رانش زمین از مخاطرات زمین‌شناسی رایجی است که خسارات قابل توجهی به جوامع، به ویژه در مناطق نیمه‌گرمسیری، وارد می‌کند. با افزایش سرعت توسعه اجتماعی-اقتصادی و تجاوز فزاینده فعالیت‌های انسانی به مناظر طبیعی، میزان رانش زمین افزایش یافته است که تهدیدات جدی برای زندگی ایجاد کرده و مانع پیشرفت اقتصادی در مناطق تپه‌ای و کوهستانی می‌شود. بنابراین، تهیه نقشه‌های دقیق و قابل اعتماد خطر رانش زمین برای مقامات و برنامه‌ریزان محلی ضروری است تا تصمیمات آگاهانه‌ای در مورد استفاده از زمین بگیرند و استراتژی‌های مؤثر کاهش بلایا را که خسارات احتمالی را به حداقل می‌رساند، اجرا کنند. ^{۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶} .

در سال‌های اخیر، شمال شرقی الجزایر شاهد افزایش قابل توجه فعالیت رانش زمین بوده است که عمدتاً ناشی از ترکیبی از عوامل طبیعی و انسانی است. بارندگی‌های شدید، اختلالات لرزه‌ای و شیوه‌های ناپایدار استفاده از زمین (مانند برنامه‌ریزی شهری ناکافی و روش‌های ساخت و ساز ضعیف) همگی در افزایش این خطر نقش داشته‌اند ^.۷ چندین حادثه مهم، شدت این موضوع را برجسته می‌کنند. به عنوان مثال، رانش زمین در سال ۲۰۱۸ در شهر کنستانتین منجر به فروپاشی یک ساختمان و زخمی شدن چندین نفر شد ^.۸ در سال ۲۰۱۹، استان بومرداس پس از یک رویداد بزرگ رانش زمین، خسارات قابل توجهی به زیرساخت‌ها وارد کرد ^.۹ اخیراً، زلزله سال ۲۰۲۱ در استان میلا باعث رانش زمین‌های متعددی شد که زیرساخت‌های محلی و فعالیت‌های اقتصادی را به شدت مختل کرد ^.۱۰ یک ریزش سنگ به ویژه غم‌انگیز در سال ۲۰۱۵ در آوکاس رخ داد که منجر به از دست رفتن جان انسان‌ها و تخریب گسترده اموال شد ^{.۱۱،۱۲ .}

رانش زمین فراتر از تأثیر فوری آنها بر جان و مال، بارهای اقتصادی و زیست‌محیطی طولانی‌مدتی را نیز تحمیل می‌کند. این موارد شامل تخریب خاک، جنگل‌زدایی و اختلال در اکوسیستم‌های محلی است که در مجموع تعادل اکولوژیکی منطقه‌ای و بهره‌وری کشاورزی را تضعیف می‌کنند . ^۱۳ در نتیجه، نیاز مبرمی به تهیه نقشه‌های جامع حساسیت به رانش زمین و اجرای استراتژی‌های مؤثر کاهش خطر، به ویژه در منطقه مدیترانه، جایی که الجزایر به ویژه آسیب‌پذیر است، وجود دارد.

برای پرداختن به این چالش، جامعه علمی به طور فزاینده‌ای به روش‌های پیشرفته برای تحلیل خطر رانش زمین روی آورده است. ظهور فناوری‌های مکانی (مانند سنجش از دور (RS)، سیستم‌های اطلاعات جغرافیایی (GIS)، سیستم‌های موقعیت‌یابی جهانی (GPS) و محاسبات با کارایی بالا) توانایی جمع‌آوری، پردازش و تفسیر داده‌های جغرافیایی-زیست‌محیطی را به طور قابل توجهی افزایش داده است. این نوآوری‌ها امکان تغییر الگو از ارزیابی‌های کیفی سنتی و مبتنی بر متخصص به مدل‌های کمی مدرن و داده‌محور را فراهم کرده‌اند و در نتیجه دقت و ثبات پیش‌بینی‌های رانش زمین را بهبود بخشیده‌اند.

رویکردهای مدل‌سازی متنوعی برای این منظور اتخاذ شده‌اند ^[۱۴ ]. تکنیک‌های آماری، از جمله رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، منطق فازی و درخت‌های تصمیم‌گیری، معمولاً برای بررسی و تعیین کمیت روابط بین وقوع زمین‌لغزش و متغیرهای مؤثر به کار می‌روند ^{[۱۵ ، ۱۶ ، ۱۷ ، ۱۸]} . همزمان، روش‌های یادگیری ماشین (مانند جنگل تصادفی (RF) و ماشین‌های بردار پشتیبان (SVM)) به دلیل ظرفیتشان در کشف الگوهای پیچیده در مجموعه داده‌های بزرگ، مورد توجه قرار گرفته‌اند و در نتیجه عملکرد پیش‌بینی را افزایش می‌دهند. به موازات آن، سیستم‌های خبره با ترکیب دانش خاص حوزه برای ارزیابی حساسیت از طریق معیارهای کیفی و کمی یکپارچه، همچنان نقش حیاتی ایفا می‌کنند.

مطالعات متعددی بر حساسیت به رانش زمین، ارزیابی خطر و ارزیابی ریسک، به ویژه در مناطق کوهستانی مانند هیمالیا، متمرکز شده‌اند. قابل ذکر است که ساها و همکاران. ^{۱۹ ، ۲۰} از طریق توسعه و ارزیابی مدل‌های مختلف مبتنی بر GIS و یادگیری ماشین برای نقشه‌برداری حساسیت به رانش زمین، سهم قابل توجهی داشته‌اند. کار آنها شامل یک رویکرد ترکیبی جدید یادگیری ماشین است که در دارجلینگ هیمالیا اعمال شده است، و همچنین یک چارچوب تحلیل تصمیم‌گیری چند معیاره (MCDA) که برای بخشی از منطقه دارجلینگ در شمال شرقی هیمالیا در هند طراحی شده است. آنها همچنین اثربخشی مدل‌های یکپارچه ترکیبی از شبکه‌های عصبی مصنوعی (ANN)، فرآیند سلسله مراتبی تحلیلی فازی (Fuzzy-AHP) و تکنیک‌های MCDA را برای نقشه‌برداری از مناطق مستعد رانش زمین در منطقه دارجلینگ بنگال غربی بررسی کرده‌اند. علاوه بر این، تحقیقات آنها به منطقه هیمالیایی سیوالیک گسترش یافته است، جایی که آنها کاربرد روش‌های آماری و یادگیری ماشین را برای ارزیابی حساسیت به رانش زمین با استفاده از ابزارهای مکانی بررسی کرده‌اند. در تکمیل این تلاش‌ها، دی و همکارانش ^(۲۱) نقش عدم قطعیت در مدل‌های حساسیت زمین‌لغزش مبتنی بر GIS را بررسی کرده‌اند و بر پیامدهای گنجاندن الگوریتم‌های یادگیری ماشین در زمین پیچیده هیمالیا در دارجلینگ تأکید کرده‌اند.

