سامانه اطلاعات مکانی
علی اصغر آل شیخ؛ کیمیا خیرخواه؛ فاطمه رضایی؛ علی جعفری؛ مهدی پناهی
چکیده
پیشینه و اهداف: استانهای شمالی ایران (گلستان، مازندران و گیلان) در امتداد دریای خزر قرار گرفتهاند و ترکیب آبوهوای مرطوب، توپوگرافی شیبدار البرز، برداشت بیرویه آب زیرزمینی برای کشاورزی و تغییر سریع کاربری اراضی موجب میشود این منطقه بهطور همزمان در معرض سیل، زمینلغزش و فرونشست زمین قرار گیرد. با وجود این همزمانی، بیشتر ...
بیشتر
پیشینه و اهداف: استانهای شمالی ایران (گلستان، مازندران و گیلان) در امتداد دریای خزر قرار گرفتهاند و ترکیب آبوهوای مرطوب، توپوگرافی شیبدار البرز، برداشت بیرویه آب زیرزمینی برای کشاورزی و تغییر سریع کاربری اراضی موجب میشود این منطقه بهطور همزمان در معرض سیل، زمینلغزش و فرونشست زمین قرار گیرد. با وجود این همزمانی، بیشتر مطالعات پیشین هر یک از مخاطرات را بهصورت مجزا بررسی کردهاند و بینش محدودی درباره مکانهای همپوشانی فضایی این تهدیدها و چگونگی مدیریت مشترک آنها در مقیاس منطقهای ارائه کردهاند. مدلهای حساسیت موجود اغلب بر الگوریتمهای یادگیری ماشین منفرد و بدون تنظیم سیستماتیک فراپارامترها متکی هستند و خروجیهای آنها بهعنوان جعبهسیاه در نظر گرفته میشود، که این موضوع کاربرد آنها را در تصمیمگیری مبتنی بر شواهد محدود کرده و اعتماد ذینفعان را تضعیف میکند. هدف این پژوهش، توسعه یک چارچوب بهینهسازیشده و تفسیرپذیر برای تهیه نقشههای حساسیت توأمان هر سه مخاطره در این منطقه و پشتیبانی از برنامهریزی یکپارچه ریسک و سیاستگذاری آگاهانه کاربری اراضی است.روشها: یک مدل ترکیبی شامل رگرسیون بردار پشتیبان به همراه الگوریتم بهینهسازی گرگ خاکستری با جهش دومرحلهای (SVR-TMGWO) بهصورت جداگانه برای هر مخاطره ساخته شد. اطلاعات رخدادهای سیل و زمینلغزش طی یک دوره بیستساله (۲۰۰۰ تا ۲۰۲۰) از سازمان زمینشناسی و اکتشافات معدنی ایران و سازمان منابع طبیعی و آبخیزداری کشور گردآوری شد، و موقعیت نقاط فرونشست از تحلیلهای تداخلسنجی راداری Sentinel-1 استخراج گردید. نقاط عدم رخداد بهصورت رندوم در خارج از بافر ۲۰۰۰ متری اطراف رخدادهای ثبتشده و با نسبت ۱:۱ تولید شدند تا توازن دستهای حفظ شود، و سپس دادهها در درون خوشههای K-means (که مقدار بهینه K از طریق تحلیلهای Gap و Silhouette تعیین شد) به نسبت ۷۰٪ آموزش و ۳۰٪ آزمون تقسیم گردیدند تا توزیع دادهها در فضای ویژگی بین دو زیرمجموعه متوازن باقی بماند. هجده عامل مؤثر شامل متغیرهای توپوگرافی، هیدرولوژیکی، محیطی، انسانساخت و ویژگیهای فیزیکی خاک برای هر پیکسل آمادهسازی شد. الگوریتم TMGWO سه فراپارامتر مدل SVR ( یعنی C، ε و γ) را بهصورت همزمان برای هر مخاطره تنظیم کرد و پیکربندیهای متمایزی متناسب با فیزیک هر فرآیند بهدست داد. دقت مدل با استفاده از شاخصهای AUC-ROC، RMSE، R² و R² تعدیلشده روی دادههای آزمون مستقل ارزیابی شد. بهمنظور غلبه بر محدودیت جعبهسیاه بودن یادگیری ماشین، مقادیر شپلی (SHAP) در دو سطح جهانی و محلی محاسبه شد تا سهم هر عامل مؤثر در پیشبینی، هم در سطح منطقهای و هم در موقعیتهای منفرد، آشکار گردد. در پایان، سه نقشه حساسیت تکمخاطرهای در قالب یک نقشه چندمخاطرهای هشتطبقهای تلفیق شدند که پهنههای با همپوشانی یگانه، دوگانه و سهگانه را مشخص میکند.یافتهها: الگوریتم TMGWO بهطور پیوسته مقدار AUC-ROC را در مرحله آزمون نسبت به مدل پایه SVR بهبود بخشید و به ۸۴۰۴/۰ برای سیل، ۹۳۲۹/۰ برای زمینلغزش و ۹۶۴۲/۰ برای فرونشست رسید، و در عین حال فاصله میان مرحله آموزش و آزمون را کاهش داد که نشاندهنده کنترل بیشبرازش در مقایسه با مدل پایه بهینهنشده است. تحلیل SHAP ارتفاع را بهعنوان عامل غالب در هر سه مخاطره شناسایی کرد، اما عوامل ثانویه متفاوتی برای هر فرآیند آشکار ساخت. نقشه چندمخاطرهای نشان داد که پهنههای با همپوشانی سهگانه از نظر فضایی محدود و در نواحی انتقالی میان کوهستان و دشت متمرکز هستند.نتیجهگیری: چارچوب پیشنهادی SVR-TMGWO در ترکیب با تفسیرپذیری مبتنی بر SHAP، نقشههای حساسیت فضایی صریح و از نظر فیزیکی معنادار را برای سه مخاطره همزمان در شمال ایران تولید کرد. نقشه چندمخاطرهای هشتطبقهای حاصل، مناطق اولویتدار را برای برنامهریزی یکپارچه کاربری اراضی، حفاظت از زیرساختها و اولویتبندی هشدار اولیه مشخص میکند، در حالی که خروجیهای SHAP استدلال مدل را برای ذینفعان غیرمتخصص شفاف میسازد. در پژوهشهای آتی، گنجاندن پویاییهای زمانی از طریق تحلیلهای چندزمانه InSAR و سناریوهای اقلیمی، مقایسه با گزینههای یادگیری عمیق مانند شبکههای عصبی پیچشی، و گسترش چارچوب به ارزیابی کامل ریسک از طریق در نظر گرفتن مؤلفههای در معرضقرارگرفتگی و آسیبپذیری توصیه میشود.
