ از کل را تشکیل می‌دهد. با این حال، چگالی زمین لغزش تنها ۰.۱۱۰۷ در کیلومتر مربع است ^. سنگ‌شناسی این لایه عمدتاً سنگ آهک، تخته سنگ و دولومیت است. هوازدگی محلی قوی است، درزه‌ها و شکاف‌ها ایجاد شده‌اند و توده سنگ نسبتاً شکسته است. اگر عوامل القایی مانند بارندگی وجود داشته باشد، تشکیل زمین لغزش آسان است. از منظر چگالی زمین لغزش، چگالی زمین لغزش رسوبات سست کواترنری ۱.۵۶۲۵ در کیلومتر مربع است ^و بیشترین چگالی را دارد. این رسوبات عمدتاً رسوبات آبرفتی-سیلابی کواترنری و رسوبات دامنه‌ای باقیمانده هستند که در دشت‌های سیلابی، دره‌ها، دامنه‌های کوهپایه‌ای و سایر قسمت‌ها توزیع شده‌اند. در اینجا، فعالیت‌های مهندسی انسانی مکرر است. ساخت خانه‌ها، جاده‌سازی و حفاری پنجه شیب تأثیر زیادی بر محیط زمین‌شناسی دارند و به راحتی باعث ایجاد زمین لغزش می‌شوند. به طور کلی، با تضعیف سختی سنگ، روند کلی تراکم فاجعه در حال افزایش است. فاصله تا گسل در منطقه مورد مطالعه عمدتاً در محدوده <1500 متر است و ۴۵ زمین لغزش (شکل  ۵ g) ایجاد شده است که ۶۷٫۱۶٪ از کل را تشکیل می‌دهد. به طور کلی، هرچه به گسل نزدیک‌تر باشیم، تراکم زمین لغزش بیشتر است. به خصوص، توسط چندین گسل اصلی مانند گسل ژنان-بانیان کنترل می‌شود و به دلیل عملکرد مشترک چندین گسل، تشکیل زمین لغزش آسان‌تر است.

زمین لغزش‌ها در منطقه مورد مطالعه در ۲۵ مکان (شکل  ۵ h) توزیع شده‌اند که در آن‌ها میزان بارندگی سالانه کمتر از ۹۰۰ میلی‌متر در سال است که ۳۷٫۳۱٪ از کل را تشکیل می‌دهد. از آنجا که سنگ‌شناسی از سنگ نرم است و گسل‌ها در آنجا به طور متراکم توزیع شده‌اند، زمین لغزش‌ها بیشترین پراکندگی را دارند. در محدوده ۹۵۰ تا ۱۰۰۰ میلی‌متر در سال، منطقه توزیع کوچک است و تحت تأثیر دو گسل قرار دارد، بنابراین تراکم زمین لغزش بیشترین است. بارندگی، به عنوان عامل اصلی خارجی، به راحتی باعث ایجاد زمین لغزش می‌شود. با این حال، از آنجا که سنگ‌شناسی منطقه کوهستانی غربی از گروه سنگ‌های نفوذی، گروه سنگ‌های دگرگونی و مقدار کمی از لایه‌های سست کواترنری تشکیل شده است، تراکم زمین لغزش‌ها کاهش می‌یابد. فاصله اصلی توزیع زمین لغزش در منطقه مورد مطالعه کمتر از ۲۰۰ متر از رودخانه است که در مجموع ۵۰ (شکل  ۵ i) است که ۷۴٫۶۳٪ از کل را تشکیل می‌دهد و تراکم زمین لغزش بیشترین است. با افزایش فاصله از رودخانه، تعداد و تراکم زمین لغزش‌ها به طور قابل توجهی کاهش یافت. به طور کلی، تحت تأثیر فرسایش رودخانه، تشکیل زمین لغزش آسان است.

زمین لغزش‌ها در منطقه مورد مطالعه عمدتاً در NDVI 0.085 ~ 0.249 (شکل  ۵ j) توزیع شده‌اند، که در مجموع ۵۷ مورد است و ۸۵٫۰۷٪ از کل را تشکیل می‌دهد. در محدوده ۰٫۱۹۱ ~ ۰٫۲۴۹، تراکم زمین لغزش بیشترین است و درجه توسعه پوشش گیاهی می‌تواند از پایداری شیب محافظت کند و فرسایش خاک را تا حدی کاهش دهد، اما نقش تعیین‌کننده‌ای ندارد.

