Journal of Applied Research in Geographical Sciences

fa مدل‌سازی حساسیت زمین‌لغزش با وزن‌دهی پویای مکانی-زمانی مبتنی بر PSO-GA در حوضه شمال تهران Landslide Susceptibility Modeling Using PSO-GA-Based Dynamic Spatio-Temporal Weighting in Northern Tehran Basin ژئومورفولوژی Geomorphology پژوهشي Research <table align="right" class="MsoTableGrid" dir="rtl" style="border-collapse:collapse; border:none"> <tbody> <tr> <td style="border-bottom:2px double black; width:486px; padding:0cm 7px 0cm 7px; height:74px; border-top:2px double black; border-right:1px dashed black; border-left:none" valign="top">زمین‌لغزش‌ها از جمله مخاطرات طبیعی کلیدی در حوضه شمال تهران هستند که به دلیل ویژگی‌های زمین‌شناختی، توپوگرافی ناهموار و فعالیت‌های انسانی مانند جاده‌سازی، تهدیدات قابل‌توجهی ایجاد می‌کنند. این مطالعه یک رویکرد ترکیبی نوآورانه با وزن‌دهی پویا (Dynamic Weighting) مبتنی بر الگوریتم‌های PSO و GA برای پهنه‌بندی حساسیت زمین‌لغزش در حوضه شمال تهران ارائه می‌دهد. برخلاف روش‌های سنتی مانند نسبت فراوانی (FR)، شاخص آماری (SI) و آنتروپی شانون (SE) که از وزن‌های ثابت استفاده می‌کنند، این روش وزن‌های عوامل (مانند فاصله از رودخانه، شیب، و سنگ‌شناسی) را بر اساس داده‌های زمانی مانند بارندگی فصلی و فعالیت‌های انسانی با استفاده از الگوریتم (PSO) تنظیم می‌کند. <a name="_Hlk203551629">داده‌های بارندگی و 150 رویداد زمین‌لغزش (2024-2005) از ایستگاه‌های هواشناسی محلی و پایگاه‌های داده زمین‌شناسی جمع‌آوری شدند. داده‌های ورودی شامل هشت عامل کلیدی </a><a name="_Hlk203551269">(فاصله از رودخانه، فاصله از جاده، شیب، سنگ‌شناسی، ارتفاع، جهت شیب، فاصله از گسل، و کاربری اراضی) </a>و داده‌های بارندگی فصلی بودند. نتایج نشان داد که وزن‌دهی پویا دقت پیش‌بینی را تا 15% (بر اساس AUC-ROC) نسبت به مدل‌های ثابت بهبود می‌دهد، به‌ویژه در فصول پرباران که وزن فاصله از رودخانه افزایش می‌یابد (vj=8.2 در مقایسه با vj=7.21 در مدل ثابت). مدل PSO با AUC-ROC=0.923 و GA با AUC-ROC=0.917 دقت بالاتری نسبت به مدل‌های سنتی (FR با AUC-ROC=0.804) نشان دادند. نقشه‌های خطر پویا مناطق پرخطر (مانند نزدیکی رودخانه‌ها با vj=8.23 در فصل بارانی) را با دقت بالاتری شناسایی کردند. این رویکرد برای مدیریت ریسک زمین‌لغزش در مناطق کوهستانی شهری مانند حوضه شمال تهران ارزشمند است و می‌تواند به‌عنوان الگویی برای سایر مناطق مشابه استفاده شود. </td> </tr> </tbody> </table> <table class="MsoTableGrid" style="border-collapse:collapse; border:none"> <tbody> <tr> <td style="border-bottom:2px double black; width:422px; padding:0cm 7px 0cm 7px; height:171px; border-top:2px double black; border-right:none; border-left:1px dashed black" valign="top">Landslides represent a critical natural hazard in the Northern Tehran Basin, posing significant threats due to its complex geological setting, rugged topography, and anthropogenic activities such as road construction. This study introduces an innovative hybrid framework incorporating dynamic weighting based on Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) for landslide susceptibility zonation. Unlike conventional methods (e.g., Frequency Ratio [FR], Statistical Index [SI], and Shannon Entropy [SE]), which employ static weights, our approach dynamically adjusts factor weights (e.g., distance to rivers, slope, lithology) using PSO, accounting for temporal variables such as seasonal rainfall and human activity. We compiled rainfall data and 150 landslide events (2005–2024) from local meteorological stations and geological databases. Input parameters included eight key factors (distance to rivers, distance to roads, slope, lithology, elevation, aspect, distance to faults, and land use) alongside seasonal rainfall. Results demonstrate that dynamic weighting improves prediction accuracy by 15% (AUC-ROC = 0.923 for PSO vs. 0.804 for FR), particularly during high-rainfall seasons where river proximity weight increased (vj = 8.2 vs. 7.21 in static models). The PSO-GA hybrid outperformed traditional models, with PSO (AUC-ROC = 0.923) and GA (AUC-ROC = 0.917) showing superior precision. Dynamic hazard maps accurately identified high-risk zones (e.g., near rivers with vj = 8.23 during rainy seasons). This approach offers a robust tool for landslide risk management in urbanized mountainous regions like Northern Tehran and serves as a replicable model for similar environments globally.</td> </tr> </tbody> </table> وزن‌دهی پویا، الگوریتم ترکیبی PSO-GA ، حوضه شمال تهران، پهنه‌بندی خطر، مدل‌سازی زمین‌لغزش Dynamic weighting, PSO-GA hybrid algorithm, Northern Tehran Basin, Hazard zonation, Landslide modeling 0 0 http://jgs.khu.ac.ir/browse.php?a_code=A-10-5092-1&slc_lang=fa&sid=1 elham salehian dehkordi الهام صالحیان دهکردی salehian67@kmsu.ac.ir 100319475328460024478 100319475328460024478 No kmsu دانشگاه علوم و فنون دریایی خرمشهر heeva elmizadeh هیوا علمیزاده Elmizadeh@kmsu.ac.ir 100319475328460024479 100319475328460024479 Yes kmsu دانشگاه علوم و فنون دریایی خرمشهر