ارزیابی و پیش‌بینی حساسیت وقوع زمین‌لغزش با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین (محدوده مورد ‌‌‍مطالعه: حوضه آبخیز الوند)

مقدمه

زمین‌لغزش از بلایای طبیعی بسیار مخرب است که سالانه در سراسر جهان خسارات مادی زیادی به بار می‌آورد و جان تعداد زیادی از انسان‌ها را می‌گیرد (Froude & Petley, 2018, p. 2161). حساسیت به خطر زمین‌لغزش به ارزیابی احتمال وقوع یک فاجعه زمین‌شناسی براساس عواملی مانند شرایط زمین‌شناسی منطقه، متغیرهای محیطی و رخدادهای وقوع زمین‌لغزش در گذشته اشاره دارد (Guzzetti et al., 2005, p. 272; Zhao et al., 2024, p. 7475). این پدیده در مناطق کوهستانی و شیب‌دار به‌عنوان یکی از جدی‌ترین چالش‌های مدیریت محیطی مطرح است که نه‌تنها جان انسان‌ها را تهدید می‌کند، توسعه اقتصادی به‌ویژه در کشورهای درحال توسعه را با اختلال مواجه می‌سازد. عوامل متعددی از قبیل بارندگی‌های شدید، زمین‌لرزه، تخریب پوشش گیاهی و فعالیت‌های انسانی غیراصولی در تشدید و وقوع زمین‌لغزش نقش دارند. اگرچه جلوگیری کامل از وقوع آن اغلب ناممکن است، شناسایی دقیق مناطق مستعد، گام اول و ضروری برای مدیریت ریسک و کاهش خسارات محسوب می‌شود. در این راستا، در دهه‌های اخیر استفاده از روش‌های کمّی و الگوریتم‌های پیشرفته یادگیری ماشین برای پهنه‌بندی خطر زمین‌لغزش گسترش چشمگیری یافته است. پژوهش‌های متعددی در سطح جهانی به بررسی کارایی این مدل‌ها پرداخته‌اند؛ برای مثال، مطالعاتی مانند فام و همکاران و احمد و همکاران با استفاده از الگوریتم‌هایی چون جنگل تصادفی (RF) و درخت تقویت‌شدۀ اکستریم (ERT) به دقت‌های زیادی در پیش‌بینی دست یافته‌اند (Ahmed et al., 2020, p. 5; Pham et al., 2022, p. 1). همچنین، رویکردهای تلفیقی مانند ترکیب شبکه‌های عصبی کانولوشن با الگوریتم‌های فراابتکاری (Hakim et ai., 2022, p. 305) و نیز روش‌های نیمه‌نظارتی نامتوازن (Huang et al., 2024, p. 250) برای بهبود دقت و پایدارسازی نتایج ارائه شده‌اند. در بستر ملی نیز تحقیقات گسترده‌ای با بهره‌گیری از مدل‌های متنوع انجام شده است؛ از جمله کاربرد مدل بیزین (سیلاخوری و همکاران، ۱۴۰۲، ص. 122)، توابع شواهد وزنی (WOE) (میرزانیا و شهابی، ۱۳۹۸، ص. 317) و الگوریتم‌های یادگیری ماشین مانند مدل حداکثر آنتروپی (ذاکری‌نژاد و عموشاهی، 1401، ص. 128)، درخت تصمیم و جنگل تصادفی (امامی و یوسفی، ۱۴۰۲، ص. 183؛ ذاکری‌نژاد و کهرانی، ۱۴۰۲، ص.17). با وجود این پیشینه غنی، تمرکز بیشتر مطالعات داخلی بر مناطق خاصی بوده و به مقایسه سیستماتیک و هم‌زمان چندین الگوریتم یادگیری ماشین کلاسیک و نوین در حوضه‌های آبخیز با شرایط توپوگرافیکی و اقلیمی ویژه مانند حوضه آبخیز الوند در استان کرمانشاه کمتر توجه شده است. این حوضه به دلیل ویژگی‌های طبیعی خود مستعد وقوع زمین‌لغزش ارزیابی می‌شود و عدم شناسایی دقیق مناطق پرخطر می‌تواند پیامدهای انسانی و اقتصادی شدیدی به دنبال داشته باشد؛ بنابراین، مطالعه حاضر با هدف پرکردن این شکاف پژوهشی، به پهنه‌بندی حساسیت زمین‌لغزش در حوضه الوند و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادف (RF)، جنگل چرخشی (ROF)  و ماشین بردار پشتیبان (SVM) می‌پردازد. انتظار می‌رود نتایج این تحقیق بتواند مدل بهینه‌ای را برای پیش‌بینی خطر در منطقه معرفی نماید و مبنایی علمی برای برنامه‌ریزی‌های مدیریت ریسک و توسعه پایدار در دستان تصمیم‌گیرندگان قرار دهد.

