Document Type : پژوهشی

Authors

1 - M.Sc. Student in Watershed Management, Faculty of Agriculture & Natural Resources, University of Torbat Heydarieh, Razavi-Khorasan. Iran.

2 Assistant Professor, Department of Nature Engineering and Medicinal Plants, Faculty of Agriculture & Natural Resources, University of Torbat Heydarieh, Razavi-Khorasan. Iran. (Corresponding Author),

3 -Assistant professor, Department of Range and Watershed Management, Faculty of Natural Resources and Environment, Ferdowsi University of Mashhad, Razavi-Khorasan. Iran

Abstract

Introduction
Mass movement, according to their nature, variety, hazards for human lives, and properties, have always been a matter of interest to various scholars. Considering that the occurrence of this phenomenon has a complex mechanism and complex factors and variables can affect it, extensive studies to identify the effective factors, classification, zoning, and modeling of this process have been conducted. In this study, landslides of three watersheds in the southeast of Neishabour city were investigated and the hazard zonation map was prepared, using bivariate statistical methods of the information value and area density. There are few studies regarding the application of different data mining methods to determine the effective variables in the occurrence of landslides and most studies are based on other statistical methods. Data mining is called as knowledge discovery in databases and is a way to discover new and beneficial information through a lot of data. Some of the most important data mining algorithms include the decision tree, random forest, boosting aggregate demand, support vector machine, logistic regression, and neural network algorithm. The data mining extracts useful information from large volumes of data and has shown a good performance. Therefore, the aim of the present study was to prioritize
Methodology
The present study aimed to investigate the factors affecting the occurrence of a landslide and its zoning in three watersheds including Kharv, Harimabad and Grineh watersheds in the Razavi Khorasn province. First, 99 landslides were identified in the area and the landslide distribution map was prepared. Then, all effective factors on watershed landslides, in 15 information layers including the altitude, slope, aspect, climate, land use, pedology, vegetation cover, geology, evaporation, temperature, rainfall, land type, distance from road, distance from fault, and distance from river were digitized in the ArcGIS environment. Then, using data-mining algorithms in R software, the preferable algorithm and effective factors on landslide occurrence, were introduced. Finally, the landslide hazard zonation in the GIS software was done using bivariate statistical models.
Results
The results showed that the random forest algorithm with an accuracy of 92% is the best one and the variables of geology, climate, aspect, distance from road, altitude, pedology and land type are the most important variables in algorithms modeling. The most probability of occurrence of watershed landslides placed in areas with west and northwest directions, slopes higher than 30 degrees, dominant type of the environmental factors affecting the occurrence of a landslide including the altitude, slope, aspect, climate, land use, pedology, vegetation cover, geology, evaporation, temperature, rainfall, land type, distance from road, distance from fault, and distance from river using data mining algorithms, zoning its sensitivity, and bivariate statistical models of information value and area density in three watersheds including Kharv, Harimabad, Grineh watersheds in Razavi Khorasan province.

 
mountains, the semi-humid climate, 1500 to 2000 mm evaporation class, entisols, dense vegetation, the gardens, bushes and shrubs land uses, being close to the roads and faults and being far from the rivers, and the altitudes of 2000 to 2500 m with the phyllite, boulders and sandstone formations. The results of the zoning map evaluation using the information value and density area methods showed that 45.45% and 55.55 % of landslides were respectively located at the high and very high risk zones and the rest were in very low, low, and moderate risk zones. As a result, in both methods, most of landslides were in the high and very high risk zones that indicated the suitable accuracy of the model.
Discussion and Conclusions
According to the results of this research, variables including the geology, climate, aspect, distance from road, altitude, soil science, and land type were considered as the most important factors in the occurrence of a landslide. In addition, factors such as slope, land use, vegetation cover, distance from fault and distance from river were identified as the most important factors influencing the development of landslide and classified as natural factors, which could be influenced by human factors. The comparison of two mentioned methods showed that the area density method was more appropriate than the information value method for the study area.

Highlights

-

Keywords

 

 

مقدمه

مخاطرات به‌ عنوان فرآیندها و حالاتی تعریف می‌شوند که پتانسیل ایجاد خطرات، خسارات و تأثیرات زیان‌آور دیگر را برای بشر و محیط پیرامون دارند. حرکات دامنه‌ای و به ‌طور اخص زمین‌لغزش، در زمره­ ی پرخسارت‌ترین آن‌هاست. ایران به ‌دلیل مستعد بودن شرایط جغرافیایی و فقدان مدیریت جامع و عدم رعایت آستانه‌های محیطی، جزء ده کشور بلاخیز جهان قرار گرفته است (متولی، 1390: 13). مدل‌ها و روش‌های گوناگونی جهت مطالعه زمین‌لغزش‌ها و پهنه‌بندی آن‌ها توسط محققین علوم مختلف انجام گرفته است. شناخت نواحی مستعد وقوع زمین­ لغزش ­ها از گام­ های اولیه در مدیریت منابع طبیعی و برنامه­ ریزی توسعه ­ای و عمرانی است.

