پهنه‌بندی حساسیت زمین‌لغزش با استفاده از مدل‌های نسبت فراوانی و شاخص آماری در حوضه آبخیز اوغان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه جغرافیای دانشگاه گلستان، گرگان، ایران

2 دانش آموخته دکتری مخاطرات محیطی دانشگاه خوارزمی، تهران، ایران

3 دانشجوی کارشناسی ارشد مخاطرات محیطی دانشگاه گلستان، گرگان، ایران

4 دانشجوی کارشناسی ارشد مخاطرات محیطی دانشگاه گلستان،گرگان، ایران

10.22034/gmpj.2021.248268.1211

چکیده

این پژوهش با هدف شناسایی عوامل موثر در ایجاد پدیده زمین لغزش و تعیین مناطق دارای پتانسیل زمین لغزش در حوضه آبخیز اوغان با استفاده از روش نسبت آماری و شاخص آماری انجام شده است. به این منظور مهم‌ترین عوامل موثر در زمین لغزش مانند درجه شیب، جهت شیب، انحنای سطح، انحنای نیم رخ، طبقات ارتفاعی، شاخص رطوبت توپوگرافی، شاخص وضعیت توپوگرافی، بارش، کاربری اراضی، زمین شناسی، فاصله از گسل، فاصله از شبکه آبراهه، فاصله از جاده بررسی و خصوصیات مربوط به هر یک از آن‌ها شناسایی شدند. به این منظور موقعیت زمین ‌لغزش‌های رخ داده در منطقه با استفاده از تصاویر گوگل ارث و بازدید‌های گسترده میدانی که با استفاده از دستگاه موقعیت یاب جهانی صورت گرفت، شناسایی گردید. برای اعتبار سنجی مدلها از منحنی ROC و سطح زیر منحنی ROC استفاده شد. یافتههای تحقیق حاکی از آن است که مدل شاخص آماری برای دادههای تعلیمی و اعتبارسنجی به ترتیب مقادیر 925/0 و 916/0 را به خود نسبت میدهد و در مقایسه با مدل نسبت فراوانی کارایی بهتری برای تهیه نقشه حساسیت زمین لغزش دارد که بر طبق آن 91/34، 51/28 و 59/36 درصد از مساحت حوضه و 42/5 ، 46/20 و 72/35 درصد از جمعیت منطقه مورد مطالعه به ترتیب در معرض خطر خیلی کم - کم، متوسط و زیاد- خیلی زیاد زمین لغزش قرار دارند. هم چنین عوامل زمین شناسی و بارش به عنوان مهم ترین عوامل موثر در وقوع زمین لغزش‌های منطقه معرفی گردیدند.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide Susceptibility Zonation applying frequency ratio models and statistical index in in Oghan watershed

نویسندگان [English]

  • somayeh emadodin 1
  • Valeh Taheri 2
  • masuod mohammad ghasemi 3
  • Zahra Nazari 4
1 Golestan university
2 golestan university
3 golestan university
4 Golestan university
چکیده [English]

Abstract
This research was conducted to prepare landslide susceptibility zonation (LSZ) map for the Oghan basin using Frequency Ratio(FR) and Statistical Index (SI) models. For this purpose, the most important factors affecting land sliding including slope, aspect, plane curvature, profile curvature, elevation, TWI, precipitation, land use, lithology, the distance from fault, the distance from drainage, the distance to road were determined. Then, the landslide inventory map was prepared by using field digital checks, GPS and Google earth. ROC curve and Area under the curve (AUC) were used to validation.
research findings show that statistical index model for training data and validation are attributed as 0.925 and 0.916, respectively and they are more effective than frequency ratio model to prepare landslide susceptibility map, according to which 34.91, 28.51, and 36.59 % of basin area and 5.42, 20.46, and 35.72 % of population of the province encounter very low, low, moderate, high and very high risk of landslide. Also, geological and precipitation factors were introduced as the most important factors in the occurrence of landslides in the study area.



