مدل‌سازی فضایی زمین‌لغزش: ارزیابی کارایی ترکیب روش داده محور EBF و روش دانش محور AHP (مطالعه موردی: حوضه فریدون شهر)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تربیت مدرس

2 دانشگاه خوارزمی

3 دانشگاه تهران

4 مرکز تحقیقات

چکیده

سابقه و هدف: در طی دهه‌های گذشته، زمین لغزش‌ها به دلیل طبیعت مخربشان موضوع مهم پژوهش بوده‌اند. زمین لغزش‌ها از فرآیندهای ژئومورفیک رایج در مناطق کوهستانی می‌باشند که باعث حرکت توده‌ای مواد سنگی، رگولیت و یا خاک می‌گردند. تعیین زمین لغزش‌های آینده به فرآیندهای زمین‌شناختی، ژئومورفولوژیکی و هیدرولوژیکی بستگی دارد که باعث بی‌ثباتی در گذشته و حال حاضر شده‌اند. به منظور ساخت جاده‌ها، راه‌آهن، خطوط لوله آب و خطوط الکتریسیته در مناطق کوهستانی تهیه نقشه پراکنش زمین‌لغزش بسیار مهم می‌باشد. به منظور ارزیابی حساسیت زمین‌لغزش تعدادی از تکنیک‌های مختلف مورد استفاده قرار می‌گیرد که دامنه‌ای از ارزیابی‌های کیفی بر اساس قضاوت‌های کارشناسی که ذاتی می‌باشند تا ارزیابی‌های کمی بر اساس تکنیک‌های آماری پیشرفته و یا مدل‌های ریاضی را شامل می‌شود.
مواد و روش ها: مراحل روش‌شناسی که در تحقیق حاضر مورد استفاده قرار گرفته است شامل 6 گام می‌باشد. گام نخست: تهیه منابع داده‌هایی که در این پژوهش مورد استفاده قرار گرفته است شامل: داده‌های مربوط به عملیات میدانی، گزارشات تاریخی، نقشه توپوگرافی با مقیاس 1:50000، داده‌های هواشناسی، نقشه زمین‌شناسی با مقیاس 1:100000، مدل رقومی ASTER با قدرت تفکیک 30 متر و تصاویر لندست 8 با قدرت تفکیک 30 متر. گام دوم. تهیه نقشه پراکنش زمین‌لغزش: در این پژوهش نقشه پراکنش زمین لغزش با تعداد 80 موقعیت زمین‌لغزش با استفاده از عملیات میدانی گسترده و تفسیر عکس‌های هوایی تهیه گردید. گام سوم: تهیه پارامترهای موثر در زمین لغزش. گام چهارم: آنالیز تست هم‌خطی بین پارامترهای موثر در زمین‌لغزش. در این پژوهش 12 پارامتر به عنوان پارامتر موثر در زمین‌لغزش مورد استفاده قرار گرفتند که شامل طبقات‌ارتفاعی، شیب، شکل-شیب، طول‌شیب، فاصله از آبراهه، شاخص خیسی توپوگرافی، نسبت مساحت سطح، فاصله از جاده، سنگ‌شناسی، لیتولوژی، بارندگی و کاربری‌اراضی می‌باشند. گام پنجم: ترکیب مدل داده‌محور شواهد وزن‌قطعی و مدل دانش‌محور تحلیل سلسله مراتبی با استفاده از رابطه بین موقعیت زمین‌لغزش‌ها و داده‌های مختلف. گام ششم: صحت‌سنجی مدل با استفاده از شاخص‌های مساحت زیرمنحنی و شاخص سطح سلول هسته.
یافته ها: نتایج حاصل از رابطه فضایی بین موقعیت زمین‌لغزش‌ها و پارامترهای موثر در زمین‌لغزش‌ها با استفاده از مدل شواهد وزن قطعی (قطعیت، عدم قطعیت، عدم اطمینان، و احتمال) در جدول 3 و شکل 3 نشان داده شده است. مقایسه بین نقشه قطعیت و عدم‌قطعیت نشان داد که مقادیر قطعیت برای مناطقی که دارای مقادیر عدم قطعیت پایین می‌باشد، بالا می‌باشد و بالعکس. این موضوع بیانگر پتانسیل بالای وقوع زمین‌لغزش در مناطق دارای درجات بالای قطعیت و درجات پایین عدم قطعیت می‌باشد. مقادیر بالای عدم‌اطمینان در مناطق دارای مقادیر قطعیت پایین قرار دارند. وزن‌دهی پارامترهای موثر در زمین‌لغزش با استفاده از روش AHP نشان داد که پارامترهای لیتولوژی، طبقات ارتفاعی، فاصله از جاده، شیب و بارندگی به عنوان مهمترین فاکتورهای موثر در وقوع زمین لغزش می‌باشند. نسبت سازگاری ماتریس 036/0 بدست آمد که مقدار دقت خیلی‌خوبی است که منعکس کننده دقت بالای سازگاری اولویت‌بندی بین پارامترها می‌باشد.
نتایج: به علت برخی از محدودیت‌های روش‌های دانش‌محور فرآیند تحلیل سلسله مراتبی و داده‌محور شواهد وزن قطعی، زمانی که به صورت انفرادی در زمینه تهیه نقشه حساسیت زمین‌لغزش مورد استفاده قرار می‌گیرند، به منظور رفع آن از روش ترکیبی استفاده گردید. نتایج مساحت زیرمنحنی نشان داد که نرخ موفقیت و نرخ پیش‌بینی برای مدل ترکیبی به ترتیب 872/0 (3/87%) و 903/0 (3/90%) می‌باشد. نتایج حاصل از مقادیر شاخص SCAI در مدل ترکیبی در کلاس‌های حساسیت زیاد و خیلی‌زیاد قابل قبول می‌باشد. نقشه حساسیت زمین‌لغزش حاصله نشان داد که مناطق با حساسیت لغزش بالا در منطقه مطالعاتی عمدتا در طول جهات شمال‌غربی تا غربی پراکنده شده‌اند. این نقشه می‌تواند اطلاعات مفیدی را در زمینه مدیریت شیب و برنامه‌ریزی کاربری اراضی در مناطق لغزشی در اختیار مهندسین، تصمیم‌گیران و برنامه‌ریزان قرار دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide spatial modeling: performance assessment of integrated model of data driven EBF model and knowledge driven AHP model (Case study: ferydoun shahr watershed)