شناسایی و طبقه­ بندی نواحی مستعد لغزش و پهنه­ بندی خطر آن نقش غیرقابل انکاری را در مدیریت حوضه­ های آبخیز ایفا می­کند (شادفر و یمانی، 1386: 10). تهیه­ ی نقشه­ یپهنه­ بندی با صحت بالا نتیجه کلیه­ ی مراحل جمع­ آوری اطلاعات و شناسایی پارامترهای مؤثر، وزن­ دهی و امتیازدهی به پارامترها و نحوه ­ی­ تلفیق و رده­ بندی مقادیر خطر می­باشد. در مورد پهنه­ بندی خطر زمین­ لغزش پژوهش­ های فراوانی انجام گرفته است اما این مطالعات از نظر روش­ شناسی و فرایند انجام کار با هم متفاوت بوده ­اند (رحیم ­پور و همکاران، ۱۳۹۶: ۲). در تحقیق حسن وند و سوری (1395: 7) پس از بررسی عوامل مؤثر بر وقوع لغزش در حوضه کسمت لرستان، جهت پهنه­ بندی از مدل تراکم سطح استفاده شد. نتایج پهنه‌بندی نشان داد به ترتیب 85/29، 35/38، 45/18، 34/10 و سه درصد از مساحت منطقه در کلاس‌های خطر خیلی ­کم،کم، متوسط، زیاد و خیلی­ زیاد قرار گرفته است. عابدی و همکاران جهت شناسایی عوامل مؤثر در وقوع زمین‌لغزش و مشخص کردن نواحی دارای پتانسیل لغزشی در حوضه­ ی آذرشهرچای پژوهشی را انجام دادند (عابدی‌قشلاقی و همکاران، 1395: 9). پارامترهای مؤثر در وقوع این خطر شناسایی و سپس لایه­ ی رقومی این فاکتورها تهیه و به روش منطق فازی وزن­دهی لایه­ ها انجام گرفت. در نهایت نقشه­ ی پهنه‌بندی زمین‌لغزش آماده گردید. ارزیابی نتایج به‌دست‌آمده نشان داد که 77/27، 79/17، 94/23، 54/17، 96/2 درصد از مساحت منطقه به ترتیب در کلاس‌های خطر خیلی­ کم، کم، متوسط، زیاد و خیلی­ زیاد قرار گرفته است. روستایی و همکاران، به ارزیابی کمی روش‌های رگرسیون لجستیک[1] و شبکه­ ی عصبی مصنوعی در تنگه­ ی دره‌دیز (آذربایجان شرقی) پرداختند. پس از تهیه­ ی لایه­ های اطلاعاتی در محیط ArcGIS، نقشه پهنه‌بندی خطر ناپایداری در پنج کلاس خیلی­ زیاد تا خیلی­ کم طبقه­ بندی شد و دو عامل شیب و فاصله از گسل، فاکتورهای مهم در وقوع ناپایداری‌های حوضه معرفی شدند (روستایی و همکاران، 1394: 23). در خارج از کشور، هونگ[2] و همکاران (2015: 13) با استفاده از تکنیک داده­ کاوی و مدل­ های آماری به پهنه­ بندی زمین­ لغزش در چین پرداختند. مجموعاً 163 رخداد لغزشی تشخیص داده شد. نتایج حاکی از مقادیر خروجی بالاتر از 70 درصد بود که حاکی از دقت بالای این روش‌ها می‌باشد. کالکسن[3] و همکاران ( 2016: 11) در منطقه­ ی تونیا[4]در ترابزون ترکیه پژوهشی را با هدف مقایسه ­ی عملکرد دو GPR[5] و SVM[6]در تحلیل حساسیت نقشه­ های لغزشی انجام دادند و نتایج مدل­سازی را با روش رگرسیون لجستیک مقایسه نمودند که حاکی از دقت بالای عملکرد دو الگوریتم GPR و SVM می­باشد (به ترتیب 46/90 و 37/90) و با روش رگرسیون لجستیک 18 درصد تفاوت دارد. یوسف[7] و همکاران (2016: 7) در پهنه­ بندی خطر زمین­ لغزش در منطقه­ ی عسیر[8]در عربستان سعودی، عملکرد روش­ های جنگل تصادفی، درخت رگرسیون­ بوست، درخت تصمیم و مدل­ های خطی را باهم مقایسه کردند و به این نتیجه رسیدند که مدل­ های فوق با سطح زیر منحنی به ترتیب برابر با 78 %، 95%، 81 % و 82 %، دقت قابل قبولی در پهنه­ بندی خطر زمین‌لغزش دارند. هایوان[9] و همکاران (2015: 15) جهت تشخیص نواحی مستعد خطر زمین‌لغزش از سه مدل درخت تصمیم متناوب[10]، ماشین بردار پشتیبان و کرنل رگرسیون لجستیک دو کلاسه[11] در حوضه­ ی یی‌هوآنگ[12] چین استفاده کردند. بر اساس منحنی ROC دو الگوریتم ارتقاء یافته درخت تصمیم متناوب و کرنل رگرسیون لجستیک دو کلاسه جهت تعیین نواحی مستعد لغزشی مناسب معرفی شدند. موتاسم[13] و همکاران (2014: 9) جهت بررسی حساسیت لغزشی ایسلند، با روش درخت تصمیم بیان داشتند الگوریتم درختی CRT با دقت 6/75 و متغیرهای شیب، فاصله از شبکه­ ی زهکشی، جهت شیب، انحنای مقطع و ارتفاع بخش سطحی به‌عنوان مؤثرترین عوامل وقوع لغزش‌های منطقه هستند، در حالی که پودیال[14] (2013: 7)، با روش درخت تصمیم و دقت 9/95% عامل شاخص قدرت جریان و شیب را مؤثر گزارش نمود. وقوع پدیده­ ی زمین‌لغزش یکی از معضلات عمده‌ای است که استان خراسان‌رضوی و شهرستان‌های این استان با آن روبه‌رو است. بنابراین ایجاد یک استراتژی منطقه‌ای برای حفاظت از منابع انسانی و طبیعی و کاهش خسارات ناشی از وقوع آن ضروری بوده و ارائه یک مدل مناسب و تهیه­ ی نقشه ­ی پهنه‌بندی خطر زمین‌لغزش می‌تواند در برنامه‌ریزی و مدیریت محیط منطقه­ ی مطالعاتی کمک شایانی به مراکز ذ‌ی­صلاح نماید. هدف پژوهش حاضر شناسایی و طبقه­ بندی نواحی حساس به حرکات توده­ای، تعیین مهم­ترین عوامل مؤثر در وقوع لغزش­ ها و تعیین اولویت الگوریتم­ ها در وقوع این پدیده است. با توجه به بررسی حرکات توده­ای و فراوانی بیشتر زمین­ لغزش­ ها نسبت به سایر انواع حرکات توده­ای در استان، پژوهش حاضر با هدف شناسایی و مدل‌سازی نواحی حساس به خطر زمین­ لغزش، شناخت عوامل مؤثر در وقوع خطر، پهنه‌بندی آن و ارائه راهکارهایی جهت کنترل و تثبیت دامنه‌ها، با استفاده از الگوریتم‌های داده‌کاوی در سه حوضه ­ی خرو، حریم‌آباد و گرینه در جنوب‌شرق شهرستان نیشابور در استان خراسان‌ رضوی انجام شد.

 

شکل (1) موقعیت منطقه­ ی مطالعاتی در استان خراسان­رضوی و شهرستان نیشابور

مواد و روش­ ها

- معرفی منطقه موردمطالعه

شهرستان نیشابور یکی از شهرستان‌های بخش مرکزی استان خراسان­رضوی است که بین ׳19°58  تا ׳30 °59 طول شرقی و ׳40 °35  تا ׳39 °36 عرض شمالی در حاشیه شمال­ شرقی کویر مرکزی ایران واقع ‌شده است. وسعت آن 892530 هزار هکتار می‌باشد. متوسط کل بارندگی این شهرستان 4/247 میلی‌متر بوده و بر اساس طبقه‌بندی اقلیمی دومارتن دارای اقلیم خشک می‌باشد.

- روش انجام پژوهش

الف) تهیه ­ی داده­ ها و اطلاعات

جهت انجام پژوهش در ابتدا اقدام به شناسایی نواحی دارای حرکات توده‌ای در سطح استان خراسان‌رضوی شد. با بررسی عکس‌های هوایی، تصاویر ماهواره‌ای گوگل ارث[15] و نقشه‌های زمین‌شناسی و بازدیدهای میدانی سه حوضه­ ی خرو، حریم­ آباد و گرینه در جنوب­ شرق نیشابور با مجموعاً 99 حرکت لغزشی مورد بررسی قرار گرفت. با استفاده از GPS مختصات نقاط ثبت و سپس با استفاده از مدل رقومی ارتفاع (DEM) منطقه با دقت ده متر و لایه آبراهه­ های استان، مرزهای سه حوضه توسط نرم­افزار ArcHydro ترسیم شد. 15 عامل در وقوع حرکات توده­ ای حوضـه جهت بررسی معرفی شـدند. لایه­ های شیب، جهت شیب و ارتفاع با استفاده از مدل رقومی ارتفاع با دقت ده متر، لایه­ های زمین­ شـناسی، گـسل­ های حوضه و لیتولوژی با استـفاده از شیت 1:50000 سازمان زمین­ شناسی و لایه ­ی پوشش گیاهی از طریق تصاویر ماهواره­ای لندست 8 سال 2016 در نرم­افزار ENVI5.3 تهیه گردید. شیپ فایل اطلاعاتی سایر لایه­ ها هم­چون خطوط هم­دما، هم­بارش، هم­ تبخیر، فاصله از جاده، فاصله از آبراهه، خاک­ شناسی،کاربری اراضی و تیپ اراضی از سـازمان هواشناسی و سازمان جـغرافیایی استان خراسان دریافت و با بـرش پلی­گون هر یک از این لایه­ ها براساس مرز حوزه مطالعاتی، اطلاعات آن­ها به عنوان ورودی­ فرآیند مدل­ سازی تهیه و آماده­ سازی شدند.

 

 

ب) تجزیه­ وتحلیل داده­ ها

پس از تهیه­ ی لایه­ های رقومی فاکتورهای مؤثر در پژوهش، لایه­ ی پراکندگی لغزش ­های منطقه با مشاهدات میدانی و استفاده از تصاویر گوگل ارث به‌ صورت پلیگونی ترسیم شد. پس از ادغام لایه نقاط لغزشی و نقاط فاقد وقوع زمین لغزش، از مجموع 198 نقطه درنظرگرفته­ شده، نقاط لغزشی حوضه (99 نقطه) با کد یک و نقاط فاقد لغزش (99 نقطه) با کد صفر معرفی شدند تا در فرآیند مدل­ سازی بکار روند. در مرحله­ ی بعد اقدام به مدل‌سازی از طریق نرم­افزار R با استفاده از هریک از الگوریتم‌های جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان، رگرسیون لجستیک، شبکه عصبی، الگوریتم تجمعی بوست[16] و شبکه­ ی عصبی مصنوعی شد. در این فرآیند داده‌های پژوهش به دو دسته داده‌های آموزشی[17] و داده‌های آزمایشی جداسازی شدند؛ بدین‌صورت که 70 درصد داده‌ها به‌ صورت کاملاً تصادفی، به‌عنوان داده‌های آموزش وارد مدل گردید و 30 درصد باقیمانده  به ‌عنوان داده آزمون جهت ارزیابی و صحت­ سنجی مدل در نظر گرفته شد. آزمایش و اعتبارسنجی مدل­ های اجرا شده در این پژوهش با محاسبه شاخص ویژگی­ های عامل نسبی یا همان منحنی مشخصه عملیاتی دریافت­کننده­ ی (ROC) به دست آمد. بهترین مدل سطح زیر منحنی نزدیک به یک دارد، درحالی­که مقادیر نزدیک به 5/0 نشان­دهنده­ ی عدم صحت در مدل است (فاوکت[18]، 2006: 13).

