Iranian Jornal of Watershed Management Science&Engineering

fa شناسایی مناطق مستعد فرسایش خندقی و زمین لغزش در قالب نقشه دو خطره با استفاده از مدلهای یادگیری ماشین در حوزه‌ی آبخیز گرگانرود Identification the areas prone to gully erosion and landslides in the form of two-hazards map using machine learning models in Gorganrood watershed تخصصي Special پژوهشي Research <div style="text-align: justify;">پژوهش حاضر با هدف شناسایی مناطق مستعد فرسایش خندقی و زمین‌لغزش  به‌صورت نقشهی دو خطره در قالب یک نقشهی واحد در حوزه آبخیز گرگانرود انجام شد. علاوه‌برآن، استفاده از دو مدل یادگیری ماشینی RF و SVM برای تعیین ارتباط میان این خطرات و متغیرهای زمین - محیطی و همچنین تهیه نقشه مناطق مستعد وقوع هر خطر به‌صورت منفرد به‌عنوان هدف ثانویه مدنظر قرار گرفت. برای اعتبار&rlm;&rlm;سنجی نقشه‌های استعداد وقوع هر خطر، از منحنیROC استفاده شد، و بهترین مدل برای تعیین نقشه حساسیتپذیری هر خطر با بالاترین دقت انتخاب شد. در نهایت با ادغام نقشه حساسیت مربوط به خطرات زمینلغزش و فرسایش خندقی با ترکیب مدل‌های مختلف و مدل برتر، نقشه حساسیت دو خطره به دست آمد. نتایج نشان داد مدل RF با (9/82 AUC=) برای خطر زمینلغزش و (9/96 AUC=) برای فرسایش خندقی نسبت به مدل SVM با مقدار(0/76 AUC=) برای خطر زمینلغزش و (9/93 AUC=) برای فرسایش خندقی دارای دقت بالاتری است. در نهایت با ادغام نقشه حساسیت مربوط به هر خطر یک نقشهی واحد و جامع که نشاندهندهی مناطق مستعد هردو خطر باشد به دست آمد. نقشه نهایی میتواند به‌عنوان ابزاری باارزش برای برنامه‌ریزی پایدار برای کاربری اراضی در مناطق مستعد چند خطره مورداستفاده قرار گیرد.</div> <div style="text-align: justify;">The aim of this study is to identify the areas prone to gully erosion and landslide as a two-hazard map in the form of a single map in Gorganrood watershed. In addition, the use of two machine learning models such as RF and SVM to establishing the spatial relationship between these hazards and the GEFs and any hazard susceptibility mapping separately. In addition, the validation of the hazards susceptibility maps was conducted based on the ROC curve method, and the best model was chosen with the highest predictive performances. Finally, by combining the susceptibility landslides and gully maps, the two-hazard probability maps were produced, which were a combination of different models and the best model. The results showed a RF model with (AUC = 82.9) for landslide and (AUC = 96.9) for gully erosion have higher accuracy compared to the SVM model with a value of (AUC = 0.76) for landslide and (AUC = 93.9) for gully erosion. Finally, a single and comprehensive map was obtained by combining of the each hazard susceptibility map for identification the areas prone to both hazards based on both models. The final two-hazard map can be used as a valuable tool for sustainable land use planning in multi-hazard prone areas.</div> پیش‌بینی مکانی, مخاطرات طبیعی, نقشه دو خطره, مدل‌های یادگیری ماشینی, منحنی تشخیص عملکرد نسبی. Spatial prediction, Natural hazards, two- hazard map, Machine learning models, Relative receiver operating characteristic curve 75 85 http://jwmsei.ir/browse.php?a_code=A-10-1341-1&slc_lang=fa&sid=1 Narges Javidan نرگس جاویدان Narges.javidan20@gmal.com 100319475328460017604 100319475328460017604 No Sari Agricultural Sciences and Natural Resources University دانشگاه ساری Ataollah Kavian عطااله کاویان ataollah.kavian@gmail.com 100319475328460017605 100319475328460017605 Yes Sari Agricultural Sciences and Natural Resources University دانشگاه ساری Sajad Rajabi سجاد رجبی sajad.rajabi65@gmail.com 100319475328460017606 100319475328460017606 No Sari Agricultural Sciences and Natural Resources University دانشگاه ساری Hamid Reza Pourghasemi حمیدرضا پورقاسمی hr.pourghasemi@shirazu.ac.ir 100319475328460017607 100319475328460017607 No Faculty of Agriculture, Shiraz University, Shiraz, Iran دانشگاه شیراز Zeinab Jafarian زینب جعفریان z.jafarian@sanru.ac.ir 100319475328460017608 100319475328460017608 No Sari Agricultural Sciences and Natural Resources University دانشگاه ساری