منطقه مورد مطالعه

حوضه رودخانه الوند در جنوب غربی استان کرمانشاه واقع ‌شده است. رودخانه الوند رودخانه مرزی است که بین کشورهای ایران و عراق است. این منطقه در حدفاصل بین‌النهرین و فلات ایران قرار گرفته است. منطقه مدنظر با مساحت 112332.77 هکتار بین عرض جغرافیایی ´35 ˚34 تا ´15 ˚34 شمالی و طول جغرافیایی ´35 ˚45 تا ´09 ˚46 شرقی واقع‌ شده است. ارتفاع آن از سطح دریا بین 329 تا 2672 متر متغییر بوده و متوسط ارتفاع حوضه مورد مطالعه 1098 متر است (شکل 1). این حوضه به دلیل شرایط ژئومورفولوژیکی و اقلیمی خود دارای پهنه‌های وسیعی از زمین‌لغزش‌ها است (شکل 2).

شکل 1. نقشه موقعیت جغرافیایی منطقه مورد مطالعه

Fig 1. Map of the geographical location of the study area

شکل 2. تصاویر بازدید میدانی از حوضه آبخیز الوند

Fig 2. The taken photos of the study area

روش تحقیق

با توجه به اینکه عوامل مختلفی در وقوع زمین‌لغزش تأثیر دارد، در این تحقیق با توجه به مطالعات پژوهش‌های پیشین از شاخص‌های تأثیرگذار استفاده شده است. این شاخص‌ها عبارتند از: زمین‌شناسی، شاخص پوشش گیاهی، توپوگرافی، فاصله از جاده، فاصله از گسل، فاصله از آبراهه، تراکم آبراهه، تراکم گسل و شاخص‌های فیزیوگرافی مستخرج از مدل ارتفاعی رقومی زمین (DEM) شامل ارتفاع، شیب، جهت شیب و همچنین برخی شاخص‌های هیدرولوژیکی شامل شاخص رطوبت توپوگرافی و شاخص قدرت جریان در این تحقیق استفاده شده است (شکل 3). در ادامه مطابق جدول 1 هر یک از شاخص‌ها به‌صورت لایۀ رستری برای ارزیابی و پیش‌بینی حساسیت وقوع زمین‌لغزش برای حوضۀ مورد مطالعه با قدرت تفکیک مکانی 30 متر تهیه شدند.

جدول 1 . معیارها و شاخص‌های مورد استفاده در انجام پژوهش

Table 1. Criteria and indicators used in conducting the research

لایه داده‌های موقعیت مکانی رخدادهای زمین‌لغزش با استفاده از تصاویر ماهوره‌ای و همچنین بازدیدهای میدانی و همچنین به کمک کارشناسان منابع طبیعی به‌عنوان متغیر مستقل در این تحقیق استفاده شد (شکل 4). شایان ذکر هست 70 درصد نقاط به‌عنوان نقاط آموزشی و 30 درصد دیگر به‌عنوان نقاط آزمایشی (برای اعتبارسنجی مدل‌ها) انتخاب شدند. بعد از این مرحله با استفاده از چهار الگوریتم یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادفی (RF)، جنگل چرخشی (ROF) و ماشین بردار پشتیبان (SVM) به پهنه‌بندی حساسیت زمین‌لغزش در حوضه الوند پرداخته می‌شود (شکل 5).