زمین لغزش‌های منطقه مورد مطالعه عمدتاً در فاصله کمتر از ۲۰۰ متر تا جاده توزیع شده‌اند (شکل  ۵ k). در مجموع ۴۱ مورد وجود دارد که ۶۱.۱۹٪ از کل را تشکیل می‌دهد. و تراکم زمین لغزش‌ها بیشترین مقدار را دارد که ۰.۸۸۰۶ در کیلومتر مربع است ^. با افزایش فاصله تا جاده، تعداد زمین لغزش‌ها و تراکم زمین لغزش به طور قابل توجهی کاهش می‌یابد. به طور کلی، فعالیت‌های مهندسی انسانی بر روی آسیب به دامنه شیب، احتمال تشکیل زمین لغزش را افزایش می‌دهد.

داده‌های توصیفی هر عامل در منطقه مورد مطالعه توسط GIS استخراج و به نرم‌افزار Matlab وارد شدند. تحلیل همبستگی هر شاخص با استفاده از تابع corr انجام شد و ماتریس ضریب همبستگی پیرسون  بین دو شاخص (جدول ۲) به دست آمد.

از جدول ۲ می‌توان نتیجه گرفت  که ضریب همبستگی بین اکثر شاخص‌ها |R| < 0.4 است که نشان می‌دهد اکثر شاخص‌ها همبستگی پایینی دارند، فقط ضریب همبستگی بین شاخص‌های منفرد ۰٫۴≤|R|<0.7 است که نشان می‌دهد شاخص‌های منفرد همبستگی معناداری دارند. و هیچ همبستگی بالایی بین شاخص‌ها وجود ندارد. به طور خلاصه، ۱۱ عامل شرطی انتخاب شده در این مقاله می‌توانند یک سیستم ارزیابی را تشکیل دهند.

جنگل تصادفی

در مجموعه اعتبارسنجی شامل ۴۰ نمونه، نتایج پیش‌بینی ۹ نمونه با وضعیت واقعی مغایرت دارد (شکل  ۶ الف)، علاوه بر این، دقت پیش‌بینی ۷۷٫۵٪ است (شکل  ۶ ب)، که نشان می‌دهد نتایج پیش‌بینی در ارزیابی حساسیت زمین‌لغزش نسبتاً خوب است. داده‌های ویژگی شبکه‌ای عوامل مؤثر بر زمین‌لغزش در منطقه مورد مطالعه که از GIS استخراج شده بودند، پس از آموزش بر اساس Matlab به طبقه‌بندی‌کننده RF وارد شدند و شاخص حساسیت زمین‌لغزش هر داده نقطه شبکه‌ای در کل منطقه مورد مطالعه با پیش‌بینی و محاسبه به دست آمد. شاخص حساسیت زمین‌لغزش برای تولید LSM منطقه مورد مطالعه به GIS وارد شد. سپس از روش نقطه ناپیوستگی طبیعی برای طبقه‌بندی LSM به پنج درجه ^{۸۹ ، ۹۰} ، شامل: خیلی کم، کم، متوسط، زیاد، خیلی زیاد، استفاده شد. در نهایت، LSM مبتنی بر مدل RF تکمیل شد (شکل  ۶ ج).

ماشین بردار پشتیبان

در مدل SVM، انتخاب تابع هسته و پارامترهای مربوط به تابع هسته تأثیر تعیین‌کننده‌ای بر ساخت بعدی مدل ^۹۱ دارد . در این مطالعه، از RBF به عنوان تابع هسته استفاده شده است. پارامترهای c و g را می‌توان با استفاده از روش اعتبارسنجی متقابل در مرحله ساخت مدل انتخاب کرد. محدوده پارامترهای c و g در این مطالعه [-۳٫۵، ۳] است. پس از وارد کردن انواع پارامترهای محدوده مرزی به مدل اعتبارسنجی متقابل Matlab، هنگامی که پارامترهای c و g ^{به ترتیب} ۰٫۹۳۳۰۳ و ۱ باشند، دقت اعتبارسنجی متقابل به حداکثر می‌رسد و دقت بهینه ۷۶٫۵۹۵۷٪ است. بنابراین، بهترین c = 0.93303، بهترین g = 1 (شکل  ۷ الف).

