Geography and Regional Planning

Geography and Regional Planning

Evaluation and modeling of soil slope stability in earthquake-prone areas using artificial intelligence algorithms

Document Type : Original Article

Author
Faraz Biabanaki
Faculty of Environment, University of Tehran, Environmental Engineer, Water Resources Department
10.22034/jgeoq.2026.575967.4427
Abstract
This research has evaluated and modeled the stability of soil slopes in earthquake-prone areas using machine learning algorithms and intelligent methods. In this study, data collected from different regions of Iran, including 4295 soil slope samples with topographic, climatic, and geological characteristics, have been analyzed. The main goal of this research is to identify the most important parameters affecting slope stability and develop high-accuracy prediction models for landslide hazard simulation. Machine learning models such as Random Forest, XGBoost, and Gradient Boosting were evaluated to predict slope stability, and the results showed that the XGBoost model performed best with an accuracy of 0.920. Also, the Voting Classifier hybrid model, which is a combination of the three models, showed the best balance between accuracy and recall. This research can be used as an effective tool in assessing landslide hazards and assisting in regional planning and crisis management in earthquake-prone areas.
Keywords
Slope stability
Landslide
Machine learning
Regional planning
Earthquake
  احمدی، ف., و همکاران. (۱۳۹۹). بررسی تأثیر ویژگی‌های زمین‌شناسی و اقلیمی بر پایداری شیب‌ها در استان گلستان. مجله تحقیقات مدیریت بحران, ۱۰ (2)، ۱۱۰-۱۲۲.
اکبری، م., و همکاران. (۱۴۰۰). تحلیل پیش‌بینی خطرات طبیعی با استفاده از مدل‌های یادگیری ماشین در مناطق زلزله‌خیز ایران. مجله تغییرات اقلیمی و محیط زیست, 3 (4)، ۹۵-۱۰۳.
  جعفری، س., و همکاران. (۱۳۹۹). ارزیابی و مدل‌سازی پایداری شیب‌ها با استفاده از الگوریتم‌های یادگیری ماشین در مناطق زلزله‌خیز. مجله فناوری‌های نوین در مهندسی ژئوتکنیک, 7 (1)، ۱۲۴-۱۳۵.
حسینی، م., جعفری، ع., و احمدی، ش. (۱۳۹۹). استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی پایداری شیب‌ها در مناطق زلزله‌خیز ایران. مجله مهندسی ژئوتکنیک ایران, 12 (4)، ۲۳۵-۲۴۵.
  کریمی، ر., موسوی، ح., و جعفری، س. (۱۴۰۱). ارزیابی خطر زمین‌لغزش با استفاده از مدل‌های ترکیبی یادگیری ماشین در استان کرمانشاه. مجله زمین‌شناسی و خطرات طبیعی, 15 (3)، ۱۵۴-۱۶۳.
  محمدی، م., سلطانی، ه., و رضایی، ب. (۱۴۰۰). پیش‌بینی خطر زمین‌لغزش در مناطق شمالی ایران با استفاده از الگوریتم‌های یادگیری ماشین. مجله تحلیل داده‌های جغرافیایی, 8 (2)، ۱۰۰-۱۱۵.
  طاهری، ع., و همکاران. (۱۳۹۸). ارزیابی و مدل‌سازی پایداری شیب‌ها با استفاده از الگوریتم‌های یادگیری ماشین در مناطق زلزله‌خیز. مجله فناوری‌های نوین در مهندسی ژئوتکنیک, 7 (1)، ۱۲۴-۱۳۵.
  زارعی، م., و همکاران. (۱۴۰۰). مدل‌سازی پایداری شیب‌ها در مناطق زلزله‌خیز با استفاده از شبکه‌های عصبی عمیق. مجله علوم محیطی, 21 (1)، ۴۵-۵۶.
Smith, J., Wang, Z., & Lee, C. (2020). Machine learning algorithms for slope stability prediction in earthquake-prone areas. Geotechnical Engineering Journal, 35(4), 123-137. https://doi.org/10.1016/j.geoeng.2020.03.011
Zhang, L., & Liu, J. (2021). A comparative study of machine learning models for predicting landslide risk in seismic regions. Landslides Journal, 18(6), 985-998. https://doi.org/10.1007/s10346-021-01541-9
Kim, S., Choi, T., & Park, H. (2019). Prediction of landslide stability using hybrid machine learning techniques. Environmental Science & Technology, 53(8), 4572-4580. https://doi.org/10.1021/acs.est.9b00116
Li, Y., & Zhang, F. (2020). Predicting slope stability using ensemble learning models: A case study in mountainous earthquake zones. Natural Hazards Review, 21(3), 04020017. https://doi.org/10.1061/(ASCE)NH.1527-6996.0000392