Abstract This article addresses the spatial analysis of landslide susceptibility in the Ardabil province of Iran. To this end, two well-known optimization algorithms, namely genetic algorithm (GA) and particle swarm optimization (PSO) are synthesized with an adaptive neuro-fuzzy inference system (ANFIS) to create the ensembles of GA-ANFIS and PSO-ANFIS. Besides, the statistical index (SI) model is also performed to be compared with the mentioned intelligent techniques. Fourteen landslide conditioning factors including elevation, slope aspect, land use, plan curvature, profile curvature, soil type, distance to river, distance to road, distance to fault, rainfall, slope degree, stream power index (SPI), topographic wetness index (TWI), and lithology were considered within the geographic information system (GIS). Out of 253 identified landslides, 177 points (70% of them) were randomly selected and used for the training phase, and the remaining 76 points (30% of them) were used to evaluate the accuracy of the SI, GA-ANFIS, and PSO-ANFIS models. Referring to the calculated area under the receiver operating characteristic curve (AUROC) index, the GA-ANFIS (AUROC = 0.914) and SI (AUROC = 0.821) showed the best performance, respectively in the training and testing phases. Notably, ANFIS-PSO emerged as the faster prediction method compared to the GA-ANFIS. Also, from spatial analysis, it was revealed that around 95%, 87%, and 97% of the training landslides, and 96%, 84%, and 76% of the testing landslides are located in hazardous areas.

中文翻译：

---

使用神经模糊系统和元启发式方法的两种新集成对滑坡风险进行空间评估；伊朗阿尔达比勒省

摘要 本文讨论了伊朗阿尔达比勒省滑坡敏感性的空间分析。为此，两种著名的优化算法，即遗传算法 (GA) 和粒子群优化 (PSO) 与自适应神经模糊推理系统 (ANFIS) 合成，以创建 GA-ANFIS 和 PSO-ANFIS 的集成。此外，还进行了统计指数（SI）模型与上述智能技术进行比较。14个滑坡条件因子，包括高程、坡向、土地利用、平面曲率、剖面曲率、土壤类型、到河流的距离、到道路的距离、到断层的距离、降雨量、坡度、溪流功率指数（SPI）、地形湿度指数（ TWI) 和岩性在地理信息系统 (GIS) 中被考虑在内。在 253 个已确定的滑坡中，随机选取 177 个点（其中 70%）用于训练阶段，其余 76 个点（其中 30%）用于评估 SI、GA-ANFIS 和 PSO-ANFIS 模型的准确性。参照受试者工作特征曲线（AUROC）指数下的计算面积，GA-ANFIS（AUROC = 0.914）和SI（AUROC = 0.821）分别在训练和测试阶段表现出最佳性能。值得注意的是，与 GA-ANFIS 相比，ANFIS-PSO 成为更快的预测方法。此外，空间分析表明，大约 95%、87% 和 97% 的训练滑坡以及 96%、84% 和 76% 的测试滑坡位于危险区域。其余 76 个点（其中 30%）用于评估 SI、GA-ANFIS 和 PSO-ANFIS 模型的准确性。参照受试者工作特征曲线（AUROC）指数下的计算面积，GA-ANFIS（AUROC = 0.914）和SI（AUROC = 0.821）分别在训练和测试阶段表现出最佳性能。值得注意的是，与 GA-ANFIS 相比，ANFIS-PSO 成为更快的预测方法。此外，空间分析表明，大约 95%、87% 和 97% 的训练滑坡以及 96%、84% 和 76% 的测试滑坡位于危险区域。其余 76 个点（其中 30%）用于评估 SI、GA-ANFIS 和 PSO-ANFIS 模型的准确性。参照受试者工作特征曲线（AUROC）指数下的计算面积，GA-ANFIS（AUROC = 0.914）和SI（AUROC = 0.821）分别在训练和测试阶段表现出最佳性能。值得注意的是，与 GA-ANFIS 相比，ANFIS-PSO 成为更快的预测方法。此外，空间分析表明，大约 95%、87% 和 97% 的训练滑坡以及 96%、84% 和 76% 的测试滑坡位于危险区域。分别在训练和测试阶段。值得注意的是，与 GA-ANFIS 相比，ANFIS-PSO 成为更快的预测方法。此外，空间分析表明，大约 95%、87% 和 97% 的训练滑坡以及 96%、84% 和 76% 的测试滑坡位于危险区域。分别在训练和测试阶段。值得注意的是，与 GA-ANFIS 相比，ANFIS-PSO 成为更快的预测方法。此外，从空间分析中发现，大约 95%、87% 和 97% 的训练滑坡以及 96%、84% 和 76% 的测试滑坡位于危险区域。