Extended Abstract:
Introduction
Landslides are natural geological processes that change and reform Earth's surface relief. Landslides occur directly due to gravity and it can cause rapid and considerable movement of scree, soil, and rocks down the slopes. Knowing the landslide mechanism and zoning the landslide susceptible areas is necessary for land use planning. Obviously, preparing landslide susceptibility map (LSM) can give insight to land use managers and decision makers. Oghan watershed is located in Northern Iran, with geographical position between of 37ᵒ 9ʹ to 37ᵒ 15ʹ northern latitude and 55ᵒ 5ʹ to 43ʹ 55ᵒ Eastern longitude and it covers an area of 40352 Hectares. An important feature of this area is its height difference which varies between 191m to 2500m from sea level. Because of heavy rain and landslide prone formations, the area is potentially prone to mass wasting. As in points with high percentage slope and areas influenced by such human factors as road and land use changes, mass wasting is aggravated.
Methodology:
To identify landslides in the area under study, field visits, aerial photography, and Google Earth program were used, as a result of which 143 landslides were identified and their positions were spotted in Google earth and the final spot layer of landslides was produced in the form of shapefile. Finally, to conduct the research and execute models, 70 % of landslides (100 locations) were used as model training and the other 30% (43 landslide locations) for the validation. 12 factors affecting slope instability in the region under study were considered which include: elevation, slope, Aspect, profile curvature and plan curvature, lithology, distance from fault, land use, percipitation, distance from drainage, topographic wetness index, and distance from road. To draw susceptibility map for Oghan region, two models of frequency ratio and statistical index were considered and ROC curve was used for their comparison and validation. Frequency ratio (FR) refers to the ratio of landslide surface area in each class to the surface area of the related class. In fact, frequency ratio indicates little relationship between landslide occurrence and different variables affecting it. Statistical index model is a two-variable statistical analysis where the weight for each class factor affecting landslide occurrence is obtained by natural logarithm of landslide density of that class factors affecting landslide density of the whole region.

Results and discussion:
Most landslides occurred in heights of 168 to 1600m. Many villages, with approximate population of 9656 are in Oghan area, most of which are located in heights of 1600m. Further, most landslides are found in road sides and high traffic communication networks or near canal networks. This proves that shear stresses contribute to the landslide occurrence and, therefore, are used as effective factor in susceptibility assessment. Most landslides in the study area occur in slopes over 15%, in the East, South East, South, South West, in heights of 168 to 1200m, within surface curvature and Convex profile curvature. Moreover, TWI values smaller than 1.5 and larger than 4 are significant. Lar and Ilikah formations indicate the highest susceptibility. Distances between 1000-3000m for faults, smaller than 250m for drainage, and smaller than 500m or 3500-4000m for roads should be considered.

Conclusion
Comparison of maps produced by the given methods indicates that in frequency ratio method, 69% of Oghan watershed area (most of the area) is located in very low and low risk zone which houses 21.6 of the whole population, and the rest of the area is located in moderate to very high risk zone. In statistical index model, 34.91% of the watershed area is located in very low and low risk zone and most part of the area is located in moderate to very high risk zone and 5.42% of the population of the watershed live in very low and low risk zone, while most of the population reside in moderate, high and very high risk zones. Validation results show that the area under ROC curve for training data and validation in statistical index model is a little bit larger, excellent; and this proves that statistical index method has higher confidence coefficient and has relatively better performance than frequency ratio method.

کلیدواژه‌ها [English]

