Landslide Susceptibility Zoning Using MLR Modeling Technique: A Case Study of Deh-Sheikh Basin

Document Type : Research Paper

Authors

1 PhD student at the Faculty of Geographical Sciences and Planning, University of Isfahan

2 Faculty of Khorramshahr University of Science and Technology

3 Mojgan Faculty of Geographical Sciences and Planning, University of Isfahan

10.22034/gp.2025.66379.3379

Abstract

This research aimed to map landslide susceptibility in the Dehsheikh watershed in northeastern Khuzestan province, identifying high-risk areas and proposing practical solutions using the Multiple Linear Regression (MLR) algorithm. The study examined 15 influential parameters across four main categories: geological factors (formations, faults, earthquakes), topographic factors (slope, aspect, elevation), environmental factors (precipitation, land use, vegetation cover), and hydrological factors (distance from rivers, Topographic Wetness Index (TWI), and SPI). In this study, 129 historical landslide points were identified and 2,500 random points were generated as control samples. The data were split into a 70:30 ratio for model training and testing. After preparing information layers in ArcGIS, SAGA-GIS, and ENVI software, modeling was performed using the MLR algorithm in the RStudio environment.

The ROC curve validation showed the model had excellent performance in landslide prediction with AUC = 0.909 for training data and AUC = 0.906 for test data (p < 0.01). Factor analysis revealed the geological formations had the greatest impact on landslide occurrence (coefficient = 0.60, p < 0.001). Specifically, the Quaternary and Gachsaran formations showed the highest sensitivity due to their unfavorable geotechnical characteristics. Slope (0.47, p < 0.001) and distance from rivers (0.34, p < 0.01) were secondary influencing factors. This study demonstrated that integrating field methods and remote sensing with machine learning algorithms provides a powerful tool for landslide risk management. However, limitations include the resolution of input data and spatial scale of analysis. Simultaneous consideration of natural and human factors can make planning for high-risk areas more effective. Implementation of proposed solutions including biological measures, water resource control, and structural measures could lead to significant damage reduction. Future studies are recommended to use combined methods with higher resolution data and three-dimensional modeling approaches.

Keywords

Main Subjects

Full Text

این پژوهش با هدف پهنه‌بندی خطر زمین‌لغزش در حوضه آبریز ده‌شیخ در شمال‌شرق استان خوزستان، به شناسایی مناطق پرخطر و ارائه راهکارهای عملی با استفاده از الگوریتم رگرسیون خطی چندگانه (MLR) پرداخته است. داده‌های مورد بررسی شامل ۱۵ پارامتر مؤثر در چهار گروه اصلی عوامل زمین‌شناسی (سازندها، گسل‌ها، زلزله)، عوامل توپوگرافیکی (شیب، جهت شیب، ارتفاع)، عوامل محیطی (بارش، کاربری اراضی، پوشش گیاهی) و عوامل هیدرولوژیکی (فاصله از رودخانه، TWI، SPI) بودند. در این مطالعه، ۱۲۹ نقطه زمین‌لغزش تاریخی شناسایی و ۲۵۰۰ نقطه تصادفی به عنوان نمونه‌های کنترل تولید شد و داده‌ها به نسبت ۷۰ به ۳۰ برای آموزش و آزمون مدل تقسیم شدند. پس از تهیه لایه‌های اطلاعاتی در نرم‌افزارهای  ArcGIS،SAGA-GIS  و ENVI، مدل‌سازی با الگوریتم MLR در محیطRStudio  انجام گرفت. اعتبارسنجی نمودار ROC نشان داد که مدل با مقدار 909/0AUC= برای داده‌های آموزشی و 906/0 AUC= برای داده‌های آزمایشی، عملکرد بسیار خوبی در پیش‌بینی زمین‌لغزش دارد. تحلیل عوامل مؤثر نشان داد که سازندهای زمین‌شناسی با ضریب 60/0 بیشترین تأثیر را در وقوع زمین‌لغزش دارند. به‌ویژه سازندهای کواترنری و گچساران به دلیل ویژگی‌های ژئوتکنیکی بیشترین حساسیت را نشان دادند. شیب با ضریب 47/0 و فاصله از رودخانه با ضریب 34/0 در رده‌های بعدی عوامل مؤثر قرار گرفتند. در مقابل، شاخص ارتفاع (09/0-)، گسل (10/0-) و NDVI (16/0-) کمترین تاثیر در زمین‌لغزش دارند. این پژوهش نشان داد که تلفیق روش‌های میدانی و سنجش از دور با الگوریتم‌های یادگیری ماشین، ابزار قدرتمندی برای مدیریت خطر زمین‌لغزش محسوب می‌شود و توجه همزمان به عوامل طبیعی و انسانی می‌تواند برنامه‌ریزی برای مناطق پرخطر را اثربخش‌تر کند. همچنین اجرای راهکارهای پیشنهادی شامل اقدامات بیولوژیک، کنترل منابع آب و تمهیدات سازه‌ای می‌تواند به کاهش قابل توجه خسارات منجر شود. پیشنهاد می‌شود در مطالعات آتی از روش‌های ترکیبی و داده‌های با دقت بالاتر استفاده شود.