این مطالعه از رویکرد نیمه‌کمّی برای ارزیابی حساسیت زمین‌لغزش در حوضه آبخیز سیبوس میانی استفاده می‌کند. روش AHP که توسط ساعتی ^۲۲ توسعه داده شده است ، مقایسه‌های زوجی متغیرهای تصمیم‌گیری را تسهیل می‌کند و یک مقدار تسلط نسبی را به دست می‌دهد که به اولویت‌بندی کیفی و کمی عوامل ^۲۳ کمک می‌کند .

اگرچه AHP در مدیریت معیارهای پیچیده مهارت دارد و قابلیت سازگاری در مقیاس‌های تحلیلی را ارائه می‌دهد، اما به تخصص قابل توجه و داده‌های جامع نیاز دارد که می‌تواند به منابع زیادی نیاز داشته باشد. هدف اصلی این تحقیق، ارزیابی حساسیت زمین لغزش در شمال شرقی الجزایر با ادغام مدل AHP با در نظر گرفتن عوامل زمین‌شناسی، توپوگرافی، هیدرولوژیکی و انسانی است. علاوه بر این، اثربخشی مدل برای ارزیابی عملکرد آن ارزیابی خواهد شد. این مطالعه شامل سه مرحله کلیدی است: استانداردسازی متغیرها، وزن‌دهی به عوامل و گروه‌بندی معیارها. یافته‌ها بینش‌های ارزشمندی در مورد حساسیت منطقه شمال شرقی به زمین لغزش ارائه می‌دهند و توسعه استراتژی‌های مؤثر مدیریت ریسک را برای کاهش اثرات آینده تسهیل می‌کنند.

نوآوری اصلی کار ما در ادغام یک فهرست جامع و چند منبعی از زمین‌لغزش با یک چارچوب مدل‌سازی AHP مبتنی بر GIS قوی نهفته است که به‌طور خاص برای محیط پیچیده ژئومورفولوژیکی و سنگ‌شناسی اطلس تلیان طراحی شده است. برخلاف بسیاری از مطالعات قبلی که به فهرست‌های محدود یا غیرمعتبر متکی هستند، رویکرد ما از یک پایگاه داده گسترده تأیید شده میدانی از ۵۰۱ زمین‌لغزش استفاده می‌کند و یک طرح نمونه‌برداری طبقه‌بندی شده را برای کاهش سوگیری مکانی در بر می‌گیرد. دقت روش‌شناختی (که در تشخیص همخطی چندگانه و هماهنگ‌سازی داده‌های سازگار مشهود است) تضمین می‌کند که هر عامل شرطی به‌طور مستقل در مدل حساسیت نهایی نقش دارد و قابلیت اطمینان و کاربرد منطقه‌ای آن را افزایش می‌دهد.

حوزه آبخیز سیبوس میانی، واقع در شمال شرقی الجزایر، مساحتی بالغ بر ۱۴۰۰ کیلومتر مربع را در بر می‌گیرد و بخشی از چشم‌انداز کوهستانی اطلس تلیان است (شکل  ۱ ). این منطقه یک چارچوب ساختاری پیچیده را نشان می‌دهد که توسط فعالیت تکتونوساختاری قابل توجه ناشی از برخورد بین صفحات تکتونیکی آفریقا و اوراسیا شکل گرفته است، که منجر به تشکیل راندگی‌ها و چین‌خوردگی‌ها شده است ^{۲۴ ، ۲۵} .

از نظر توپوگرافی، این حوزه آبخیز شامل تپه‌ها و کوه‌هایی با ارتفاع از ۱۰۰ متر در دره سیبوس تا ۱۴۰۴ متر در قله جبل ماهونا است. فرسایش به طور قابل توجهی بر چشم‌انداز تأثیر گذاشته و شیب‌های متوسط ​​و قله‌های گرد ایجاد کرده است. آب و هوای آن نیمه خشک است و میزان بارندگی سالانه آن به ۸۰۰ میلی‌متر می‌رسد ^. رودخانه اصلی سیبوس به عنوان ویژگی اصلی هیدرولوژیکی در منطقه عمل می‌کند.

از نظر زمین‌شناسی، این منطقه از سازندهای کربناتی از دوره‌های ژوراسیک تا کواترنری تشکیل شده است. بیرون‌زدگی‌های دیاپیری تریاس از خاک رس پلاستیکی و گچ در منطقه شمالی حمام نبیل یافت می‌شود. ضلع شرقی جبل دباغ دارای لایه‌های متناوب مارن و شیل است، در حالی که سازندهای ژوراسیک با دولومیت‌های سیاه و لایه‌های آهکی نازک مشخص می‌شوند. دوره کرتاسه بالایی با مارن‌ها و سنگ آهک دولومیتی با میکروفونای پلاژیک فراوان مشخص می‌شود، در حالی که کرتاسه پایینی شامل مارن‌های سیاه بارمین غنی از آمونیت‌های پیریتی است. دوره آلبین شامل مارن‌های سیاه تا مایل به سبز و سنگ آهک میکریتی است. ورقه راندگی نومیدین عمدتاً از ماسه‌سنگ و لایه‌های رسی تشکیل شده است، در حالی که ورقه راندگی تلیان شامل لایه‌های آلوکتون از دوران کرتاسه-پالئوژن است. فلیش پنتی‌یور، که دوره‌های سنومانین تا الیگوسن را در بر می‌گیرد، در جنوب شرقی جبل دباغ واقع شده است، در حالی که فلیش گِروش در جنوب عمدتاً از ماسه‌سنگ با میان‌لایه‌های رسی-شیست تشکیل شده است. دوره میو-پلیوسن با رس‌های ماسه‌ای و کنگلومراهای قرمز نشان داده شده است و دوره کواترنری شامل تراس‌های آبرفتی از گراول، سیلت، رس و کنگلومرا است.

موقعیت جغرافیایی منطقه مورد مطالعه.

