رانش زمین خطرات طبیعی یا شبه طبیعی قابل توجهی هستند که در زمین‌های کوهستانی تپه‌ای رخ می‌دهند، زمانی که فشار برشی از کیفیت برشی در شیب پیشی می‌گیرد و منجر به حرکت رو به پایین سنگ، خاک یا آوار به دلیل گرانش می‌شود ^.۱ این خطر زمین‌محیطی در زمین‌های کوهستانی در سراسر جهان مشاهده می‌شود که توسط فرآیندهای طبیعی مانند زلزله و بارندگی شدید و همچنین مداخلات انسانی مانند جاده‌سازی، شهرنشینی و جنگل‌زدایی ایجاد می‌شود که به طور بالقوه می‌تواند باعث شکست شیب شود ^.۲ رانش زمین بر اساس مواد تشکیل‌دهنده آن (مانند سنگ، آوار، خاک یا گل) و نوع حرکت (مانند لغزش، جریان یا واژگونی) طبقه‌بندی می‌شوند و عوامل محرک آن شامل رویدادهای طبیعی مانند بارندگی شدید و زلزله و فعالیت‌های انسانی مانند جاده‌سازی و آبیاری است ^.۳ در هند، رانش زمین باعث تلفات قابل توجهی شده است، به طوری که رویدادهای تاریخی مانند رانش زمین گواهاتی در سال ۱۹۴۸ جان ۵۰۰ نفر را گرفت و رانش زمین دارجلینگ در سال ۱۹۶۸ منجر به بیش از ۱۰۰۰ کشته شد ^.۴ رانش زمین کدارنات در سال ۲۰۱۳، که در اثر بارندگی شدید و سیل رخ داد، منجر به تقریباً ۵۷۰۰ کشته و آسیب به ۴۲۰۰ روستا شد و پیامدهای ویرانگر رانش زمین در این کشور را نشان می‌دهد ^.۵ این حوادث، ماهیت مخرب رانش زمین در هند را برجسته می‌کند که منجر به تلفات قابل توجه جانی و خسارات گسترده به زیرساخت‌ها می‌شود و بر نیاز به استراتژی‌های مؤثر کاهش اثرات آن تأکید دارد ^.۶ دره اسپیتی، واقع در منطقه هیمالیای هند، منطقه‌ای مهم است که به دلیل ویژگی‌های متنوع و حساسیت به رانش زمین شناخته شده است ^.۷ این دره دارای سازند کامبرین به خوبی حفظ شده‌ای به نام سازند پاراهیو است که بینش‌هایی در مورد رویدادهای تکتونیکی اولیه در هیمالیا ارائه می‌دهد ^.۷ سابقه رسوبی رودخانه‌ای رودخانه اسپیتی، واکنش‌های آن به فعالیت تکتونیکی و تغییرات اقلیمی را برجسته می‌کند، با دوره‌های رسوب‌گذاری مرتبط با فازهای تشدید شده موسمی که قبل از آخرین حداکثر یخبندان رخ داده است. علاوه بر این، توالی‌های رسوبی در دره‌های پین و اسپیتی، سابقه‌ای جامع از تریاس تتیس ارائه می‌دهند که به درک تغییرات جهانی ائوستاتیک و مفاهیم چینه‌شناسی سکانسی کمک می‌کند . ^۸ تحقیقات در دره اسپیتی، محرک‌های زیستگاهی مؤثر بر منطقه و اهمیت داده‌های بلندمدت برای حفاظت از محیط زیست را برجسته می‌کند. تحقیقات قبلی نشان می‌دهد که تغییرات دمای سطح در دره اسپیتی قابل توجه است و افزایش فعالیت‌های انسانی، مانند جنگل‌زدایی، حساسیت منطقه را به رانش زمین بیشتر تشدید می‌کند. این عوامل، همراه با زمین ناهموار دره، آن را به ویژه مستعد شکست شیب می‌کند. ^۷با توجه به ناهمواری‌های منطقه و ویژگی‌های زمین‌شناسی آن، نقشه‌برداری از حساسیت زمین‌لغزش (LS) در دره اسپیتی برای ارزیابی و کاهش ریسک بسیار مهم است . ^۸ روش‌های مختلفی در زمینه نقشه‌برداری از حساسیت زمین‌لغزش استفاده شده است که شامل منطق فازی، فرآیند تحلیل سلسله مراتبی (AHP)، هوش مصنوعی (AI)، روش‌های آماری دو متغیره و تکنیک‌های یادگیری ماشین (ML) می‌شود. در میان این رویکردها، روش‌های یادگیری ماشین مانند K-نزدیک‌ترین همسایه‌ها (KNN)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGBoost) از نظر قابلیت‌های پیش‌بینی، به عنوان پیچیده‌ترین روش‌ها شناخته می‌شوند. ^۹ ، ۱۰ .

در حالی که روش‌های آماری دو متغیره هدفی را دنبال می‌کنند، تحقیقات نشان داده‌اند که آنها اغلب در مقایسه با مدل‌های پیشرفته ML ^۱۱ ، از نظر دقت پیش‌بینی کمبود دارند . به عنوان مثال، مطالعات نشان داده‌اند که مدل‌های ML، دقت بالاتر و عملکرد بهتری در نقشه‌برداری LS در مقایسه با روش‌های آماری سنتی ارائه می‌دهند . ^۱۲٫ در مقابل، روش‌هایی مانند منطق فازی و AHP برای مدیریت عدم قطعیت‌ها و امکان‌پذیر کردن تصمیم‌گیری چند معیاره ضروری هستند. ^{۱۳ ، ۱۴ ، ۱۵٫} با این حال، آنها فاقد دقت پیش‌بینی و مقیاس‌پذیری رویکردهای یادگیری ماشین هستند. علاوه بر این، تکنیک‌های هوش مصنوعی، مانند شبکه‌های عصبی و یادگیری عمیق، پتانسیل نقشه‌برداری حساسیت زمین‌لغزش (LSM) را نشان می‌دهند، اگرچه کاربرد آنها در این زمینه خاص هنوز در حال توسعه است . ^۱٫ با این حال، تحقیقات محدودی به طور خاص بر بهینه‌سازی استراتژی‌های نمونه‌برداری از مناطق غیر رانش زمین در دره اسپیتی برای افزایش عملکرد مدل‌های ML برای نقشه‌برداری LS تمرکز دارند. ^{۱۱ ، ۱۶} .

رانش زمین یک خطر طبیعی بحرانی در مناطق کوهستانی مانند دره اسپیتی است، جایی که ترکیبی از شیب‌های تند، شرایط آب و هوایی متغیر و فعالیت‌های انسانی احتمال شکست شیب را افزایش می‌دهد. مطالعات در مورد حساسیت به رانش زمین (LS) در سال‌های اخیر به طور قابل توجهی پیشرفت کرده است و بر ترکیب عوامل مختلف محیطی، زمین‌شناسی و هیدرولوژیکی تأکید دارد. تأثیر قابل توجه متغیرهای توپوگرافی بر نقشه‌برداری LS، بر لزوم اثرات مقیاس برای تعیین دقیق مناطق خطر در زمین‌های پیچیده مانند هیمالیا سیکیم تأکید می‌کند . ^۱۷٫ رانش زمین ناشی از بارندگی در منطقه هیمالیای هند-نپال-بوتان بررسی شده است و بر اهمیت ادغام دینامیک هیدرولوژیکی در ارزیابی‌های خطر آینده، به ویژه در مناطقی با بارندگی‌های موسمی قابل توجه، تأکید می‌کند . ^۱۸

علاوه بر این، تحقیقات انجام شده توسط ^۱۹ نشان داد که چگونه فعالیت لرزه‌ای می‌تواند باعث رانش زمین شود و مناطقی را در هیمالیای سیکیم که به ویژه در برابر رانش‌های ناشی از زلزله آسیب‌پذیر هستند، مشخص کرد و اهمیت عناصر ژئوتکنیکی و لرزه‌ای را در ارزیابی‌های حساسیت برجسته کرد. مطالعه آنها در مورد نقشه‌برداری از مناطق کانون زلزله و نقاط سرد ^۲۰ ، چارچوب قابل توجهی برای تعیین دقیق مناطق مستعد رانش زمین ارائه می‌دهد و تعامل عوامل تکتونیکی و محیطی را در منطقه هیمالیا برجسته می‌کند. یافته‌های این مطالعات بر اهمیت استراتژی‌های متناسب و خاص منطقه برای نقشه‌برداری LS تأکید می‌کند.