درجه برازش مدل طبقه‌بندی مبتنی بر SVM با نمونه‌های مجموعه اعتبارسنجی ۷۲٫۵٪ است (شکل  ۷ ب)، که نشان می‌دهد مدل از درجه برازش و دقت پیش‌بینی بالایی برخوردار است.

داده‌های ویژگی شبکه‌ای عوامل مؤثر بر زمین‌لغزش در منطقه مورد مطالعه که از GIS استخراج شده‌اند، به طبقه‌بندی‌کننده SVM مبتنی بر Matlab ^{۹۳ ، ۹۴ ، ۹۵ ، ۹۶ ، ۹۷ ، ۹۸ ، ۹۹} وارد می‌شوند . شاخص حساسیت زمین‌لغزش هر داده نقطه شبکه‌ای در کل منطقه مورد مطالعه پیش‌بینی و محاسبه می‌شود. LSM توسط GIS بدست می‌آید و از روش ناپیوستگی طبیعی برای طبقه‌بندی LSM به پنج درجه، شامل: خیلی کم، کم، متوسط، زیاد، خیلی زیاد، استفاده می‌شود. در نهایت، LSM مبتنی بر SVM (شکل  ۷c ) تکمیل می‌شود.

اعتبارسنجی مدل

هنگام ارزیابی عملکرد مدل‌های پیش‌بینی، ماتریس درهم‌ریختگی به عنوان یک ابزار تحلیلی مؤثر عمل می‌کند. این ماتریس به صورت یک آرایه مربعی دو بعدی ارائه می‌شود که ساختار اصلی آن شامل چهار عنصر کلیدی است: TN (منفی واقعی، نشان‌دهنده شناسایی صحیح نمونه‌های منفی)، FN (منفی کاذب، نشان‌دهنده طبقه‌بندی نادرست نمونه‌های مثبت به عنوان منفی)، TP (مثبت واقعی، نشان‌دهنده شناسایی دقیق نمونه‌های مثبت) و FP (مثبت کاذب، اشاره به طبقه‌بندی نادرست نمونه‌های منفی به عنوان مثبت).

بر اساس این چهار پارامتر اساسی، این مطالعه ارزش پیش‌بینی مثبت (PPV)، ارزش پیش‌بینی منفی (NPV) و دقت (ACC) را همانطور که در جدول  ۳ نشان داده شده است ، محاسبه می‌کند که به عنوان معیارهای ارزیابی خطای آماری برای امکان ارزیابی عینی و مقایسه عملکردهای مختلف مدل عمل می‌کنند. در نتیجه، در منطقه مورد مطالعه، مدل RF مقادیر ACC بالاتری نسبت به مدل SVM نشان می‌دهد. به طور خاص، مدل RF به درستی ۷۸٫۱٪ (PPV) از مجموعه داده‌ها را به عنوان نقاط رانش زمین و ۸۲٫۸٪ (NPV) را به عنوان نقاط غیر رانش زمین طبقه‌بندی کرد.

این مطالعه از مدل‌های تحلیل ROC برای پیش‌بینی عملکرد استفاده کرد ^{۱۰۰ ، ۱۰۱ ، ۱۰۲ ، ۱۰۳ ، ۱۰۴.} ویژگی محور X نشان‌دهنده مقدار احتمال خطای پیش‌بینی برای داده‌های غیر رانش زمین است. حساسیت محور Y نشان‌دهنده احتمال پیش‌بینی نتایج رانش زمین است. هرچه مساحت سمت راست پایین منحنی بزرگتر باشد، دقت پیش‌بینی مدل بیشتر است. بنابراین، مساحت بین منحنی دقت پیش‌بینی مدل و محور طولی، مقدار AUC نامیده می‌شود و محدوده مقدار آن ۰-۱ ^{۱۰۵ ، ۱۰۶} است . هرچه مقدار AUC به ۱ نزدیک‌تر باشد، دقت پیش‌بینی مدل نماینده بالاتر است ^{۱۰۷ ، ۱۰۸.} AUC مدل RF برابر با ۰.۸۸۷ و مدل SVM برابر با ۰.۷۳۵ بود (شکل  ۸ ). بنابراین، هم RF و هم SVM برای ارزیابی حساسیت زمین لغزش در این منطقه مورد مطالعه مناسب بودند، اما RF توانایی پیش‌بینی بهتری داشت.