تصویر در اندازه کامل

منابع داده

یک پایگاه داده مکانی ایجاد شد که لایه‌های داده موضوعی مختلف را که نشان دهنده عوامل کلیدی ایجاد زمین لغزش هستند، ادغام می‌کند. این عوامل شامل شیب، جهت شیب، ارتفاع، سنگ‌شناسی، فاصله از گسل‌ها، رودخانه‌ها و جاده‌ها و همچنین SPI و TWI است. علاوه بر این، عوامل محرک مانند بارندگی نیز در پایگاه داده گنجانده شدند، زیرا آنها به طور قابل توجهی بر وقوع زمین لغزش تأثیر می‌گذارند. برای ایجاد این پایگاه داده مکانی، داده‌ها از پلتفرم‌های مختلف تهیه شدند. داده‌های DEM اطلاعات ضروری در مورد زاویه شیب، جهت، انحنا، ارتفاع و شبکه‌های آبراهه را ارائه دادند. علاوه بر این، هشت نقشه زمین‌شناسی با مقیاس ۱:۵۰۰۰۰ برای ادغام ویژگی‌های سنگ‌شناسی و تکتونیکی دیجیتالی شدند. پوشش تصاویر ماهواره‌ای برای شناسایی دقیق مکان‌های زمین لغزش به کار گرفته شد. این روش شامل سه مرحله کلیدی بود: استانداردسازی متغیرها، وزن‌دهی عوامل و گروه‌بندی معیارها. برای تجزیه و تحلیل آماری، از نرم‌افزار Excel Stat Pro و برای پردازش جغرافیایی از ArcGIS 10.8 استفاده شد.

نقشه پراکندگی زمین‌لغزش‌ها

ارزیابی حساسیت زمین لغزش با تهیه یک نقشه جامع از فهرست زمین لغزش آغاز می‌شود که مبنای شناسایی مناطق در معرض خطر رویدادهای آینده را تشکیل می‌دهد. این نقشه، توزیع مکانی زمین لغزش‌های گذشته را مستند می‌کند و بینش‌هایی در مورد روابط آنها با عوامل محیطی و انسانی ارائه می‌دهد. نقش حیاتی چنین فهرست‌هایی در تحلیل زمین لغزش در منابع به خوبی مشخص شده است ^{[۲۷ ، ۲۸ ، ۲۹ ، ۳۰]} .

تعیین دقیق محل و وسعت زمین لغزش‌های تاریخی برای تهیه نقشه‌های حساسیت قابل اعتماد حیاتی است. این شامل ثبت جزئیاتی مانند زمان، نوع، حجم و ویژگی‌های حرکت زمین لغزش‌ها در منطقه مورد مطالعه است. رویکرد ما ترکیبی از تفسیر بصری تصاویر ماهواره‌ای با وضوح بالا، عکس‌های هوایی و تأیید میدانی گسترده است که با بررسی کامل سوابق تاریخی و انتشارات علمی تکمیل شده است . ^۳۱

در این مطالعه، ۵۰۱ زمین لغزش از طریق یک روش چند منبعی با تلفیق داده‌های سنجش از دور، مشاهدات میدانی و منابع موجود شناسایی شد. این زمین لغزش‌ها عمدتاً در امتداد شیب‌های تند، جاده‌های خاکی، کناره‌های رودخانه و پرتگاه‌ها متمرکز شده‌اند و عوامل محرک رایج آنها شامل ناپایداری شیب ناشی از فرسایش، شیب‌های تند و پوشش گیاهی پراکنده، به ویژه در سطوح صخره‌ای است.

با توجه به ژئومورفولوژی پیچیده و تنوع سنگ‌شناسی اطلس تلیان، یک رویکرد چند منبعی برای اطمینان از کامل بودن و نمایندگی مکانی فهرست ضروری بود. این شامل تفسیر تصاویر ماهواره‌ای با وضوح بالا، تجزیه و تحلیل عکس‌های هوایی، مراجعه به بایگانی‌های تاریخی و انجام عملیات میدانی گسترده با پشتیبانی از داده‌های زمینی مبتنی بر GPS بود (شکل  ۲ ). کار میدانی بر مستندسازی سیستماتیک زمین‌لغزش‌ها در تمام واحدهای اصلی سنگ‌چینه‌ای، با توجه ویژه به سازندهای بسیار حساس مانند رخساره‌های رسی-گچی-ماسه‌ای تریاس، رسوبات کواترنر، رس‌های نومیدین، مارن‌های سیاه، سنگ آهک‌های مارنی، رس‌های قرمز، ماسه‌سنگ‌های پودینگ‌استون، سنگ آهک‌های دریاچه‌ای و مارن‌های شیستوز متمرکز بود.

برای کاهش سوگیری نمونه‌گیری مکانی (که اغلب ناشی از دسترسی ناهموار به زمین یا وضوح نقشه‌برداری است) از یک استراتژی نمونه‌گیری طبقه‌بندی‌شده استفاده شد. توزیع مکانی زمین‌لغزش‌ها با استفاده از همپوشانی‌های GIS از سنگ‌شناسی و طبقه‌بندی‌های زمین، بیشتر اعتبارسنجی شد. این رویکرد یکپارچه، یک مجموعه داده متعادل و نماینده را تضمین کرد و در نتیجه قابلیت اطمینان، تعمیم‌پذیری و دقت پیش‌بینی مدل‌سازی حساسیت بعدی را بهبود بخشید.

نقشه پراکنش زمین‌لغزش‌های منطقه مورد مطالعه.

تصویر در اندازه کامل

عوامل مؤثر در وقوع زمین‌لغزش

انتخاب یازده عامل مؤثر در وقوع زمین لغزش بر اساس ترکیبی از ارتباط علمی، در دسترس بودن داده‌ها و تأثیر اثبات‌شده آنها بر ناپایداری دامنه در منطقه مورد مطالعه انجام شد. این عوامل پس از بررسی گسترده ادبیات موضوع انتخاب و از طریق تحلیل‌های ژئومورفولوژیکی و هیدرولوژیکی محلی اعتبارسنجی شدند. هر عامل معمولاً در مطالعات حساسیت به زمین لغزش شناخته می‌شود و به طور منحصر به فردی در تغییرپذیری مکانی وقوع زمین لغزش نقش دارد.