جهت پهنه‌بندی خطر وقوع زمین­ لغزش ابتدا لایه­ های مختلف جهت مدل­ سازی کلاسه­ بندی شدند. سپس با محاسبه­ ی فراوانی لغزش های به­ وقوع پیوسته در هر کلاس از لایه­ های اطلاعاتی و فراوانی کل هر کلاس، تراکم زمین­ لغزش­ های هر کلاس برآورد گردید. در مرحله­ ی بعد با استفاده از فراوانی لغزش­ های رخ داده در حوضه­ ی مطالعاتی، تراکم لغزش­ های رخ داده در حوضه به­ دست آمد. پس از اینکه وزن هریک از کلاس­ های پارامترهای در نظر گرفته شده محاسبه شد، در محیط ArcMap وزن مربوط به هر کلاس اعمال شد که با روی­ هم ­گذاری پارامترها و ضرب مقادیر وزنی در ضریب جینی[19] حاصل از مدل­ سازی الگوریتم جنگل تصادفی به­ دلیل داشتن بالاترین دقت در بین الگوریتم­ های مورد مطالعه، و سپس جمع جبری مقادیر حاصل، نقشه نهایی حساسیت زمین­ لغزش­ های حوضه بر اساس روش­ های آماری دومتغیره ارزش اطلاعاتی[20] (رابطه­ ی ۱) و تراکم سطح[21] (رابطه­ ی۲) به­ دست آمد.

رابطه­ ی (1)

Wi = Ln= Ln

رابطه­ ی (2)

Wi=1000 

که در روابط 1 و 2، Wi: وزن مربوط به طبقه­ ی مشخص از یک متغیر، Densclass: تراکم زمین‌لغزش در طبقه­ ی مشخص از یک متغیر، Densmap: تراکم زمین‌لغزش در کل محدوده، NpixSi: تعداد سلول‌ها یا مساحت زمین‌لغزش‌های رخ‌داده در هر طبقه از متغیر، NpixNi: تعداد سلول‌ها یا مساحت کل هر طبقه از متغیر،∑NpixSi : مجموع کل زمین‌لغزش‌های منطقه و ∑NpixNi: مساحت کل منطقه است.

بحث و نتایج

نقشه­ ی لایه­ های اطلاعاتی فاکتورهای مؤثر در وقوع زمین­ لغزش­ های منطقه در شکل­ های (2 تا 8) ارائه شده است.

 

 

شکل (2) نقشه­ ی لایه ­های جهت شیب  (الف) و تندی شیب (ب) حوضه

 

 

ب

 

الف

 

شکل (3) نقشه­ ی لایه ­های کاربری اراضی  (الف) و خاک­ شناسی (ب) حوضه

 

ب

 

الف

 

شکل (4) نقشه­ ی لایه­ های فاصله از آبراهه (الف) و فاصله از جاده (ب) حوضه

 

ب

 

الف

 

شکل (5) نقشه­ ی لایه­ های تبخیر (الف) و پوشش گیاهی (ب) حوضه

 

 

شکل(6)  نقشه­ ی لایه­ های فاصله از گسل (الف) و تیپ اراضی (ب) حوضه

 

شکل(7) نقشه­ ی لایه­ های زمین­ شناسی(الف) و اقلیم (ب) حوضه

 

شکل( 8) نقشه­ ی لایه­ ی طبقات ارتفاعی حوضه

بر پایه زمین­ لغزش­ های مشاهداتی در منطقه و روش­ های آماری دومتغیره مورد استفاده، نتایج محاسبه­ ی وزن طبقات هر لایه در جدول (1) ارایه شده است. پس از محاسبه­ ی وزن لایه‌های مختلف و نرخ مربوط به هرکلاس و جمع نهایی لایه­ های رستری با وزن به­ دست آمده، نقشه­ ی نهایی خطر زمین‌لغزش با دو روش ارزش اطلاعات و تراکم سطح و با استفاده از روش شکستگی‌های طبیعی[22] در پنج کلاس خطر وقوع دسته‌بندی شد (بشیری و همکاران، ۱۳۹۷: ۸). شکل­ (9) نقشه­ ی پهنه‌بندی خطر وقوع این پدیده را با روش ارزش اطلاعات و تراکم سطح نشان می‌دهد.

 

 

جدول (1) مقادیر وزنی طبقات لایه­ ها با استفاده از روش­ های آماری دومتغیره

متغیر

کلاس

تراکم لغزش­ ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

جهت شیب

هموار

0052/0

32/0

07/1

شمال

0039/0

24/0

77/0

شمال شرقی

0029/0

01/0-

03/0-

شرق

0007/0

04/1-

83/1-

جنوب شرقی

0021/

34/0-

83/0-

جنوب

0026/0

07/0-

23/0-

جنوب غربی

0015/0

70/0-

43/1-

غرب

0062/0

78/0

37/3

شمال غربی

0028/0

32/0

07/1

شیب

5-0

0

0

83/2-

15-5

0007/0

39/1-

13/2-

30-15

0029/0

02/0

07/0

>30

0031/0

09/0

27/0

تیپ اراضی

کوه‌ها

0031/0

27/0

09/0

تپه‌ها

0

0

83/2-

واریزه‌های بادبزنی شکل سنگریزه‌دار

0006/0

23/2-

55/1-

آب و هوا

نیمه‌خشک میانی

0

0

83/2-

نیمه‌خشک شدید

0028/0

01/0-

03/0-

نیمه مرطوب

0052/0

60/0

37/2

مرطوب

0022/0

25/0-

63/0-

تبخیر

1500-1000

0011/0

94/0-

73/1-

2000-1500

0031/0

09/0-

27/0

خاک­شناسی

اریدی سول

0

0

83/2-

اینسپتی سول

0029/0

02/0

07/0

انتی سول

0030/0

06/0

17/0

ادامه جدول (1) مقادیر وزنی طبقات لایه­ ها با استفاده از روش­ های آماری دومتغیره  

متغیر

کلاس

تراکم

لغزش­ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

پوشش گیاهی

متراکم

0031/0

09/0

27/0

متوسط

0028/0

01/0-

03/0-

ضعیف

0015/0

63/0-

33/1-

کاربری اراضی

زراعت آبی

0

0

83/2-

اراضی باغی

0050/0

56/0

17/2

مرتع با پوشش متوسط

0012/0

85/0-

63/1-

بیشه‌زار و بوته‌زار

0033/0

15/0

47/0

مرتع با پوشش فقیر

0

0

83/2-

محدوده شهری

0

0

83/2-

فاصله از جاده

500-0

0035/0

21/0

67/0

1000-500

0026/0

08/0

23/0-

2000-1000

0022/0

25/0-

63/0-

3000-2000

0015/0

63/0-

33/1-

>3000

0

0

83/2-

فاصله از گسل

500-0

0022/0

25/0-

63/0-

1000-500

0042/0

39/0

37/1

2000-1000

0041/0

37/0

27/1

3000-2000

0

0

83/2-

>3000

0

0

83/2-

فاصله از آبراهه

100-0

0011/0

94/0-

73/1-

300-100

0034/0

18/0

57/0

500-300

0017/0

50/0-

13/1-

700-500

0045/0

46/0

67/1

>700

0028/0

01/0-

03/0-

ارتفاع

1500-0

0

0

83/2-

2000-1500

0033/0

15/0

47/0

ادامه جدول (1) مقادیر وزنی طبقات لایه­ها با استفاده از روش­های آماری دومتغیره  

متغیر

کلاس

تراکم

لغزش­ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

 