  • Landslide
  • frequency ratio
  • statistical index
  • Oghan watershed
  • Golestan province
  • اداره کل منابع طبیعی استان گلستان (مدیریت آبخیزداری) ، 1388 . مطالعات سازه‌های کنترل سیل و رسوب حوزه آبخیز اوغان-گالیکش، شرکت مهندسی مشاور کاوش پی مشهد، مطالعات پایه.
  • تیموری یانسری، ز.، پورقاسمی، ح. ر.، حسین زاده، س. ر.، کاویان، ع.، 1395. ارزیابی کارایی مدل شاخص آماری در تهیه نقشه حساسیت زمین‌لغزش، سی و پنجمین گرد همایی علوم زمین.
  • تیموری یانسری، ز.، حسین زاده، س.ر.، کاویان، ع.، و پور قاسمی، ح. ر.، 1395. تعیین پهنه‌های حساس به وقوع لغزش با استفاده از روش آنتروپی شانون (مطالعه موردی: حوضه آبخیز چهار دانگه- استان مازندران)، جغرافیا و مخاطرات محیطی، شماره 22، صص 204-183.
  • تیموری یانسری، ز، 1397. مطالعه حساسیت به وقوع زمین‌لغزش در حوزه آبخیز چهاردانگه با تاکید بر مقایسه تطبیقی روش‌های ارزیابی، رساله دکتری به راهنمایی سید رضا حسین زاده، دانشگاه فردوسی مشهد.
  • جباری، ا ، میرنظری، ج، 1386. پهنه بندی رویداد زمین لغزش در حوضه آبریز پشت تنگ شهرستان سرپل ذهاب( استان کرمانشاه)، پژوهش های جغرافیایی، شماره 59،
  • زارع، ن.، حسینی، س.ع.، حفیظی، م.ک.، نجفی، ا.، مجنونیان، پ.، . پهنه‌بندی حساسیت به وقوع زمین‌لغزش با روش نسبت فراوانی( مطالعه موردی: جنگل تحت مدیریت صنایع چوب و کاغذ مازندران)، پژوهشنامه مدیریت حوزه آبخیز سال دهم، شماره 20.
  • سالنامه آماری استان گلستان، 1395.
  • شیرزادی، ع. ا...، سلیمانی، ک.، حبیب نژاد روشن بها، م.، کاویانی، ع. ا... .، چپی،ک.، 1396. معرفی یک مدل جدید ترکیبی الگوریتم مبنا به منظور پیش‌بینی حساسیت زمین‌لغزش‌های سطحی اطراف شهر بیجار. مجله جغرافیا و توسعه، شماره 46، صص 246-225.
  • شیرانی، ک.، عامری، ع.ر، 1394. پهنه‌بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دز علیا)، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، جلد 19 شماره 72.صص 334-321
  • عابدینی، م.، فتحی، م.ح.، 1393. پهنه­بندی حساسیت خطر وقوع زمین­لغزش در حوضه آبخیز خلخال چای با استفاده از مدل‌های چند معیاره، فصلنامه پژوهش­های ژئومورفولوژی کمی، سال دوم، شماره 4، بهار، صص 85-71.
  • عرب عامری، ع. ر.، شیرانی، ک.، رضایی، خ.، 1396. پهنه‌بندی استعداد اراضی نسبت به وقوع زمین‌لغزش با روش‌های دمپستر شیفر و نسبت فراوانی در حوضه سرخون کارون. نشریه پژوهش‌های حفاظت آب و خاک، جلد 24، شماره سوم، صص 57-41.
  • غلامی کلاته، غ. ر.، کردوانی، پ.، رنجبر، م.، 1396. ارزیابی خطر وقوع زمین‌لغزش در حوضه آبخیز اوغان استان گلستان با استفاده از فرایند تحلیل شبکه ( ANP)، نشریه پژوهش‌های حفاظت آب و خاک، جلد 24، شماره 6، صص 66-47.
  • قاسمیان، ب.، عابدینی، م.، روستایی، ش.، شیرزادی. ع. ا... .، 1397. بررسی مقایسه‌ای مدل‌های ماشین پشتبان بردار و لجستیک درختی برای ارزیابی حساسیت زمین‌لغزش- مطالعه موردی: شهرستان کامیاران، استان کردستان، فصل‌نامه جغرافیای طبیعی، سال یازدهم، شماره 39، صص 68-47.
  • کر نژادی، آ.، اونق، م.، پورقاسمی، ح.ر.، بهره مند، ع.ر.، معتمدی، م.، 1399. پیش‌بینی حساسیت زمین‌لغزش با استفاده از مدل‌های ترکیبی فاصله ماهالانوبیس و یادگیری ماشین (مطالعه موردی: حوزه آبخیز اوغان، استان گلستان)، مجله پژوهش‌های دانش زمین، پیاپی 42، صص18-1.
  • وزارت جهاد و کشاورزی، 1383. طرح تفضیلی اجرایی آبخیز چهل‌چای، جلد اول، مطالعات پایه بخش زمین‌شناسی و ژئومورفولوژی، شرکت خدمات مهندسی مشاور گلستان، صص 17-22.
  • همتی، ف.، حجازی، س.ا.، 1396. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش آماری رگرسیون لجستیک در حوضه آبخیز لواسانات. نشریه تحقیقات کاربردی علوم جغرافیایی، سال هفدهم، شماره 45، صص 24-7.
  • 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. Arabian J.Geosci. 10(8),194.
  • Achu, A.L., Aju, C.D., Reghunath, R., 2020. Spatial modelling of shallow landslide susceptibility: a study from the southern Western Ghats region of Kerala, India. Annals of GIS 26 (2), 113–131.
