جغرافیا و برنامه ریزی منطقه‌ای

جغرافیا و برنامه ریزی منطقه‌ای

ارزیابی و مدلسازی پایداری شیب‌های خاکی در مناطق زلزله‌خیز با استفاده از الگوریتم‌های هوش مصنوعی

نوع مقاله : مقاله علمی -پژوهشی کاربردی

نویسنده
فراز بیابانکی
دانشکده محیط زیست دانشگاه تهران، مهندس محیط زیست گرایش منابع آب
10.22034/jgeoq.2026.575967.4427
چکیده
ین پژوهش به ارزیابی و مدل‌سازی پایداری شیب‌های خاکی در مناطق زلزله‌خیز با استفاده از الگوریتم‌های یادگیری ماشین و روش‌های هوشمند پرداخته است. در این مطالعه، داده‌های جمع‌آوری‌شده از مناطق مختلف ایران شامل ۴۲۹۵ نمونه شیب خاکی با ویژگی‌های توپوگرافی، اقلیمی و زمین‌شناسی مورد تحلیل قرار گرفته است. هدف اصلی این تحقیق، شناسایی مهم‌ترین پارامترهای تأثیرگذار بر پایداری شیب‌ها و توسعه مدل‌های پیش‌بینی با دقت بالا برای شبیه‌سازی خطر زمین‌لغزش است. مدل‌های یادگیری ماشین نظیر Random Forest، XGBoost و Gradient Boosting به منظور پیش‌بینی پایداری شیب‌ها ارزیابی شدند و نتایج نشان داد که مدل XGBoost با دقت ۰.۹۲۰ بهترین عملکرد را ارائه داده است. همچنین، مدل ترکیبی Voting Classifier که ترکیبی از سه مدل مذکور است، بهترین تعادل را بین دقت و یادآوری نشان داد. این تحقیق می‌تواند به عنوان ابزاری موثر در ارزیابی خطرات زمین‌لغزش و کمک به برنامه‌ریزی منطقه‌ای و مدیریت بحران در مناطق زلزله‌خیز مورد استفاده قرار گیرد و همچنین تحلیل جغرافیایی خوبی را ارائه می دهد.
کلیدواژه‌ها
پایداری شیب
زمین‌لغزش
یادگیری ماشین
برنامه‌ریزی منطقه‌ای
زلزله

عنوان مقاله English

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

نویسنده English

Faraz Biabanaki
Faculty of Environment, University of Tehran, Environmental Engineer, Water Resources Department
چکیده English

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.

کلیدواژه‌ها English

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.
References  
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
Ahmadi, F., et al. (2020). Investigating the impact of geological and climatic characteristics on slope stability in Golestan Province. Journal of Crisis Management Research, 10(2), 110–122. [In Persian].
Akbari, M., et al. (2021). Natural hazard prediction analysis using machine learning models in earthquake-prone regions of Iran. Journal of Climate Change and Environment, 3(4), 95–103. [In Persian].
Hosseini, M., Jafari, A., & Ahmadi, S. (2020). Using machine learning algorithms to predict slope stability in earthquake-prone regions of Iran. Iranian Journal of Geotechnical Engineering, 12(4), 235–245. [In Persian].
Jafari, S., et al. (2020). Assessment and modeling of slope stability using machine learning algorithms in earthquake-prone regions. Journal of Novel Technologies in Geotechnical Engineering, 7(1), 124–135. [In Persian].
Karimi, R., Mousavi, H., & Jafari, S. (2022). Landslide hazard assessment using hybrid machine learning models in Kermanshah Province. Journal of Geology and Natural Hazards, 15(3), 154–163. [In Persian].
Mohammadi, M., Soltani, H., & Rezaei, B. (2021). Landslide hazard prediction in northern regions of Iran using machine learning algorithms. Journal of Geographic Data Analysis, 8(2), 100–115. [In Persian].
Taheri, A., et al. (2019). Assessment and modeling of slope stability using machine learning algorithms in earthquake-prone regions. Journal of Novel Technologies in Geotechnical Engineering, 7(1), 124–135. [In Persian].
Zarei, M., et al. (2021). Modeling slope stability in earthquake-prone regions using deep neural networks. Journal of Environmental Sciences, 21(1), 45–56. [In Persian].