2500-2000

0043/0

41/0

47/1

3000-2500

0009/0

14/1-

93/1-

>3000

0

0

83/2-

زمین شناسی

Qt2

0007/0

39/1-

13/2-

Phh

0042/0

39/0

37/1

Db

0026/0

08/0-

23/0-

Pz1

0

0

83/2-

El

0

0

83/2-

Sn

0006/0

55/1-

23/2-

E2sht

0018/0

45/0-

03/1-

E2c

0

0

83/2-

Omr

0

0

83/2-

پس از به‌دست آمدن نقشه‌های حاصل از پهنه‌بندی با دو روش ذکر شده، با استفاده از یک سوم لغزش‌های رخ داده در منطقه، نقشه­ ی تهیه شده از لحاظ دقت مورد ارزیابی قرار گرفت. به‌این‌ترتیب که با استفاده از روش وزن شواهد و یک سوم لغزش‌های رخ داده در منطقه که در اجرای مدل استفاده نشده بودند، پراکنش فضایی لغزش‌ها در کلاس‌های پنج‌گانه نقشه حساسیت لغزش مورد ارزیابی آماری قرار گرفت که نتایج حاصل در جدول (2) ارائه شده است. مقایسه­ ی نتایج مرحله ارزیابی پهنه­ بندی خطر وقوع نشان می­دهد در روش ارزش اطلاعات، بیشترین درصد تراکم لغزش­ ها در کلاس خطر متوسط رخ داده است و سپس کلاس ­های خطر خیلی زیاد و زیاد در مراتب بعدی قرار می­گیرند. در روش تراکم سطح نیز کلاس خطر متوسط با بیشترین درصد وقوع خطر (34/33)، در مرتبه­ ی اول قرار گرفته است و سپس کلاس خطر خیلی­ زیاد و زیاد قرار می­گیرد و همانند روش ارزش اطلاعات در این روش نیز کلاس­ های خطر زیاد و خیلی زیاد بیشترین درصد وقوع را به­ خود اختصاص داده­ اند. به ­طور کلی طبق دقت روش تراکم سطح بالاتر است؛ زیرا درصد بیشتری از لغزش­ های کنار گذاشته شده برای ارزیابی، در کلاس­ های با ریسک زیاد و خیلی زیاد قرار گرفته است. نتایج ارزیابی الگوریتم­ های بکار رفته نشان داد الگوریتم جنگل تصادفی با سطح زیر منحنی برابر 92% بهترین عملکرد را برای پیش­ بینی پهنه ­بندی زمین­ لغزش نسبت به چهار مدل دیگر نشان داد. جدول (3) درصد مقادیر مربوط به هر یک از الگوریتم­ های بکار رفته در مدل­سازی را ارائه کرده است.

 

ب

 

الف

 

 

 

 

 

شکل (9) نقشه­ ی پهنه­ بندی خطر با روش ارزش اطلاعات (الف) و تراکم سطح (ب)

جدول (2) طبقات حساس به حرکات توده­ای با استفاده از روش ارزش اطلاعات و تراکم سطح

 

طبقات پهنه­ بندی

ارزش اطلاعات

تراکم سطح

تعداد لغزش

درصدتراکم لغزش

تعداد لغزش

درصدتراکم لغزش

خطر خیلی کم

3

10/9

0

0

خطر کم

4

12/12

5

15/15

خطر متوسط

11

33/33

11

34/34

خطر زیاد

5

15/15

9

27/27

خطر خیلی زیاد

10

30/30

8

24/24

جدول(3) مقادیر سطح زیر منحنی ROC در پیش­ بینی وقوع زمین­ لغزش­ ها

ماشین بردارپشتیبان

تجمعی بوست

شبکه­ی عصبی

جنگل تصادفی

درخت تصمیم

الگوریتم

91%

89%

50%

92%

84%

سطح زیرمنحنی

نتیجه­ گیری

باتوجه به خروجی­ های حاصل از پژوهش، ارزیابی الگوریتم­ های درخت تصمیم، جنگل تصادفی، الگوریتم تجمعی بوستینگ، شبکه عصبی و ماشین بردار پشتیبان با استفاده از منحنی ROC نشان داد که نتایج مدل­سازی با الگوریتم درخت تصمیم از میان متغیرهای مورد بررسی، به­ ترتیب چهار عامل زمین­ شناسی، آب­ وهوا، جهت شیب و فاصله از جاده را با بیشترین تأثیر در وقوع حرکات توده­ ای حوضه مطالعاتی نشان داده است. اما در مطالعه­ ی (موتاسم و همکاران، 2016: 9) با استفاده از درخت تصمیم پنج متغیر شیب، فاصله از شبکه­ ی زهکشی، جهت شیب، انحنای مقطع و ارتفاع بخش سطحی به‌عنوان مهم­ترین عوامل مؤثر در وقوع لغزش‌های منطقه پنانگ ایسلند معرفی شدند. در مطالعه (هونگ[23]و همکاران، 2016: 13)، مهم­ترین متغیرها در وقوع زمین­ لغزش با شاخص جینی به­ترتیب فاصله از آبراهه، فاصله از جاده، شیب و طول دامنه و در شاخص صحت متغیرهای فاصله از آبراهه، شیب، فاصله از جاده و طول دامنه معرفی شده‌اند. در مدل رده­ بندی درختی بوست نیز مهم­ترین عوامل به ­ترتیب آب­ وهوا، طبقات ارتفاعی و تیپ اراضـی معرفی شـدند. پـژوهش نفسلیوگلو و هـمکاران (2008) در کـشور تـرکیه فاکتورهای درجه شیب، ارتفاع از سطح دریا و فاصله از جاده را مهم‌ترین عوامل مؤثر در وقوع حرکت‌های توده‌ای و مطالعه متکان و همکاران (1388) فاکتور کاربری اراضی را به­ تنهایی به ­عنوان مهم‌ترین عامل گزارش نمودند. هم­چنین شیرانی و همکاران (1392) و طلائی و شریعت‌جعفری (1386) فاکتور لیتولوژی را به­عنوان مؤثرترین عامل در وقوع لغزش‌های منطقه و مطالعه­ ی عبدالخانی و جمالی (1389) فاکتورهای شیب، لیتولوژی و کاربری اراضی به‌عنوان مهم‌ترین عوامل مؤثر در ایجاد زمین‌لغزش‌های حوضه­ ی منشاد یزد معرفی نمودند. مقایسه نتایج مرحله ارزیابی نقشه­ های پهنه­ بندی خطر وقوع با یک سوم نقاط کنار گذاشته شده نشان می­دهد در روش ارزش اطلاعات، بیشترین درصد تراکم لغزش­ ها در کلاس خطر متوسط رخ داده است و سپس کلاس ­های خطر خیلی زیاد و زیاد در مراتب بعدی قرار می­گیرند. در روش تراکم سطح نیز کلاس خطر متوسط با بیشترین درصد وقوع خطر در رتبه­ ی اول قرار گرفته است و سپس کلاس خطر خیلی­ زیاد و زیاد قرار می­گیرد. همانند روش ارزش اطلاعات در این روش نیز کلاس­ های خطر زیاد و خیلی زیاد بیشترین درصد وقوع را به خود اختصاص داده ­اند. درنتیجه دقت روش تراکم سطح بالاتر است؛ زیرا درصد بیشتری از لغزش­ های کنار گذاشته شده برای ارزیابی، در کلاس­ های با ریسک زیاد و خیلی زیاد قرار گرفته است. بر پایه وزن به­ دست آمده برای متغیرهای مؤثر در زمین­ لغزش، در هر دو روش آماری تراکم سطح و ارزش اطلاعات و مقایسه­ ی نتایج آن‌ها، هفت متغیر زمین­ شناسی، آب­ وهوا، جهت شیب، فاصله از جاده، ارتفاع، خاک­شناسی و تیپ اراضی از عوامل بسیار مهم در ناپایداری­ های دامنه­ ای هستند.

 نتایج پژوهش نشان داد الگوریتم ­های داده­ کاوی دقت بالایی را در طبقه­ بندی فاکتورهای مؤثر در وقوع لغزش نشان دادند که با نتایج یوسف و همکاران (2016) در عربستان، هونگ و همکاران (2016)، هایوان و همکاران در چین (2015)، موتاسم و همکاران (2016) در ایسلند مشابهت و همخوانی دارد. بنابراین استفاده از الگوریتم­ های طبقه­ بندی با توجه به محاسبات دقیق و عدم نیاز به صرفه هزینه و وقت زیاد و ابزارهای پیشرفته توصیه می­گردد. به طور کلی روش­ های داده ­کاوی با دقت مناسب به عنوان جایگزینی مناسب در کاربرد سایر روش­ های آماری معرفی می­گردد و پیشنهاد می­شود این روش در حوضه­ های وسیع­تر و با الگوریتم­ های طبقه­ بندی بیشتر و جدیدتری مورد بررسی قرار گیرد.