در این مطالعه حساسیت به رانش زمین، از مجموعه داده‌های متنوعی برای نمایش مؤثر عوامل کلیدی مؤثر بر پایداری شیب در سراسر چشم‌انداز استفاده شده است. زاویه شیب، که عامل اصلی کنترل‌کننده شکست شیب است، از یک مدل ارتفاعی رقومی (DEM) استخراج و به طور سیستماتیک به پنج بازه مساوی تقسیم شد تا از تجزیه و تحلیل مکانی دقیق پشتیبانی شود. در تکمیل این، جنبه شیب (جهت قطب‌نما که شیب‌ها رو به آن هستند) به طور خودکار به نه دسته مجزا طبقه‌بندی شد که منعکس‌کننده تأثیر کاملاً اثبات‌شده آن بر توزیع رانش زمین است. انحنای صفحه، که جریان آب سطحی و فرآیندهای فرسایش را کنترل می‌کند، با استفاده از تکنیک‌های GIS از DEM استخراج و به اشکال مقعر، محدب و مسطح طبقه‌بندی شد تا تغییرات ژئومورفولوژیکی ظریف ثبت شود. داده‌های ارتفاعی، که از ۹۵ تا ۱۴۰۴ متر بالاتر از سطح دریا را در بر می‌گیرد، به پنج بازه یکنواخت تقسیم شدند تا تأثیرات ارتفاعی بر حساسیت به رانش زمین در نظر گرفته شود. گسل‌های زمین‌شناسی که در مقیاس ۱:۵۰۰۰۰ نقشه‌برداری شده‌اند، با محاسبه فواصل در مناطق حائل ۱۰۰۰ متری، با اذعان به نقش آنها در تضعیف توده‌های سنگی و تسهیل شکست شیب، ادغام شدند. عوامل هیدرولوژیکی از طریق تجزیه و تحلیل نزدیکی به رودخانه‌ها، که توسط پنج منطقه حائل مشخص شده‌اند، و با محاسبه شاخص قدرت جریان (SPI)، که مساحت حوضه آبریز و شیب شیب را برای تعیین کمیت نیروی فرسایشی آب جاری ترکیب می‌کند، مورد بررسی قرار گرفتند. شرایط رطوبت خاک، که برای پایداری شیب حیاتی است، با استفاده از شاخص رطوبت توپوگرافی (TWI)، که از منطقه مؤثر در بالادست شیب و زاویه شیب محلی به دست آمده است، تخمین زده شد. اثرات ناشی از انسان با نقشه‌برداری فواصل تا جاده‌هایی با مناطق حائل ۵۰۰ متری، با تشخیص تأثیر بی‌ثبات‌کننده توسعه زیرساخت‌ها، در نظر گرفته شد. تنوع سنگ‌شناسی از طریق نقشه‌های زمین‌شناسی دقیق، طبقه‌بندی واحدهای سنگی و خاکی از رسوبات نرم رسی تا سازندهای سنگی سخت مقاوم‌تر، ثبت شد. در نهایت، الگوهای بارش، که عامل اصلی رانش زمین هستند، توسط نقشه همبارش تولید شده از طریق درون‌یابی اندازه‌گیری‌های بارندگی، که نشان‌دهنده تغییرپذیری مکانی در شدت بارندگی است، نمایش داده شدند. این مجموعه داده‌ها در کنار هم، ابعاد ژئومورفولوژیکی، زمین‌شناسی، هیدرولوژیکی، اقلیمی و انسانی را ادغام می‌کنند و مبنایی جامع و علمی برای مدل‌سازی حساسیت زمین‌لغزش در منطقه مورد مطالعه تشکیل می‌دهند (جدول  ۱ ).

زاویه شیب یک عامل حیاتی در ارزیابی پایداری شیب است و معمولاً در مدل‌های حساسیت زمین لغزش گنجانده می‌شود . ^۳۲ در این مطالعه، نقشه زاویه شیب از یک DEM استخراج و به پنج بازه مساوی طبقه‌بندی شد (شکل  ۳ ).

نقشه شیب (برحسب درجه) منطقه مورد مطالعه.

تصویر در اندازه کامل

جهت شیب، که نشان دهنده جهت شیب است، به طور قابل توجهی بر وقوع زمین لغزش تأثیر می گذارد ^۳۳٫ در تجزیه و تحلیل ما، جهت شیب به طور سیستماتیک به نه کلاس جهت دار طبقه بندی شد (شکل  ۴ ).

نقشه جهت شیب منطقه مورد مطالعه.

تصویر در اندازه کامل

انحنای صفحه بر دینامیک جریان آب تأثیر می‌گذارد و الگوهای فرسایش را تحت تأثیر قرار می‌دهد ^۳۴٫ با استفاده از پردازش ArcGIS 10.8، انحنای صفحه از DEM استخراج و به سه دسته مقعر، محدب و مسطح طبقه‌بندی شد (شکل  ۵ ).

نقشه صفحه انحنای منطقه مورد مطالعه.

تصویر در اندازه کامل

ارتفاع عامل مهمی در ارزیابی حساسیت زمین لغزش است. منطقه مورد مطالعه دارای ارتفاعاتی از ۹۵ تا ۱۴۰۴ متر از سطح دریا است که برای تسهیل تجزیه و تحلیل، به پنج بازه مساوی ۲۳۰ متری طبقه بندی شده اند (شکل  ۶ ).

نقشه ارتفاعی منطقه مورد مطالعه.

تصویر در اندازه کامل

گسل‌ها می‌توانند با ایجاد گسیختگی‌های تکتونیکی که سازندهای سنگی را تضعیف می‌کنند، باعث رانش زمین شوند . ^۳۵ گسل‌ها از نقشه‌های زمین‌شناسی ۱:۵۰۰۰۰ شناسایی شدند و فاصله تا این گسل‌ها با استفاده از یک رویکرد بافر با فواصل ۱۰۰۰ متری محاسبه شد (شکل  ۷ ).

نقشه فاصله گسل‌ها در منطقه مورد مطالعه.

تصویر در اندازه کامل

در مناطق کوهستانی، رودخانه‌ها از طریق رواناب نقش مهمی در شروع رانش زمین دارند ^۳۶٫ برای ارزیابی تأثیر آنها، پنج منطقه حائل در اطراف آبراه‌ها ایجاد شد (شکل  ۸ ).

نقشه فاصله از رودخانه‌های منطقه مورد مطالعه.

تصویر در اندازه کامل

فعالیت‌های انسانی، به ویژه ساخت جاده، به طور قابل توجهی در وقوع زمین لغزش نقش دارند ^۳۷٫ تأثیر جاده‌ها بر پایداری شیب با ایجاد پنج منطقه حائل در فواصل ۵۰۰ متری بر اساس نزدیکی به جاده‌ها بررسی شد (شکل  ۹ ).

نقشه فاصله جاده‌ای منطقه مورد مطالعه.

تصویر در اندازه کامل

شاخص SPI پتانسیل فرسایشی یک رودخانه یا نهر را که ارتباط نزدیکی با وقوع زمین لغزش در مناطق کوهستانی دارد، کمّی می‌کند . ^۳۸ شاخص SPI به پنج دسته (شکل  ۱۰ ) طبقه‌بندی شد که با استفاده از فرمول زیر محاسبه می‌شود:

که در آن “A” حوزه آبخیز خاص و “b” شیب محلی (°) است.

نقشه شاخص توان جریان (SPI) منطقه مورد مطالعه.

تصویر در اندازه کامل

شاخص TWI میزان حفظ رطوبت خاک را بر اساس ویژگی‌های توپوگرافی و تأثیر آن بر حساسیت زمین لغزش اندازه‌گیری می‌کند . ^۳۹ مقادیر TWI با استفاده از معادله ( ۲ ) به پنج دسته (شکل  ۱۱ ) طبقه‌بندی شدند :

که در آن “α” مساحت تجمعی سربالایی از طریق یک نقطه و “β” زاویه شیب آن است.