در این مقاله، مدل‌های RF و SVM ایجاد شده و ۱۱ عامل شرطی انتخاب شده‌اند. هدف اصلی، ایجاد مدل حساسیت زمین لغزش بخش Lizha-Jiezi از بزرگراه ملی G345 و ارزیابی حساسیت زمین لغزش منطقه مورد مطالعه است.

واحد ارزیابی شامل داده‌های زمین‌لغزش هر عامل تعیین‌کننده است. تقسیم واحد ارزیابی، اساس استفاده از GIS برای ارزیابی حساسیت منطقه مورد مطالعه، از جمله تعیین نوع، اندازه و تعداد واحد ارزیابی است. در حال حاضر، روش‌های تقسیم واحد ارزیابی شامل واحد شبکه‌ای و واحد شیب است. واحد شبکه‌ای رایج‌ترین روش تقسیم واحد ارزیابی در حال حاضر است. این روش می‌تواند به سرعت و به طور مؤثر استخراج داده‌های بعدی و تحلیل همپوشانی را انجام دهد، اما شکل سلول‌های واحد شبکه‌ای منظم است که نمی‌تواند به خوبی ویژگی‌های تغییر زمین را منعکس کند. به دلیل ناپیوستگی واحد شیب، نتایج ارزیابی ارزیابی حساسیت زمین‌لغزش اغلب از دقت پایینی برخوردار هستند و بنابراین برآورده کردن نیازهای واقعی دشوار است. در این مطالعه، از واحد شبکه‌ای برای ارزیابی حساسیت زمین‌لغزش استفاده شده است. اگرچه نمی‌تواند به خوبی به نوسانات سطح پاسخ دهد، اما نتایج ارزیابی به طور روان منتقل می‌شوند و دقت پیش‌بینی بالاتری نسبت به واحد شیب دارند.

توانایی پیش‌بینی عوامل مؤثر بر لغزش زمین (شکل  ۹ ) نشان می‌دهد که هر عامل مؤثر در مدل‌سازی حساسیت به لغزش زمین نقش دارد، اما میزان سهم آن متفاوت است. غلبه فاصله تا جاده به عنوان تأثیرگذارترین عامل در هر دو مدل، نقش مهم فعالیت‌های مهندسی انسانی در بی‌ثباتی شیب را برجسته می‌کند. ساخت جاده اغلب شامل برش شیب و حذف پوشش گیاهی است که آسیب‌پذیری زمین‌شناسی را تشدید می‌کند، پدیده‌ای که به طور گسترده در بزرگراه‌های کوهستانی مشاهده می‌شود ^{۵۸ ، ۶۱٫} نکته قابل توجه این است که این یافته با مطالعاتی که بر بارندگی یا سنگ‌شناسی به عنوان محرک‌های اصلی تأکید دارند ^۲۴ در تضاد است و نشان می‌دهد که مداخلات انسانی خاص منطقه ممکن است در برخی زمینه‌ها بر محرک‌های طبیعی غلبه کند. در مدل SVM، ارتفاع، شیب و سنگ‌شناسی نیز سهم بالایی را نشان می‌دهند. ارتفاع منعکس‌کننده انرژی پتانسیل شیب، شیب منعکس‌کننده شیب زمین و سنگ‌شناسی اساس مادی لغزش زمین است که پایداری شیب را تا حدی کنترل می‌کند. با این حال، سهم بالای فاصله تا رودخانه و بارندگی در مدل RF با الگوهای جهانی همسو است که در آن عوامل هیدرولوژیکی به طور بحرانی بر پایداری شیب تأثیر می‌گذارند ^{۵۲ ، ۵۳} . بارندگی رطوبت سنگ و خاک را افزایش می‌دهد و در نتیجه فشار آب منفذی را بالا برده و تنش مؤثر آنها را کاهش می‌دهد. این فرآیند نیروی لغزشی را در دامنه‌های ناپایدار افزایش داده و شرایط را برای شروع رانش زمین فراهم می‌کند. برش طولانی مدت رودخانه و فرسایش جانبی مستقیماً به دامنه‌های کنار رودخانه آسیب می‌رساند، پایداری آنها را تضعیف می‌کند و در نتیجه باعث افزایش وقوع رانش زمین می‌شود. اگرچه سهم جنبه، انحنای سطح، انحنای پروفیل، فاصله از گسل و NDVI در مدل نسبتاً کم است، اما نقش این عوامل را نمی‌توان نادیده گرفت.

