Incidents and Disasters Resilience

fa ارزیابی مدل رگرسیون لجستیک در پیش‌بینی مناطق مستعد زمین‌لغزش؛ مطالعه موردی: شهرستان قزوین Evaluation of the logistic regression model for predicting landslide-prone areas; case study: Qazvin county تخصصي Special كاربردي Applicable <div style="text-align: justify;">هدف: زمین‌لغزش به‌عنوان یک ریسک بالقوه شناخته می‌شود. شناسایی مناطق مستعد زمین‌لغزش می‌تواند مدیریت و پیش‌بینی آن را بهبود دهد. این خطر بالقوه تهدیدی جدی برای تأسیسات انسانی و حتی جان انسان‌ها بشمار می‌رود. با پیشرفت‌های علوم مکانی و الگوریتم‌های یادگیری ماشین، تلاش‌ها برای تهیه نقشه‌های پیش‌بینی این مخاطره افزایش یافته است. روش پژوهش: در این مقاله، برای تهیه نقشه پیش‌بینی وقوع زمین‌لغزش در شهرستان قزوین، ۱۰ معیار شامل نوع خاک، لیتولوژی، بارش، فاصله از گسل، پوشش گیاهی، فاصله از آبراهه، فاصله از شهر، فاصله از روستا، شیب و ارتفاع انتخاب شدند. با استفاده از پردازش‌های GIS پایگاه داده فضایی تهیه شد. مقیاس فضایی و اندازه پیکسل برای هر یک از معیارها ۳۰*۳۰ متر بود تا درنهایت نقشه پیش‌بینی با این مقیاس حاصل شود. سپس با استفاده از مدل رگرسیون لجستیک و داده‌های آموزشی نقشه پیش‌بینی وقوع زمین‌لغزش، ریسک زمین‌لغزش تهیه شد. برای ارزیابی صحت از شاخص‌های دقت-یادآوری و سطح زیر منحنی نمودار ROC استفاده شد. یافته‌ها: بر اساس نقشه پیش‌بینی پهنه‌های با خطر زیاد و بسیار زیاد عمدتاً به‌صورت نوارهای خطی و منحنی در بخش‌های مختلف منطقه گسترش یافته‌اند که این موضوع می‌تواند تحت تأثیر امتداد گسل‌ها، آبراهه‌ها، تغییرات لیتولوژی و تغییرات ناگهانی شیب باشد.  نتایج نشان داد که در آستانه‌های پایین نمونه‌های مثبت اولیه به‌خوبی تشخیص داده شده است، اما با افزایش یادآوری (Recall)، میزان دقت (Precision) به حدود 6/0-7/0 کاهش می‌یابد. در سوی دیگر میزان AUC برابر با 557/0 است که به حالت تصادفی نزدیک است. خلاف دقت-یادآوری که نشان می‌داد در بعضی آستانه‌ها مدل کمی بهتر عمل می‌کند، ROC تأکید می‌کند که در کلیت، قدرت تمایز مدل پایین است. نتیجه‌گیری: نتایج بیانگر این است که مدل رگرسیون لجستیک و معیارهای مورداستفاده کارایی بالایی در شناسایی ریسک زمین‌لغزش ندارند. در پایان پیشنهاد می‌شود برای انجام تحقیقاتی در خصوص این موضوع از روش‌های متنوع یادگیری ماشین و یادگیری عمیق و داده‌های متنوع و بیشتر استفاده شود.  </div> <div style="text-align: justify;">Objective: Landslides are recognized as a potential hazard. Identifying landslide-prone areas can improve landslide management and prediction. This potential hazard poses a serious threat to human infrastructure and even human life. Advances in spatial sciences and machine-learning algorithms have increased efforts to develop predictive maps of landslide occurrence. Method: In this study, 10 criteria, including soil type, lithology, precipitation, distance from faults, vegetation cover, distance from streams, distance from urban areas, distance from rural settlements, slope, and elevation, were selected to develop a landslide occurrence prediction map for Qazvin County. A spatial database was established using GIS-based analyses. A spatial resolution and pixel size of 30 × 30 m were adopted for all criteria to produce the final prediction map at the same resolution. The landslide risk map was then developed using the logistic regression model and training data for landslide occurrence. Model performance was evaluated using precision–recall metrics and the area under the receiver operating characteristic (ROC) curve (AUC). Results: The prediction map showed that areas classified as having high and very high landslide risk were predominantly distributed as linear and curvilinear belts across different parts of the study area. This spatial pattern may be influenced by fault alignments, drainage networks, lithological variations, and abrupt changes in slope. The results showed that, at lower thresholds, the initial positive cases were identified relatively well; however, as recall increased, precision declined to approximately 0.6–0.7. Meanwhile, the AUC was 0.557, which is close to random performance. Although the precision–recall analysis indicated slightly better model performance at certain thresholds, the ROC analysis confirmed that the model had generally low discriminatory power. Conclusions: The results indicate that the logistic regression model and the selected criteria do not provide high predictive performance for identifying landslide risk. Future studies are therefore recommended to employ a wider range of machine-learning and deep-learning methods, along with more diverse and comprehensive datasets, to improve the prediction of landslide-prone areas.  </div> زمین‌لغزش, رگرسیون لجستیک, پیش‌بینی ریسک,GIS, شهرستان قزوین. Landslide,Logistic Regression,Risk Prediction,GIS,Qazvin County. 95 104 http://disaster.ndri.ac.ir/browse.php?a_code=A-10-104-1&slc_lang=fa&sid=1 Rouholla Jafarisirizi روح الله جعفری سیریزی Sirizi.r@gmail.com 1003194753284600440 1003194753284600440 Yes Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran. گروه سنجش‌ازدور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران. Mohammad Hassan Khamesi-Meybodi محمدحسن خامسی میبدی Mkhamesi@nus.ac.ir 1003194753284600441 1003194753284600441 No Department of Surveying Engineering, National University of Skills, Tehran, Iran. گروه مهندسی نقشه‌برداری، دانشگاه ملی مهارت، تهران، ایران. Javad Sadidi جواد سدیدی jsadidikhu@khu.ac.ir 1003194753284600442 1003194753284600442 No Department of Remote Sensing and GIS, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran. گروه سنجش‌ازدور و GIS، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران.