توسعه مدل‌های یادگیری ماشین توضیح‌پذیر بهینه‌سازی شده به منظور تهیه نقشه حساسیت چندمخاطره‌ای سیل، زمین‌لغزش و فرونشست زمین (مطالعه موردی: سواحل دریای خزر)

آل شیخ, علی اصغر; خیرخواه, کیمیا; رضایی, فاطمه; جعفری, علی; پناهی, مهدی

doi:10.22061/jrsgr.2026.113132.1131

تعداد نشریات	15
تعداد شماره‌ها	239
تعداد مقالات	2,438
تعداد مشاهده مقاله	4,096,201
تعداد دریافت فایل اصل مقاله	2,982,297

	توسعه مدل‌های یادگیری ماشین توضیح‌پذیر بهینه‌سازی شده به منظور تهیه نقشه حساسیت چندمخاطره‌ای سیل، زمین‌لغزش و فرونشست زمین (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 اصل مقاله (3.14 M)
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
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.
کلیدواژه‌ها
حساسیت چندمخاطره‌ای؛ رگرسیون بردار پشتیبان؛ الگوریتم گرگ خاکستری یادگیری ماشین؛ توضیح‌پذیر استان‌های شمالی ایران
عنوان مقاله [English]
Development of Optimized Explainable Machine Learning Models for Preparing Multi-Hazard Susceptibility Maps of Flood, Landslide, and Land Subsidence (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]
Barckground and Objectives: Iran's northern provinces (Golestan, Mazandaran, and Gilan) lie along the Caspian Sea and combine humid climate, steep Alborz topography, intensive groundwater extraction for agriculture, and rapid land-use change, making them simultaneously exposed to floods, landslides, and land subsidence. Despite this co-occurrence, most prior studies have addressed each hazard in isolation, providing limited insight into where these threats overlap spatially and how they should be jointly managed at the regional scale. 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 and undermining stakeholder trust. 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 and informed land-use policy. 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. Non-event points were generated randomly outside a 2000-metre buffer around recorded events at a 1:1 ratio to preserve class balance, and the dataset was partitioned into 70% training and 30% testing within K-means clusters (with the optimal K determined via Gap and Silhouette analyses) so that the feature-space distribution was balanced across both subsets. Eighteen conditioning factors spanning topographic, hydrological, environmental, 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 conditioning factor to the prediction at the regional level and at individual locations. Finally, the three single-hazard maps were combined into an eight-class multi-hazard map identifying areas of single, dual, and triple hazard overlap. 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 compared with the unoptimized baseline. 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, infrastructure protection, and early-warning prioritisation, while the SHAP outputs make the model's reasoning transparent to non-expert stakeholders. Future research should incorporate temporal dynamics through multi-temporal InSAR and climate projections, compare deep learning alternatives such as convolutional neural networks, and extend the framework to full risk assessment by including exposure and vulnerability components.
کلیدواژه‌ها [English]
Multi-hazard susceptibility, Support Vector Regression, Grey Wolf Optimizer Explainable Machine Learning, Northern Provinces of Iran