شکل 3. نقشه شاخص‌های مورد استفاده در انجام پژوهش

Fig 3. Map of the indices used in the research

شکل 4. نقاط رخداد زمین‌لغزش در حوضه مورد مطالعه

Fig 4. The locations of landslide in the study area

الگوریتم درخت تصمیم  (DT)

در یادگیری ماشین نظارت‌شده، درخت تصمیم از ساختار درختی برای نمایش فرآیند تصمیم‌گیری استفاده می‌کند. این الگوریتم، نمونه‌ها را از گره ریشه به سمت پایین هدایت می‌کند و درنهایت به گره‌های برگ (نمایانگر برچسب کلاس‌ها) می‌رساند. هر گره داخلی، یک ویژگی را نشان می‌دهد که بسته به مقادیرش به شاخه‌های مختلف تقسیم می‌شود. الگوریتم C5.0 به‌عنوان یک روش پیشرفته، با استفاده از معیار بهره اطلاعاتی (بر پایه آنتروپی)، درخت را به‌صورت حریصانه از بالا به پایین می‌سازد. بهره اطلاعاتی از رابطه (1) محاسبه می‌شود:

(1) Gain(S,A) = H(S) - Σ_{v∈Values(A)} (|S_v|/|S|) * H(S_v)

که در آن H(S) آنتروپی مجموعه S است و برای یک ویژگی با c مقدار مختلف، آنتروپی از رابطه (2) به دست می‌آید:

(2) H(S) = -Σ_{i=1}^{c} p_i * log₂(p_i)

برای جلوگیری از پیچیدگی بیش از حد، از تکنیک هرس‌کردن برای حذف شاخه‌های غیرضروری استفاده می‌شود (خسروی و همکاران، 1394، ص. 75).

الگوریتم جنگل تصادفی  (RF)

 بریمن، جنگل تصادفی که توسعۀ الگوریتم بگینگ است، ارائه داده است (Breiman, 2001, p. 5). این الگوریتم از مجموعه‌ای از درختان تصمیم تشکیل شده است. مشابه درخت تصمیم، هر درخت به‌صورت سلسله‌مراتبی از ریشه به برگ‌ها رشد می‌کند. الگوریتم C5.0 با استفاده از بهره اطلاعاتی (رابطه 3) درختان را می‌سازد:

(3) Gain(S,A) = H(S) - Σ_{v∈Values(A)} (|S_v|/|S|) * H(S_v)

و آنتروپی از رابطه (4) محاسبه می‌شود:

(4) H(S) = -Σ_{i=1}^{c} p_i * log₂(p_i)

برای افزایش تنوع و کاهش همبستگی بین درختان،RF  از دو روش استفاده می‌کند:

1. نمونه‌برداری خودراه‌انداز (Bootstrap) از داده‌های آموزشی
2. انتخاب تصادفی زیرمجموعه‌ای از ویژگی‌ها (RSFS) مراحل الگوریتم به این شرح است:

• ایجاد زیرمجموعه‌های آموزشی Di با نمونه‌برداری خودراه‌انداز
• انتخاب زیرمجموعه‌ای از ویژگی‌ها (D'i) با RSFS
• آموزش یک درخت تصمیم (DTi) بر روی هر D'i
• ترکیب خروجی درختان با روش رأی اکثریت (MV) پارامترهای کلیدی RF شامل تعداد درختان (nTrees) و تعداد ویژگی‌های انتخاب‌شده در هر گره (mTry)  است که مقدار بهینه mTry معمولاً جذر تعداد ویژگی‌ها در نظر گرفته می‌شود. این الگوریتم قابلیت رتبه‌بندی ویژگی‌ها براساس اهمیت را نیز داراست(Khosravi & Alavipanah, 2019, p. 7221)

الگوریتم جنگل دورانی

رودریگونز این الگوریتم VH در سال 2006 ارائه کرد. در این روش، داده‌های آموزشی (X) با N نمونه و n ویژگی، و برچسب کلاس (Y) به k زیرگروه تقسیم می‌شوند و L درخت تصمیم ({D₁,...,D_L}) ساخته می‌شود. مراحل ساخت مدل عبارتند از:

1. تقسیم تصادفی ویژگی‌ها به k زیرمجموعه با M = n/k ویژگی
2. برای هر درخت D_i و هر زیرمجموعه F_ij، یک نمونه بوت‌استرپ (75%) گرفته و یک تبدیل خطی برای تولید ماتریس C_ij اعمال می‌شود.
3. ایجاد ماتریس چرخش R_i از طریق ترکیب ماتریس‌های C_ij (رابطه 5):

(5) R_i = [a_{ij}^{(1)}, ..., a_{ij}^{(m)}]

4. سپس داده‌های تبدیل‌یافته (xR_i^a) برای آموزش D_i استفاده می‌شوند. در مرحله طبقه‌بندی، برای نمونه آزمایشی x، احتمال تعلق به هر کلاس (ω_j) با میانگین‌گیری از خروجی تمام طبقه‌بندها محاسبه می‌شود (رابطه 6):

(6) μ_j(x) = (1/L) Σ_{i=1}^{L} d_{i,j}

5. در این روش از تحلیل مؤلفه‌های اصلی (PCA) برای حفظ تغییرپذیری داده‌ها استفاده می‌شود. هدف جنگل دورانی، افزایش دقت و تنوع در مجموعۀ مدل‌هاست (شیرزادی و شهابی، 1399).

الگوریتم ماشین بردار پشتیبان  (SVM) SVM

یک روش طبقه‌بندی بر پایه نظریه یادگیری آماری است که هدف آن یافتن ابرصفحه‌ای با حاشیه حداکثری بین کلاس‌هاست. با استفاده از توابع هسته، این روش قابلیت طبقه‌بندی غیرخطی نیز پیدا می‌کند. هسته‌های رایج عبارتند از:

• هسته چندجمله‌ای (رابطه 7):

(7) k_poly(x_i, x_j) = [(x_i · x_j) + 1]^p

• هسته تابع پایه شعاعی (رابطه 8):

(8) k_gauss(x_i, x_j) = exp[-γ‖x_i - x_j‖²]

• پارامترهای مهم SVM شامل درجه (p) برای هسته چندجمله‌ای، گاما (γ) برای هسته شعاعی و پارامتر جریمه (C) برای هر دو هسته است (Khosravi & Beigi, 2014, p. 5).

شکل 5. مراحل انجام پژوهش

Fig 5. Research procedure

نتایج و بحث

در این پژوهش چهار روش‌ مدل‌سازی (DT، RF، RoF و SVM)، با استفاده از نمونه‌ها آموزشی (70 درصد نقاط رخداد زمین‌لغزش) ‌شده و سپس، توسط 30 درصد نقاط آزمایشی، در حوضه آبخیز الوند استان کرمانشاه ارزیابی دقت شدند. به‌منظور ارزیابی دقت طبقه‌بندی روش‌ها، از ماتریس خطا استفاده شد. چهار کمیت اصلی این ماتریس شامل مثبت درست (TP)، مثبت غلط (FP)، منفی درست (TN) و منفی غلط (FN) است. به‌وسیلۀ این چهار کمیت، معیارهای مهم دیگری از جمله میزان حساسیت (Sensitivity)، میزان اختصاصی (Specificity)، مقدار پیش‌بینی مثبت (PPV)، مقدار پیش‌بینی منفی (NPV)، دقت کلی (OA) و ضریب کاپا (Kappa) نیز محاسبه می‌شود. مدل‌سازی حساسیت لغزش زمین در این حوضه، با نمونه‌های آموزشی انجام شد و نتایج ارزیابی دقت آنها در بهترین حالت توسط داده‌های آزمایشی در جدول 2 آورده ‌شده است.

جدول 2 . نتایج ارزیابی روش‌ها براساس معیارهای به‌دست‌آمده از داده‌های آزمایشی.

