پیوندهای مفید
آمار
| تعداد نشریات | 13 |
| تعداد شمارهها | 238 |
| تعداد مقالات | 2,428 |
| تعداد مشاهده مقاله | 4,018,169 |
| تعداد دریافت فایل اصل مقاله | 2,911,322 |
توسعه مدلهای یادگیری ماشین توضیحپذیر بهینهسازی شده به منظور تهیه نقشه حساسیت چندمخاطرهای سیل و زمینلغزش (مطالعه موردی: سواحل دریای خزر) | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113132.1131 | ||
| نویسندگان | ||
| علی اصغر آل شیخ* 1؛ کیمیا خیرخواه1؛ فاطمه رضایی1؛ علی جعفری1؛ مهدی پناهی2 | ||
| 1گروه سیستمهای اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 2گروه جغرافیای فیزیکی و مرکز تحقیقات اقلیمی بولین، دانشگاه استکهلم، استکهلم، سوئد | ||
| تاریخ دریافت: 09 دی 1404، تاریخ بازنگری: 20 اردیبهشت 1405، تاریخ پذیرش: 16 خرداد 1405 | ||
| چکیده | ||
| هدف این پژوهش، توسعه یک چارچوب بهینهسازیشده و تفسیرپذیر برای تهیه نقشههای حساسیت توأمان سیل، زمینلغزش و فرونشست زمین در استانهای شمالی ایران است. یک مدل ترکیبی شامل رگرسیون بردار پشتیبان (SVR) به همراه الگوریتم بهینهسازی گرگ خاکستری با جهش دومرحلهای (SVR-TMGWO) بهصورت جداگانه برای هر مخاطره ساخته شد. سیزده عامل مؤثر شامل متغیرهای توپوگرافی، هیدرولوژیکی، انسانساخت و ویژگیهای فیزیکی خاک آمادهسازی شد. الگوریتم TMGWO سه فراپارامتر مدل SVR شامل C، ε وγ را بهصورت همزمان برای هر مخاطره تنظیم کرد و پیکربندیهای متمایزی متناسب با فیزیک هر فرآیند بهدست داد. دقت مدل با استفاده از ضریب تعیین (۲R)، ضریب تعیین تعدیلشده (۲Adj. R)، جذر میانگین مربعات خطا (RMSE) و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC-ROC) روی دادههای آزمون مستقل ارزیابی شد. مقادیر شپلی (SHAP) در دو سطح جهانی و محلی محاسبه شد تا سهم هر متغیر در پیشبینی آشکار گردد. در پایان، سه نقشه حساسیت در قالب یک نقشه چندمخاطرهای هشتطبقهای تلفیق شدند. با استفاده از الگوریتم SVR-TMGWO بهطور پیوسته مقدار AUC-ROC 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. تحلیلSHAP ، ارتفاع را بهعنوان عامل غالب شناسایی کرد. نقشه چندمخاطرهای نشان داد که پهنههای با همپوشانی سهگانه از نظر فضایی محدود و در نواحی انتقالی میان کوهستان و دشت متمرکز هستند. چارچوب پیشنهادی SVR-TMGWO در ترکیب با توضیحپذیری مبتنی بر SHAP، نقشههای حساسیت فضایی صریح و از نظر فیزیکی معنادار را برای سه مخاطره همزمان در شمال ایران تولید کرد. | ||
| عنوان مقاله [English] | ||
| Development of Optimized Explainable Machine Learning Models for Preparing Multi-Hazard Susceptibility Maps of Floods and Landslides (Case Study: Caspian Sea Coast) | ||
| نویسندگان [English] | ||
| Ali Asghar Alesheikh1؛ Kymia Kheirkhah1؛ Fatemeh Rezaie1؛ Ali Jafari1؛ Mahdi Panahi2 | ||
| 1Department of Geospatial Information Systems , Faculty of Surveying Engineering, K. N.Toosi University of Technology, Tehran, Iran | ||
| 2Department of Physical Geography and Bolin Centre for Climate Research, Stockholm University, Stockholm, Sweden | ||
| چکیده [English] | ||
| Background and Objectives: Iran's northern provinces (Golestan, Mazandaran, and Gilan) are simultaneously exposed to floods, landslides, and land subsidence, yet most prior studies have addressed these hazards in isolation. Existing susceptibility models often rely on single machine learning algorithms without systematic hyperparameter tuning and treat their predictions as opaque outputs, limiting their value for evidence-based decision-making. This research aims to develop an optimized and interpretable framework that produces joint susceptibility maps for all three hazards across this region, supporting integrated risk planning. Methods: A hybrid model combining Support Vector Regression with the Two-phase Mutation Grey Wolf Optimizer (SVR-TMGWO) was built separately for each hazard. Twenty years of recorded flood and landslide events (2000–2020) were compiled from the Geological Survey of Iran and the national watershed-management authority, while subsidence locations were derived from Sentinel-1 InSAR analyses. Eighteen conditioning factors spanning topographic, hydrological, anthropogenic, and soil-physical variables were prepared for each pixel. The TMGWO algorithm simultaneously tuned the three SVR hyperparameters (C, ε, γ) for each hazard, producing distinct configurations that reflect the differing physics of each process. Model accuracy was evaluated using AUC-ROC, RMSE, R², and adjusted R² on independent test data. To overcome the black-box limitation of machine learning, Shapley Additive Explanations (SHAP) were computed at both global and local scales, exposing the contribution of each factor to the prediction. Finally, the three susceptibility maps were combined into an eight-class multi-hazard map. Findings: TMGWO consistently improved test-phase AUC-ROC over the base SVR model, reaching 0.8404 for flood, 0.9329 for landslide, and 0.9642 for subsidence, while narrowing the training-test gap and indicating reduced overfitting. SHAP identified elevation as the leading driver across all three hazards but revealed contrasting secondary controls per process. The multi-hazard map showed that triple-overlap zones were spatially restricted and concentrated along the mountain-plain transition. Conclusion: The proposed SVR-TMGWO framework, combined with SHAP interpretability, produced spatially explicit and physically meaningful susceptibility maps for three coexisting hazards in northern Iran. The resulting eight-class multi-hazard product highlights priority areas for integrated land-use planning and infrastructure protection. Future research should incorporate temporal dynamics, compare deep learning alternatives such as convolutional neural networks, and extend the framework to full risk assessment by including exposure and vulnerability components. | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||