در مقایسه با مدل مبتنی بر دانش و مدل سنتی مبتنی بر داده، مدل یادگیری ماشین می‌تواند دقت پیش‌بینی بالاتری را سریع‌تر و مؤثرتر به دست آورد. در این مطالعه، از مدل‌های RF و SVM در مدل یادگیری ماشین برای تولید LSM در منطقه مورد مطالعه استفاده شده است. این دو روش به طور گسترده در ارزیابی حساسیت زمین لغزش استفاده شده‌اند ^[۱۰۹] . در این مطالعه، سطوح حساسیت هر مدل به پنج دسته تقسیم می‌شوند: خیلی کم، کم، متوسط، زیاد و خیلی زیاد. مساحت اشغال شده توسط دسته‌های مختلف، تعداد زمین لغزش‌ها و تراکم زمین لغزش‌های هر مدل شمارش و محاسبه می‌شوند (شکل  ۱۰ ). در ترکیب با تأیید دقت مدل (شکل  ۸ )، مشخص می‌شود که مدل RF دقت پیش‌بینی بالاتری از حساسیت زمین لغزش در منطقه مورد مطالعه دارد. مدل RF خیلی به پارامترها حساس نیست. تعیین اینکه از کدام پارامترها استفاده شود آسان است ^[۱۱۰] . این مدل توانایی تعمیم قوی دارد و ایجاد بیش‌برازش در آن آسان نیست. این مدل در ارزیابی حساسیت زمین لغزش در مناطق دیگر، دقت پیش‌بینی بالایی دارد ^{۱۱۱ ، ۱۱۲ ، ۱۱۳ ، ۱۱۴٫} اگرچه RF و SVM به دقت پیش‌بینی خوبی دست یافته‌اند، اما انتخاب یک مدل پیش‌بینی مناسب‌تر برای منطقه مورد مطالعه با توجه به عوامل منحصر به فرد شرایط محیطی زمین‌شناسی و عوامل ایجاد کننده زمین لغزش در ارزیابی حساسیت زمین لغزش بسیار مهم است.

با توجه به اطلاعات محدود موجود، این مطالعه فقط تحلیل فاصله را هنگام تجزیه و تحلیل عوامل مؤثر بر گسل‌ها، رودخانه‌ها و جاده‌ها در نظر می‌گیرد و تأثیر مقیاس و دامنه تأثیر بر حساسیت به رانش زمین را نادیده می‌گیرد. علاوه بر این، در حالی که این مطالعه از تقسیم داده‌های تصادفی (۷۰٪ آموزش، ۳۰٪ اعتبارسنجی) استفاده کرده و اطمینان حاصل کرده است که نمونه‌های غیر رانش زمین از مناطقی با فاصله بیش از ۱۰۰ متر از مکان‌های رانش زمین انتخاب شده‌اند تا همپوشانی مکانی به حداقل برسد، خودهمبستگی مکانی بالقوه در مجموعه داده‌های موجودی به صراحت کمّی نشده است. خودهمبستگی مکانی می‌تواند منجر به معیارهای عملکرد مدل متورم شود اگر رانش‌های خوشه‌ای مکانی ویژگی‌های محیطی مشابهی داشته باشند، در نتیجه تعمیم‌پذیری مدل به مناطقی با وابستگی‌های مکانی متمایز کاهش می‌یابد. در مطالعات آینده می‌توان داده‌های بیشتری را برای مطالعه رابطه بین مقیاس، دامنه تأثیر و حساسیت به رانش زمین گسل‌ها، رودخانه‌ها و جاده‌ها جمع‌آوری کرد. علاوه بر این، مطالعات آینده همچنین می‌توانند با گنجاندن اعتبارسنجی متقابل مکانی یا ادغام متغیرهای کمکی مکانی برای پرداختن صریح به خودهمبستگی، به ویژه هنگام تعمیم پیش‌بینی‌ها به زمینه‌های جغرافیایی گسترده‌تر، استحکام را افزایش دهند.