نقشه شاخص رطوبت توپوگرافی (TWI) منطقه مورد مطالعه.

تصویر در اندازه کامل

سنگ‌شناسی یک ملاحظه کلیدی در تحلیل‌های پایداری زمین‌لغزش است. نقشه‌های زمین‌شناسی در مقیاس ۱:۵۰۰۰۰ برای ایجاد نقشه سنگ‌شناسی استفاده شدند که واحدهای مختلفی از جمله رخساره‌های رسی نرم و رخساره‌های سنگی سخت را برجسته می‌کند (شکل  ۱۲ ).

نقشه لیتولوژی منطقه مورد مطالعه. (۱) زمین‌های زراعی، سازندهای دامنه‌ای، رسوبات آبرفتی رودخانه‌ای، لبه تراس‌ها (رسوبات آبرفتی اخیر)، (۲) سنگریزه ماسه‌سنگی، سنگریزه ماتریکس مارنی، (۳) رسوبات آبرفتی از تراس‌های دره پایینی، رسوبات آبرفتی از تراس‌های میانی، سنگریزه، شن، ماسه، سیلت، آبرفت از تراس‌های مرتفع دره‌ها، (۴) سازندهای دلوویو-گرانشی، دامنه‌های سنگریزه‌ای: برش، شن، ماسه، سیلت، (۵) رس، مارن، لایه‌های سیلتستون ماسه‌سنگ، رس‌های قرمز ماسه‌سنگی و سنگ‌های پودینگ، (۶) رس‌های نومیدین و ماسه‌سنگ‌ها (مولاس رس‌های گوئلم-نومیدین)، (۷) سنگ‌های آهکی-مارنی و سنگ‌های آهکی با سنگ‌های چخماق فسفاته و قیری، سنگ‌های آهکی با نومولیت، (۸) مارن‌های سیاه، سنگ‌های آهکی مارنی، رس‌های قرمز، ماسه‌سنگ‌های پودینگ‌استون، میان‌لایه‌ای از مارن‌ها، سنگ آهک‌های دریاچه‌ای، (۹) سنگ آهک، سنگ آهک‌های ماسه‌سنگی و سنگ آهک‌های مارنی با اینوسرامیک‌ها، (۱۰) مارن‌ها و مارن‌های رسی خاکستری و سنگ آهک‌های مارنی قدیمی، (۱۱) مارن‌های شیستوزی، (۱۲) شیل سیاه، (۱۳) ماسه‌سنگ، (۱۴) سنگ آهک لیاس، (۱۵) تناوبی از ماسه‌سنگ قرمز و مایل به آبی، رس و مارن (۱۶) دولومیت‌ها و برش‌های دولومیتی خاکستری، کارگنول‌ها (۱۷) سازندهای رسی-ژیپسی-ماسه‌ای با قطعات و بلوک‌هایی از سنگ‌های مختلف.

تصویر در اندازه کامل

بارش عامل اصلی رانش زمین است. آب اضافی، فشار آب منفذی در خاک را افزایش می‌دهد و پایداری آنها را کاهش می‌دهد. برای ارزیابی اثرات بارش، نقشه همباران با درون‌یابی داده‌های بارش نقطه‌ای برای تخمین سطح بارش در سراسر منطقه مورد مطالعه ایجاد شد. سپس خطوط کانتور برای اتصال نقاط با بارش یکسان رسم شدند (شکل  ۱۳ ).

نقشه بارندگی منطقه مورد مطالعه.

تصویر در اندازه کامل

برای دستیابی به سازگاری مکانی و هماهنگ‌سازی داده‌ها در طول پردازش مبتنی بر GIS، تمام لایه‌های رستری با وضوح یکنواخت ۳۰ × ۳۰ متر نمونه‌برداری مجدد شدند. این وضوح برای مطابقت با مدل ارتفاعی رقومی (DEM) ماموریت توپوگرافی رادار شاتل (SRTM) انتخاب شد که به عنوان لایه مرجع در طول تجزیه و تحلیل عمل می‌کرد.

مدل فرآیند تحلیل سلسله مراتبی

فرآیند تحلیل سلسله مراتبی (AHP) که توسط ساعتی در دهه ۱۹۸۰ توسعه داده شد، یک روش تصمیم‌گیری چند معیاره (MCDA) قوی است که به طور گسترده در مدل‌سازی محیطی، برنامه‌ریزی فضایی و ارزیابی ریسک مورد استفاده قرار می‌گیرد. AHP به ویژه برای نقشه‌برداری از حساسیت زمین لغزش مناسب است زیرا امکان ادغام داده‌های کمی و قضاوت کیفی کارشناسی را برای ارزیابی مسائل پیچیده و چند عاملی فراهم می‌کند.

در هسته AHP، ساخت یک ماتریس مقایسه زوجی قرار دارد که در آن اهمیت نسبی عوامل مؤثر با استفاده از مقیاس بنیادی ساعتی از ۱ تا ۹ ارزیابی می‌شود. امتیاز ۱ نشان‌دهنده اهمیت برابر بین دو معیار است، در حالی که مقادیر بالاتر نشان‌دهنده ترجیح قوی‌تر یک عامل بر دیگری است. این ماتریس مربعی و معکوس است و به عناصر قطری آن مقدار ۱ اختصاص داده شده است که نشان‌دهنده خودمقایسه‌ای است. نتیجه این مقایسه سیستماتیک، وزنی برای هر عامل به دست می‌دهد که منعکس‌کننده تأثیر آن در چارچوب تصمیم‌گیری سلسله مراتبی است.

نقشه نهایی حساسیت زمین لغزش (LSM) با استفاده از ترکیب خطی وزنی عوامل انتخاب شده، همانطور که در معادله ( ۳ ) نشان داده شده است، محاسبه می‌شود:

که در آن w1 _تا wn _به ترتیب وزن‌های نرمال‌شده اختصاص داده شده به هر عامل مؤثر در وقوع زمین‌لغزش F1 تا Fn هستند _. این _{وزن‌ها} از قضاوت کارشناسی، تحلیل تجربی و بررسی متون مرتبط، به همراه مشاهدات میدانی متناسب با زمینه ژئوتکنیکی منطقه مورد مطالعه، استخراج شده‌اند.

برای اطمینان از دقت روش‌شناختی و به حداقل رساندن سوگیری، شاخص سازگاری (CI) و نسبت سازگاری (CR) محاسبه می‌شوند. این معیارها، انسجام منطقی مقایسه‌های زوجی را ارزیابی می‌کنند. CI به صورت زیر محاسبه می‌شود:

که در آن λ _max مقدار ویژه اصلی ماتریس و n تعداد عوامل است. سپس CR به صورت زیر تعیین می‌شود:

که در آن RI نشان دهنده شاخص تصادفی است، یک مقدار معیار وابسته به اندازه ماتریس. مقدار CR کمتر از ۰٫۱۰ به طور کلی قابل قبول در نظر گرفته می‌شود، که نشان می‌دهد قضاوت‌های انجام شده در ماتریس سازگار هستند و وزن‌های حاصل قابل اعتماد هستند.