 



[1]- Logestic Regression

[2]- Hong

[3]- Colkesen

[4]- Tonya

[5]- Gaussian Process Regression

[6]- Support Vector Regression

[7]- Youssef

[8]- Asir

[9]- Haoyuan

[10]- Alternating Decision Tree

[11]- Two-Class Kernel Logistic Regression

[12]- Yihuang

[13]- Mutasem                                                                                                                           

[14]- Poudyal

[15]- Google Earth

[16]- Boost

[17]- Training Data

[18]- Fawcett

[19]- Gini

[20]- Information Value

[21]- Density Area

1- Natural Breaks

[23]- Hong

و پهنه‌بندی آن‌ها توسط محققین علوم مختلف انجام گرفته است. شناخت نواحی مستعد وقوع زمین­لغزش­ها از گام­های اولیه در مدیریت منابع طبیعی و برنامه­ریزی توسعه­ای و عمرانی است.

 

شناسایی و طبقه­بندی نواحی مستعد لغزش و پهنه­بندی خطر آن نقش غیرقابل انکاری را در مدیریت حوضه­های آبخیز ایفا می­کند (شادفر و یمانی، 1386: 10). تهیه­ی نقشه­یپهنه­بندی با صحت بالا نتیجه کلیه­ی مراحل جمع­آوری اطلاعات و شناسایی پارامترهای مؤثر، وزن­دهی و امتیازدهی به پارامترها و نحوه­ی­ تلفیق و رده­بندی مقادیر خطر می­باشد. در مورد پهنه­بندی خطر زمین­لغزش پژوهش­های فراوانی انجام گرفته است اما این مطالعات از نظر روش­شناسی و فرایند انجام کار با هم متفاوت بوده­اند (رحیم­پور و همکاران، ۱۳۹۶: ۲). در تحقیق حسنوند و سوری (1395: 7) پس از بررسی عوامل مؤثر بر وقوع لغزش در حوضه کسمت لرستان، جهت پهنه­بندی از مدل تراکم سطح استفاده شد. نتایج پهنه‌بندی نشان داد به ترتیب 85/29، 35/38، 45/18، 34/10 و سه درصد از مساحت منطقه در کلاس‌های خطر خیلی­کم،کم، متوسط، زیاد و خیلی­زیاد قرار گرفته است. عابدی و همکاران جهت شناسایی عوامل مؤثر در وقوع زمین‌لغزش و مشخص کردن نواحی دارای پتانسیل لغزشی در حوضه­ی آذرشهرچای پژوهشی را انجام دادند (عابدی‌قشلاقی و همکاران، 1395: 9). پارامترهای مؤثر در وقوع این خطر شناسایی و سپس لایه­ی رقومی این فاکتورها تهیه و به روش منطق فازی وزن­دهی لایه­ها انجام گرفت. در نهایت نقشه­ی پهنه‌بندی زمین‌لغزش آماده گردید. ارزیابی نتایج به‌دست‌آمده نشان داد که 77/27، 79/17، 94/23، 54/17، 96/2 درصد از مساحت منطقه به ترتیب در کلاس‌های خطر خیلی­کم، کم، متوسط، زیاد و خیلی­زیاد قرار گرفته است. روستایی و همکاران، به ارزیابی کمی روش‌های رگرسیون لجستیک[1] و شبکه­ی عصبی مصنوعی در تنگه­ی دره‌دیز (آذربایجان شرقی) پرداختند. پس از تهیه­ی لایه­های اطلاعاتی در محیط ArcGIS، نقشه پهنه‌بندی خطر ناپایداری در پنج کلاس خیلی­زیاد تا خیلی­کم طبقه­بندی شد و دو عامل شیب و فاصله از گسل، فاکتورهای مهم در وقوع ناپایداری‌های حوضه معرفی شدند (روستایی و همکاران، 1394: 23). در خارج از کشور، هونگ[2] و همکاران (2015: 13) با استفاده از تکنیک داده­کاوی و مدل­های آماری به پهنه­بندی زمین­لغزش در چین پرداختند. مجموعاً 163 رخداد لغزشی تشخیص داده شد. نتایج حاکی از مقادیر خروجی بالاتر از 70 درصد بود که حاکی از دقت بالای این روش‌ها می‌باشد. کالکسن[3] و همکاران ( 2016: 11) در منطقه­ی تونیا[4]در ترابزون ترکیه پژوهشی را با هدف مقایسه­ی عملکرد دو GPR[5] و SVM[6]در تحلیل حساسیت نقشه­های لغزشی انجام دادند و نتایج مدل­سازی را با روش رگرسیون لجستیک مقایسه نمودند که حاکی از دقت بالای عملکرد دو الگوریتم GPR و SVM می­باشد (به ترتیب 46/90 و 37/90) و با روش رگرسیون لجستیک 18 درصد تفاوت دارد. یوسف[7] و همکاران (2016: 7) در پهنه­بندی خطر زمین­لغزش در منطقه­ی عسیر[8]در عربستان سعودی، عملکرد روش­های جنگل تصادفی، درخت رگرسیون­ بوست، درخت تصمیم و مدل­های خطی را باهم مقایسه کردند و به این نتیجه رسیدند که مدل­های فوق با سطح زیر منحنی به ترتیب برابر با 78 %، 95%، 81 % و 82 %، دقت قابل قبولی در پهنه­بندی خطر زمین‌لغزش دارند. هایوان[9] و همکاران (2015: 15) جهت تشخیص نواحی مستعد خطر زمین‌لغزش از سه مدل درخت تصمیم متناوب[10]، ماشین بردار پشتیبان و کرنل رگرسیون لجستیک دو کلاسه[11] در حوضه­ی یی‌هوآنگ[12] چین استفاده کردند. بر اساس منحنی ROC دو الگوریتم ارتقاء یافته درخت تصمیم متناوب و کرنل رگرسیون لجستیک دو کلاسه جهت تعیین نواحی مستعد لغزشی مناسب معرفی شدند. موتاسم[13] و همکاران (2014: 9) جهت بررسی حساسیت لغزشی ایسلند، با روش درخت تصمیم بیان داشتند الگوریتم درختی CRT با دقت 6/75 و متغیرهای شیب، فاصله از شبکه­ی زهکشی، جهت شیب، انحنای مقطع و ارتفاع بخش سطحی به‌عنوان مؤثرترین عوامل وقوع لغزش‌های منطقه هستند، در حالی که پودیال[14] (2013: 7)، با روش درخت تصمیم و دقت 9/95% عامل شاخص قدرت جریان و شیب را مؤثر گزارش نمود. وقوع پدیده­ی زمین‌لغزش یکی از معضلات عمده‌ای است که استان خراسان‌رضوی و شهرستان‌های این استان با آن روبه‌رو است. بنابراین ایجاد یک استراتژی منطقه‌ای برای حفاظت از منابع انسانی و طبیعی و کاهش خسارات ناشی از وقوع آن ضروری بوده و ارائه یک مدل مناسب و تهیه­ی نقشه­ی پهنه‌بندی خطر زمین‌لغزش می‌تواند در برنامه‌ریزی و مدیریت محیط منطقه­ی مطالعاتی کمک شایانی به مراکز ذ‌ی­صلاح نماید. هدف پژوهش حاضر شناسایی و طبقه­بندی نواحی حساس به حرکات توده­ای، تعیین مهم­ترین عوامل مؤثر در وقوع لغزش­ها و تعیین اولویت الگوریتم­ها در وقوع این پدیده است. با توجه به بررسی حرکات توده­ای و فراوانی بیشتر زمین­لغزش­ها نسبت به سایر انواع حرکات توده­ای در استان، پژوهش حاضر با هدف شناسایی و مدل‌سازی نواحی حساس به خطر زمین­لغزش، شناخت عوامل مؤثر در وقوع خطر، پهنه‌بندی آن و ارائه راهکارهایی جهت کنترل و تثبیت دامنه‌ها، با استفاده از الگوریتم‌های داده‌کاوی در سه حوضه­ی خرو، حریم‌آباد و گرینه در جنوب‌شرق شهرستان نیشابور در استان خراسان‌ رضوی انجام شد.

 

شکل (1) موقعیت منطقه­ی مطالعاتی در استان خراسان­رضوی و شهرستان نیشابور

مواد و روش­ها

- معرفی منطقه موردمطالعه

شهرستان نیشابور یکی از شهرستان‌های بخش مرکزی استان خراسان­رضوی است که بین ׳19°58  تا ׳30 °59 طول شرقی و ׳40 °35  تا ׳39 °36 عرض شمالی در حاشیه شمال­شرقی کویر مرکزی ایران واقع ‌شده است. وسعت آن 892530 هزار هکتار می‌باشد. متوسط کل بارندگی این شهرستان 4/247 میلی‌متر بوده و بر اساس طبقه‌بندی اقلیمی دومارتن دارای اقلیم خشک می‌باشد.