Table 2. Results of evaluation of methods based on criteria obtained from experimental data

درخور ذکر است که نقشۀ خطر زمین‌لغزش دارای 5 کلاس احتمالی خیلی پایین (VL)، پایین (L)، متوسط (M)، بالا (H) و خیلی بالا (VH) است که با توجه به امتیاز حاصل از الگوریتم‌ها برای هر پیکسل تصویری به ‌دست ‌آمده است. ابتدا با استفاده از روش همگون‌سازی، امتیازها (score) به مقادیر بین 0 تا 1 تبدیل می‌شود:

حال، با توجه به این فرمول، نقشۀ خطر زمین‌لغزش دارای 5 کلاس زیر است:

(الف) کلاس 1 (40/0 >): خطر زمین‌لغزش خیلی پایین (VL)؛

(ب) کلاس 2 (41/0-60/0): خطر زمین‌لغزش پایین (L)؛

(پ) کلاس 3 (61/0-80/0): خطر زمین‌لغزش متوسط (M)؛

(ت) کلاس 4 (81/0-95/0): خطر زمین‌لغزش بالا (H)؛

(ث) کلاس 5 (95/0 <): خطر زمین‌لغزش خیلی بالا (VH).

شکل 6 . نقشۀ خطر زمین‌لغزش حوضه آبخیز الوند با استفاده از روش DT

Fig 6. Landslide Susceptibility Mapping of the Alwand Watershed Using the DT Model

شکل 7. نقشۀ خطر زمین‌لغزش حوضه آبخیز با استفاده از روش RoF

Fig 7. Landslide susceptibility map of the Alwand watershed, using the RoF method.

شکل 8. نقشۀ خطر زمین‌لغزش حوضه آبخیز الوند با استفاده از روش RF

Fig 8. Landslide susceptibility map of the Alwand watershed, using the RF method.

شکل 9. نقشۀ خطر زمین‌لغزش حوضه آبخیز با استفاده از روش SVM

Fig 9. Landslide susceptibility map of the Alwand watershed, using the SVM method.

نتایج روش DT و RoF نسبت به دو روش دیگر از نتایج ضعیف‌تری برخوردار بودند. با توجه به شکل 6 و نتایج به‌دست‌آمده از روش DT حدود 14.82 درصد دارای احتمال خطر بسیار کم زمین‌لغزش هستند (سبزرنگ). این مناطق شامل بخشی در ناحیه غربی و قسمت اندکی در مرکز حوضه آبخیز الوند قرار دارند، بخش غربی حوضه ازنظر کاربری اراضی شامل اراضی بایر و مقداری کشاورزی است و شامل محدوده شهری شهرستان قصرشیرین است. همچنین، درصد احتمال‌های خطر زمین‌لغزش کم (رنگ آبی) و متوسط (سفیدرنگ) تقریباً به‌ترتیب برابر با 49.49 و 23.98 درصد است که شامل محدوده شهری شهرستان سرپل‌ذهاب است. همچنین، مطابق با شکل 6 قسمت اندکی از حوضه آبخیز دارای خطر زمین‌لغزش زیاد (زردرنگ) و بسیار زیاد (قرمزرنگ) هستند که به‌ترتیب 10.72 و 0.98 درصد را به خود اختصاص داده‌اند که قسمت‌های شرقی و مرکزی حوضه شامل می‌شوند.

مطابق شکل 7 این نقشه نسبت به نقشه قبلی دارای تفاوت‌هایی است. نتایج به‌دست‌آمده از این روش نشان می‌دهد که خطر بسیار کم و خطر کم که به‌ترتیب 14.76 و 9.22 درصد از حوضه که مقدار کمی از حوضه را به خود اختصاص داده‌اند که شامل قسمت‌هایی از غرب و قسمت‌هایی از شرق حوضه را شامل می‌شوند. تفاوت چشمگیری که در این نقشه نسبت به دو نقشه دیگر ایجاد شده، در خطر متوسط زمین‌لغزش با مقدار 42.30 درصد است که بخش اعظمی از حوضه را از مرکز حوضه تا قسمت‌های غربی را شامل می‌شود. خطر زیاد و بسیار زیاد این نقشه با مقادیر 0.68 و 33.04 درصد است؛ اما بهترین نتایج با استفاده از روش‌های RF و SVM به‌دست آمد که به شرح زیر است:

با توجه به شکل 8، نتایج این نقشه نسبت به نقشه قبلی تفاوت‌های چشمگیری داشته است؛ از جمله اینکه در صد خطر بسیار کم و خطر کم که به‌ترتیب شامل 15.04 و 34.71 درصد هستند، این مناطق شامل بخشی در ناحیه غربی و قسمت اندکی در مرکز حوضه آبخیز الوند قرار دارند، بخش غربی حوضه ازنظر کاربری اراضی شامل اراضی بایر و مقداری کشاورزی است و شامل محدوده شهری شهرستان قصرشیرین است. قسمت اندکی از حوضه آبخیز دارای خطر متوسط و زیاد است که به‌ترتیب شامل 13.55 و 6.69 درصد است که در قسمت‌های شرقی و قسمتی از مرکز واقع‌ شده‌اند که ازنظر کاربری شامل اراضی بایر هستند. بخش درخور توجه ای از حوضه آبخیز الوند دارای خطر زمین‌لغزش بسیار زیاد با درصد 30.02 هستند که تفاوت چشمگیری که نسبت به شکل 7 داشته است. طبق شکل 9 در نتایج این نقشه تفاوت‌های زیادی نسبت به سه نقشه دیگر به چشم می‌خورد؛ از جمله اینکه مقداری خطر بسیار کم و کم به‌ترتیب شامل 43.41 و 4.80 درصد که شامل بخش اعظمی از حوضه است که از مرکز حوضه تا غرب حوضه را شامل می‌شوند. خطر متوسط در این نقشه دارای مقدار 12.54 درصد که شامل قسمت‌های کوچکی از مرکز و شرق حوضه را شامل می‌شود. خطر زیاد و بسیار زیاد در این نقشه به‌ترتیب دارای مقدار 27.57 و 11.68 درصد است که شامل قسمت‌های شرقی حوضه تا حدودی مرکز حوضه که در محدوده شهرستان سرپل‌ذهاب است؛ بااین‌حال، عیار روش‌های مدل‌سازی با استفاده از داده‌های آزمایشی به‌طورجدی محک خورده است. به‌طور کاملاً واضح مبرهن است که روش RF و سپس روش SVM، برتری چشمگیری نسبت به دو روش دیگر داشته است. این موضوع از اعداد جدول به‌طور کاملاً واضح مشهود است. دقت بالای 90% این دو روش (97% و 94%) در کنار ضریب کاپای هریک (بالاتر از 9/0) نشان از مدل‌سازی عالی این دو روش برای پهنه‌بندی خطر زمین‌لغزش منطقۀ مطالعاتی دارد.