این مطالعه با بهبود روش‌های نمونه‌برداری برای مناطق غیر رانش زمین، با هدف افزایش دقت و قابلیت اطمینان نقشه‌های رانش زمین، به شکاف‌های موجود در ادبیات موجود می‌پردازد. این کار با ترکیب بینش‌های حاصل از مطالعات قبلی و تأکید بر شرایط زمین‌شناسی و اقلیمی متمایز دره اسپیتی، درک ما از دینامیک رانش زمین را افزایش می‌دهد و در نهایت استراتژی‌های کاهش خطر را در زمین‌های مرتفع پیش می‌برد. مطالعه حاضر بر ارزیابی تاکتیک‌های مختلف نمونه‌برداری از مناطق غیر رانش زمین در زمینه دره اسپیتی تمرکز دارد تا عملکرد مدل‌های ML را با پیاده‌سازی XGBoost، RF و KNN برای نقشه‌برداری حساسیت رانش زمین بهبود بخشد. در این منطقه، رانش زمین تحت تأثیر بارندگی شدید، فعالیت‌های لرزه‌ای و مداخلات انسانی مانند ساخت جاده و جنگل‌زدایی قرار می‌گیرد. این یافته‌ها پیامدهای مهمی برای مدیریت و برنامه‌ریزی بلایا در مناطق مستعد رانش زمین دارند و راهنمایی‌های عملی برای بهبود پیش‌بینی رانش زمین و تلاش‌های کاهش خطر ارائه می‌دهند.

اسپیتی، واقع در بخش شمال شرقی هیماچال پرادش هند، منطقه‌ای مرتفع در هیمالیا است. منطقه مورد مطالعه شامل کل زیربخش اسپیتی است که از دره اسپیتی بالایی تشکیل شده و تا سومدو امتداد دارد. مرکز اداری، کازا، در ارتفاع ۳۶۵۰ متری در ساحل رودخانه اسپیتی واقع شده است، در حالی که کیلانگ در دره لاهول به عنوان مرکز منطقه عمل می‌کند. اسپیتی و لاهول توسط جاده NH-505 از طریق گذرگاه کونزوم در ارتفاع ۴۵۹۰ متری به هم متصل می‌شوند، که به مدت ۵ تا ۶ ماه در سال پوشیده از برف است. زیربخش اسپیتی طبق سرشماری سال ۲۰۱۱، ۷,۲۵۲,۱۳۳,۴۸۲ متر مربع مساحت دارد و جمعیت آن ۱۲,۴۴۵ نفر است. اسپیتی که به عنوان یک «منطقه قبیله‌ای» شناخته می‌شود، برای ارتباط ساده بین مقامات محلی و بالاتر، به سیستم اداری تک خطی پایبند است ⁽ شکل  ۱ ).

جغرافیای دره اسپیتی با کوه‌های شیب‌دار، تنگه‌های عمیق و ترکیبی از کانال‌های رودخانه‌ای بافته شده و بریده شده مشخص می‌شود. رودخانه اسپیتی که از پایه قله K-111 در ارتفاع ۶۱۱۸ متر سرچشمه می‌گیرد، از میان دره عبور می‌کند و شاخه‌های مهمی مانند رودخانه‌های پین و لینگتی به آن می‌پیوندند.

ارتفاعات در اسپیتی از ۲۳۲۵ متر تا ۶۵۵۸ متر متغیر است و چشم‌انداز آن از بسترهای رودخانه‌ای پهن و بافته شده در دره بالایی به کانال‌ها و تنگه‌های عمیق و بریده شده در دره پایینی تغییر می‌کند. محیط بیابانی سرد اسپیتی به دلیل قرار گرفتن در سایه باران هیمالیا ^۷ ، با شرایط خشک مشخص می‌شود . دره اسپیتی در یک منطقه لرزه‌خیز فعال قرار دارد که آن را مستعد زلزله ^۶ می‌کند . این منطقه تحت تأثیر رانش مرکزی اصلی (MCT) و رانش مرزی اصلی (MBT)، خطوط گسل قابل توجه در هیمالیا، قرار دارد که منجر به فعالیت لرزه‌ای مکرر و افزایش خطر رانش زمین در منطقه می‌شود. سوابق تاریخی چندین زلزله قابل توجه را با مراکز زلزله در نزدیکی مناطق گسلی MCT و MBT ^۲۱ نشان می‌دهد . ترکیب فعالیت لرزه‌ای، شیب‌های تند و رسوبات رسوبی سست، خطر رانش زمین را در اسپیتی ^۶ افزایش می‌دهد . زمین‌شناسی منطقه، که به دلیل پوشش گیاهی پراکنده با لایه‌های رسوبی قابل مشاهده مشخص می‌شود، آن را به مکانی عالی برای مطالعات زمین‌شناسی تبدیل می‌کند. با گذشت زمان، رودخانه اسپیتی و شاخه‌های آن، مانند رودخانه‌های پین و لینگتی، دره‌های عمیقی را در لایه‌های رسوبی بالا آمده ایجاد کرده‌اند. کف دره شامل رسوبات رسوبی باستانی است که دامنه‌های سنگریزه گسترده‌ای در امتداد کناره‌های دره دارند. کانال‌ها و دره‌های بریده شده دره پایینی، نشان‌دهنده فعالیت نئوتکتونیکی در تاریخ زمین‌شناسی اخیر است . ^۷ این چارچوب پیچیده زمین‌شناسی، بر نیاز به مطالعات دقیق پهنه‌بندی حساسیت زمین لغزش (LSZ) برای مدیریت مؤثر خطرات زمین لغزش و حمایت از توسعه پایدار در دره اسپیتی تأکید می‌کند.

این مطالعه به دو مرحله اصلی تقسیم شد: مرحله اولیه شامل جمع‌آوری داده‌ها و تشکیل لایه‌های موضوعی بود، در حالی که مرحله بعدی شامل تجزیه و تحلیل داده‌ها، مدل‌سازی و تأیید مدل‌های حساسیت زمین‌لغزش بود. مرحله اول بر جمع‌آوری داده‌های مرتبط و ایجاد لایه‌های موضوعی متمرکز بود، در حالی که مرحله دوم بر تجزیه و تحلیل داده‌ها، توسعه مدل‌ها و اطمینان از دقت مدل‌های حساسیت زمین‌لغزش متمرکز بود (شکل  ۲ ).

جمع‌آوری داده‌ها و ایجاد لایه‌های موضوعی

این تحقیق در دو مرحله جداگانه انجام شد: مرحله اولیه شامل جمع‌آوری داده‌ها و توسعه لایه‌های موضوعی بود که با تجزیه و تحلیل داده‌ها، مدل‌سازی و اعتبارسنجی مدل‌های حساسیت زمین‌لغزش دنبال شد. مرحله اولیه بر جمع‌آوری داده‌های جامع و ایجاد لایه‌های موضوعی متمرکز بود، در حالی که مرحله بعدی شامل تجزیه و تحلیل داده‌ها، توسعه مدل و اعتبارسنجی مدل بود (شکل  ۲ ).

جمع‌آوری داده‌ها و توسعه لایه‌های موضوعی

در مرحله اولیه، داده‌ها از منابع متعدد جمع‌آوری شدند تا نقشه‌های موضوعی عوامل مؤثر بر لغزش زمین (LCFs) ایجاد شوند، که برای درک عناصر مؤثر بر حساسیت لغزش زمین ضروری بودند. لایه‌های موضوعی با استفاده از نرم‌افزار ArcGIS Pro تولید شدند. اطلاعات موجود در جدول  ۱ انواع مختلف داده‌ها را به همراه منابع مربوط به آنها نشان می‌دهد. این مطالعه در درجه اول از ارتفاع، شیب، جهت، NDVI، بارندگی، تراکم آبراهه و سایر عوامل محیطی مرتبط استفاده کرد.

برای افزایش دقت مدل‌ها، دو استراتژی نمونه‌برداری برای مناطق غیر رانش زمین اعمال شد:

نقاط امن منطقه حائل (BZSP): این رویکرد بر شناسایی مکان‌های امن در مناطق حائل اطراف مناطق رانش زمین شناسایی‌شده متمرکز بود و تضمین می‌کرد که تجزیه و تحلیل، هم مناطق مستعد رانش زمین و هم مناطق امن را در بر می‌گیرد.

نقاط امن شیب و حائل (SBSP): یک روش نمونه‌برداری پیشرفته که گرادیان‌های شیب را در کنار نزدیکی آنها به مناطق حائل در نظر می‌گیرد. این امر تضمین می‌کند که نقاط انتخاب شده بدون لغزش، تنوع نشان داده و طیف گسترده‌ای از شرایط محیطی را در بر می‌گیرند.

روش‌های مورد استفاده با هدف تضمین این امر انجام شد که داده‌های آموزشی برای مدل‌ها، مناطق مستعد رانش زمین و مناطق امن را در دره اسپیتی به طور دقیق نشان دهند و در نتیجه دقت کلی مدل‌ها را افزایش دهند. این مطالعه از یک رویکرد ترکیبی گروهی برای نقشه‌برداری حساسیت زمین‌لغزش استفاده کرد که در آن مدل‌های مختلف برای بهبود دقت نقشه‌های حساسیت ادغام شدند. این روش ترکیبی به دلیل ظرفیت خود در ترکیب مجموعه داده‌های مختلف و ارائه پیش‌بینی‌های قابل اعتمادتر و انعطاف‌پذیرتر، مورد توجه قرار گرفته است.

این مطالعه از یک رویکرد ترکیبی استفاده می‌کند که از مطالعات مرتبط متعدد الهام گرفته شده است. یک روش ترکیبی نوآورانه برای ارزیابی حساسیت زمین لغزش ارائه شده است که ما در مطالعه خود از آن برای ترکیب داده‌های حاصل از عوامل متعدد ایجاد کننده زمین لغزش (LCFs) و تولید نقشه‌های حساسیت دقیق استفاده کردیم . ^۲۲٫ یک روش ترکیبی برای نقشه برداری حساسیت زمین لغزش در منطقه هیمالیایی سیکیم به کار گرفته شد که تکنیک‌های مدل‌سازی مختلف را برای دستیابی به سطح بالایی از دقت پیش‌بینی ترکیب می‌کند. در این مطالعه، از یک رویکرد ترکیبی برای ادغام مجموعه داده‌های مکانی مختلف استفاده شد و اطمینان حاصل شد که نقشه‌های حاصل به طور دقیق هر دو تأثیر توپوگرافی و محیطی را نشان می‌دهند . ^۲۳

تأثیر بارندگی بر رانش زمین در شرق هیمالیا با استفاده از ترکیبی از تکنیک‌های یادگیری ماشینی و آماری بررسی شده است. یافته‌های آنها در مورد اهمیت داده‌های اقلیمی، ما را به انتخاب باران به عنوان یک عنصر اساسی در توسعه لایه موضوعی ^۲۴ هدایت کرد .

فهرست زمین لغزش‌ها

ایجاد یک نقشه جامع LS مستلزم فهرست دقیقی از زمین لغزش‌ها است که به عنوان یک مخزن حیاتی برای مستندسازی رویدادهای زمین لغزش گذشته عمل می‌کند . ^۲۵٫ برای منطقه مورد مطالعه فعلی، ۱۳۱۴ مکان زمین لغزش از منابع مختلف، از جمله وب‌سایت سازمان زمین‌شناسی هند (GSI) و تصاویر گوگل ارث ^۴ شناسایی شد . این رویدادهای زمین لغزش از نظر اندازه بسیار متفاوت بودند، از چند ده تا چند هزار متر مربع، و در ابتدا به صورت چندضلعی در داده‌های منبع به تصویر کشیده شدند. از این مکان‌های زمین لغزش چندضلعی، ۱۵۰۰ نقطه به طور تصادفی برای نمایش اندازه پیکسل ۳۰ × ۳۰ انتخاب شدند، و فاصله بین این نقاط حداقل ۱۰۰ متر حفظ شد تا استقلال مکانی تضمین شود. نقاطی که به طور تصادفی در مناطق تعیین شده انتخاب شدند، با علامت “۱” مشخص شدند تا مناطقی را که زمین لغزش را تجربه کرده‌اند، نشان دهند. ^۲۶ .

شناسایی مناطقی که رانش زمین را تجربه نکرده‌اند نیز به همان اندازه مهم است ^۱۰ ، زیرا این مناطق به عنوان طبقه منفی در ارزیابی‌های خطر رانش زمین عمل می‌کنند و می‌توانند به طور قابل توجهی بر عملکرد مدل تأثیر بگذارند ^۱۶ . تعریف دقیق این مناطق تضمین می‌کند که مدل از هر دو مورد وقوع و عدم وقوع رانش زمین یاد می‌گیرد ^۲۷ . بنابراین، دو استراتژی خاص برای نمونه‌برداری از مناطق غیر رانش زمین تدوین شد: دسته اول: نقاط امن منطقه حائل (BZSP) و دسته دوم: نقاط امن شیب و حائل (SBSP). سوابق تاریخچه رانش زمین قبلی نشان می‌دهد که فراوانی رانش زمین در دره اسپیتی بین شیب‌های ۰ تا ۲۰ درجه بیشتر بوده است (شکل  ۳ الف، ب). این داده‌های تاریخی، توسعه استراتژی‌های نمونه‌برداری غیر رانش زمین را اطلاع‌رسانی کرد. در دسته اول، نقاط امن منطقه حائل (BZSP) با انتخاب نقاط تصادفی در مناطقی که شیب کمتر از ۱۰ درجه و حداقل ۳۰۰ متر از رویدادهای رانش زمین قبلی فاصله داشتند، شناسایی شدند. نقاط امن شیب و حائل (SBSP) در دسته دوم، از طریق فرآیندی شناسایی شدند که زاویه شیب را نادیده می‌گرفت، اما اولویت مکان آنها حداقل فاصله ۳۰۰ متر از رخدادهای گذشته زمین لغزش بود (شکل  ۴ الف، ب، ج). نقاطی که به صورت تصادفی در مناطق مشخص شده انتخاب شدند با “۰” مشخص شدند. از تحلیل مکانی رستری برای تعریف شیب و محاسبه نزدیکی ^۱۱ استفاده شد و یک مجموعه داده قوی و جامع برای مدل‌های حساسیت زمین لغزش تضمین شد.

ایجاد لایه‌های موضوعی

در بخش ایجاد لایه موضوعی، عوامل مختلف مؤثر بر رانش زمین (LCF) از منابع داده متعدد ^۲۸ توسعه داده شدند . وقوع رانش زمین در یک منطقه تحت تأثیر عوامل متنوعی از جمله فعالیت‌های زمین‌شناسی، محیطی و انسانی ^{۱۳ ، ۲۹} قرار دارد . انتخاب عوامل مؤثر تابع معیارهای ثابتی نیست، زیرا آنها اغلب بسته به شرایط خاص و داده‌های موجود در یک منطقه خاص متفاوت هستند ^۳۰٫ محیط زمین‌محیطی شامل شرایط فیزیکی و محیطی یک مکان، مانند توپوگرافی، زمین‌شناسی، هیدرولوژی، پوشش گیاهی، آب و هوا و فعالیت‌های انسانی ^۳۱ می‌شود. برای درک این موضوع، ۱۷ LCF از مناطقی با شرایط زمین‌محیطی مشابه و منطقه تحقیقاتی بر اساس ادبیاتی که در حال حاضر در دسترس بود، انتخاب شدند.

LCF های انتخاب شده شامل شیب، جهت، ارتفاع، انحنای سطح (Pln_C)، انحنای پروفیل (Prf_C)، فاصله از گسل (DFF)، فاصله از جاده‌ها (DFR)، شاخص پوشش گیاهی نرمال شده (NDVI)، بارندگی، زلزله، شاخص رطوبت توپوگرافی (TWI)، شاخص زبری توپوگرافی (TRI)، واحد ژئومورفولوژی (GU)، پوشش اراضی (LULC)، بافت خاک (ST)، تراکم جاده (RD) و تراکم آبراهه (SD) هستند. جزئیات این LCF ها در جدول  ۱ ارائه شده است. یک پایگاه داده مکانی از این LCF ها، با وضوح مکانی ۳۰ متر، با استفاده از GIS ^۲۱ ، با استفاده از سیستم مختصات تصویر شده UTM Zone 43 N و داده WGS 1984 تهیه شد .

شیب، جهت شیب، ارتفاع، انحنای پلان، انحنای پروفیل

از مدل رقومی ارتفاع (DEM) برای استخراج ارتفاع، شیب، جهت شیب، Pln_C و Prf_C استفاده شد (شکل  ۵ الف تا ه). پروفیل شیب، نیروی برشی وارد بر توده خاک یا سنگ و توزیع آب را کنترل می‌کند، در حالی که جهت شیب با تأثیرگذاری بر میزان بارش و تابش خورشیدی دریافتی، بر پایداری شیب تأثیر می‌گذارد. ^{۳۲ ، ۳۳٫} انحنای سطح (Pln_C) و انحنای پروفیل (Prf_C) بر پراکندگی و همگرایی رواناب سطحی تأثیر می‌گذارند و بر پایداری شیب تأثیر می‌گذارند.

شاخص رطوبت توپوگرافی (TWI)

TWI، با استفاده از فرمول محاسبه می‌شود:

که در آن، AS منطقه‌ی مؤثر خاص و α زاویه‌ی شیب است که نشان‌دهنده‌ی پتانسیل تجمع آب است. مقادیر بالاتر TWI نشان‌دهنده‌ی مناطقی است که مستعد اشباع آب و افزایش خطر رانش زمین به دلیل افزایش رطوبت هستند ^۳۴ (شکل  ۵f ).

شاخص ناهمواری توپوگرافی (TRI)

شاخص ناهمواری توپوگرافی (TRI) ناهمواری زمین را بر اساس تغییرات ارتفاع ارزیابی می‌کند. این شاخص طبق فرمول ^۸ محاسبه می‌شود .

که در آن، ، و به ترتیب میانگین، حداقل و حداکثر ارتفاع هستند. مقادیر TRI از ۰ تا ۱ متغیر است و مقادیر بالاتر نشان دهنده ناهمواری بیشتر زمین است که بر الگوهای جریان آب تأثیر می‌گذارد و به مناطق محلی تجمع آب و ناپایداری بالقوه کمک می‌کند ^۳۵ (شکل  ۵ g).

فاصله از جاده‌ها (DFR)، فاصله از گسل‌ها (DFF)

فاصله از گسل‌ها و جاده‌ها با استفاده از ابزار فاصله اقلیدسی در ArcGIS Pro 3.3، بر اساس داده‌های گسل از Bhukosh-GSI و داده‌های شبکه جاده از OpenStreetMap ^۳۶ محاسبه شد (شکل  ۵ h-i).