- روش انجام پژوهش

الف) تهیه­ی داده­ها و اطلاعات

جهت انجام پژوهش در ابتدا اقدام به شناسایی نواحی دارای حرکات توده‌ای در سطح استان خراسان‌رضوی شد. با بررسی عکس‌های هوایی، تصاویر ماهواره‌ای گوگل ارث[15] و نقشه‌های زمین‌شناسی و بازدیدهای میدانی سه حوضه­ی خرو، حریم­آباد و گرینه در جنوب­شرق نیشابور با مجموعاً 99 حرکت لغزشی مورد بررسی قرار گرفت. با استفاده از GPS مختصات نقاط ثبت و سپس با استفاده از مدل رقومی ارتفاع (DEM) منطقه با دقت ده متر و لایه آبراهه­های استان، مرزهای سه حوضه توسط نرم­افزار ArcHydro ترسیم شد. 15 عامل در وقوع حرکات توده­ای حوضـه جهت بررسی معرفی شـدند. لایه­های شیب، جهت شیب و ارتفاع با استفاده از مدل رقومی ارتفاع با دقت ده متر، لایه­های زمین­شـناسی، گـسل­های حوضه و لیتولوژی با استـفاده از شیت 1:50000 سازمان زمین­شناسی و لایه­ی پوشش گیاهی از طریق تصاویر ماهواره­ای لندست 8 سال 2016 در نرم­افزار ENVI5.3 تهیه گردید. شیپ فایل اطلاعاتی سایر لایه­ها هم­چون خطوط هم­دما، هم­بارش، هم­تبخیر، فاصله از جاده، فاصله از آبراهه، خاک­شناسی،کاربری اراضی و تیپ اراضی از سـازمان هواشناسی و سازمان جـغرافیایی استان خراسان دریافت و با بـرش پلی­گون هر یک از این لایه­ها براساس مرز حوزه مطالعاتی، اطلاعات آن­ها به عنوان ورودی­ فرآیند مدل­سازی تهیه و آماده­سازی شدند.

 

 

ب) تجزیه­وتحلیل داده­ها

پس از تهیه­ی لایه­های رقومی فاکتورهای مؤثر در پژوهش، لایه­ی پراکندگی لغزش­های منطقه با مشاهدات میدانی و استفاده از تصاویر گوگل ارث به‌ صورت پلیگونی ترسیم شد. پس از ادغام لایه نقاط لغزشی و نقاط فاقد وقوع زمین لغزش، از مجموع 198 نقطه درنظرگرفته­شده، نقاط لغزشی حوضه (99 نقطه) با کد یک و نقاط فاقد لغزش (99 نقطه) با کد صفر معرفی شدند تا در فرآیند مدل­سازی بکار روند. در مرحله­ی بعد اقدام به مدل‌سازی از طریق نرم­افزار R با استفاده از هریک از الگوریتم‌های جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان، رگرسیون لجستیک، شبکه عصبی، الگوریتم تجمعی بوست[16] و شبکه­ی عصبی مصنوعی شد. در این فرآیند داده‌های پژوهش به دو دسته داده‌های آموزشی[17] و داده‌های آزمایشی جداسازی شدند؛ بدین‌صورت که 70 درصد داده‌ها به‌ صورت کاملاً تصادفی، به‌عنوان داده‌های آموزش وارد مدل گردید و 30 درصد باقیمانده  به ‌عنوان داده آزمون جهت ارزیابی و صحت­سنجی مدل در نظر گرفته شد. آزمایش و اعتبارسنجی مدل­های اجرا شده در این پژوهش با محاسبه شاخص ویژگی­های عامل نسبی یا همان منحنی مشخصه عملیاتی دریافت­کننده­ی (ROC) به دست آمد. بهترین مدل سطح زیر منحنی نزدیک به یک دارد، درحالی­که مقادیر نزدیک به 5/0 نشان­دهنده­ی عدم صحت در مدل است (فاوکت[18]، 2006: 13).

جهت پهنه‌بندی خطر وقوع زمین­لغزش ابتدا لایه­های مختلف جهت مدل­سازی کلاسه­بندی شدند. سپس با محاسبه­ی فراوانی لغزش­های به­وقوع پیوسته در هر کلاس از لایه­های اطلاعاتی و فراوانی کل هر کلاس، تراکم زمین­لغزش­های هر کلاس برآورد گردید. در مرحله­ی بعد با استفاده از فراوانی لغزش­های رخ داده در حوضه­ی مطالعاتی، تراکم لغزش­های رخ داده در حوضه به­ دست آمد. پس از اینکه وزن هریک از کلاس­های پارامترهای در نظر گرفته شده محاسبه شد، در محیط ArcMap وزن مربوط به هر کلاس اعمال شد که با روی­هم­گذاری پارامترها و ضرب مقادیر وزنی در ضریب جینی[19] حاصل از مدل­سازی الگوریتم جنگل تصادفی به­ دلیل داشتن بالاترین دقت در بین الگوریتم­های مورد مطالعه، و سپس جمع جبری مقادیر حاصل، نقشه نهایی حساسیت زمین­لغزش­های حوضه بر اساس روش­های آماری دومتغیره ارزش اطلاعاتی[20] (رابطه­ی ۱) و تراکم سطح[21] (رابطه­ی۲) به­دست آمد.

رابطه­ی (1)

Wi = Ln= Ln

رابطه­ی (2)

Wi=1000 

که در روابط 1 و 2، Wi: وزن مربوط به طبقه­ی مشخص از یک متغیر، Densclass: تراکم زمین‌لغزش در طبقه­ی مشخص از یک متغیر، Densmap: تراکم زمین‌لغزش در کل محدوده، NpixSi: تعداد سلول‌ها یا مساحت زمین‌لغزش‌های رخ‌داده در هر طبقه از متغیر، NpixNi: تعداد سلول‌ها یا مساحت کل هر طبقه از متغیر،∑NpixSi : مجموع کل زمین‌لغزش‌های منطقه و ∑NpixNi: مساحت کل منطقه است.

بحث و نتایج

نقشه­ی لایه­های اطلاعاتی فاکتورهای مؤثر در وقوع زمین­لغزش­های منطقه در شکل­های (2 تا 8) ارائه شده است.

 

 

شکل (2) نقشه­ی لایه­های جهت شیب  (الف) و تندی شیب (ب) حوضه

 

 

ب

 

الف

 

شکل (3) نقشه­ی لایه­های کاربری اراضی  (الف) و خاک­شناسی (ب) حوضه

 

ب

 

الف

 

شکل (4) نقشه­ی لایه­های فاصله از آبراهه (الف) و فاصله از جاده (ب) حوضه

 

ب

 

الف

 

شکل (5) نقشه­ی لایه­های تبخیر (الف) و پوشش گیاهی (ب) حوضه

 

 

شکل(6)  نقشه­ی لایه­های فاصله از گسل (الف) و تیپ اراضی (ب) حوضه

 

شکل(7) نقشه­ی لایه­های زمین­شناسی(الف) و اقلیم (ب) حوضه

 

شکل( 8) نقشه­ی لایه­ی طبقات ارتفاعی حوضه

بر پایه زمین­لغزش­های مشاهداتی در منطقه و روش­های آماری دومتغیره مورد استفاده، نتایج محاسبه­ی وزن طبقات هر لایه در جدول (1) ارایه شده است. پس از محاسبه­ی وزن لایه‌های مختلف و نرخ مربوط به هرکلاس و جمع نهایی لایه­های رستری با وزن به­دست آمده، نقشه­ی نهایی خطر زمین‌لغزش با دو روش ارزش اطلاعات و تراکم سطح و با استفاده از روش شکستگی‌های طبیعی[22] در پنج کلاس خطر وقوع دسته‌بندی شد (بشیری و همکاران، ۱۳۹۷: ۸). شکل­ (9) نقشه­ی پهنه‌بندی خطر وقوع این پدیده را با روش ارزش اطلاعات و تراکم سطح نشان می‌دهد.