این مطالعه با ادغام داده‌های مکانی چند منبعی با مدل‌های یادگیری ماشینی قوی، ارزیابی حساسیت زمین‌لغزش در محیط‌های بزرگراه کوهستانی را پیش می‌برد و بینش‌های جدید و کمک‌های روش‌شناختی را در این زمینه ارائه می‌دهد. کاربرد مدل‌های جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) در بخش Lizha-Jiezi از بزرگراه ملی G345 نشان داد که RF (AUC = 0.887) عملکرد بهتری نسبت به SVM (AUC = 0.735) دارد و سازگاری برتر آن را در ثبت تعاملات پیچیده بین عوامل مؤثر نشان می‌دهد. نکته قابل توجه این است که تسلط فاصله تا جاده به عنوان تأثیرگذارترین عامل، نقش حیاتی فعالیت‌های مهندسی انسانی در بی‌ثبات کردن دامنه‌ها را برجسته می‌کند، که تأکید مرسوم بر محرک‌های طبیعی مانند بارندگی یا سنگ‌شناسی در زمین‌های مشابه را به چالش می‌کشد. این امر ضرورت اولویت‌بندی تأثیرات انسانی در مدیریت خطر زمین‌لغزش برای پروژه‌های زیرساختی کوهستانی را برجسته می‌کند، دیدگاهی که در مطالعات قبلی کمتر مورد بررسی قرار گرفته است.

علاوه بر این، ارزیابی سیستماتیک ما از ۱۱ عامل مؤثر، از جمله توپوگرافی، هیدرولوژی و متغیرهای فعالیت انسانی، یک چارچوب مقیاس‌پذیر برای ادغام داده‌های چندبعدی در نقشه‌برداری از آسیب‌پذیری ایجاد می‌کند. موفقیت این روش در شناسایی مناطق پرخطر در فاصله ۲ کیلومتری بزرگراه، بینش‌های عملی برای کاهش هدفمند رانش زمین ارائه می‌دهد و مقامات را قادر می‌سازد تا تخصیص منابع و مداخلات مهندسی را بهینه کنند.

تحقیقات آینده می‌تواند وضوح مکانی را بهبود بخشد و متغیرهای پویا (مانند بارندگی در زمان واقعی، فعالیت لرزه‌ای، تغییرات پوشش گیاهی) را برای افزایش دقت پیش‌بینی ادغام کند. علاوه بر این، مطالعات آینده باید از اعتبارسنجی متقابل مکانی، مدل‌های اقتصادسنجی مکانی یا استراتژی‌های نمونه‌برداری پیشرفته برای کاهش سوگیری‌های ناشی از وقوع رانش زمین خوشه‌ای و بهبود قابلیت برون‌یابی مدل‌ها به مناطق وسیع‌تر استفاده کنند. کارهای بعدی همچنین باید سازگاری چارچوب را در محیط‌های مختلف زمین‌شناسی و اقلیمی، به ویژه در مناطقی که شهرنشینی سریع یا رویدادهای شدید آب و هوایی مکرر را تجربه می‌کنند، تأیید کنند. با ادغام تکنیک‌های پیشرفته یادگیری ماشین با مدیریت ریسک عملی، این رویکرد نه تنها گفتمان دانشگاهی را پیش می‌برد، بلکه ابزارهایی را برای سیاست‌گذاران و مهندسان فراهم می‌کند تا به طور پیشگیرانه از زیرساخت‌های حیاتی محافظت کنند و به تهدیدات زمین‌شناسی که توسط فعالیت‌های انسانی تشدید می‌شوند، رسیدگی کنند.