بارندگی

بارندگی، که نمایانگر شرایط اقلیمی یک منطقه است و نقش حیاتی در رانش زمین ایفا می‌کند، می‌تواند خاک‌ها را اشباع کند، فشار آب منفذی را افزایش دهد و حرکات توده‌ای را در دامنه‌های شیب‌دار آغاز کند ^{۳۷ ، ۳۸٫} داده‌های بارندگی از سال ۱۹۹۰ تا ۲۰۲۳ از واحد تحقیقات اقلیمی (CRU) (شکل  ۵ j) به دست آمده است.

زلزله

داده‌های زلزله، که از سازمان زمین‌شناسی ایالات متحده (USGS) تهیه شده‌اند، رویدادهای لرزه‌ای (شکل  ۵k ) را برجسته می‌کنند که با ایجاد لرزش زمین و بی‌ثبات کردن بالقوه زمین‌های آسیب‌پذیر، به طور قابل توجهی در ناپایداری شیب نقش دارند ^۳۹ .

شاخص پوشش گیاهی نرمال شده تفاضلی (NDVI)

شاخص NDVI، یکی دیگر از عوامل مهم، نشان‌دهنده پوشش گیاهی و سلامت آن است . ^۴۰٫ برای محاسبه آن از تصاویر چندطیفی Sentinel-2 با وضوح بالا با استفاده از فرمول زیر که در ^۴۰ ذکر شده است، استفاده می‌شود .

که در آن، NIR و R به ترتیب باندهای مادون قرمز نزدیک و قرمز را نشان می‌دهند (شکل  ۵l ).

واحدهای ژئومورفولوژیکی (GU)

واحدهای ژئومورفولوژیکی که از Bhukosh-GSI سرچشمه گرفته‌اند، به چندین نوع طبقه‌بندی شدند، از جمله FluOri – دشت آبرفتی پیمونت ^۱ ، GlaOri – پوشش برفی ^۲ ، StrOri – تپه‌ها و دره‌های بسیار شکافته ^۳ و موارد دیگر (شکل  ۵ متر).

پوشش زمین کاربری زمین (LULC)

LULC، یک عامل مهم در مطالعات LS، از نقشه LULC جهانی ارائه شده توسط Esri ^۴ استخراج شد . این نقشه، زمین را به کلاس‌های مختلفی طبقه‌بندی می‌کند: آب ^۱ ، درخت ^۲ ، پوشش گیاهی غرقاب ^۳ ، محصول ^۴ ، منطقه ساخته شده ^۵ ، زمین لخت ^۶ ، برف/یخ ^۷ و مرتع ^۸. هر کلاس پیامدهای متفاوتی برای پایداری شیب دارد، به طوری که مناطق ساخته شده و زمین لخت به دلیل کاهش پوشش گیاهی طبیعی بیشتر مستعد رانش زمین هستند، در حالی که مناطق درختی و مرتعی ممکن است به دلیل ساختار ریشه بهتر و تقویت خاک، پایداری بیشتری داشته باشند (شکل  ۵ n).

بافت خاک (ST)

بافت خاک (ST)، یکی دیگر از LCFها، با تأثیرگذاری بر خواص ژئوتکنیکی مانند فشار آب منفذی، چسبندگی و نفوذپذیری، بر شدت و ماهیت حرکت شیب تأثیر می‌گذارد . ^۴۱ این داده‌ها از نقشه خاک جهان سازمان غذا و کشاورزی (FAO) اقتباس شده است و شامل انواع خاک مانند لوم ^۱ و سنگ بستر بدون هوازدگی (UWB) ^۲ است (شکل  ۵ o).

چگالی جریان (SD)

چگالی نهر (SD) همانطور که در (شکل  ۵ p) نشان داده شده است، طول کل نهرها در واحد سطح را اندازه‌گیری می‌کند و پیچیدگی شبکه زهکشی ^۳۸ را که از DEM مشتق شده است، منعکس می‌کند. مقادیر بالاتر SD نشان دهنده یک شبکه زهکشی متراکم‌تر است که بر دینامیک جریان آب و انتقال رسوب تأثیر می‌گذارد، که از عوامل حیاتی در شروع و انتشار زمین لغزش هستند ^۴۲ .

تراکم جاده (RD)

تراکم جاده (RD)، که نشان‌دهنده شدت شبکه‌های جاده‌ای در یک منطقه است، می‌تواند خطرات زمین لغزش را به دلیل افزایش فعالیت‌های انسانی و تغییرات در زهکشی طبیعی تشدید کند . ^۴۳ تراکم جاده برای منطقه مورد مطالعه با استفاده از ابزار تراکم هسته مشتق شده از داده‌های شبکه جاده محاسبه شد (شکل  ۵ q).

تحلیل داده‌ها، مدل‌سازی و اعتبارسنجی

مرحله دوم بر فرآیند تحلیل، مدل‌سازی و اعتبارسنجی دقیق با استفاده از نرم‌افزارهای BIM SPSS و R متمرکز بود. مراحل اولیه شامل شناسایی عوامل مؤثر بر وقوع زمین‌لغزش از طریق تحلیل‌های ماتریس همبستگی و ضریب تورم واریانس (VIF) برای رسیدگی به مسائل چندخطی بود. پس از آن، الگوریتم‌های یادگیری ماشین مانند XGBoost، جنگل تصادفی (RF) و K-نزدیک‌ترین همسایه‌ها (KNN) برای توسعه مدل‌های پیش‌بینی حساسیت زمین‌لغزش به کار گرفته شدند. عملکرد این مدل‌ها با استفاده از معیارهایی مانند دقت، صحت، ضریب کاپا، حساسیت، ویژگی، امتیاز F1 و AUC-ROC (منحنی عملیاتی گیرنده-مساحت زیر منحنی) به دقت ارزیابی شد.

تحلیل داده‌ها

در آماده‌سازی برای آموزش مدل، پرداختن به مسائل بالقوه هم‌خطی چندگانه در بین LCFهای انتخاب‌شده بسیار مهم است ^۴۳. هم‌خطی چندگانه، که در آن پارامترهای ورودی همبستگی بالایی دارند، می‌تواند نتایج مدل را منحرف کند ^۴۴. بنابراین، قبل از آموزش، تحلیل هم‌خطی چندگانه با استفاده از شاخص‌هایی مانند ضریب تورم واریانس (VIF)، تحمل (T) و ماتریس همبستگی با استفاده از نرم‌افزار BIM SPSS V29.02.0 برای هر دسته انجام شد. مقدار VIF بیش از ۱۰ و تحمل کمتر از ۰.۱ معمولاً نشان‌دهنده هم‌خطی چندگانه قابل توجه بین LCFها است ^۴. این نتایج، که برای اصلاح پارامترهای ورودی مدل بسیار مهم هستند، در جدول  ۲ خلاصه شده‌اند . نکته قابل توجه این است که عواملی مانند فاصله از نهرها، شاخص توان نهر و شاخص انتقال نهر که مقادیر VIF بیش از ۱۰ را نشان می‌دادند، عمداً از تجزیه و تحلیل بیشتر حذف شدند. پس از این اصلاح، تمام ۱۷ LCF باقی‌مانده مقادیر VIF زیر ۱۰ را نشان دادند که استحکام در آموزش مدل و دقت را تضمین می‌کند. ماتریس‌های همبستگی دقیق برای هر دسته در شکل  ۶ (الف، ب) به تصویر کشیده شده‌اند که بینشی در مورد روابط متقابل بین LCF های مورد بررسی ارائه می‌دهند.

مدل‌سازی LS

سه مدل یادگیری ماشین – XGBoost، RF و KNN – در این کار برای بررسی حساسیت نسبی زمین لغزش‌ها به کار گرفته شده‌اند. در میان آنها، KNN و RF از جمله پرکاربردترین مدل‌های یادگیری ماشین در زمینه حساسیت زمین لغزش هستند ^۴۵٫ XGBoost، که یک الگوریتم تقویت مبتنی بر درخت است، نیز اخیراً مورد توجه قرار گرفته است ^۴۶٫ این مدل‌ها در بخش بعدی به تفصیل مورد بحث قرار گرفته‌اند.

مدل ایکس‌جی‌بوست .

XGBoost که بر اساس الگوریتم‌های درخت رگرسیون تقویت‌شده با گرادیان (GBRT) ساخته شده است، به عنوان یک روش یادگیری ماشین گروهی تحت نظارت قوی ^۴۷ برجسته است . برخلاف سایر تکنیک‌های تقویت، قدرت آن در مدیریت مؤثر مجموعه داده‌های گسترده و پراکنده و سادگی پیاده‌سازی آن ^۴ نهفته است. این رویکرد، مقیاس‌پذیری را در سناریوهای متنوع تضمین می‌کند و در عین حال عملکرد بالایی را با حداقل منابع محاسباتی ارائه می‌دهد. XGBoost با ادغام مدل‌های طبقه‌بندی چندگانه و درخت رگرسیون (CART) از طریق تقویت گرادیان، به دقت مدل برتر ^۴۸ دست می‌یابد . عملکرد اصلی آن، کمینه‌سازی تابع هدف است که شامل مجموع تابع زیان و یک عبارت منظم‌سازی است که برای کاهش بیش‌برازش ^۱۱ بسیار مهم است. از نظر ریاضی، تابع هدف به صورت زیر در معادله ۴ بیان می‌شود  .

