ریزش بهمن یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد ریزش بهمن در مناطق کوهستانی امری ضروری است. هدف از این پژوهش مقایسه عملکرد مدل‌های مختلف یادگیری ماشینی در پهنه‌بندی خطر ریزش بهمن در جاده خلخال به شاهرود است. مدل ماشین بردار پشتیبان و مدل پرسپترون چند‌لایه یکی مدل‌های نوین یادگیری ماشینی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد ریزش بهمن با توجه به مطالعات میدانی 8 عامل شناسایی‌شده است که شامل: 1- ارتفاع 2- پوشش گیاهی 3- جهت شیب 4- فاصله از گسل 5- فاصله از جاده 6- پهنه برفی 7- کاربری اراضی 8-شیب، است. بعد از پیش‌پردازش‌ها تمام لایه‌ها وارد نرم‌افزار SPSS MODELER شده و مدل‌سازی با 8 نورون ورودی 8 نورون میانه و 1 خروجی طراحی‌شده است. نتایج این پژوهش نشان داد که خروجی وزنی در مدل ماشین بردار پشتیبان بیشترین ارزش وزنی را برای لایه پهنه برفی با مقدار 26/0 و برای لایه شیب و فاصله از جاده به ترتیب مقدار 18/0 و 15/0، همچنین در مدل پرسپترون چندلایه نیز بیشترین ارزش وزنی برای عامل پهنه برفی با مقدار 20/0 و بعدازآن نیز لایه‌های فاصله از جاده، شیب هر دو مقدار 17/0 و 13/0 تعلق‌گرفته است. هم‌چنین در بخش اعتبار سنجی مدل‌ها نیز، نتایج نشان داد که خروجی مدل ماشین بردار نسبت به پرسپترون چندلایه دارای اعتباری بالایی بوده و مقدار AUC مدل ماشین بردار عدد 926/0 در بخش آموزش و 936/0 در بخش تست شبکه را نمایش می‌دهد که گویای این است عملکرد مدل ماشین بردار پشتیبان در پهنه‌بندی خطر ریزش بهمن عالی بوده و نتایج آن دارای دقت بالایی است.

کلمات کلیدی