  • Bai, S., Lü, G., Wang, J., Zhou, P., Ding, L., 2011, GIS-based rare events logistic regression for landslidesusceptibility mapping of Lianyungang, China. J. Envir nmental Earth Sciences, 62, 139-149.
  • Basu, T. and Pal, S. 2017. Identification of landslide susceptibility zones in Gish River basin, West Bengal, India. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards,1, 1-15.
  • Feby, B., Achu, A.L.,  Jimnisha , K.,  Ayisha, V.B.,  , Reghunath, R., 2020.  Landslide susceptibility modelling using intergrated evidential belief function based logistic regression method: A study from Southern Western Ghats, India., Remote Sensing Applications: Society and Environment20.
  • Bonham-Carter, G.F., 1994. Geographic information systems for geoscientists: modeling with GIS. In: Bonham-Carter F (ed) Computer methods in the geosciences, Pergamon, Oxford, 398.
  • Chen W, Pourghasemi H.R., Zhao, Z., 2017. A GISbased comparative study of Dempster-Shafer, logistic regression and artificial neural network models for landslide susceptibility mapping. Geocarto International, 32(4), 367-385
  • Chen, W., Li, Y., Xue, W., Shahabi, H., Li, S., Hong, H., 2019. Modeling flood susceptibility using data-driven approaches of naïve Bayes tree, alternating decision tree, and random forest methods. Science of the Total Environment.
  • Chen, X, Chen,W, 2021, GIS-based landslide susceptibility assessment using optimized hybrid mechine learning methods, Catena,196.
  • -Chung, C.F., Fabbri, A., 2003. Validation of spatial prediction models for landslide hazard mapping. Nat Hazard 30:451–472.
  • Conforti, M., Pascale, S., Robustelli, G., Sdao, F., 2014. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy). Catena, 113, 236-250.
  • Feby, B., Achu, A.L., jimnisha, K., Ayisha, V.A., Reghunath, R., 2020. Land slide susceptibility modelling using integrated evidential belief function based logistic regression method: a study from southern western Ghats, India, remote sensing applications: society and environment,20.
  • Greco, R., Sorriso-Valvo, R.M, Catalano, E., 2007. Logistic regression analysis in the evaluation of mass movements susceptibility: The Aspromonte case study, Calabria, Italy. J. Eng. Geology 89: 47-66.
  • Gorum, T., Fan, X., van Westen, C.J., Huang, R.Q., Xu, Q., Tang, C., Wang, G., 2011. Distribution pattern of earthquake-induced landslides triggered by the 12 May 2008 Wenchuan earthquake. Geomorphology 133 (3–4), 152–167. Elisseeff, A., 2003. An introduction to variable and feature selection. J. Mach. Learn. Res. 3 (Mar), 1157–1182.
  • Guo, C., Montgomery, D. R., Zhang, Y., Wang, K., Yang, Z., 2015. Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone, Tibetan Plateau, China. Geomorphology, 248, 93-110.
  • Hong, H. and Xu, C. and Chen, W., 2017. Providing a Landslide Susceptibility Map in Nancheng County, China, by Implementing Support Vector Machines. Geographic Information System, 6(1A), 1-13.
  • Khan, h., shafique, m.,A, Khan, M.,A. Bacha, M., U. Shah, S., and Calligaris, C., 2018. Landslide susceptibility assessment using Frequency Ratio, a case study of northen Pakistan. The Egyption Journal of Remote Sensing and Space Sciences, 22, 11-24.
  • Komac, M., 2006, A landslide susceptibility model using the analytical hierarchy process method and multivariate statistics in perialpine Slovenia, Geomorphology, No. 74, 17-28.
  • Lee, S., 2004. Application of likelihood ratio and logestic regression models to landslide susceptibility mapping using GIS. Environ. Manag. 34, 223–232.
