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

نوع مقاله : مقاله کامل علمی 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]

  • Ali Reza Arab Ameri 1
  • Khalil Rezaei 2
  • Mojtaba Yamani 3
  • Korosh Shirani 4
1
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

مراجع

1.Arabameri, A.R., Shirani, K., and Rezaei, K.H. 2017a. Landslide land capability zonation using Dempster-shafer and frequency ratio models. J. Water Soil Cons. 24: 3. 41-57.
2.Arabameri, A.R., Shirani, K., and Rezaei, K.H. 2017b. A Comparative Assessment between Weights-of-Evidence and Frequency Ratio Models for Landslide Hazard Zonation in Vanak Basin. J. Water. Manage. Res. 8: 15. 147-160.
3.Arabameri, A.R., Shirani, K., and Tazeh, M. 2017c. Assessment of logistic and multivariate regression Models for Landslide hazard zonation (Case study: Marbor basin). Range and watershed management. 70: 1. 151-168.
4.Arabameri, A.R., and Shirani, K. 2016. Identification of Effective Factors on Landslide Occurrence and its Hazard Zonation Using Dempster-Shafer theory (Case study: Vanak Basin, Isfahan Province). Watershed Engineering and Management. 8: 1. 93-106.
5.Arabameri, A.R., Shirani, K., and Halabian, A.H. 2016. Evaluation of prediction capability of the Statistical and Logestic models for mapping landslide susceptibility (Case study: Vanakbasin). Physical Geomorphology. 9: 32. 123-140.
6.Arabameri, A.R., Halabian, A.H. 2015. Landslide Hazard Zonation Using Statistical Model of AHP (Case
study: Zarand Saveh Basin). Physical Geomorphology. 8: 28. 65-86.
7.Achour, Y., Boumezbeur, A., Hadji, R., Chouabbi, A., Cavaleiro, V., Bendaoud, E.A. 2017. Landslide susceptibility mapping using analytic hierarchy process and information value methods along a highway road section in Constantine. Algeria, Arab. J. Geosci. 10: 194.
8.Cui, K., Lu, D., and Li, W. 2017. Comparison of landslide susceptibility mapping based on statistical index, certainty factors, weights of evidence and evidential belief function models. Geocarto International. 32: 9. 935-955.
9.Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., and Ma, J. 2017a. A comparative study of logistic model tree, random forest and classification and regression tree models for spatial prediction of landslide susceptibility. CATENA. 151: 147-160.
10.Chen, W., Xie, X., Peng, J., Wang, J., Duan, Z., and Hong, H. 2017b. GIS-based landslide susceptibility modelling: a comparative assessment of kernel logistic regression, Naıve-Bayes tree, and alternating decision tree models. Geomatics, natural hazards and risks. 8: 2. 950-973.
11.Chen, W., Chai, H., Sun, X., Wang, Q., Ding, X., and Hong, H. 2016a. A GIS-based comparative study of frequency ratio, statistical index and weights-of-evidence models in landslide susceptibility mapping. Arab. J. Geosci. 9: 1-16.
12.Chen, W., Ding, X., Zhao, R., and Shi, S. 2016b. Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China. Environ. Earth Sci. 75: 1-10.
13.Chen, W., Li, W., Chai, H., Hou, E., Li, X., and Ding, X. 2016c. GIS-based landslide susceptibility mapping using analytical hierarchy process (AHP) and certainty factor (CF) models for the Baozhong region of Baoji City, China. Environ. Earth Sci. 75: 1-14.
14.Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., and Boehner, J. 2015. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Geosci. Model Dev. 8, 1991-2007, doi:10.5194/gmd-8-1991-2015.
15.Ding, Q., Chen, W., and Hong, H. 2016. Application of frequency ratio, weights of evidence and evidential belief function models in landslide susceptibility mapping. Geocarto Int. 6: 32. 619-639.
16.Ercanoglu, M., and Gokceoglu, C. 2002. Assessment of landslide susceptibility for a landslide prone area (north of Yenice, NW Turkey) by fuzzy approach. Environ Geol. 41: 6. 720-730.
 17.Environment for Visualizing Images (ENVI). 1977. www.harrisgeospatial.com.18.Expert Choice. 1983. www.expertchoice.com.
19.Guo-liang, D., Yong-shuang, Z., Javed, I., Zhi-hua, Y., and Xin, Y. 2017. Landslide susceptibility mapping using an integrated model of information value method and logistic regression in the Bailongjiang watershed, Gansu province, China. J. Mt. Sci. 14: 2. 249-268.
20.Ghorbani Nejad, S., Falah, F., Daneshfar, M., Haghizadeh, A., and Rahmati, O. 2017. Delineation of groundwater potential zones using remote sensing and GIS-based data-driven models. Geocarto International. 32: 2. 167-187.
21.Gorum, T., Fan, X., van Westen, C.J., Huang, R.Q., Xu, Q., Tang, C., and Wang, G. 2011. Distribution pattern of earthquake-induced landslides triggered by the 12 May 2008 Wenchuan earthquake. Geomorphology. 133: 152-167.
22.Hengl, T., Gruber, S., and Shrestha, D.P. 2003. Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Oservation Enschede. The Netherlands, 62p.