مراجع
[1] Pourghasemi HR, Kariminejad N, Amiri M, Edalat M, Zarafshar M, Blaschke T, et al. Assessing and mapping multi-hazard risk susceptibility using a machine learning technique. Sci Rep. 2020;10(1):3203. https://doi.org/10.1038/s41598-020-60191-3 [2] Yousefi S, Pourghasemi HR, Emami SN, Pouyan S, Eskandari S, Tiefenbacher JP. A machine learning framework for multi-hazards modeling and mapping in a mountainous area. Sci Rep. 2020;10(1):12144. https://doi.org/10.1038/s41598-020-69233-2 [3] Karami F, Khatibi MB, Kheirizadeh M, Asl AM. Evaluation of Performance of Support Vector Machine Algorithm in Landslide Susceptibility Zoning in Ahar-chai Basin. Journal of Geography and Environmental Hazards. 2020;8(32):1–17. https://doi.org/10.22067/geo.v8i4.83263 [4] Yousefi Z, Alesheikh AA, Jafari A, Torktatari S, Sharif M. Stacking Ensemble Technique Using Optimized Machine Learning Models with Boruta–XGBoost Feature Selection for Landslide Susceptibility Mapping: A Case of Kermanshah Province, Iran. Information. 2024;15(11):689. https://doi.org/10.3390/info15110689 [5] Razavi-Termeh SV, Sadeghi-Niaraki A, Ali F, Pradhan B, Choi SM. Optimizing ensemble learning for satellite-based multi-hazard monitoring and susceptibility assessment of landslides, land subsidence, floods, and wildfires. Sci Rep. 2025;15(1):30968. https://doi.org/10.1038/s41598-025-15381-2 [6] Liu R, Peng J, Leng Y, Lee S, Panahi M, Chen W, et al. Hybrids of support vector regression with grey wolf optimizer and firefly algorithm for spatial prediction of landslide susceptibility. Remote Sensing. 2021;13(24):4966. https://doi.org/10.3390/rs13244966 [7] Khatakho R, Gautam D, Aryal KR, Pandey VP, Rupakhety R, Lamichhane S, et al. Multi-Hazard Risk Assessment of Kathmandu Valley, Nepal. Sustainability. 2021;13(10):5369. https://doi.org/10.3390/su13105369 [8] Ullah K, Wang Y, Fang Z, Wang L, Rahman M. Multi-hazard susceptibility mapping based on Convolutional Neural Networks. Geoscience Frontiers. 2022;13(5):101425. https://doi.org/10.1016/j.gsf.2022.101425 [9] Balogun A-L, Rezaie F, Pham QB, Gigović L, Drobnjak S, Aina YA, et al. Spatial prediction of landslide susceptibility in western Serbia using hybrid support vector regression (SVR) with GWO, BAT and COA algorithms. Geoscience Frontiers. 2021;12(3):101104. https://doi.org/10.1016/j.gsf.2020.10.009 [10] Sukristiyanti S, Pamela P, Putra MHZ, Arifianti Y, Rozie AF, Lestiana H, et al. Hyperparameter Tuning on Machine Learning-Based Landslide Susceptibility Mapping (Case study: Palu City and Its Surrounding areas). Indonesian Journal on Geoscience. 2025;12(1):43–53. https://doi.org/10.17014/ijog.12.1.43-53 [11] Gharibreza M, Zaman M, Porto P, Fulajtar E, Parsaei L, Eisaei H. Assessment of deforestation impact on soil erosion in loess formation using 137Cs method (case study: Golestan Province, Iran). International Soil and Water Conservation Research. 2020;8(4):393–405. https://doi.org/10.1016/j.iswcr.2020.07.006 [12] Arabameri A, Saha S, Roy J, Chen W, Blaschke T, Tien Bui D. Landslide Susceptibility Evaluation and Management Using Different Machine Learning Methods in The Gallicash River Watershed, Iran. Remote Sensing. 2020;12(3):475. https://doi.org/10.3390/rs12030475 [13] Pourghasemi HR, Jirandeh AG, Pradhan B, Xu C, Gokceoglu C. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. Journal of Earth System Science. 2013;122(2):349–69. https://doi.org/10.1007/s12040-013-0282-2 [14] Mastouri A, Shataee S, Moayeri MH, Maghsoudi Y. Landslide susceptibility mapping using GIS-Based-MCDM Method in Arabdagh forests of Iran. Environmental Resources Research. 2022;10(2):165–82. https://doi.org/10.22069/ijerr.2023.18630.1326 [15] Haghshenas Haghighi M, Motagh M. Land Subsidence Hazard in Iran Revealed by Country-Scale Analysis of Sentinel-1 Insar. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2021;XLIII-B3-2021:155–61. https://doi.org/10.5194/isprs-archives-XLIII-B3-2021-155-2021 [16] Haghshenas Haghighi M, Motagh M. Uncovering the impacts of depleting aquifers: A remote sensing analysis of land subsidence in Iran. Sci Adv. 2024;10(19):eadk3039. https://doi.org/10.1126/sciadv.adk3039 [17] Pourghasemi HR, Pradhan B, Gokceoglu C. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran. Natural hazards. 2012;63(2):965–96. https://doi.org/10.1007/s11069-012-0217-2 [18] Bahrami Y, Hassani H, Maghsoudi A. Landslide susceptibility mapping using AHP and fuzzy methods in the Gilan province, Iran. GeoJournal. 