  • Malamud, B. D., Turcotte, D. L., Guzzetti, F., & Reichenbach, P., 2004. Landslide inventories and their statistical properties. Earth Surface Processes and Landforms, 29(6), 687-711
  • Meten, M., PrakashBhandary, N. and Yatabe, R., 2015. Effect of Landslide Factor Combinations on the Prediction Accuracy of Landslide Susceptibility Maps in the Blue Nile Gorge of Central Ethiopia: Geoenvironmental Disasters, v. 2, p. 1-17.
  • Nefeslioglu, H., Gokceoglu, C., Sonmez, H., 2008. An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Eng. Geol. 97, 171–191.
  • Pike, R.J., 2000. Geomorphology - Diversity in quantitative surface analysis, Progress in Physical Geography, No. 24, 1-20.
  • Pirasteh, S., Li, J., a Probabilistic frequency ratio (PFR) model for quality improvement of landslides susceptibility mapping from LiDAR point clouds; Geo environmental Disaster J. 4–19,
  • Poonam Rana, N., Bisht, P., Bagri, D.S., Wasson, R.J., Sundriyal, Y., 2017. Identification of landslide-prone zones in the geomorphically and climatically sensitive Mandakini valley, (central Himalaya), for disaster governance using the Weights of Evidence method. Geomorphology 284, 41–
  • Pradhan, B., Lee, S., 2010. Landslide susceptibility assessment and factor effect analysis:back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling, Environmental Modelling & Software, No. 25, 747-759.
  • Pourghasemi, H. R., Mohammady, M., Pradhan, B., 2012. Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena, 97, 71-84.
  • Pourghasemi, H. R., & 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. Theoretical and Applied Climatology, 1-25.
  • Regmi, A. D., Devkota, K. Ch., Yoshida, K., Pradhan, B., Pourghasemi, H. R., Kumamoto, T., Akgun, A., 2014. "Application of frequency ratio, statistical index, and weights-of-evidence models and their comparison in landslide susceptibility mapping in Central Nepal Himalaya". Arabian Journal of Geoscience 7, 725–742.
  • Sinthauli Silalahi , F.E., Yukni Arifianti, P., Hidayat, F., 2019. Landslide susceptibility assessment using frequency ratio model in Bogor, West Java, Indonesia, Geoscience Letters,6.
  • Swets, J.A., 1988. Measuring the accuracy of diagnostic system. Science. 240, 1285-1293.
  • Thanh, D.Q., Nguyen, D.H., Prakash, I., Jaafari, A., Nguyen, V.T., 2019. GIS based frequency ratio method for Landslide susceptibility mapping at Da Lat City, Lam Dong province, Vietnam, Vietnam Journal of Earth Sciences, 42(1), 55-66.
  • Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., Dick, O.B., 2012. Landslide susceptibility mapping at HoaBinh province (Vietnam) using an adaptive neuro fuzzy inference system and Gis. Computers & Geosciences,45,199-211.
  • Tien Bui, D., Tran Anh, T., Klempe, H., Pradhan, B., Revhaug, I., 2015. Spatial Prediction Models for Shallow Landslide Hazards: A Comparative Assessment of the Efficacy of Support Vector Machines, Artificial Neural Networks, kernel Logistic Regression, and Logistic Model Tree, Landslides
  • Wang, Q., Wang, D., Huang, Y., Wang, Z., 2015. Landslide susceptibility mapping based on selected optimal combination of landslide predisposing factors in a large catchment, Sustainability, Vol. 7, 16653-16669.
  • Wang, Q., Li, W., Wu, Y., Pei, Y., Xie, P., 2016. Application of statistical index and index of entropy methods to landslide susceptibility assessment in Gongliu (Xinjiang, China). Environmental Earth Sciences, 75(7), 599.
  • Zhou, S. Fang, L., 2015. Support vector machine modeling of earthquake-induced landslides susceptibility in central part of Sichuan province, China, Geo environmental Disasters, Vol. 2(2), 234-243.