قدرت AHP در چارچوب ساختاریافته و در عین حال انعطاف‌پذیر آن نهفته است که ارزیابی‌های ذهنی و عینی را در خود جای می‌دهد. این امر، آن را به ابزاری مؤثر برای پشتیبانی از تصمیم‌گیری در نقشه‌برداری از حساسیت زمین‌لغزش تبدیل می‌کند که قادر به ادغام اندازه‌گیری‌های تجربی با بینش تخصصی برای تولید ارزیابی‌های ریسک از نظر مکانی دقیق و از نظر علمی معتبر است.

قبل از ادغام متغیرها در مدل فرآیند تحلیل سلسله مراتبی (AHP)، یک تحلیل هم‌خطی چندگانه برای اطمینان از استقلال آماری عوامل شرطی انجام شد. این مرحله برای جلوگیری از گنجاندن متغیرهای با همبستگی بالا، که می‌توانند فرآیند وزن‌دهی را مختل کرده و قابلیت تفسیر نتایج مدل را به خطر بیندازند، بسیار مهم است.

همخطی چندگانه با استفاده از ضریب تورم واریانس (VIF) و تلرانس (محاسبه شده به صورت ۱/VIF) ارزیابی شد که بر روی مجموعه داده‌های رستری استاندارد شده که نشان‌دهنده عوامل شرطی‌سازی هستند، اعمال شد. به عنوان یک قاعده کلی، مقادیر VIF بیش از ۱۰ نشان‌دهنده همخطی چندگانه مشکل‌ساز است، در حالی که مقادیر تلرانس کمتر از ۰٫۱ نشان‌دهنده درجه بالایی از افزونگی است.

این تحلیل (جدول  ۲ )، مقادیر VIF را از ۱٫۲۳ تا ۳٫۸۵ و مقادیر تلرانس مربوطه را بیش از ۰٫۲۵ نشان داد. این نتایج تأیید می‌کند که همخطی چندگانه بین متغیرهای انتخاب شده در محدوده آستانه‌های قابل قبول باقی می‌ماند، که نشان می‌دهد هر عامل ورودی متمایز و معناداری به مدل ارائه می‌دهد.

با به حداقل رساندن افزونگی و تضمین استقلال متغیرها، این تحلیل، یکپارچگی روش‌شناختی نقشه‌برداری حساسیت زمین‌لغزش مبتنی بر AHP را تقویت می‌کند. در نتیجه، وزن‌های عاملی به‌دست‌آمده، به احتمال زیاد، تأثیرات ژئومورفولوژیکی واقعی را به جای تحریف‌های آماری منعکس می‌کنند.

یک مدل فرآیند چند مرحله‌ای، که شامل ورودی، پردازش داده‌ها، تحلیل چند معیاره AHP (فرآیند تحلیل سلسله مراتبی) و خروجی است، در (شکل  ۱۴ ) نشان داده شده است.

نمودار جریان روش‌شناختی رویکرد اتخاذ شده.

تصویر در اندازه کامل

الگوی مکانی وقوع زمین لغزش در منطقه مورد مطالعه عمدتاً مربوط به دامنه‌های با شیب تند است که در زیر واحدهای سنگ‌شناسی قرار دارند که به دلیل استعدادشان به شکست دامنه شناخته شده‌اند. این واحدها شامل رخساره‌های رسی-گچی-ماسه‌ای تریاس، رسوبات کواترنر غیر یکپارچه، رس‌های نومیدین با پلاستیسیته بالا، مارن‌های سیاه، سنگ آهک‌های مارنی، رس‌های قرمز، ماسه سنگ‌های نوع پودینگستون، سنگ آهک‌های دریاچه‌ای و مارن‌های شیستوزی می‌شوند. مقاومت مکانیکی و رفتار هیدروژئولوژیکی این سازندها به طور قابل توجهی در ناپایداری دامنه نقش دارند.

برای تعیین کمیت تأثیر نسبی یازده عامل اصلی مؤثر، از فرآیند تحلیل سلسله مراتبی (AHP) با استفاده از ماتریس مقایسه زوجی (جدول  ۳ ) استفاده شد. این تحلیل، زاویه شیب را به عنوان مهمترین عامل با وزن ۰٫۲۳ و پس از آن سنگ شناسی (۰٫۲۰) و بارندگی (۰٫۱۸) با اختلاف کمی شناسایی کرد. این نتایج نقش غالب شیب توپوگرافی و ویژگی‌های زمین‌شناسی را در کنترل حساسیت زمین لغزش در سراسر منطقه برجسته می‌کند.

شاخص حساسیت به زمین لغزش (LSI) از طریق ترکیب خطی وزنی همه عوامل محاسبه شد که به صورت زیر بیان می‌شود:

LSI = (0.23×شیب) + (۰٫۲۰×سنگ‌شناسی) + (۰٫۱۸×بارش) + (۰٫۱۳×فاصله تا گسل) + (۰٫۰۸×فاصله تا جاده) + (۰٫۰۵×فاصله تا دره) + (۰٫۰۴×جنبه) + (۰٫۰۳×ارتفاع) + (۰٫۰۲×انحنای صفحه) + (۰٫۰۲×SPI) + (0.02×TWI).

نقشه حساسیت زمین لغزش (LSM) حاصل با استفاده از روش Natural Breaks به پنج دسته (حساسیت بسیار کم، کم، متوسط، زیاد و بسیار زیاد) طبقه‌بندی شد. بخش جنوبی منطقه مورد مطالعه حساسیت بسیار بالایی را نشان داد، در حالی که مناطق مرکزی و شمال غربی عمدتاً با حساسیت کم مشخص شدند (شکل  ۱۵ ). جدول  ۴ توزیع مکانی طبقات حساسیت را شرح می‌دهد و نشان می‌دهد که تقریباً ۴۱٫۶۴٪ از منطقه در مناطق حساسیت بسیار کم، ۲۶٫۵۴٪ در مناطق حساسیت متوسط، ۲۱٫۳۹٪ در مناطق حساسیت زیاد و ۱۰٫۴۴٪ در مناطق حساسیت بسیار زیاد قرار دارند.