 

 

جدول (1) مقادیر وزنی طبقات لایه­ها با استفاده از روش­های آماری دومتغیره

متغیر

کلاس

تراکم لغزش­ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

جهت شیب

هموار

0052/0

32/0

07/1

شمال

0039/0

24/0

77/0

شمال شرقی

0029/0

01/0-

03/0-

شرق

0007/0

04/1-

83/1-

جنوب شرقی

0021/

34/0-

83/0-

جنوب

0026/0

07/0-

23/0-

جنوب غربی

0015/0

70/0-

43/1-

غرب

0062/0

78/0

37/3

شمال غربی

0028/0

32/0

07/1

شیب

5-0

0

0

83/2-

15-5

0007/0

39/1-

13/2-

30-15

0029/0

02/0

07/0

>30

0031/0

09/0

27/0

تیپ اراضی

کوه‌ها

0031/0

27/0

09/0

تپه‌ها

0

0

83/2-

واریزه‌های بادبزنی شکل سنگریزه‌دار

0006/0

23/2-

55/1-

آب و هوا

نیمه‌خشک میانی

0

0

83/2-

نیمه‌خشک شدید

0028/0

01/0-

03/0-

نیمه مرطوب

0052/0

60/0

37/2

مرطوب

0022/0

25/0-

63/0-

تبخیر

1500-1000

0011/0

94/0-

73/1-

2000-1500

0031/0

09/0-

27/0

خاک­شناسی

اریدی سول

0

0

83/2-

اینسپتی سول

0029/0

02/0

07/0

انتی سول

0030/0

06/0

17/0

ادامه جدول (1) مقادیر وزنی طبقات لایه­ها با استفاده از روش­های آماری دومتغیره  

متغیر

کلاس

تراکم

لغزش­ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

پوشش گیاهی

متراکم

0031/0

09/0

27/0

متوسط

0028/0

01/0-

03/0-

ضعیف

0015/0

63/0-

33/1-

کاربری اراضی

زراعت آبی

0

0

83/2-

اراضی باغی

0050/0

56/0

17/2

مرتع با پوشش متوسط

0012/0

85/0-

63/1-

بیشه‌زار و بوته‌زار

0033/0

15/0

47/0

مرتع با پوشش فقیر

0

0

83/2-

محدوده شهری

0

0

83/2-

فاصله از جاده

500-0

0035/0

21/0

67/0

1000-500

0026/0

08/0

23/0-

2000-1000

0022/0

25/0-

63/0-

3000-2000

0015/0

63/0-

33/1-

>3000

0

0

83/2-

فاصله از گسل

500-0

0022/0

25/0-

63/0-

1000-500

0042/0

39/0

37/1

2000-1000

0041/0

37/0

27/1

3000-2000

0

0

83/2-

>3000

0

0

83/2-

فاصله از آبراهه

100-0

0011/0

94/0-

73/1-

300-100

0034/0

18/0

57/0

500-300

0017/0

50/0-

13/1-

700-500

0045/0

46/0

67/1

>700

0028/0

01/0-

03/0-

ارتفاع

1500-0

0

0

83/2-

2000-1500

0033/0

15/0

47/0

ادامه جدول (1) مقادیر وزنی طبقات لایه­ها با استفاده از روش­های آماری دومتغیره  

متغیر

کلاس

تراکم

لغزش­ها

وزن طبقه

(ارزش اطلاعات)

وزن طبقه

(تراکم سطح)

 

2500-2000

0043/0

41/0

47/1

3000-2500

0009/0

14/1-

93/1-

>3000

0

0

83/2-

زمین شناسی

Qt2

0007/0

39/1-

13/2-

Phh

0042/0

39/0

37/1

Db

0026/0

08/0-

23/0-

Pz1

0

0

83/2-

El

0

0

83/2-

Sn

0006/0

55/1-

23/2-

E2sht

0018/0

45/0-

03/1-

E2c

0

0

83/2-

Omr

0

0

83/2-

پس از به‌دست آمدن نقشه‌های حاصل از پهنه‌بندی با دو روش ذکر شده، با استفاده از یک سوم لغزش‌های رخ داده در منطقه، نقشه­ی تهیه شده از لحاظ دقت مورد ارزیابی قرار گرفت. به‌این‌ترتیب که با استفاده از روش وزن شواهد و یک سوم لغزش‌های رخ داده در منطقه که در اجرای مدل استفاده نشده بودند، پراکنش فضایی لغزش‌ها در کلاس‌های پنج‌گانه نقشه حساسیت لغزش مورد ارزیابی آماری قرار گرفت که نتایج حاصل در جدول (2) ارائه شده است. مقایسه­ی نتایج مرحله ارزیابی پهنه­بندی خطر وقوع نشان می­دهد در روش ارزش اطلاعات، بیشترین درصد تراکم لغزش­ها در کلاس خطر متوسط رخ داده است و سپس کلاس­های خطر خیلی زیاد و زیاد در مراتب بعدی قرار می­گیرند. در روش تراکم سطح نیز کلاس خطر متوسط با بیشترین درصد وقوع خطر (34/33)، در مرتبه­ی اول قرار گرفته است و سپس کلاس خطر خیلی­زیاد و زیاد قرار می­گیرد و همانند روش ارزش اطلاعات در این روش نیز کلاس­های خطر زیاد و خیلی زیاد بیشترین درصد وقوع را به­خود اختصاص داده­اند. به ­طور کلی طبق دقت روش تراکم سطح بالاتر است؛ زیرا درصد بیشتری از لغزش­های کنار گذاشته شده برای ارزیابی، در کلاس­های با ریسک زیاد و خیلی زیاد قرار گرفته است. نتایج ارزیابی الگوریتم­های بکار رفته نشان داد الگوریتم جنگل تصادفی با سطح زیر منحنی برابر 92% بهترین عملکرد را برای پیش­بینی پهنه­بندی زمین­لغزش نسبت به چهار مدل دیگر نشان داد. جدول (3) درصد مقادیر مربوط به هر یک از الگوریتم­های بکار رفته در مدل­سازی را ارائه کرده است.

 

ب

 

الف

 

 

 

 

 

شکل (9) نقشه­ی پهنه­بندی خطر با روش ارزش اطلاعات (الف) و تراکم سطح (ب)

جدول (2) طبقات حساس به حرکات توده­ای با استفاده از روش ارزش اطلاعات و تراکم سطح

 