که در آن، L نشان دهنده یک تابع زیان مشتق‌پذیر است که عدم تشابه بین مقادیر پیش‌بینی‌شده، و مقادیر هدف واقعی را ^(t-1) مقدار پیش‌بینی‌شده در تکرار (t-1) ^ام است ، مقادیر هدف نمونه i ^ام از تکرار t ^ام است ، پیش‌بینی درخت ^{i ام} در مجموعه برای ورودی x_i را نشان _{می‌دهد} . به عنوان یک عبارت منظم‌سازی عمل می‌کند که پیچیدگی مدل را جریمه می‌کند و بنابراین بیش‌برازش را کنترل می‌کند. این عبارت جریمه تابعی از وزن‌های اختصاص داده شده به هر درخت تصمیم در گروه است و در معادله  ۵ بیان شده است .\:{y}_{i} \:{f}_{t}({x}_{i}\right) \:{\Omega\:}\left({f}_{t}\right)\:

که در آن، وزن بهینه برای برگ J ^ام است .

T تعداد برگ‌های یک درخت t است .

تقریب تیلور مرتبه دوم را می‌توان برای بهینه‌سازی سریع، مانند معادله  ۶ طبق بند ^۴ ، اعمال کرد .

که در آن، و به ترتیب مشتق اول و دوم تابع زیان هستند. در این مطالعه، الگوریتم XGBoost با استفاده از بسته xgboost در محیط R 3.6.2 پیاده‌سازی شده است. فرآیند آموزش مدل شامل تنظیم چندین ابرپارامترهای کلیدی برای افزایش عملکرد و کاهش بیش‌برازش ^{۱۱ است} . این ابرپارامترها شامل حداکثر عمق درخت (max depth)، تعداد تکرارهای تقویت‌کننده (nrounds)، نرخ یادگیری (η) یا انقباض، حداقل کاهش زیان (γ) که تقسیم درخت را برای جلوگیری از بیش‌برازش کنترل می‌کند، زیرنمونه (که درصد داده‌های استفاده شده در هر درخت را تعیین می‌کند) و منظم‌سازی L2 است. جزئیات این ابرپارامترها در جدول  ۳ آمده است .

مدل RF

جنگل تصادفی (RF) یک مدل یادگیری گروهی است که بر اساس اصل دسته‌بندی عمل می‌کند و برای هر دو کار رگرسیون و طبقه‌بندی شامل مجموعه داده‌های بزرگ حاوی داده‌های عددی و/یا دسته‌بندی‌شده مناسب است ^۴۸٫ مدل RF پیش‌بینی‌های این درخت‌های منفرد را از طریق رأی‌گیری اکثریت جمع‌آوری می‌کند و به طور مؤثر تصمیمات آنها را ترکیب می‌کند ^۴۱٫ پارامترهای کلیدی مانند تعداد متغیرهایی که به طور تصادفی در هر تقسیم نمونه‌برداری می‌شوند (mtry) و تعداد درختان در جنگل (ntree) برای به حداقل رساندن خطای out-of-bag بهینه شده‌اند ^۱۳٫ جزئیات مربوط به محدوده جستجو و مقادیر بهینه برای این پارامترها را می‌توانید در جدول ۳ بیابید  .

مدل KNN

الگوریتم K-نزدیک‌ترین همسایه (KNN) یک الگوریتم ساده است که طبقه‌بندی دودویی را بر اساس k عنصر آموزشی نزدیک‌ترین همسایه در یک فضای ورودی n بعدی انجام می‌دهد. این الگوریتم به عنوان یک روش غیرپارامتری و مبتنی بر نمونه شناخته می‌شود ^. مدل KNN در این مطالعه با استفاده از بسته e1071 در محیط R 3.6.2 پیاده‌سازی شده است. هایپرپارامتر اصلی تنظیم شده، مقدار k (جدول  ۳ ) است که با متریک فاصله اقلیدسی تنظیم شده و با استفاده از یک روش اعتبارسنجی متقاطع تکراری ۱۰-fold بهینه شده است.

اعتبارسنجی عملکرد مدل

پس از توسعه مدل، عملکرد پیش‌بینی مدل‌های حساسیت با استفاده از یک مجموعه داده حاوی نقاط داده شناخته شده زمین لغزش (نقاط واقعی) که در طول آموزش (داده‌های آزمایش) در معرض مدل قرار نگرفته‌اند، ارزیابی می‌شود. در این مطالعه، معیارهای ارزیابی شامل منحنی مشخصه عملکرد گیرنده (ROC) به همراه چندین معیار آماری مانند حساسیت (یادآوری)، ویژگی، دقت، کاپا و امتیاز F1 بر اساس (معادلات  ۷ تا ۱۱ ) یعنی ^{۱۳ ، ۱۶ ، ۳۶ ، ۴۸ ، ۴۹} است . حساسیت، توانایی مدل را در طبقه‌بندی صحیح پیکسل‌های زمین لغزش نسبت به تمام رخدادهای واقعی زمین لغزش ارزیابی می‌کند ^۴۱٫ آمار کاپا، توافق بین طبقه‌بندی‌های پیش‌بینی شده و واقعی را در سناریوهای دودویی (زمین لغزش یا غیر زمین لغزش) کمّی می‌کند و به عنوان یک معیار قابلیت اطمینان عمل می‌کند که در آن مقادیر نزدیک به ۱ نشان‌دهنده قابلیت اطمینان بالا ^۴۶ است . امتیاز F1، حساسیت و دقت را در یک معیار واحد ادغام می‌کند و سهم آنها را از طریق محاسبه میانگین هارمونیک ^۳۱ متعادل می‌کند .

کجا،

TP (مثبت واقعی): تعداد زمین لغزش‌هایی که به درستی توسط مدل طبقه‌بندی شده‌اند.

FN (منفی کاذب): تعداد زمین‌لغزش‌های واقعی که به اشتباه به عنوان غیرزمین‌لغزش طبقه‌بندی شده‌اند.

FP (مثبت کاذب): پیکسل‌های غیر رانش زمین به اشتباه به عنوان رانش زمین طبقه‌بندی شده‌اند.

TN (منفی واقعی): پیکسل‌های غیر رانش زمین که به درستی به عنوان غیر رانش زمین طبقه‌بندی شده‌اند.

دقت را می‌توان طبق (معادله  ۱۲ ) که در ^۴ ذکر شده است، ارزیابی کرد .

که در آن، (نسبت صحیح): نسبت پیکسل‌هایی که به درستی طبقه‌بندی شده‌اند، که شامل مثبت‌های واقعی (TP) و منفی‌های واقعی (TN) می‌شود.

 (توافق‌های مورد انتظار): توافق‌های مورد انتظار بر اساس پیش‌بینی‌های مدل.

منحنی ROC (مشخصه عملیاتی گیرنده) روشی است که به طور گسترده برای ارزیابی عملکرد مدل‌های حساسیت به زمین لغزش استفاده می‌شود ^[۴۰] . حساسیت، نسبت موارد مثبت واقعی را که به درستی شناسایی شده‌اند، اندازه‌گیری می‌کند، در حالی که ویژگی، نسبت موارد منفی را که به درستی شناسایی شده‌اند، اندازه‌گیری می‌کند ^[۱۱] . مساحت زیر منحنی ROC (AUC) معیار اصلی مورد استفاده برای ارزیابی عملکرد مدل است. مقادیر AUC از ۰٫۵ تا ۱ متغیر است، که در آن مقادیر بالاتر نشان دهنده تمایز و قابلیت پیش‌بینی بهتر مدل است ^[۱۳] .

ارزیابی قابلیت اطمینان مدل

در این مطالعه، از داده‌های آزمایش زمین‌لغزش برای ارزیابی قابلیت اطمینان مدل با استفاده از شاخص تراکم زمین‌لغزش (LDI) استفاده شد. LDI نسبت بین درصد پیکسل‌های زمین‌لغزش و درصد پیکسل‌های کلاس در هر کلاس در نقشه LS ^۵۰ را نشان می‌دهد . اگر مقدار LDI از یک کلاس با حساسیت کم به یک کلاس با حساسیت بسیار بالا افزایش یابد، نقشه LS قابل اعتماد در نظر گرفته می‌شود. محاسبات LDI در (معادله  ۱۳ ) مطابق با ^۲۸ ارائه شده است . قابلیت اطمینان هر نقشه حساسیت در صورتی تأیید می‌شود که مناطق با حساسیت بالا و بسیار بالا نسبت به سایر مناطق، در معرض زمین‌لغزش بیشتری قرار گیرند.