References

اصغری سراسکانرود، صیاد؛ پالیزبان، دلنیا؛ امامی، هادی و قلعه، احسان  (1399). تحلیل مدل‌های تحلیل شبکه و منطق فازی برای تهیه نقشه پهنه‌بندی حساسیت وقوع زمین‌لغزش مطالعه موردی: (جاده سراب-نیر). جغرافیا و برنامه‌ریزی، 24(73), 1-22. Doi: 10.22034/gp.2020.10792
انتظاری، مژگان؛ استکی، شکوه و غلام حیدری، حمیده (1403). بررسی وضعیت زمین‌لغزش حوضه آبریز طارم با استفاده از مدل همپوشانی ریسک-آسیب پذیری. جغرافیا و برنامه‌ریزی، 28(89)، 61-39. Doi: 10.22034/gp.2023.54607.3073.
ذاکری‌نژاد، رضا و عموشاه، ناهید (1401). ارزیابی خطر زمین‎لغزش با استفاده از داده های سنجش از دور و مدل حداکثر آنتروپی (منطقه مورد مطالعه: حوضه آبخیز کمه، جنوب استان اصفهان). پژوهش‌های ژئومورفولوژی کمی، 11(2)، 128-149. Doi: 10.22034/gmpj.2022.340900.1349
ساداتی، سیدحمید؛ موسوی، سیدرمضان؛ وهاب‌زاده کبریا، قربان و روشان، سیدحسین (1403). ارزیابی مدل‌های جنگل تصادفی و ماشین بردار پشتیبان در تهیه نقشه حساسیت زمین‌لغزش (مطالعه موردی: حوضه تجن، استان مازندران). مخاطرات محیط طبیعی، (انتشار آنلاین)، 1-1. Doi: 10.22111/jneh.2025.50031.2071
سپه‎وند، علیرضا و بیرانوند، نسرین (1403). پهنه‌بندی حساسیت وقوع زمین‌لغزش با استفاده از الگوریتم‌های یادگیری ماشین (منطقة مورد مطالعه: بخشی از حوزة آبخیز هراز). مدل‎سازی و مدیریت آب و خاک، 4(2)، 261-278. Doi: 10.22098/mmws.2023.12678.1263.
شریفی‌پیچون، محمّد؛ شیرانی، کوروش و شیرانی، مائده (1400). اولویت‏بندی عوامل مؤثر بر وقوع زمین‌لغزش و پهنه‌بندی حساسیت آن با استفاده از روش رگرسیون چندمتغیره‌ی خطی مطالعه ی موردی: حوضه ی آبریز وهرگان-غرب استان اصفهان. هیدروژئومورفولوژی، 8(26)، 163-139. Doi: 10.22034/hyd.2021.12902.
صدیقی، حدیثه و قاسمی، احمد رضا (1402). مدل‌سازی خطر وقوع زمین لغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهار محال و بختیاری). پژوهش‎های دانش زمین، 14(4)، 42-60. Doi: 10.48308/esrj.2023.104053.
محمدی، مجتبی؛ عفیفی، محمد ابراهیم و قنبری، عبدالرسول (1402). پهنه‌بندی خطر زمین لغزش با استفاده از سیستم استنتاج فازی در حوضه‌ی رودخانه‌ی ایذه، علوم جغرافیایی، (19)42، 179-156.
نظریانی، نسترن، و فلاح اصغر (1402). مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از داده‌کاوی در جنگل‌های هیرکانی، پ‍‍ژوهشنامه مدیریت حوضه آبخیز، ۱۴۰۲: ۱۴ (۲۷) :۱۳۴-۱۲۳ .
Abbasov, R., Fahs, M., Younes, A., Nowamooz, H., Maloy, K. J., & Toussaint, R. (2024). Modeling rainfall-induced landslide using the concept of local factor of safety: Uncertainty propagation and sensitivity analysis. Computers and Geotechnics, 167, 106102.
Agboola, G., Hashemi Beni, L., Elbayoumi, T., & Thompson, G. (2024). Optimizing landslide susceptibility mapping using machine learning and geospatial techniques.  Ecological Informatics, 81 (2024) 102583. https://doi.org/10.1016/j.ecoinf.2024.102583.
Ahyuni, A., Rizki, A. H., Endah, P., & Yurni, S. (2022). Random Forest Method Utilization For Landslide Hazard Zonation In Lima Puluh Kota Regency. ICGEO 2022, November 19-20. DOI 10.4108/eai.19-11-2022.2332288.
Asghari, S., Palizban, D., Emami, H., & Ghaleh, E. (2020). Evaluation of Fuzzy Logic and Network Analysis Models for Mapping Landslide Sensitivity Case Study: (Sarab - Nir Road). Journal of Geography and Planning, 24(73), 1-22. doi: 10.22034/gp.2020.10792 [In Persian]