نویسندگان [English]

  • khalil rezaei 2
  • mojtaba yamani 3
  • korosh shirani 4
2 kharazmi university
3 tehran university
4 center of research
چکیده [English]

Background and objectives: During the past decades, landslides have been a significant subject of research as a consequence of their devastated nature. Landslides are common geomorphic processes in mountain areas and are responsible for mass movements involving rock materials, regolith and/or soil debris. for manufacture roads, railways, water pipe line and electric line, the preparation of landslide distribution map is very much significant. Determine the occurrence of future landslides depend on the geological, geomorphological and hydrological processes that led to instability in the past and also at present. To evaluate terrain susceptibility to landslides, a number of different techniques are used, ranging from qualitative assessments based on expert judgment, which are intrinsically subjective to quantitative assessments based on advanced statistical techniques or mathematical models.

Materials and methods: the steps of methodologies that were applied in the current study, including six steps. Step1. data sources that are used in the current study including data related to field Surveys, historical reports, topographic maps of 1:50,000-scale, meteorological data, geological map of 1:100,000-scale, A digital elevation model (DEM) with the resolution of 30 m £ 30m was extracted from the ASTER GDEM data, The Landsat 8 OLI images with the resolution of 30 m × 30 m. Step2. Preparing the inventory map. In this study, a landslide inventory map with a total of 80 landslide events was provided by the extensive field survey and interpretation of aerial photos. Step3. Landslide-conditioning factors. Step4. Multicolinearity analysis of landslide conditioning factors. In the current study, 12 factors were used as conditioning factors. These include elevation, slope, plan curvature, stream length, distance from streams, topography wetness index, surface area ratio, distance from roads, lithology, distance from faults, rainfall, and land use. Step5. Combination of EBF data driven and AHP knowledge driven models according to the relation between the landslides location and the different datasets. Step5. Validation of models using AUC and SCAI inficators.

Results: Results of the spatial relationship between landslide and conditioning factors using the EBF (belief, disbelief, uncertainty, and plausibility) model are shown in Table 3. Comparison between the belief map and the disbelief map showed that belief values were high for areas where disbelief values were low and vice versa. It revealed that high potential of landslide occurrence was for the areas with high degrees of belief and low degrees of disbelief. The high uncertainty values were in the areas with low belief values. Weighting of conditioning factors by AHP showed that parameters of lithology, elevation, distance to road, slope, and rainfall are the most effective prediction factors in landslide occurrence. The consistency ratio shows 0.034 value, which is reasonably good accuracy value, which reflect the high accuracy of ranking consistency between the factors.

Conclusion : Due to some shortening of the AHP knowledge driven and EBF data driven models when applied individually in landslide susceptibility mapping, it can be overcome by using ensemble techniques. The AUC results showed that the success rate and prediction rate for ensemble model are 0.872 (78.3 %), 0.903, respectively. results of SCAI values of the ensemble model is desirable, in the high and very high susceptibility classes. The resultant landslide susceptibility map show that the high susceptibility areas are mainly distributed along the northwest to west direction in the study area. this map can provide very useful information for planners, decision makers, and engineers in slope management and land use planning in landslide areas

کلیدواژه‌ها [English]

  • data driven methods
  • knowledge driven methods
  • validation
  • ferydoun shahr watershed