نقشه حساسیت به زمین لغزش در منطقه مورد مطالعه

تصویر در اندازه کامل

اعتبارسنجی و تفسیر مدل

اعتبارسنجی مدل حساسیت زمین لغزش برای ارزیابی عملکرد پیش‌بینی و قابلیت اطمینان آن ضروری است. در این مطالعه، ۷۰٪ از زمین لغزش‌های ثبت شده (۳۵۲ رویداد) به طور تصادفی برای آموزش مدل انتخاب شدند، در حالی که ۳۰٪ باقی مانده (۱۴۹ رویداد) برای اعتبارسنجی استفاده شدند. دقت مدل با استفاده از مساحت زیر منحنی (AUC) حاصل از تحلیل مشخصه عملیاتی گیرنده (ROC) ارزیابی شد. مدل AHP، AUC برابر با ۷۵٫۱۰٪ را نشان داد (شکل  ۱۶ )، که نشان دهنده سطح رضایت‌بخشی از قابلیت پیش‌بینی و تطابق خوب بین مناطق حساسیت پیش‌بینی شده و وقوع زمین لغزش مشاهده شده است.

این نتیجه، کاربرد عملی مدل را برای پشتیبانی از برنامه‌ریزی مکانی و تلاش‌های اولیه برای کاهش خطر، به ویژه در مناطقی که با کمبود داده مواجه هستند و رویکردهای مبتنی بر متخصص اغلب ترجیح داده می‌شوند، تأیید می‌کند. چارچوب ساختاریافته، قابلیت تفسیر و توانایی روش AHP در ادغام عوامل جغرافیایی متنوع، آن را برای چنین زمینه‌هایی مناسب می‌کند. با این وجود، تحقیقات آینده ارزیابی‌های مقایسه‌ای را با استفاده از طبقه‌بندی‌کننده‌های یادگیری ماشین (مانند رگرسیون لجستیک، جنگل تصادفی و ماشین‌های بردار پشتیبان) برای ارزیابی عملکرد، اصلاح نقشه‌برداری حساسیت و افزایش استحکام پیش‌بینی‌ها در محیط‌های ژئومورفولوژیکی متنوع بررسی خواهد کرد.

منحنی ROC مربوط به اعتبارسنجی مدل حفظ‌شده.

تصویر در اندازه کامل

نتایج این مطالعه، اهمیت فوق‌العاده زاویه شیب، سنگ‌شناسی و بارندگی را در شکل‌دهی به حساسیت زمین‌لغزش تأیید می‌کند و به خوبی با یافته‌های تحقیقات اخیر در زمینه‌های ژئومورفولوژیکی مشابه همسو است. اهمیت زاویه شیب، تأثیر اساسی نیروهای گرانشی و کاهش چسبندگی خاک در دامنه‌های شیب‌دار را نشان می‌دهد که ذاتاً این مناطق را مستعد شکست می‌کند. تنوع سنگ‌شناسی، به ویژه وجود سازندهای رسی و مارنی ضعیف، با کاهش مقاومت برشی و افزایش حفظ آب در ماتریس خاک، بی‌ثباتی را بیشتر تشدید می‌کند.

وزن قابل توجهی که به بارندگی اختصاص داده شده است، نقش آن را به عنوان یک عامل کلیدی رانش زمین برجسته می‌کند، که با مطالعات متعددی که شدت و مدت بارندگی را از طریق مکانیسم‌هایی مانند افزایش فشار آب منفذی و کاهش تنش مؤثر به شکست شیب‌ها مرتبط می‌دانند، مطابقت دارد. گنجاندن فاصله تا گسل‌ها و رودخانه‌ها در مدل حساسیت، عوامل تکتونیکی و هیدرولوژیکی را که وقوع رانش زمین را تعدیل می‌کنند، برجسته می‌کند، که توسط تجزیه و تحلیل‌های ژئومورفولوژیکی منطقه‌ای تأیید شده است.

در مقایسه با مدل‌های حساسیت مبتنی بر یادگیری ماشین معاصر، رویکرد AHP مزایای متمایزی از نظر قابلیت تفسیر و سهولت کاربرد، به ویژه در محیط‌های با کمبود داده، ارائه می‌دهد. در حالی که طبقه‌بندی‌کننده‌های پیشرفته مانند جنگل‌های تصادفی و ماشین‌های بردار پشتیبان اغلب دقت بالاتری دارند، طرح وزن‌دهی شفاف AHP، ادغام دانش تخصصی را تسهیل می‌کند و یک مبنای قابل اعتماد برای نقشه‌برداری حساسیت فراهم می‌کند.

اعتبارسنجی مدل، با AUC بیش از ۷۵٪، اثربخشی آن را در تشخیص مناطق پایدار از ناپایدار نشان می‌دهد و از کاربرد آن برای کاهش خطر و برنامه‌ریزی کاربری زمین پشتیبانی می‌کند. این سطح از عملکرد با سایر مطالعات مبتنی بر AHP که در مناطق کوهستانی مشابه انجام شده است، قابل مقایسه یا فراتر از آن است.

علاوه بر این، ترکیب روش‌شناسی AHP مبتنی بر نظر متخصصان با اعتبارسنجی دقیق، چالش‌های رایج در مدل‌سازی حساسیت، از جمله محدودیت‌های داده‌ها و سوگیری‌های انتخاب عامل را برطرف می‌کند. مدل حاصل، ابزاری علمی، قوی و از نظر عملیاتی کاربردی ارائه می‌دهد که با مناظر کوهستانی مشابه در سراسر جهان سازگار است.

این تحقیق با ادغام مجموعه‌ای جامع از یازده عامل مؤثر در حوزه‌های ژئومورفولوژیکی، زمین‌شناسی، هیدرولوژیکی، اقلیمی و انسانی، که همگی متناسب با بافت محیطی محلی هستند، ارزیابی حساسیت زمین‌لغزش را ارتقا می‌دهد. چارچوب وزن‌دهی و طبقه‌بندی سیستماتیک، تفکیک‌پذیری مکانی را افزایش داده و تمایز مناطق مستعد را فراتر از تلاش‌های منطقه‌ای قبلی بهبود می‌بخشد.

کارهای آینده بر مقایسه این رویکرد با الگوریتم‌های یادگیری ماشینی تمرکز خواهد کرد تا پیش‌بینی‌های حساسیت را اصلاح کرده و پویایی زمانی خطرات رانش زمین را برای بهبود مدیریت ریسک در نظر بگیرد.

این تحقیق با ادغام یازده عامل تأثیرگذار: درجه شیب، جهت شیب، ارتفاع، انحنا، سنگ‌شناسی، فاصله از گسل‌ها، رودخانه‌ها و جاده‌ها، در کنار TWI، SPI و بارندگی، از یک مدل AHP مبتنی بر GIS برای ارزیابی حساسیت زمین‌لغزش در حوزه آبخیز سیبوس میانی استفاده کرد. این متغیرها با دقت و بر اساس اهمیت علمی، در دسترس بودن داده‌های قابل اعتماد و مناسب بودن برای وضوح مکانی مطالعه انتخاب شدند. این تجزیه و تحلیل شامل نقشه‌برداری از ۵۰۱ رویداد زمین‌لغزش بود که ۷۰٪ آن برای کالیبراسیون مدل و ۳۰٪ آن برای اعتبارسنجی در نظر گرفته شد. نقشه حساسیت حاصل، منطقه را به پنج کلاس (از حساسیت بسیار کم تا بسیار زیاد) طبقه‌بندی کرد و مناطق جنوبی و جنوب شرقی به عنوان مستعدترین مناطق برای زمین‌لغزش شناسایی شدند. این مدل عملکرد پیش‌بینی قوی را نشان داد و به AUC 75.10٪ دست یافت.