23.Hong, H., Chen, W., Xu, C., Youssef, A.M., Pradhan, B., and Tien Bui,
D. 2017. Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor and index of entropy. Geocarto Int. 32: 139-154.
24.Jenness, J. 2002. Surface Areas and Ratios from Elevation Grid. Jenness Enterprises.
25.Lee, S., and Pradhan, B. 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides. 4: 1. 33-41.
26.Mallick, J., Al-Wadi, H., and Atiqur Rahman, M. 2014. Landscape dynamic characteristics using satellite data from a mountainous watershed of Abha, Kingdom of Saudi Arabia. Environ Earth Sci. 72: 12. 4973-4984.
27.Mahmoudi, F. 2001. Dynamic geomorphology, fourth edition, Tehran University Press.
28.Mahalingam, R., Olsen, M.J., and O’Banion, M.S. 2016. Evaluation of landslide susceptibility mapping techniques using lidarderived conditioning factors (Oregon case study). Geomat Nat Haz Risk. 7: 1884-1907.
29.Malamud, B.D., Turcotte, D.L., Guzzetti, F., and Reichenbach, P. 2004. Landslide inventories and their statistical properties. Earth Surf Proc Landforms. 29: 687-711.
30.Myronidis, D., Papageorgiou, C., and Theophanous, S. 2016. Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP). Nat Hazards. 81: 245-263.
31.Moore, I.D., Grayson, R.B., and Ladson, A.R. 1991. Digital terrain modeling: a review of hydrological, geomorphological and biological applications. Hydrol Process. 5: 3-30.
32.Moore, I.D., and Burch, G.J. 1986. Sediment transport capacity of sheet and rill flow: application of unit stream power theory. Water Resour. Res. 22: 1350-1360.
33.Organization of forests, rangelands and watershed management of the country, 2010. language/fa-IR/Default.aspx.
34.Nsengiyumva, J.B., Luo, G., Nahayo, L., Huang, X., and Cai, P. 2017. Landslide Susceptibility Assessment Using Spatial Multi-Criteria Evaluation Model in Rwanda. Int. J. Environ. Res. Public Health. 15: 243.
35.Pourghasemi, H.R., and Rossi, M. 2016. Landslide susceptibility modeling in a landslide prone area in Mazandarn Province, north of Iran: a comparison between GLM, GAM, MARS, and M-AHP methods. Theor Appl Climatol. 130: 1-2. 609-633.
36.Pourghasemi, H.R., and Kerle, N. 2016. Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environ. Earth Sci. 75: 185.
37.Shahabi, H., Hashim, M., and Ahmad, B.B. 2015. Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression and fuzzy logic methods at the central Zab basin, Iran. Environ Earth Sci. 73: 8647-8668.
38.Shirani, K., and Seif, A. 2013. Landslide Hazard Zonation by Using Statistical Methods (Pishkuh Region in Fereydonshahr province). Geoscience. 22: 85. 149-158.
39.Saaty, T.L., and Vargas, G.L. 2001. Models, Methods, Concepts and Applications of the Analytic ‎Hierarchy Process. Kluwer Academic Publisher, Boston.
‎40.Su¨zen, M.L., and Doyuran, V. 2004. A comparison of the GIS based landslide susceptibility assessment methods: multivariate versus bivariate. Environ. Geol. 45: 5. 665-679.
41.Tahmassebipoor, N., Rahmati, O., Noormohamadi, F., and Lee, S. 2016. Spatial analysis of groundwater potential using weights of evidence and evidential belief function models and remote sensing. Arab. J. Geosci. 9: 1-18.
42.Vakhshoori, V., and Zare, M. 2016. Landslide susceptibility mapping by comparing weight of evidence, fuzzy logic and frequency ratio methods. Geomat. Nat. Haz. Risk. 7: 1731-1752.
43.Wang, Q., Wang, D., Huang, Y., Wang, Z., Zhang, L., Guo, Q., Chen, W., Chen, W., and Sang, M. 2015. Landslide Susceptibility Mapping Based on Selected Optimal Combination of Landslide Predisposing Factors in
a Large Catchment. Sustainability. 7: 16653-16669.
44.Xie, Z., Chen, G., Meng, X., Zhang, Y., Qiao, L., and Tan, L. 2017. A comparative study of landslide susceptibility mapping using weight of evidence, logistic regression and support vector machine and evaluated by SBAS-InSAR monitoring: Zhouqu to Wudu segment in Bailong River Basin, China. Environ. Earth Sci. 76: 313.
45.Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of Melbourne. 423p.
46.Zhuo, C., Liang, S., Ke, Y., Yang, Z., and Zhao, H. 2017. Landslide susceptibility assessment using evidential belief function, certainty factor and frequency ratio model at Baxie River basin, NW China, Geocarto international. Pp: 1-20.
47.Zhao, H., Yao, L., Mei, G., Liu, T., and Ning, Y. 2017. A Fuzzy Comprehensive Evaluation Method Based on AHP and Entropy for a Landslide Susceptibility Map, Entropy. 19: 396.
48.Zhang, K., Wu, X., Niu, R., Yang, K., and Zhao, L. 2017. The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China. Environ. Earth Sci. 76: 405.
مجله پژوهش‌های حفاظت آب و خاک
دوره 25، شماره 5
آذر و دی 1397
صفحه 47-67

فایل ها

هم رسانی

ارجاع به این مقاله

آمار