ثبات نقشه حساسیت زمین لغزش نیز بسیار مهم است و تضمین می‌کند که اکثر داده‌های زمین لغزش در کلاس‌های حساسیت بالا یا بسیار بالا قرار می‌گیرند. این ثبات نشان می‌دهد که LSM به طور مؤثر مناطقی را که بیشتر مستعد زمین لغزش هستند، در بر می‌گیرد و دقت و قابلیت اطمینان آن را در پیش‌بینی مناطق مستعد زمین لغزش در آینده تضمین می‌کند . ^۴

این مطالعه اهمیت متغیر LCFها را در طول ایجاد مدل بررسی کرد. مدل‌ها برای دو دسته، دسته اول و دسته دوم، با استفاده از ۷۰٪ داده‌ها برای آموزش و با ۳۰٪ باقی‌مانده برای آزمایش، توسعه داده شدند. سازگاری نقشه‌های حساسیت نیز با استفاده از شاخص تراکم زمین‌لغزش (LDI) ارزیابی شد.

نقشه‌های LS

این تحقیق بر ایجاد نقشه‌های حساسیت زمین‌لغزش برای دره اسپیتی با استفاده از دو نوع داده آموزشی زمین‌لغزش متمرکز بود. این بررسی عناصر توپوگرافی و محیطی مهم مؤثر بر حساسیت زمین‌لغزش در منطقه را آشکار کرد. نقشه‌های حساسیت زمین‌لغزش برای هر دو زمین‌لغزش دسته اول و دسته دوم از طریق ارزیابی کامل اهمیت عوامل مختلف ایجاد زمین‌لغزش (LCFs) تهیه شدند، همانطور که در شکل‌های  ۷ (a، b)، ۸ (a، b) و ۹ (a، b) نشان داده شده است.

ارتفاع به عنوان عامل اصلی مؤثر بر حساسیت زمین لغزش در هر دو دسته شناسایی شد. در دسته اول، ارتفاع در مدل‌های مختلف ۳۱٫۸۱٪، ۱۶٫۰۷٪ و ۱۵٫۰۲٪ اهمیت داشت، در حالی که در دسته دوم، در مدل‌های مختلف ۳۵٫۱۸٪ و ۱۴٫۲۵٪ اهمیت داشت. این یافته، تأثیر مهم ارتفاع بر دینامیک زمین لغزش، به ویژه در مناطق کوهستانی را برجسته می‌کند، همانطور که در ^{۱۷ ، ۱۹} تأکید شده است . شیب به عنوان یک عنصر مهم در دسته دوم ظاهر شد و در مدل‌های خاص ۱۲٫۰۳٪ را به خود اختصاص داد. این با مشاهدات انجام شده توسط چاودهوری و همکاران (۲۰۲۲b) که نقش شیب را در شروع زمین لغزش در نتیجه نیروهای گرانشی برجسته کردند، همسو است. در کنار ارتفاع و شیب، عوامل مختلف دیگری از جمله جهت، NDVI، بارندگی و تراکم جریان، تأثیر قابل توجهی را در هر دو دسته نشان دادند. جنبه جغرافیایی تفاوت‌های معنی‌داری را بین دسته‌ها نشان داد، به طوری که تأثیر آن در دسته اول ۴.۲۳٪ و در دسته دوم ۱۰.۲۸٪ بود. NDVI که منعکس‌کننده پوشش گیاهی است، اهمیت خود را به ویژه در دسته اول نشان داد، جایی که تأثیر قابل توجه ۷.۳۹٪ داشت. در دسته دوم، سهم NDVI ۸.۹۹٪ بود. همانطور که مستندات گسترده در مطالعات زمین لغزش نشان می‌دهد، نقش پوشش گیاهی در تثبیت دامنه‌ها و جلوگیری از فرسایش بسیار مهم است.

بارندگی تأثیر ثابت اما متوسطی را در هر دو دسته و همه عوامل نشان داد که یافته‌های ^۱۹ را مبنی بر اینکه بارندگی عامل مهمی در شروع رانش زمین است، تأیید می‌کند. یافته‌های مربوط به تأثیر متوسط ​​بارندگی در این مطالعه نشان می‌دهد که حساسیت به رانش زمین ممکن است توسط رویدادهای شدید آب و هوایی افزایش یابد. تأثیر تراکم جریان در دسته اول قابل توجه بود، به ویژه با سهم قابل توجه در دسته‌های خاص (۱۳٫۵۳٪ برای مدل‌های خاص و ۱۱٫۲۰٪ برای سایر مدل‌ها). این امر تأثیر حیاتی کانال‌های آب بر پایداری شیب و افزایش خطرات رانش زمین را برجسته می‌کند. عناصر اضافی مانند انحنای پروفیل، انحنای پلان و نزدیکی به خطوط گسل، درجات مختلفی از تأثیر را نشان دادند، به طوری که برخی از عوامل در یک دسته نسبت به دسته دیگر بحرانی‌تر بودند (شکل  ۱۰ الف، ب).

یافته‌های این مطالعه شباهت‌های زیادی با تحقیقات قبلی در مورد حساسیت به رانش زمین نشان می‌دهد. ارتفاع، شیب و تراکم جریان به عنوان عوامل حیاتی مؤثر بر حساسیت به رانش زمین در حوضه رودخانه لاچونگ در شمال سیکیم ^۵۱ .

این مطالعه به طور مشابه، ارتفاع و شیب را به عنوان مهم‌ترین عوامل شناسایی کرد و تراکم جریان نیز در دسته‌بندی I نقش مهمی داشت. نتایج، اهمیت عوامل توپوگرافی را در ارزیابی حساسیت به رانش زمین در مناطق مرتفع برجسته می‌کند. تأثیر عوامل اقلیمی بر مدل‌سازی خطر برای مکان‌های میراث فرهنگی بررسی شده است ^۵۲٫ این مطالعه، در حالی که سناریوهای اقلیمی آینده را در نظر نمی‌گیرد، با نشان دادن تأثیر مداوم بارندگی، از یافته‌های قبلی پشتیبانی می‌کند و در نتیجه ارتباط بین بارندگی و رویدادهای رانش زمین را تقویت می‌کند. ادغام پیش‌بینی‌های اقلیمی آینده ممکن است قابلیت‌های پیش‌بینی مدل‌های حساسیت را بهبود بخشد و نمایش دقیق‌تری از خطر رانش زمین ارائه دهد. تأثیر بارندگی طوفانی و تغییرات در کاربری زمین در منطقه هیمالیا بر حساسیت به رانش زمین برجسته شده است ^۲۴٫ در راستای مطالعه آنها، این تحقیق NDVI را به عنوان یک عنصر حیاتی در کاهش خطرات رانش زمین، به ویژه در مناطقی با پوشش گیاهی، تشخیص داد. با این وجود، این مطالعه تأثیر متوسط ​​بارندگی را نشان داد که با یافته‌های آنها در تضاد است. این ممکن است با تغییرات در شدت بارندگی منطقه‌ای و تعامل آن با عوامل مختلف محیطی مرتبط باشد.

این مطالعه بینش‌های مهمی ارائه می‌دهد؛ با این حال، ضروری است که محدودیت‌هایی را که کارهای آینده باید به آنها بپردازند، بپذیریم. این تحقیق به عوامل ورودی خاصی بستگی دارد و دقت و کیفیت این داده‌ها – به ویژه در مورد بارندگی و تراکم جریان – ممکن است بر دقت نقشه‌های حساسیت تأثیر بگذارد. گنجاندن داده‌های سری زمانی با وضوح بالاتر در مورد وقایع بارندگی در مطالعات آینده برای افزایش دقت و بررسی محرک‌های پویای لغزش زمین توصیه می‌شود. علاوه بر این، تأکید بر دره اسپیتی در این مطالعه، کاربرد یافته‌ها را در سایر مناطقی که ممکن است ویژگی‌های زمین‌شناسی یا اقلیمی متفاوتی داشته باشند، محدود می‌کند. مطالعات آینده ممکن است مجموعه داده‌های زمانی را بررسی کرده و از روش‌های ترکیبی که عوامل توپوگرافی، اقلیمی و انسانی را در بر می‌گیرند، برای رویکردی جامع‌تر به نقشه‌برداری حساسیت لغزش زمین استفاده کنند. در نظر گرفتن ویژگی‌های خاک و فعالیت‌های انسانی، از جمله جنگل‌زدایی و ساخت جاده، ضروری است، زیرا این عناصر می‌توانند تا حد زیادی بر خطر لغزش زمین تأثیر بگذارند و دقت مدل‌های حساسیت را افزایش دهند.

این مطالعه نقش مهمی در افزایش درک حساسیت زمین لغزش در دره اسپیتی، منطقه‌ای که کاوش‌های قبلی محدودی را تجربه کرده است، ایفا می‌کند. این تحلیل تأکید می‌کند که ارتفاع و شیب عوامل اصلی تعیین‌کننده وقوع زمین لغزش هستند، در حالی که NDVI و تراکم آبراهه به طور قابل توجهی در کاهش خطر نقش دارند. از طریق تجزیه و تحلیل مقایسه‌ای با مجموعه مقالات فعلی، آشکار می‌شود که عوامل توپوگرافی در نقشه‌برداری از حساسیت زمین لغزش ضروری هستند. تحقیقات آینده باید مجموعه داده‌های زمانی و جامع‌تر را همراه با متغیرهای انسانی و خاک در نظر بگیرند تا دقت و ارتباط مدل‌های حساسیت زمین لغزش را افزایش دهند و در نتیجه امکان برنامه‌ریزی آگاهانه‌تر کاربری زمین و رویکردهای مدیریت ریسک را فراهم کنند.