Chen, Z., Tang, J., & Song, D. (2024). Modeling landslide susceptibility using alternating decision tree and support vector. Terrestrial, Atmospheric and Oceanic Sciences, 35(1), 12. https://doi.org/10.1007/s44195-024-00074-6
Dahal, A., Castro-Cruz, D. A., Tanyaş, H., Fadel, I., Mai, P. M., van der Meijde, M., van Westen, C., Huser, R., & Lombardo, L. (2023). From ground motion simulations tolandslide occurrence prediction. Geomorphology 441, 108898. https://doi.org/10.1016/j.geomorph.2023.108898.
Dahal, A., Huser, R., Lombardo, L.,( 2024). At the junction between deep learning andstatistics of extremes: formalizing the landslide hazard definition. arXiv preprintarXiv:2401.14210. https://doi.org/10.48550/arXiv.2401.14210.
Dahal, A., Lombardo, L.,( 2023). Explainable artificial intelligence in geoscience: Aglimpse into the future of landslide susceptibility modeling. Computer Geoscience. 176, 105364. https://doi.org/10.1016/j.cageo.2023.105364.
Dahal, A., Tanyaş, H., Lombardo, L.,(2024). Full seismic waveform analysis com-bined with transformer neural networks improves coseismic landslide prediction.Commun. Environmental Earth Sciences. 5 (1), 75. https://doi.org/10.1038/s43247-024-01243-8.
Dahal, A., Tanyas, H., van Westen, C., van der Meijde, M., Mai, P. M., Huser, R., & Lombardo, L. (2024). Space–time landslide hazard modeling via Ensemble Neural Networks, Nat. Natural Hazards and Earth System Sciences., 24, 823–845, https://doi.org/10.5194/nhess-24-823-2024, 2024.
Dastranj, A., Hamzeh, N., & Bagherian Kalat, A. (2022). GIS-based LandslideSusceptibility Zoning Using Multi-criteria Decision-Making Method: A Case Study in BinaloodMountains, Iran. Quarterly Scientific Journal of Rescue and Relief, 2022; 14(1): 19-29. Doi: 10.32592/jorar.2022.14.1.3.
Dey, S., & Das, S. (2025). Swarm optimization based heterogeneous machine learning techniques for enhanced landslide susceptibility assessment with comprehensive uncertainty quantification. Earth Science Informatics, 18, 145. https://doi.org/10.1007/s12145-024-01617-8
Emiloglu, A., Zhu, L., Mohammednour, A. B., Azarafza, M., & Nanehkaran, Y. A. (2023). LandslideSusceptibility Assessment for Maragheh County, Iran, Using the Logistic Regression Algorithm. Land. 2023; 12(7):1397. https://doi.org/10.3390/land12071397.
Entezari, M. , Esteki, S. and Gholamhaydari, H. (2024). Investigation of State of Landslide in Tarom Watershed Using Risk-Vulnerability Superimposed Model. Journal of Geography and Planning, 28(89), 61-39. doi: 10.22034/gp.2023.54607.3073. [In Persian]
Feng, L., Zhang, M., Mao, Y., Chen, X., Wang, J., & Liu, H. (2025). Convolutional neural network-based deep learning for landslide susceptibility mapping in the Bakhtegan watershed. Scientific Reports, 15, 13250. https://doi.org/10.1038/s41598-025-96748-3
Halder, K., Srivastava, A. K., Ghosh, A. (2025). Improving landslide susceptibility prediction through ensemble recursive feature elimination and meta-learning framework. Scientific Reports, 15, 5170. https://doi.org/10.1038/s41598-025-87587-3