طبقات پهنه­بندی

ارزش اطلاعات

تراکم سطح

تعداد لغزش

درصدتراکم لغزش

تعداد لغزش

درصدتراکم لغزش

خطر خیلی کم

3

10/9

0

0

خطر کم

4

12/12

5

15/15

خطر متوسط

11

33/33

11

34/34

خطر زیاد

5

15/15

9

27/27

خطر خیلی زیاد

10

30/30

8

24/24

جدول(3) مقادیر سطح زیر منحنی ROC در پیش­بینی وقوع زمین­لغزش­ها

ماشین بردارپشتیبان

تجمعی بوست

شبکه­ی عصبی

جنگل تصادفی

درخت تصمیم

الگوریتم

91%

89%

50%

92%

84%

سطح زیرمنحنی

نتیجه­گیری

باتوجه به خروجی­های حاصل از پژوهش، ارزیابی الگوریتم­های درخت تصمیم، جنگل تصادفی، الگوریتم تجمعی بوستینگ، شبکه عصبی و ماشین بردار پشتیبان با استفاده از منحنی ROC نشان داد که نتایج مدل­سازی با الگوریتم درخت تصمیم از میان متغیرهای مورد بررسی، به­ترتیب چهار عامل زمین­شناسی، آب­وهوا، جهت شیب و فاصله از جاده را با بیشترین تأثیر در وقوع حرکات توده­ای حوضه مطالعاتی نشان داده است. اما در مطالعه­ی (موتاسم و همکاران، 2016: 9) با استفاده از درخت تصمیم پنج متغیر شیب، فاصله از شبکه­ی زهکشی، جهت شیب، انحنای مقطع و ارتفاع بخش سطحی به‌عنوان مهم­ترین عوامل مؤثر در وقوع لغزش‌های منطقه پنانگ ایسلند معرفی شدند. در مطالعه (هونگ[23]و همکاران، 2016: 13)، مهم­ترین متغیرها در وقوع زمین­لغزش با شاخص جینی به­ترتیب فاصله از آبراهه، فاصله از جاده، شیب و طول دامنه و در شاخص صحت متغیرهای فاصله از آبراهه، شیب، فاصله از جاده و طول دامنه معرفی شده‌اند. در مدل رده­بندی درختی بوست نیز مهم­ترین عوامل به­ترتیب آب­وهوا، طبقات ارتفاعی و تیپ اراضـی معرفی شـدند. پـژوهش نفسلیوگلو و هـمکاران (2008) در کـشور تـرکیه فاکتورهای درجه شیب، ارتفاع از سطح دریا و فاصله از جاده را مهم‌ترین عوامل مؤثر در وقوع حرکت‌های توده‌ای و مطالعه متکان و همکاران (1388) فاکتور کاربری اراضی را به­ تنهایی به ­عنوان مهم‌ترین عامل گزارش نمودند. هم­چنین شیرانی و همکاران (1392) و طلائی و شریعت‌جعفری (1386) فاکتور لیتولوژی را به­عنوان مؤثرترین عامل در وقوع لغزش‌های منطقه و مطالعه­ی عبدالخانی و جمالی (1389) فاکتورهای شیب، لیتولوژی و کاربری اراضی به‌عنوان مهم‌ترین عوامل مؤثر در ایجاد زمین‌لغزش‌های حوضه­ی منشاد یزد معرفی نمودند. مقایسه نتایج مرحله ارزیابی نقشه­های پهنه­بندی خطر وقوع با یک سوم نقاط کنار گذاشته شده نشان می­دهد در روش ارزش اطلاعات، بیشترین درصد تراکم لغزش­ها در کلاس خطر متوسط رخ داده است و سپس کلاس­های خطر خیلی زیاد و زیاد در مراتب بعدی قرار می­گیرند. در روش تراکم سطح نیز کلاس خطر متوسط با بیشترین درصد وقوع خطر در رتبه­ی اول قرار گرفته است و سپس کلاس خطر خیلی­زیاد و زیاد قرار می­گیرد. همانند روش ارزش اطلاعات در این روش نیز کلاس­های خطر زیاد و خیلی زیاد بیشترین درصد وقوع را به خود اختصاص داده­اند. درنتیجه دقت روش تراکم سطح بالاتر است؛ زیرا درصد بیشتری از لغزش­های کنار گذاشته شده برای ارزیابی، در کلاس­های با ریسک زیاد و خیلی زیاد قرار گرفته است. بر پایه وزن به­دست آمده برای متغیرهای مؤثر در زمین­لغزش، در هر دو روش آماری تراکم سطح و ارزش اطلاعات و مقایسه­ی نتایج آن‌ها، هفت متغیر زمین­شناسی، آب­وهوا، جهت شیب، فاصله از جاده، ارتفاع، خاک­شناسی و تیپ اراضی از عوامل بسیار مهم در ناپایداری­های دامنه­ای هستند.

 نتایج پژوهش نشان داد الگوریتم­های داده­کاوی دقت بالایی را در طبقه­بندی فاکتورهای مؤثر در وقوع لغزش نشان دادند که با نتایج یوسف و همکاران (2016) در عربستان، هونگ و همکاران (2016)، هایوان و همکاران در چین (2015)، موتاسم و همکاران (2016) در ایسلند مشابهت و همخوانی دارد. بنابراین استفاده از الگوریتم­های طبقه­بندی با توجه به محاسبات دقیق و عدم نیاز به صرفه هزینه و وقت زیاد و ابزارهای پیشرفته توصیه می­گردد. به طور کلی روش­های داده­کاوی با دقت مناسب به عنوان جایگزینی مناسب در کاربرد سایر روش­های آماری معرفی می­گردد و پیشنهاد می­شود این روش در حوضه­های وسیع­تر و با الگوریتم­های طبقه­بندی بیشتر و جدیدتری مورد بررسی قرار گیرد.

 



[1]- Logestic Regression

[2]- Hong

[3]- Colkesen

[4]- Tonya

[5]- Gaussian Process Regression

[6]- Support Vector Regression

[7]- Youssef

[8]- Asir

[9]- Haoyuan

[10]- Alternating Decision Tree

[11]- Two-Class Kernel Logistic Regression

[12]- Yihuang

[13]- Mutasem                                                                                                                           

[14]- Poudyal

[15]- Google Earth

[16]- Boost

[17]- Training Data

[18]- Fawcett

[19]- Gini

[20]- Information Value

[21]- Density Area

1- Natural Breaks

[23]- Hong

References
-Abdolkhani, A. and Jamali, A.A., (2010), Application of GIS and Analytical Hierarchy Process in Landslide Hazard Zonation and Comparing the Preference of Effective Factors in Landslide Formation, The 3rd Congress in Geomatics, 10-11 May, Tehran. P.9.
-Abedi-Qeshlaghi, H., Valizadeh-Kamran, kh. and Hashemi-Nasab, S.H., (2016),  Landslide Hazard Zonation Using Fuzzy Logic (Case Study: Azarshahrchay Basin), The 1st International Conference of natural hazards and environmental Crises of Iran, strategies and challenges, 22-23 May, Ardabil, Iran. P.9.
-Bashiri, M., Kavousi-Davoudi, S.M. and Afzali, A., (2018), The Study and Zonation of the Effect of Geologic and Geomorphic Characteristics on the Pattern of Sliding Zones using Fractal Geometry (Case Study: Tooye-Darvar watershed), Journal of Hydrogeomorphology, Vol. 4, No. 4, PP.157-178.
-Colkesen, I., Kutlug, S. E. and kavzoglu., T., (2016), Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression, Journal of African Earth Sciences, Vol. 118, PP.53-64.
-Fawcett, T., (2006), An introduction to ROC analysis, Pattern Recognition Letters, Vol. 27, PP.861-874.
-Haoyuan, H., Biswajeet, A. B., Pradhan, C., Chong, X., Dieu, T. B.,( 2015), Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines, Catena, Vol. 133, PP.266–281.
-Hasanvand, Sh. and Souri, S., (2016), Landslide Hazard Zonation Using the Area Density Model (Case study: Kesmat basin),The 2nd National Congress on Passive Defense in Agriculture, Natural Resources and Environment Sectors with a Sustainable Development Approach, 20 November, Tehran, P.7.
-Hong, H., Pourghasemi, H.R. and Pourtaghi, Z.S., (2016), Landslide susceptibility assessment in Lianhua County (China): A comparison between a random forest data mining technique and bivariate and multivariate statistical models, Geomorphology, Vol. 259, PP.105-118.
-Matkan, A.A., Samia, J., Pourali, H. and Safaee, M., (2009), Fuzzy Logic Models and Remote Sensing for Landslide Hazard Zonation in Lajim Watershed, Journal of Geotechnical Geology, Vol. 5, No. 4, PP.318-325.
-Mutasem, S., Alkhasawneh, U., Kalthum, N., Lea, T., Ashidi, N., Mat, I. And Subhi, M., (2014), Modeling and testing landslide hazard using Decision Tree, publishing corporation, Journal of Applied Mathematics, Article ID 929768, PP.9.
-Nefeslioglu, H. A., Gokceoglu. C. and Sonmez., H. )2008(, An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for preparation of landslide susceptibility maps, Engineering Geology, Vol. 97, PP.171-191.
-Poudyal, C.P., (2013), Landslide susceptibility analysis using decision tree method, Phidim, Eastern Nepal. Bulletin of the Department of Geology, Vol. 15, PP.69-76.‏
-Rahimpour, T., Roostaei, Sh. and Nakhostinrouhi, M., (2017), Landslide Hazard Zonation Using Analytical Hierarchy Process and GIS (A Case Study of Sardool Chay Basin, Ardabil Province), Journal of Hydrogeomorphology, Vol. 4, No. 13, PP.1-20.
-Roostaei, Sh., Mokhtari, D. and khodayi-Qeshlaghi, F., (2015), Evaluation of the Accuracy of Logistic Regression and Artificial Neural Network Methods in Slope InstabilityHazard Zonation of Mountainous Roads (Case study: Darreh-Diz area), 1st International Conference on Earth, Space, Clean Energy, November 14, Ardebil. P.23
-Shadfar, S., Yamani, M., Ghoddusi, J. and Ghayoumian, J., (2007), Landslide hazard zonation using analytical hierarchy method (case study: Chalkrood catchment, Tonekabon), Pajouhesh & Sazandegi, Vol. 75, PP. 118-126.
-Shirani, C. and Arabameri, A., (2015), Landslide Hazard Zonation Using Logistic Regression Method (Case Study: Dez-e-Oulia Basin), Journal of Science and Technology of Agriculture and Natural Resources, Vol. 19, No. 72, PP.321-334
-Talaei, R. and Shariat-Jahrifi, M., (2007), Determination of the Role of  Effective Factors in landslide Occurrence Using Discriminant Analysis Method in Hashtjin Region, The 5th Congress of Iranian engineering Geology and environment, September 21, Tehran. P.10.
-Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S. and Al-Katheeri, M.M., (2016), Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia, Landslides, Vol. 13, No. 5, PP.839-856.