افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه های پیش بینی مکانی مخاطرات زمینی از جمله زمین لغزش ها یکی از چالش های پیش رو در این گونه مطالعات می باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام (Random Subspace-Random Forest (RS-RF، برای افزایش میزان صحت پیش بینی مناطق حساس به وقوع زمین لغزش های سطحی اطراف شهر بیجار می باشد. در ابتدا، نوزده عامل موثر بر وقوع زمین لغزش های سطحی منطقه مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب (Curvature)، تقعر و تحدب شیب (Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratio دوازده عامل موثر از بین آن ها انتخاب و جهت مدل سازی به کار گرفته شدند. اهمیت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبی RS-RF بررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROC برای ارزیابی مدل ها هم برای داده های تعلیمی و هم برای داده های صحت سنجی استفاده شدند. نقشه های پیش بینی مکانی وقوع زمین لغزش های سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RF درجه شیب مهم ترین فاکتورهای موثر بر وقوع زمین لغزش های منطقه مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تایید این مدل ها برای داده های تعلیمی و داده های صحت سنجی بودند. نتایج ارزیابی صحت نقشه پهنه بندی به دست آمده نشان داد که درصد مساحت زیر منحنی (ROC) AUROC برای داده های تعلیمی در مدل RF و مدل ترکیبی RS-RF ارائه شده به ترتیب 0.729 و 0.784 وبرای داده های صحت سنجی به ترتیب 0.717 و 0.771 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspace منجر به افزایش صحت پیش بینی مکانی حساسیت زمین لغزش های سطحی منطقه مورد مطالعه شده است. دستیابی به یک نقشه پیش بینی مکانی زمین لغزش های سطحی با صحت بالاتر، کمک شایانی در توسعه معقول تر تاسیسات، اراضی شهری و روستایی، طرح های آمایش سرزمین، طرح های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده ای و انتقال رسوبات به پایین دست خواهد شد.

This study aimed to estimate the genetic parameters of body weight traits in Markhoz goats, using B-spline random regression models. The data used in this study included 19549 records collected during 29 years (1992-2021) in Markhoz goat Breeding Research Station, located in Sanandaj, Iran. The model used to analyze data included fixed effects (year of birth, sex, type of birth and age of dam) and random effects including direct additive genetic, maternal additive genetic, permanent environmental and maternal permanent environmental assuming homogeneous and heterogeneous residual variance during the time. Akaike (BIC) and Bayesian (BIC) information criteria were used to compare the models and bspq.4.4.4.4 was selected as the best model. The direct heritability values for birth, 3-month, 6-month, 9-month and 12-month weights were estimated to be 0.14, 0.16, 0.08, 0.28 and 0.26, respectively. Genetic correlation between body weights at birth and 3-month, birth and 6-month, birth and 9-month, birth and 12-month, 3-month and 6-month, 3-month and 9-month, 3-month and 12-month, 6-months and 9-month and 9-month and 12-month were 0.22, 0.38, 0.21, 0.56, -0.26, 0.30, 0.62, 0.86 and 0.77, respectively. The highest phenotypic correlation was between the weight of 9-month and 12-month (0.82) and the lowest correlation was between birth weight and 3-month and 6-month (0.12). The results showed that the 9-month weight is a good criterion for selection in Markhoz goats.