fa ارزیابی نقشه حساسیت زمین‌لغزش با استفاده از الگوریتم یادگیری ماشین و اولویت‌بندی عوامل مؤثر بر وقوع زمین‌لغزش تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-family:nasimYW;"><span style="font-size:11pt"><span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA" style="font-size:12.0pt">هدف از مطالعه پیش رو، مدل‌سازی مکانی حساسیت وقوع زمین‌لغزش با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی و اولویت‌بندی عوامل مؤثر بر وقوع زمین‌لغزش در حوزه آبخیز بار نیشابور، استان خراسان رضوی است. الگوریتم جنگل تصادفی مبتنی بر دسته‌ای از درخت‌های تصمیم است و در حال حاضر یکی از بهترین الگوریتم‌های یادگیری ماشین است. برای این منظور، لایه نقشه پراکنش زمین‌لغزش‌های منطقه شامل 73 زمین‌لغزش تهیه و به دو دسته برای آموزش مدل (70 درصد) و اعتبارسنجی مدل (30 درصد) به‌صورت تصادفی تقسیم شدند. همچنین، 16 عامل مؤثر بر وقوع زمین‌لغزش در منطقه موردمطالعه با توجه به‌مرور منابع گسترده شناسایی و لایه‌های رقومی در سامانه اطلاعات جغرافیایی تهیه شد. به‌منظور ارزیابی قدرت پیش‌بینی مدل از مساحت زیر منحنی تشخیص عملکرد نسبی (</span><span dir="LTR">ROC</span><span lang="FA" style="font-size:12.0pt">) برای دو مرحله آموزش و اعتبارسنجی مدل استفاده شد. نتایج ارزیابی مدل نشان داد که مدل جنگل تصادفی با مقادیر سطح زیر منحنی 0/9 دارای دقت عالی در مرحله آموزش&nbsp; و 0/89 دارای دقت خیلی خوب در مرحله اعتبارسنجی است. نتایج اولویت‌بندی عوامل مؤثر بر وقوع زمین‌لغزش در منطقه موردمطالعه نشان داد که عوامل طول شیب و شیب دارای بیشترین اهمیت هستند. بر اساس نتایج مدل جنگل تصادفی، 23/7 درصد منطقه موردمطالعه در پهنه حساسیت خیلی زیاد و زیاد واقع‌شده است. </span></b></span></span></span></span></span></div> <span style="font-size:11pt"><span style="line-height:normal"><span style="tab-stops:200.3pt"><span style="font-family:Calibri,sans-serif"><span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">The aim of this study was to model the landslide susceptibility using the Random Forest Machine learning technique and prioritization of effective factors on landslide occurrence in Bar watershed in Khorasan Razavi province.</span></span> <span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">The random forest algorithm is based on a bunch of decision trees and is currently one of the best machine learning algorithms. For this purpose, a landslide inventory map was created with 73 historical landslides, which was randomly divided into two datasets for model training (70%) and model testing (30%). A total of 16 landslide-conditioning factors were considered for the susceptibility landslide mapping. The random forest algorithm was run and a landslide susceptibility map was prepared. The RF-based model was validated using the area under the receiver operating characteristic (ROC) curve. The results of evaluation indicated that the success and prediction rates of the model were 90% in training and 89% in validation, respectively. These results confirm the ability of random forest method for prediction of landslide susceptibility models. Also, prioritization of the effective factors showed that the slope length and slope had the highest effect on landslide occurrence.</span></span> <span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">Based on the results of the random forest model, 23.7% of the study area is located in a very high and high sensitivity zone.</span></span></span></span></span></span> الگوریتم جنگل تصادفی, حوزه بار, ROC Random Forest algorithm, Bar watershed, ROC 71 83 http://jwmsei.ir/browse.php?a_code=A-10-938-3&slc_lang=fa&sid=1 Ali Dastranj علی دسترنج dastranj66@gmail.com 100319475328460017651 100319475328460017651 Yes KHorasan Razavi مرکز تحقیقات خراسان رضوی Hamzeh Noor حمزه نور h.noor@gmail.com 100319475328460017652 100319475328460017652 No KHorasan Razavi مرکز تحقیقات خراسان رضوی Farzaneh Vakili فرزانه وکیلی تجره vakili.farzane.t@ut.ac.ir 100319475328460017653 100319475328460017653 No Teharan University دانشگاه تهران