Journal of Spatial Analysis Environmental Hazards

fa مدل سازی ریسک خطر وقوع فرونشست با استفاده از الگوریتم جنگل تصادفی (مطالعه موردی : دشت اشتهارد) Risk Modeling of Land Subsidence Using the Random Forest Algorithm (Case Study: Eshtehard Plain) تخصصي Special كاربردي Applicable هدف: در دو دهۀ اخیر فرونشست به عنوان یک مخاطره ژئومورفیک و یکی از <a href="https://fa.wikipedia.org/wiki/%D8%A8%D8%AD%D8%B1%D8%A7%D9%86_%D8%B2%DB%8C%D8%B3%D8%AA%E2%80%8C%D9%85%D8%AD%DB%8C%D8%B7%DB%8C" title="بحران زیست‌محیطی">بحران‌های زیست‌محیطی</a>، هر ساله خسارات جبران ناپذیری را به دشت های ایران تحمیل می کند که می توان گفت یکی از مهم‌ترین علل آن در حال حاضر برداشت غیر اصولی و بی رویه از سفره های زمینی می باشد. دشت اشتهارد به‌عنوان یکی از قطبهای صنعتی و کشاورزی استان البرز هم از این قائده مستثنی نیست که به دلیل افت شدید سطح آب زیرزمینی توسط وزارت نیرو ممنوعۀ بحرانی اعلام شده است. از این رو در این پژوهش جهت مدلسازی ریسک خطر وقوع فرونشست در دشت اشتهارد، از روش جنگل تصادفی در محیط نرم‌افزار R استفاده شد. روش پژوهش: در این راستا، ۱۲ لایه مستقل شامل نقشه ارتفاع، فاصله از آبراهه، فاصله از قنات، فاصله از چاه، فاصله از گسل، افت سطح آب زیرزمینی، تراکم زهکشی، خاک‌شناسی، سنگ‌شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی و تابش خورشیدی و یک لایه وابسته شامل نقاط فرونشست مورد استفاده قرار گرفت. مدل جنگل تصادفی در محیط نرم‌افزار R اجرا شد. از دو شاخص مهم میانگین کاهشی دقت و میانگین کاهش ضریب جینی برای تعیین اولویت، اهمیت و وزن‌دهی عوامل مؤثر بر فرونشست استفاده شد و به ‌منظور ارزیابی عملکرد مدل، از معیارهای دقت (Accuracy)، ضریب کاپا (Kappa) و منحنی ویژگی عملکرد گیرنده (ROC Curve) را مورد استفاده قرار دادیم. یافته‌ها: نتایج نشان داد که مدل جنگل تصادفی دقت بالایی در طبقه‌بندی ریسک فرونشست زمین دارد. که ارزیابی ما هم از نظر دقت کلی ۰.۹۶۳(Accuracy)، هم از نظر توافق واقعی ۰.۶۱۱ (Kappa)، و هم از نظر قدرت تمایز ۰.۹۵۵(AUC) کاملاً علمی و معتبر بود و بیانگر آن است که مدل جنگل تصادفی برای پهنه‌بندی ریسک خطر وقوع فرونشست عملکرد بسیار خوبی داشته است. متغیرهای عمق آب زیرزمینی، فاصله از چاه‌ها، زمین‌شناسی و کاربری اراضی بیشترین تأثیر را در وقوع فرونشست داشتند. همچنین بیش از ۶۵٪ از مساحت منطقه در طبقات ریسک زیاد و بسیار زیاد قرار گرفت که حاکی از شرایط بحرانی منطقه است. این در حالیست که درصد مساحت کاربری شهری از سال ۲۰۱۱ تا ۲۰۲۳ روند صعودی را تجربه کرده است. به‌ویژه در سال ۲۰۲۳ که با افزایش تمرکز جمعیتی، بستری برای فشار بیشتر بر منابع زیرزمینی وارد آمده و فرونشست در این نواحی شدت یافته است.   Objective: Over the past two decades, land subsidence has emerged as a significant geomorphological hazard and one of the most critical environmental crises in Iran, causing irreversible damage to many plains each year. Among its primary current causes is the excessive and unregulated extraction of groundwater. The Eshtehard Plain, recognized as one of the industrial and agricultural hubs of Alborz province, is no exception. Due to severe groundwater depletion, it has been officially declared a critical zone by the Ministry of Energy. The objective of this study is to model the risk of land subsidence in this plain using the Random Forest algorithm and to analyze the contributing factors influencing its occurrence Methods: In this study, twelve independent spatial layers were utilized, including: digital elevation model (DEM), distance to rivers, distance to qanats, distance to wells, distance to faults, groundwater depth, drainage density, soil type, lithology, land use, topographic wetness index (TWI), and solar radiation. The dependent layer consisted of subsidence zones. The Random Forest model was implemented in the R software environment. Two key importance measures—Mean Decrease Accuracy and Mean Decrease Gini—were employed to rank, assess the significance of, and assign weights to the contributing factors of land subsidence. Finally, model performance was evaluated using three complementary metrics: Accuracy, Kappa, and AUCResults: The results demonstrated that the Random Forest model achieved high accuracy in classifying land subsidence risk. Model evaluation showed strong performance with an overall accuracy of 0.963, a Kappa coefficient of 0.611, and an AUC value of 0.955, indicating that the model is highly effective for spatial risk zoning of land subsidence. The most influential variables in subsidence occurrence were identified as groundwater depth, distance to wells, geology, and land use. Furthermore, more than 65% of the study area was categorized as high-risk and very high-risk, reflecting the critical condition of the Eshtehard Plain. Notably, the share of urban land use has shown a steady increase from 2011 to 2023, with a significant spike in 2023, where increased population concentration has placed additional pressure on groundwater resources, leading to an intensification of subsidence in affected areas Conclusions: The Random Forest algorithm successfully modeled the spatial distribution of land subsidence risk with high accuracy. This method can serve as an effective tool for informed decision-making in groundwater resource management, sustainable development planning, and hazard mitigation in similar regions.   الگوریتم جنگل تصادفی , دشت اشتهارد, مدل سازی, فرونشست Eshtehard Plain, Random Forest, land subsidence, modeling 0 0 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-276-2&slc_lang=fa&sid=1 rana norouzi رعنا نوروزی ra.norouzi@yahoo.com 100319475328460012774 100319475328460012774 Yes دانشگاه خوارزمی Sayyd Morovat Eftekhari سیدمروت افتخاری Eftekhari@khu.ac.ir 100319475328460012775 100319475328460012775 No استادیار گروه ژئومورفولوژی Ali Ahmadabadi علی احمدآبادی ahmadabadi@khu.ac.ir 100319475328460012776 100319475328460012776 No استادیار گروه ژئومورفولوژی