نتایج این پژوهش به‌وضوح کارایی متفاوت چهار الگوریتم یادگیری ماشین را در پیش‌بینی خطر زمین‌لغزش در حوضه آبخیز الوند نشان می‌دهد. براساس شاخص‌های کمّی ارزیابی، مدل جنگل تصادفی (RF) با دستیابی به دقت کلی ۹۶.۴۷٪ و ضریب کاپای ۰.۹۳ و مدل ماشین بردار پشتیبان (SVM) با دقت ۹۳.۹۰٪ و کاپای ۰.۹۰، عملکردی به مراتب برتر نسبت به مدل‌های درخت تصمیم (DT) و جنگل دورانی (RoF) ارائه کردند. این برتری تنها به معیارهای کلی محدود نمی‌شود؛ شاخص‌های حساسیت و اختصاصیت نیز مؤید توانایی بالاتر این دو مدل در تشخیص دقیق هر دو کلاس «لغزش» و «عدم لغزش» است. درمقابل، مدل DT با دقت ۸۲.۹۱٪ و کاپای ۰.۷۸ و مدل RoF با دقت ۸۷.۴۷٪ و کاپای ۰.۸۲ در رده‌های بعدی قرار گرفتند. این اختلاف فاحش آماری (بیش از ۱۰ واحد درصد بین بهترین و ضعیف‌ترین مدل) گویای برتری ذاتی پارادایم‌های یادگیری جمعی (Ensemble Learning) در RF و یادگیری مبتنی بر حاشیه بهینه در SVM برای مدل‌سازی پدیده‌های پیچیده‌ای مانند زمین‌لغزش است که با تعامل غیرخطی عوامل متعدد شکل می‌گیرند. از منظر کیفی و فضایی، نقشه‌های حساسیت نهایی تولیدشده توسط مدل‌های RF و SVM از انسجام و اعتبار منطقی بالاتری برخوردارند. این نقشه‌ها پهنه‌های با خطر «خیلی زیاد» و «زیاد» را عمدتاً در قسمت‌های شرقی، شمال شرقی و مرکزی حوضه متمرکز کرده‌اند. این توزیع مکانی به‌خوبی با عوامل شناخته‌شده محرک زمین‌لغزش در منطقه همپوشانی دارد: شیب‌های تند، مجاورت با گسل‌های اصلی و فعال، گسترش سازندهای زمین‌شناسی سست و حساس (نظیر مارن‌ها و شیل‌ها) و تراکم بالای شبکه راه‌های ارتباطی. این انطباق، اعتبار درونی مدل‌سازی را تقویت می‌کند. درمقابل، نقشه‌های تولیدشده توسط DT و RoF از پراکندگی و ناهمگونی بیشتری رنج می‌برند و حتی بخش‌هایی از اراضی دشتی با شیب ملایم در غرب حوضه را در رده‌های خطر بالا طبقه‌بندی کرده‌اند که با دانش زمین‌شناختی و ژئومورفولوژیک منطقه مغایرت دارد. این امر می‌تواند نشان‌دهنده تمایل مدل DT به بیش‌برازش (Overfitting) و حساسیت بالای مدل RoF به کیفیت و ترکیب داده‌های ورودی در این مطالعه خاص باشد. عملکرد استثنایی مدل RF، یافته‌های گسترده‌ای را که این الگوریتم را به‌عنوان یکی از پایدارترین و دقیق‌ترین روش‌ها در مطالعات مشابه معرفی کرده‌اند. عملکرد قدرتمند SVM نیز مجدداً توانایی این مدل در مدیریت مسائل طبقه‌بندی با ابعاد بالا را نشان می‌دهد؛ بااین‌حال، عملکرد نسبتاً متوسط RoF در اینجا در تقابل با نتایج برتر آن در برخی مطالعات دیگر، بر اصل وابستگی شدید کارایی مدل به شرایط خاص هر منطقه، کیفیت داده‌ها و تنظیمات پارامتریک تأکید می‌ورزد. این موضوع، افسانه وجود یک «الگوریتم جهانی برتر» را رد و لزوم اجرای مطالعات مقایسه‌ای و آزمون مدل‌ها در هر منطقه جدید را به‌عنوان یک ضرورت علمی و عملی پررنگ می‌کند. در جمع‌بندی نهایی، تحلیل کمی و کیفی نتایج به‌صورت قاطع مدل جنگل تصادفی (RF) را به‌عنوان قابل اعتمادترین ابزار برای تهیه نقشه پایه مدیریت ریسک در حوضه الوند معرفی می‌کند.