اعتبارسنجی عملکرد نقشه‌های LS

عملکرد پیش‌بینی مدل‌ها بر اساس AUC-ROC ^{۴۷ ، ۵۳} که به طور گسترده استفاده می‌شود ، همانطور که در (شکل  ۱۱ الف، ب) نشان داده شده است و سایر معیارهای آماری مانند حساسیت، ویژگی، دقت، امتیاز F1 و کاپا با استفاده از مجموعه داده‌های آزمایشی (۳۰٪ از کل موجودی زمین لغزش) ^۲۷ برای هر دو دسته ارزیابی می‌شوند. جدول  ۴ نتایج این معیارهای آماری را برای همه مدل‌ها ارائه می‌دهد.

شاخص کاپا برای مدل‌های دسته اول بین ۰٫۵۸ (KNN) و ۰٫۶۳ (XGBoost) متغیر بود که نشان‌دهنده سطح متوسطی از توافق با رخدادهای مشاهده‌شده زمین‌لغزش است. با این وجود، اجرای نمونه‌برداری دسته دوم منجر به افزایش قابل توجه مقادیر کاپا در تمام مدل‌ها شد که نشان‌دهنده اثربخشی تکنیک نمونه‌برداری SBSP در بهبود ارزیابی‌های حساسیت زمین‌لغزش است. این افزایش با نتایج تحقیقاتی مانند ^۵۴ مطابقت دارد که نشان می‌دهد تکنیک‌های نمونه‌برداری پیشرفته به طور قابل توجهی قابلیت اطمینان مدل‌های حساسیت را در محیط‌های زمین‌شناسی پیچیده افزایش می‌دهند. به همین ترتیب، ^۵۵ تأکید کرد که ادغام تکنیک‌های نمونه‌برداری پیشرفته، دقت طبقه‌بندی نقشه‌های حساسیت را افزایش می‌دهد. در این مطالعه، XGBoost به عنوان مؤثرترین مدل شناسایی شد و معیارهای برتر را، به ویژه در دسته دوم، نشان داد. در دسته دوم، XGBoost حساسیت ۰٫۹۵، ویژگی ۰٫۸۷، دقت ۰٫۹۲، کاپا ۰٫۸۳، امتیاز F1 0.93 و سطح زیر منحنی ۰٫۹۷ را نشان داد که از نظر این معیارها از سایر مدل‌ها بهتر عمل می‌کند. این یافته‌ها با نتایج ^۵۶ همسو است که نشان دادند روش‌های طبقه‌بندی بهبود یافته منجر به قابلیت اطمینان بیشتر در مناطق مستعد رانش زمین می‌شوند. مدل RF حساسیت ۰٫۹۵، ویژگی ۰٫۸۲، دقت ۰٫۹۰، کاپا ۰٫۷۹، امتیاز F1 0.92 و سطح زیر منحنی ۰٫۹۷ را نشان داد. روش KNN در دسته‌بندی II عملکرد قوی‌ای را نشان داد، با حساسیت ۰٫۸۸، ویژگی ۰٫۸۶، دقت ۰٫۸۷، کاپا ۰٫۷۳، امتیاز F1 0.89 و سطح زیر منحنی ۰٫۹۴، البته با اثربخشی کمی پایین‌تر نسبت به سایر تکنیک‌های به کار رفته. عملکرد مدل‌های دسته‌بندی I.

در مقایسه، به طور قابل توجهی پایین‌تر بود. به عنوان مثال، XGBoost در دسته I حساسیت ۰٫۸۳، ویژگی ۰٫۸۱، دقت ۰٫۸۲، کاپا ۰٫۶۳، امتیاز F1 0.85 و AUC 0.91 را نشان داد. مدل RF به ترتیب مقادیر حساسیت، ویژگی و دقت ۰٫۸۳، ۰٫۷۶ و ۰٫۸۰ را نشان داد. علاوه بر این، به کاپای ۰٫۵۹، امتیاز F1 0.83 و AUC 0.89 دست یافت. مدل KNN حساسیت ۰٫۷۷، ویژگی ۰٫۸۲، دقت ۰٫۷۹، کاپا ۰٫۵۸، امتیاز F1 0.81 و AUC 0.87 را نشان داد. این یافته‌ها از تحقیقات قبلی، از جمله تحقیق ^۵۷ ، که بر کاستی‌های روش‌های نمونه‌برداری مرسوم در مناطقی که با ساختارهای زمین‌شناسی پیچیده مشخص می‌شوند، تأکید دارد، پشتیبانی می‌کند. تکنیک نمونه‌برداری SBSP در طبقه‌بندی II به طور قابل توجهی عملکرد مدل را بهبود بخشید، عدم قطعیت‌ها را به حداقل رساند و نقشه‌های حساسیت زمین لغزش قابل اعتمادتری را ارائه داد. نتایج، اهمیت اجرای چارچوب‌های نمونه‌برداری پیچیده را برای رفع کاستی‌های روش‌های سنتی برجسته می‌کند، دیدگاهی که در مطالعات انجام شده توسط ^۵۸ نیز منعکس شده است . این مطالعه به مجموعه رو به گسترشی از یافته‌ها می‌افزاید که از روش‌های پیشرفته با هدف افزایش دقت و ارتباط مدل‌های حساسیت زمین لغزش پشتیبانی می‌کنند.

ارزیابی قابلیت اطمینان نقشه‌های LS

بررسی قابلیت اطمینان نقشه‌های LS نقش محوری در ارزیابی دقت پیش‌بینی‌های وقوع زمین‌لغزش انجام شده توسط مدل ^۳۳ ​​ایفا می‌کند . در محدوده این تحقیق، مشاهده شده است که مقادیر LDI (جدول  ۵ ) به طور مداوم روند صعودی را در تمام دسته‌های حساسیت از “کم” تا “بسیار زیاد” برای همه نقشه‌های تولید شده نشان می‌دهند، به استثنای مدل XGBoost در دسته اول. یک ناهنجاری جالب در دسته اول پدیدار شد، که در آن مقدار LDI پایین‌تر از ۰٫۷۱ برای حساسیت “زیاد” در مقایسه با حساسیت “متوسط” با مقدار ۰٫۹۰ ثبت شد. با این وجود، این اختلاف به طور قابل توجهی در دسته دوم اصلاح شد. جدول  ۵ طیف مقادیر LDI را گسترش می‌دهد که از ۰٫۰۲ تا ۱۴٫۶۴ برای دسته اول و ۰٫۰۷ تا ۷٫۰۰ برای دسته دوم متغیر است.

نکته جالب توجه این است که مقادیر LDI در مقایسه با دسته I برای مناطقی که به عنوان حساسیت “بسیار بالا” طبقه‌بندی شده‌اند، در دسته II کاهش نشان می‌دهند. با این وجود، افزایش قابل توجهی در مقادیر LDI در کلاس‌های حساسیت “بالا” و “بسیار بالا” در هر سه مدل وجود دارد. این پدیده نشان دهنده تمایل جزئی دسته I به تخمین بیش از حد مناطق مستعد لغزش است، در حالی که دسته II قابلیت اطمینان بیشتری را نشان می‌دهد. در نتیجه، نقشه‌های تولید شده از طریق به کارگیری روش نمونه‌برداری دسته II شامل نقاط امن شیب و بافر (SBSP) در مقایسه با نقشه‌های تولید شده صرفاً از طریق نمونه‌برداری مبتنی بر بافر با استفاده از داده‌های مناطق عاری از لغزش، همانطور که در (شکل  ۱۲ الف، ب) نشان داده شده است، قابلیت اطمینان نقشه‌های LS را افزایش می‌دهند.

تحلیل نقشه‌های LS قابلیت اطمینان برای تعیین اینکه آیا یک مدل، وقوع زمین‌لغزش را بیش از حد پیش‌بینی می‌کند یا کمتر از حد پیش‌بینی می‌کند، بسیار مهم است ^{(۵ ، ۳۳ ، ۴۷} ). در این مطالعه، مقادیر LDI (جدول  ۵ ) به طور مداوم از کلاس‌های حساسیت «کم» به «بسیار زیاد» برای همه نقشه‌های تولید شده افزایش یافت، به جز مدل XGBoost در دسته اول، که در آن ناهنجاری با LDI پایین‌تر (۰٫۷۱) برای حساسیت کلاس «زیاد» در مقایسه با حساسیت کلاس «متوسط» (۰٫۹۰) مشاهده شد. اما این به طور قابل توجهی دسته دوم را بهبود می‌بخشد.