این مطالعه فراتر از اهمیت محلی خود، بینش‌های ارزشمندی را برای برنامه‌ریزی زیرساخت‌ها، مدیریت زمین و کاهش خطر بلایا در حوزه آبخیز ارائه می‌دهد. با ادغام مجموعه‌ای متنوع از عوامل ژئومورفولوژیکی، زمین‌شناسی، هیدرولوژیکی، اقلیمی و انسانی در یک چارچوب AHP شفاف و تکرارپذیر، این رویکرد هم قابلیت اطمینان و هم قابلیت تفسیر پیش‌بینی‌های حساسیت را افزایش می‌دهد. این امر آن را به ابزاری کاربردی برای پشتیبانی تصمیم‌گیری برای مهندسان، برنامه‌ریزان و سیاست‌گذارانی که قصد کاهش خطرات زمین‌لغزش را دارند، تبدیل می‌کند.

در مقیاس وسیع‌تر، این روش‌شناسی و یافته‌ها به گسترش گفتمان جهانی در مورد مدیریت خطر رانش زمین، به ویژه در مناطق کوهستانی که به طور فزاینده‌ای در برابر تغییرات اقلیمی و فشارهای ناشی از فعالیت‌های انسانی آسیب‌پذیر هستند، کمک می‌کند. این رویکرد با تأکید بر ادغام چند عاملی و اعتبارسنجی دقیق مدل، با ابتکارات بین‌المللی مانند شاخص تاب‌آوری زیرساخت جهانی (GIRI) و سایر ارزیابی‌های جامع آسیب‌پذیری به خوبی همسو است. بنابراین، این کار یک چارچوب قابل تکرار و سازگار با محیط‌های مشابه در سراسر جهان ارائه می‌دهد و از تلاش‌های جهانی برای تاب‌آوری در برابر بلایا و استفاده پایدار از زمین پشتیبانی می‌کند.

علاوه بر این، این تحقیق بر ارزش ترکیب قضاوت کارشناسی با فناوری‌های مکانی برای غلبه بر چالش‌های کمبود داده‌ها که در بسیاری از مناطق رایج است، تأکید می‌کند. این مطالعه با اصلاح طرح‌های وزن‌دهی و طبقه‌بندی عوامل خاص شرایط محلی، درک علمی را ارتقا داده و دقت نقشه‌برداری از حساسیت را بهبود می‌بخشد. نتایج آن پایه و اساسی برای تحقیقات آینده در مقایسه مدل‌های مبتنی بر کارشناسی با تکنیک‌های یادگیری ماشینی ایجاد می‌کند و تکامل پیش‌بینی خطر رانش زمین را تقویت می‌کند.

این مطالعه نه تنها ارزیابی حساسیت زمین لغزش را در سطح منطقه‌ای پیش می‌برد، بلکه سهم قابل توجهی در تلاش‌های جامعه علمی جهانی برای کاهش خطرات زمین لغزش دارد. دقت روش‌شناختی و کاربرد عملی آن، ردپای معناداری در مدیریت مخاطرات طبیعی ایجاد می‌کند و نقش ضروری رویکردهای یکپارچه و مبتنی بر داده‌ها را در حفاظت از مناظر آسیب‌پذیر در سراسر جهان برجسته می‌سازد.

در تحقیقات آینده، هدف ما گسترش شیوه‌های اعتبارسنجی با گنجاندن طیف گسترده‌ای از معیارهای عملکرد مانند حساسیت، ویژگی، دقت، یادآوری، امتیاز F1 و منحنی‌های نرخ موفقیت است. این معیارها درک عمیق‌تر و متعادل‌تری از عملکرد مدل، به ویژه در مدیریت بده‌بستان‌های بین مثبت‌های کاذب و منفی‌های کاذب، که برای پیش‌بینی قابل اعتماد خطر رانش زمین و کاهش مؤثر ریسک بسیار مهم است، ارائه می‌دهند.

ما همچنین قصد داریم تکنیک‌های پیشرفته یادگیری ماشین (از جمله جنگل تصادفی، درخت‌های مدل لجستیک، ماشین‌های بردار پشتیبان و طبقه‌بندی‌کننده‌های تابع پایه شعاعی) را بررسی و مقایسه کنیم تا از قدرت پیش‌بینی برتر آنها نسبت به روش‌های سنتی بهره ببریم. بررسی مدل‌های ترکیبی که این الگوریتم‌ها را ترکیب می‌کنند، می‌تواند توانایی ثبت روابط پیچیده و غیرخطی بین عوامل رانش زمین را بیشتر بهبود بخشد و استحکام کلی مدل را افزایش دهد.

یکی دیگر از تمرکزهای کلیدی، ادغام مجموعه داده‌های پویا و بلادرنگ، مانند بارندگی، رطوبت خاک و تغییرات کاربری زمین، در کنار فناوری‌های سنجش از دور و GIS خواهد بود. این ادغام به توسعه مدل‌های حساسیت سازگارتر و به‌موقع‌تر کمک خواهد کرد. با ترکیب یادگیری ماشینی با تحلیل زمانی، هدف ما فعال کردن سیستم‌های نظارت بر رانش زمین و هشدار زودهنگام تقریباً بلادرنگ و در نتیجه تقویت آمادگی در برابر بلایا است.

علاوه بر این، ما رویکردهای انتخاب ویژگی و کاهش ابعاد، از جمله تحلیل همبستگی و آزمایش همخطی چندگانه، را برای ساده‌سازی متغیرهای ورودی اصلاح خواهیم کرد. این کار با تمرکز بر مؤثرترین عوامل مؤثر بر حساسیت زمین‌لغزش، نویز را کاهش داده و قابلیت تفسیر مدل را بهبود می‌بخشد.

در نهایت، ایجاد گردش‌های کاری استاندارد و شفاف با پروتکل‌های اعتبارسنجی دقیق، برای تضمین تکرارپذیری و تسهیل مقایسه‌های معنادار در مطالعات مختلف، در اولویت خواهد بود. این امر از توسعه نقشه‌های حساسیت به رانش زمین که در سطح جهانی قابل اجرا هستند، پشتیبانی می‌کند و به طور مؤثر در کاهش خطر بلایا در سطح بین‌المللی و ابتکارات مدیریت پایدار زمین نقش دارد.