نتیجه‌گیری

این پژوهش با هدف ارزیابی و پیش‌بینی حساسیت وقوع زمین‌لغزش در حوضه آبخیز الوند استان کرمانشاه و با استفاده از چهار الگوریتم پیشرفته یادگیری ماشین انجام شد. یافته‌های تحقیق به‌وضوح برتری قابل ‌توجه مدل‌های جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) را در مقایسه با مدل‌های درخت تصمیم (DT) و جنگل دورانی (RoF) نشان می‌دهد. براساس معیارهای دقت کلی (OA) و ضریب کاپا، مدل RF با دقت ۹۶.۴۷٪ و کاپای ۰.۹۳ و مدل SVM با دقت ۹۳.۹۰٪ و کاپای ۰.۹۰، عملکردی عالی و قابل اعتماد در پهنه‌بندی خطر منطقه دارند. این نتایج حاکی از آن است که مدل‌های مبتنی بر جمع‌سپاری (Ensemble) مانند RF که از ترکیب چندین درخت تصمیم ایجاد می‌شوند، به دلیل کاهش واریانس و کنترل بیش‌برازش، و همچنین مدل SVM به دلیل توانایی بالا در ایجاد مرز تصمیم‌گیری بهینه حتی در داده‌های با ابعاد بالا ابزارهایی بسیار قدرتمند برای مدل‌سازی پدیده‌های پیچیده طبیعی مانند زمین‌لغزش هستند. نقشه‌های نهایی حاصل از این دو مدل که مناطق با خطر خیلی بالا را عمدتاً در بخش‌های شرقی و مرکزی حوضه (عمدتاً در محدوده شهرستان سرپل‌ذهاب) نشان می‌دهند، می‌تواند به‌عنوان سند علمی معتبری در اختیار مدیران و برنامه‌ریزان منطقه قرار گیرد. درنهایت، این مطالعه مؤید این امر است که تلفیق سامانه اطلاعات جغرافیایی (GIS) با الگوریتم‌های یادگیری ماشین، رویکردی کارآمد، دقیق و کم‌هزینه برای شناسایی مناطق مستعد بلایای طبیعی فراهم می‌کند. پیشنهاد می‌شود نتایج این پژوهش به‌عنوان مبنایی برای اجرای طرح‌های کاهش ریسک، مدیریت کاربری اراضی و احداث زیرساخت‌ها در حوضه‌های مشابه درنظر گرفته شود. برای پژوهش‌های آتی، بررسی تأثیر تغییر اقلیم و تغییرات کاربری اراضی بر نوسانات مناطق پرخطر و نیز تلفیق این مدل‌ها با الگوریتم‌های بهینه‌سازی فراابتکاری برای افزایش هرچه بیشتر دقت پیشنهاد می‌شود. نتایج این پژوهش که حاکی از برتری مدل‌های جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) در پهنه‌بندی خطر زمین‌لغزش حوضه الوند است، از یک سو با شمار درخور ‌توجهی از مطالعات پیشین هم‌سو است؛ به‌طور مثال، تأیید عملکرد برتر RF توسط احمد و همکاران و نیز امامی و یوسفی (1402)، توانایی ذاتی این الگوریتم‌های ترکیبی و مبتنی بر حاشیه را در مدل‌سازی پدیده‌های پیچیده محیطی تصدیق می‌کند (Ahmed et al., 2020). از سوی دیگر، گزارش برتری مدل‌های دیگری مانند ERT  فام و همکاران یا DP قاسمیان و همکاران در مناطق مختلف، نه‌تنها تعارضی با یافته حاضر ایجاد نمی‌کند، بر این اصل کلیدی تأکید دارد که کارایی یک مدل شدیداً وابسته به شرایط محلی، کیفیت داده‌ها و تنظیمات پارامترهای آن است (Pham et al., 2022; Ghasemian et al., 2022) ؛ بنابراین، یافته این تحقیق ضمن تقویت اعتبار الگوریتم‌های RF و SVM به‌عنوان گزینه‌های قدرتمند و غالب در ادبیات موضوع، لزوم بومی‌سازی و آزمون مقایسه‌ای چندین مدل در هر منطقه خاص را برای دستیابی به قابل اطمینان‌ترین نتایج و اتخاذ تصمیم‌های مدیریتی اثربخش، مورد تأکید مجدد قرار می‌دهد. نوآوری اصلی این تحقیق، معرفی و اجرای الگوریتم ترکیبی و نسبتاً جدید «جنگل دورانی (RoF)» در کنار سه الگوریتم پرکاربرد یادگیری ماشین (RF، SVM و DT) برای نخستین بار در پهنه‌بندی خطر زمین‌لغزش حوضه‌ای مرزی و پیچیده از نظر زمین‌شناسی و توپوگرافی در ایران است. این پژوهش نه‌تنها یک مقایسه روش‌شناختی نظام‌مند میان این چهار چارچوب ارائه می‌دهد، با انتخاب حوضه آبخیز الوند به دلیل ویژگی‌های طبیعی بحرانی و وجود زیرساخت‌های حیاتی از اولویت مدیریتی بالایی برخوردار است؛ اما پیش‌تر با این ترکیب از روش‌های نوین مطالعه نشده بود پیوند مستقیمی میان توسعه روش‌های پیشرفته تحلیل و نیاز فوری برنامه‌ریزی عملیاتی در یک منطقه پرخطر برقرار می‌سازد.