جدول  ۵ مقادیر LDI را از ۰٫۰۲ تا ۱۴٫۶۴ برای دسته اول و ۰٫۰۷ تا ۷٫۰۰ برای دسته دوم نشان می‌دهد. این نشان می‌دهد که مقادیر LDI در دسته دوم برای حساسیت “بسیار بالا” کمتر از دسته اول است. با این حال، در کلاس حساسیت بالا و بسیار بالا، در هر سه مدل به طور قابل توجهی افزایش یافته است. بنابراین، دسته اول مناطق مستعد لغزش را کمی بیش از حد تخمین زده است، در حالی که دسته دوم قابلیت اطمینان بیشتری را نشان داده است. در نتیجه، نقشه‌های تولید شده با استفاده از تکنیک نمونه‌برداری دسته دوم، نمونه‌برداری از نقاط امن شیب و بافر (SBSP)، قابلیت اطمینان نقشه‌های LS را در مقایسه با نمونه‌برداری مبتنی بر بافر برای داده‌های منطقه عاری از لغزش بهبود می‌بخشند (شکل  ۱۲ الف، ب).

محدودیت‌ها

یافته‌های این مطالعه پتانسیل بالایی را نشان می‌دهد؛ با این حال، باید به چندین محدودیت که باید در نظر گرفته شوند، اذعان کرد. فهرست زمین‌لغزش‌های مورد استفاده برای آزمایش مدل، محدود به یک منطقه جغرافیایی خاص بود. منطقه مورد مطالعه بینش‌های مهمی را ارائه می‌دهد؛ با این حال، اثربخشی مدل‌ها ممکن است هنگام اجرا در مناطق دیگر که با شرایط زمین‌شناسی، اقلیمی یا محیطی متفاوت مشخص می‌شوند، متفاوت باشد. مطالعات آینده باید بر ارزیابی مدل‌ها با استفاده از طیف وسیع‌تری از داده‌های زمین‌لغزش از مناطق مختلف تمرکز کنند تا درک کلی از کاربرد و قابلیت اطمینان آنها افزایش یابد.

علاوه بر این، اگرچه ما عناصر محیطی ضروری مانند شیب، پوشش زمین و نزدیکی به خطوط گسل را در نظر گرفتیم، اما ممکن است عوامل مهم دیگری نیز وجود داشته باشند که در این مطالعه نادیده گرفته شده‌اند و به طور بالقوه بر دقت پیش‌بینی‌ها تأثیر می‌گذارند. گنجاندن عوامل محیطی یا زمانی اضافی ممکن است درک کلی از دینامیک زمین لغزش را افزایش داده و به طور بالقوه منجر به کارایی بهتر مدل شود. بهبود مشاهده شده با تکنیک SBSP قابل توجه است. با این حال، بسیار مهم است که بدانیم این روش‌های نمونه‌برداری ممکن است برای همه موقعیت‌ها مناسب نباشند. موفقیت این رویکرد به دسترسی و کیفیت داده‌ها بستگی دارد و تأثیر آن ممکن است در مناطق مختلف متفاوت باشد. در نتیجه، تحقیقات بعدی باید روش‌های نمونه‌برداری جایگزین را برای ارزیابی کارایی آنها نسبت به SBSP بررسی کنند.

دامنه آینده

با توجه به این یافته‌ها، تحقیقات بعدی باید اجرای مدل‌ها را در مناطق جغرافیایی مختلف بررسی کرده و از فهرست‌های بزرگ‌تر و متنوع‌تر زمین‌لغزش استفاده کنند. بررسی ادغام تکنیک‌های مختلف پیش‌بینی ممکن است منجر به بهبود دقت شود. علاوه بر این، ادغام داده‌های بلادرنگ و ایجاد مدل‌هایی که قادر به تنظیم با شرایط محیطی متغیر هستند، مطالعات آینده در پیش‌بینی زمین‌لغزش را افزایش می‌دهد. یافته‌های این مطالعه نشان‌دهنده پیشرفت قابل توجهی در پیش‌بینی حساسیت زمین‌لغزش است و اهمیت به‌کارگیری تکنیک‌های پیشرفته‌تر و روش‌های نمونه‌برداری اصلاح‌شده را نشان می‌دهد. پیشرفت‌های حاصل‌شده درک ما از دینامیک زمین‌لغزش را افزایش داده و اجرای ارزیابی‌های دقیق‌تر خطر زمین‌لغزش را تسهیل می‌کند و به‌طور بالقوه از مدیریت بلایا و استراتژی‌های کاهش خطر پشتیبانی می‌کند.

این مطالعه با موفقیت نقشه‌های حساسیت به رانش زمین را برای دره اسپیتی با استفاده از دو نوع داده آموزشی رانش زمین ایجاد کرد: نقاط امن منطقه حائل (BZSP) و نقاط امن شیب و حائل (SBSP). در میان مدل‌های یادگیری ماشینی مورد استفاده – XGBoost، جنگل تصادفی (RF) و K-نزدیکترین همسایه‌ها (KNN) – تکنیک نمونه‌برداری SBSP (رده II) عملکرد فوق‌العاده‌ای را نشان داد. در رده II، مدل XGBoost معیارهای عملکرد چشمگیری را نشان داد: حساسیت (۰٫۹۵)، ویژگی (۰٫۸۷)، دقت (۰٫۹۲)، کاپا (۰٫۸۳)، امتیاز F1 (0.93) و AUC (0.97)، که نشان‌دهنده توانایی آن در شناسایی مؤثر مناطق پرخطر است. مقادیر شاخص تراکم زمین لغزش (LDI) این یافته‌ها را بیشتر تأیید کرد و افزایش مداوم از کلاس‌های حساسیت «کم» به «بسیار زیاد» در رده دوم را نشان داد، که نشان می‌دهد این روش، تخمین بیش از حد را کاهش داده و قابلیت اطمینان نقشه‌های حساسیت زمین لغزش را بهبود می‌بخشد. عوامل کلیدی مؤثر، از جمله ارتفاع، شیب، NDVI، بارندگی و تراکم نهر، به عنوان پیش‌بینی‌کننده‌های حیاتی در همه مدل‌ها شناسایی شدند و بر ضرورت ادغام متغیرهای محیطی مختلف برای افزایش دقت تأکید کردند. روش‌ها و بینش‌های به‌دست‌آمده از این مطالعه فراتر از محدوده جغرافیایی دره اسپیتی گسترش می‌یابد و کاربردهای قابل توجهی برای نقشه‌برداری حساسیت زمین لغزش در سایر مناطق کوهستانی که ویژگی‌های ژئوفیزیکی و محیطی مشابهی دارند، ارائه می‌دهد. ترکیب تکنیک نمونه‌برداری SBSP با مدل‌های پیشرفته یادگیری ماشین، معیاری برای افزایش دقت و قابلیت اطمینان در نقشه‌برداری از خطرات جهانی ایجاد می‌کند. این روش‌ها در مناطقی که مستعد رانش زمین هستند، به‌ویژه با توجه به تغییرات ناشی از آب و هوا مانند افزایش تنوع بارندگی و تغییر در کاربری زمین، اهمیت قابل‌توجهی دارند.

این یافته‌ها به طور قابل توجهی گفتگوی علمی جهانی پیرامون مدیریت مخاطرات طبیعی را افزایش می‌دهد و نشان می‌دهد که چگونه یادگیری ماشین و فناوری‌های مکانی می‌توانند به طور مؤثر خطرات مرتبط با رانش زمین را کاهش دهند. افزایش دقت نقشه‌های حساسیت به رانش زمین، مطابق با اهداف توسعه پایدار و کاهش خطر بلایا، همانطور که توسط ابتکارات جهانی مانند چارچوب سندای برای کاهش خطر بلایا و اهداف توسعه پایدار سازمان ملل متحد برجسته شده است، به حفاظت از جان انسان‌ها، زیرساخت‌ها و اکوسیستم‌ها کمک می‌کند. با این وجود، این مطالعه محدودیت‌های خاصی را تشخیص می‌دهد. وابستگی به داده‌های سنجش از دور قابل دسترس می‌تواند عمق تجزیه و تحلیل را محدود کند، زیرا وضوح و دقت داده‌ها ممکن است در مناطق مختلف متفاوت باشد. تحقیقات آینده باید بر ادغام مجموعه داده‌های با وضوح بالاتر، بررسی تغییرات زمانی در وقوع رانش زمین و گنجاندن عوامل مؤثر تکمیلی مانند خواص خاک و تأثیرات انسانی متمرکز شوند. علاوه بر این، مطالعات در مناطق مختلف می‌تواند تطبیق‌پذیری رویکرد SBSP را در مناطق و اقلیم‌های مختلف تأیید کند.

به طور خلاصه، این مطالعه اهمیت اساسی تکنیک‌های نمونه‌برداری نوآورانه و مدل‌های یادگیری ماشینی را در بهبود نقشه‌برداری از حساسیت زمین‌لغزش برجسته می‌کند. پیامدهای آن بسیار فراتر از زمینه‌های محلی است و پایه محکمی برای ارزیابی خطرات زمین‌لغزش در مقیاس جهانی فراهم می‌کند. این مطالعه استراتژی‌های مدیریت ریسک را بهبود می‌بخشد و برنامه‌ریزی پایدار کاربری زمین را آگاه می‌کند و به رویکردی تاب‌آورتر و سازگارتر برای کاهش خطرات طبیعی در سطح جهان کمک می‌کند.