Karam, A., & Turani, M., (2013). Zoning of Land Susceptibility to Landslide Occurrence Using Linear Regression Methods and Analytic Hierarchy Process Case Study: Haraz Axis from Roudehen to Rineh. Applied Research in Geographical Sciences (Geographical Sciences), 13(28), 177-190. url:http://jgs.khu.ac.ir//artic-1-691. [In Persian]
Krkac, M., Sanja, B., & Gazibara, S. (2021). model of the slow-moving Kostanjek landslide in Zagreb, Croatia. Rudarsko-geološko-naftni zbornik 36(2):59-68.DOI:10.17794/rgn.2021.2.6.
Li, M., Wang, H., Chen, J., & Zheng, K. (2024). Assessing landslide susceptibility based on the random forest model and multi-source heterogeneous data. Ecological Indicators, 158, 111600. https://doi.org/10.1016/j.ecolind.2024.111600
Li, M., Wang, H., Chen, J., & Zheng, K. (2024).Assessing landslide susceptibility based on the random forest model and multi-source heterogeneous data, Ecological Indicators, 158(20), https://doi.org/10.1016/j.ecolind.2024.111600.
Mohammadi, M., Afifi, M. E., & Ghanbari, A. (2023). Landslide hazard zoning using a fuzzy inference system in the Izeh River basin, Geographical Sciences, 19(42), 156-179. [In Persian]
Nazariani N, Fallah A. (2023). Landslide Risk Modeling using Data Mining in Hyrcanian Forests. Watershed Management Research. 14(27), 123-134. doi:10.61186/jwmr.14.27.123. [In Persian]
Niraj, K. C., Ankit, S., & Dericks Praise, S. (2023). Effect of the Normalized Difference Vegetation Index (NDVI) on GIS-Enabled Bivariate and Multivariate Statistical Models for Landslide Susceptibility Mapping. Journal of the Indian Society of Remote Sensing 51(3).DOI:10.1007/s12524-023-01738-5.
Niraj, A. K. C. Singh and D. P. Shukla, (2023). Improved Landslide Susceptibility mapping using statistical MLR model, International Conference on Machine Intelligence for GeoAnalytics and Remote Sensing (MIGARS), Hyderabad, India, 1-4, doi: 10.1109/MIGARS57353.2023.10064594.
Ramani, S. (2017). Anempirical study to identify factors causing landslides using multiple linear regression model (MLR) January 2017. Disaster Advances, 10(9):18-26.
Rihan, M., Talukdar, S., Naikoo, M. W. (2024). Improving landslide susceptibility prediction in Uttarakhand through hyper-tuned artificial intelligence and global sensitivity analysis. Earth Systems and Environment. 15:13250. https://doi.org/10.1007/s41748-024-00457-2
Rodrigues Neto, J. M., & Bhandary, N. P. (2024). Landslide susceptibility assessment by machine learning and frequency ratio methods using XRAIN radar-acquired rainfall data. Geosciences, 14(6), 171. https://doi.org/10.3390/geosciences14060171
Rohan, E., Shelef, B., Mirus, T., & Coleman, T. (2023). Prolonged influence of urbanization on landslide susceptibility. Landslides, 20(5), 1023-1035. https://doi.org/10.1007/s10346-023-02034-6
Sabri, M., Ahmad, F., & Samui, P. (2024). Slope stability analysis of heavy-haul freight corridor using novel machine learning approach. Modeling Earth Systems and Environment, 10(1), 201–219. https://doi.org/10.1007/s40808-023-01774-7
Sadati, S. H. , Mousavi, S. R. , Vahabzadeh Kebria, G. and Roshun, S. H. (2025). Evaluation of Random Forest and Support Vector Machine Models in Landslide Risk Mapping (Case study: Tajan Basin, Mazandaran Province). Journal of Natural Environmental Hazards, 1-1. doi: 10.22111/jneh.2025.50031.2071. [In Persian]