2021;86(4):1797–816. https://doi.org/10.1007/s10708-020-10162-y [19] Mirchooli F, Gholami I, Boroughani M. Flood Susceptibility Mapping of the Famnat Watershed, Gilan Province. Water and Soil. 2024;37(6):841–53. https://doi.org/10.22067/jsw.2023.84146.1328 [20] Aditian A, Kubota T, Shinohara Y. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology. 2018;318:101–11. https://doi.org/10.1016/j.geomorph.2018.06.006 [21] Zevenbergen LW, Thorne CR. Quantitative analysis of land surface topography. Earth surface processes and landforms. 1987;12(1):47–56. https://doi.org/10.1002/esp.3290120107 [22] Rahmati O, Falah F, Naghibi SA, Biggs T, Soltani M, Deo RC, et al. Land subsidence modelling using tree-based machine learning algorithms. Science of the total environment. 2019;672:239–52. https://doi.org/10.1016/j.scitotenv.2019.03.496 [23] Nguyen HD, Dang DK, Bui QT, Petrisor AI. Multi‐hazard assessment using machine learning and remote sensing in the North Central region of Vietnam. Transactions in GIS. 2023;27(5):1614–40. https://doi.org/10.1111/tgis.13091 [24] Moayedi H, Mosallanezhad M, Rashid ASA, Jusoh WAW, Muazu MA. A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: theory and applications. Neural Computing and Applications. 2020;32(2):495–518. https://doi.org/10.1007/s00521-019-04109-9 [25] Duan K, Keerthi SS, Poo AN. Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing. 2003;51:41–59. https://doi.org/10.1016/S0925-2312(02)00601-X [26] Bui DT, Tsangaratos P, Nguyen V-T, Van Liem N, Trinh PT. Comparing the prediction performance of a Deep Learning Neural Network model with conventional machine learning models in landslide susceptibility assessment. Catena. 2020;188:104426. https://doi.org/10.1016/j.catena.2019.104426 [27] Nguyen H, Mehrabi M, Kalantar B, Moayedi H, Abdullahi MaM. Potential of hybrid evolutionary approaches for assessment of geo-hazard landslide susceptibility mapping. Geomatics, Natural Hazards and Risk. 2019. https://doi.org/10.1080/19475705.2019.1607782 [28] Mirjalili S, Mirjalili SM, Lewis A. Grey Wolf Optimizer. Advances in Engineering Software. 2014;69:46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007 [29] Abdel-Basset M, El-Shahat D, El-henawy I, de Albuquerque Victor Hugo C, Mirjalili S. A new fusion of grey wolf optimizer algorithm with a two-phase mutation for feature selection. Expert Systems with Applications. 2020;139:112824. https://doi.org/10.1016/j.eswa.2019.112824 [30] Merghadi A, Yunus AP, Dou J, Whiteley J, ThaiPham B, Bui DT, et al. Machine learning methods for landslide susceptibility studies: A comparative overview of algorithm performance. Earth-Science Reviews. 2020;207:103225. https://doi.org/10.1016/j.earscirev.2020.103225 [31] Huang F, Cao Z, Guo J, Jiang S-H, Li S, Guo Z. Comparisons of heuristic, general statistical and machine learning models for landslide susceptibility prediction and mapping. Catena. 2020;191:104580. https://doi.org/10.1016/j.catena.2020.104580 [32] Moayedi H, Mehrabi M, Mosallanezhad M, Rashid ASA, Pradhan B. Modification of landslide susceptibility mapping using optimized PSO-ANN technique. Engineering with Computers. 2019;35(3):967–84. https://doi.org/10.1007/s00366-018-0644-0 [33] Pham BT, Avand M, Janizadeh S, Phong TV, Al-Ansari N, Ho LS, et al. GIS Based Hybrid Computational Approaches for Flash Flood Susceptibility Assessment. Water. 2020;12(3):683. https://doi.org/10.3390/w12030683 [34] Chicco D, Warrens MJ, Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput Sci. 2021;7:e623. https://doi.org/10.7717/peerj-cs.623 [35] Lundberg SM, Lee S-I. A unified approach to interpreting model predictions. Advances in neural information processing systems. 2017;30. https://dl.acm.org/doi/10.5555/3295222.3295230 [36] Molnar C. Interpretable machine learning. Lulu com. 2020. [37] Rodríguez-Pérez R, Bajorath J. Interpretation of machine learning models using shapley values: application to compound potency and multi-target activity predictions. Journal of computer-aided molecular design. 2020;34(10):1013–26. https://doi.org/10.1007/s10822-020-00314-0 [38] Mohammady M, Pourghasemi HR, Amiri M. Assessment of land subsidence susceptibility in Semnan plain (Iran): a comparison of support vector machine and weights of evidence data mining algorithms. Natural hazards. 2019;99(2):951–71. https://doi.org/10.1007/s11069-019-03785-z
آمار تعداد مشاهده مقاله: 79 تعداد دریافت فایل اصل مقاله: 38

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

آمار

توسعه مدل‌های یادگیری ماشین توضیح‌پذیر بهینه‌سازی شده به منظور تهیه نقشه حساسیت چندمخاطره‌ای سیل، زمین‌لغزش و فرونشست زمین (مطالعه موردی: سواحل دریای خزر)