Seddighi, H. and Ghasemi, A. R. (2023). Landslide risk modeling using logistics regression model (Case study: Chaharmahal and Bakhtiari province). Researches in Earth Sciences, 14(4), 42-60. doi: 10.48308/esrj.2023.104053. [In Persian]
Sepahvand, A. & Beiranvand, N. (2024). Landslide susceptibility mapping using various soft computing techniques (Case study: A part of Haraz Watershed). Water and Soil Management and Modelling, 4(2), 261-278. doi: 10.22098/mmws.2023.12678.1263. [In Persian]
Sharifi Paichoon, M. , Shirani, K. and Shirani, M. (2021). Prioritization of Factors Affecting the Occurrence of Landslides and Zoning Its Sensitivity Using Multiple Linear Regression Case Study: Vahargan Catchment-west of Isfahan Province. Hydrogeomorphology, 8(26), 163-139. doi: 10.22034/hyd.2021.12902. [In Persian]
Tian, F., Wei, Z., Zhang, H., Cui, W., Chen, F., Li, H., & Tan, D. (2025). Multi-temporal InSAR-based landslide dynamic susceptibility mapping of Fengjie County, Three Gorges Reservoir Area, China, Journal of Rock Mechanics and Geotechnical Engineering, 1674-7755, https://doi.org/10.1016/j.jrmge.2025.01.012.
Wang, Y., Sun, D., Wen, H., Zhang, H., & Zhang, F. (2020). Comparison of random forest model and frequency ratio model for landslide susceptibility mapping (LSM) in Yunyang County (Chongqing, China). International journal of environmental research and public health, 17(12), 4206. doi.org/10.3390/ijerph17124206.
Yadav, R., Huser, R., Opitz, T., & Lombardo, L. (2023). Joint modelling of landslidecounts and sizes using spatial marked point processes with sub-asymptotic markdistributions. Royal Statistical Society. Stat. qlad077. https://doi.org/10.48550/arXiv.2205.09908.
Yaghoubi, E., Yaghoubi, E., Khamees, A. (2024). A systematic review and meta-analysis of artificial neural network, machine learning, deep learning, and ensemble learning approaches in field of geotechnical engineering. Neural Comput & Applic, 36, 12655–12699. https://doi.org/10.­1007/­s00521-024-09893-7
Yang, Z., Cheng, D., & Xia, J. (2024). Effects of the Rainfall-Triggered Lisse Effect on the Stability of Loess Slopes. Journal of Earth Science, 35, 1254–1262. https://doi.org/10.1007/s12583-021-1536-6
Ye, C., Wu, H., Oguchi, T., Tang, Y., Pei, X., & Wu, Y. (2025). Physically Based and Data-Driven Models for Landslide Susceptibility Assessment: Principles, Applications, and Challenges. Remote Sensing, 17(13), 2280. https://doi.org/10.3390/rs17132280
Zakerinejad, R., & Amoshahi, N. (2022). Assessment of Landslide Hazard Using Remote sensing data and the Maximum Entropy Model (Case Study: Kome watershed, in south of Isfahan Province). Quantitative Geomorphological Research, 11(2), 128-149. doi: 10.22034/gmpj.­2022.­340900.1349. [In Persian]
Zhang, Y.; Wu, W.; Qin, Y.; Lin, Z.; Zhang, G.; Chen, R.; Song, Y.; Lang, T.; Zhou, X.; Huangfu, W.; (2020). Mapping Landslide Hazard Risk Using Random Forest Algorithm in Guixi, Jiangxi, China. Geo-Information, 9, 695. https://doi.org/10.3390/ijgi9110695.

Files

Share

How to cite

Statistics