ارزیابی و پیش‌بینی مکانی وقوع زمین‌لغزش با استفاده از مدل‌های آماری فاکتور قطعیت و رگرسیون لجستیک (منطقه مطالعاتی: جاده مواصلاتی خلخال- سرچم)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه محقق اردبیلی

2 دانشگاه تبریز

چکیده

پهنه­بندی خطر وقوع زمین­لغزش از جمله اقدامات اساسی در جهت مقابله و کاهش اثرات وقوع زمین­لغزش­ می­باشد. مناطق واقع در پیرامون جاده خلخال - سرچم از جمله مناطقی از استان اردبیل هستند که در معرض مخاطرات زمین­لغزش می­باشند. در این پژوهش، خطر وقوع زمین­لغزش در این مناطق ارزیابی شده و به پهنه­بندی و پیش­بینی مکانی زمین­لغزش­های منطقه پرداخته می­شود. داده­های مورد نیاز از روی نقشه­های توپوگرافی مقیاس 1:25000، نقشه­های زمین­شناسی مقیاس 1:100000 و 1:250000، تصاویر مدل ارتفاعی رقومی (DEM)، تصاویر ماهواره­ای Google Earth و Sentinel2 و مطالعات میدانی حاصل گردید. برای پیش­بینی مکانی و پهنه­بندی خطر زمین­لغزش از مدل­های آماری رگرسیون لجستیک و احتمالاتی فاکتور قطعیت استفاده شد. نتایج، نشان­دهنده کارایی زیاد این مدل­های کمّی در پیش­بینی مکانی و پهنه­بندی خطر وقوع زمین­لغزش منطقه مطالعاتی می­باشد. نتایج نشان می­دهد که در حدود 23 درصد از کل منطقه مورد مطالعه در کلاس خطر زیاد و بسیار زیاد قرار می­گیرد. بخشی از جاده ارتباطی خلخال - سرچم به طول تقریبی 23 کیلومتر در پهنه­های با خطر زیاد و بسیار زیاد احداث شده است. این جاده علاوه بر آسیب­پذیر بودن در مقابل مخاطره زمین­لغزش، به عنوان یک متغیر محرک باعث افزایش ناپایداری نیز شده است. در مقیاس کلی، زمین­لغزش­های منطقه توسط متغیر لیتولوژی کنترل می­شوند. اکثر زمین­لغزش­ها بر روی دو واحد سنگ­شناسی  «تراکی بازالت - تراکی آندزیت» و  «توف سنگی - برش آتشفشانی - لاهار» رخ داده­اند. در مقیاس محلی، چندین متغیر دیگر بر توزیع فضایی زمین­لغزش­ها موثر بوده­اند. متغیرهای شیب، جهت شیب، ارتفاع، دوری و نزدیکی به آبراهه­های منطقه و مجاورت با جاده­ها از جمله این متغیرهای مهم می­باشند. 

کلیدواژه‌ها


عنوان مقاله [English]

Assessment and Spatial Prediction of Landslide Hazard using Logistic Regression and Certainty Factor Model (Case Study: Along the Khalkhal-Sarcham Road)

نویسندگان [English]

  • fariba esfandiyari 1
  • masoud rahimi 2
  • mansour kheirizadeh 2
1 دانشگاه محقق اردبیلی
2 دانشگاه تبریز
چکیده [English]

Introduction
The occurrence of landslides is the result of the interaction of complex and diverse environmental factors. These factors are divided into the trigger and the primary cause. Landslide occurrence triggers include weathering, earthquakes, rainfall and snow melting. Human activity like construction of roads and buildings on steep slopes and dispersal of water from supply systems and sewers could also trigger the occurrence of the phenomena (Cubito et al., 2005). Landslide susceptibility mapping involves handling, processing and interpreting a large amount of territorial data. Thus, Geographical Information Systems (GIS) have proved to be very useful in susceptibility evaluation (Aleotti and Chowdhury, 1999; Ayalew et al., 2005), as it allows frequent updating of the database related to spatial distribution of the landslide events and their predisposing factors, as well as the susceptibility assessment procedures (Aleotti and Chowdhury, 1999). Landslide susceptibility mapping relies on a rather complex knowledge of slope movements and their controlling factors. The reliability of landslide susceptibility maps depends mostly on the amount and quality of available data, the working scale and the selection of the appropriate methodology of analysis and modeling. In this research, several quantitative approaches in order to landslide hazard zonation were used for the area along the Khalkhal-Sarcham Road. The study area with geographic coordinates between 37º 19′ to 37º 36′ N latitudes and 48º 50′ to 21º 01′ E longitudes is located in Ardabil province.
 
Materials and Methods
In this research, for assessment and landslide zonation ten factors affecting landslide occurrence, which include: elevation, slope, aspect, streams, faults, topographic features, lithology, land use, vegetation and communication road was considered. Required data were obtained from the topographic maps with scale of 1:25000, geological maps with scale of 1:100000, digital elevation model (DEM) 12.5 meter from ALOS – PALSAR satellite, Sentinel (Spatial resolution of 10 meter), Google Earth satellite images and field studies. In landslide hazard zonation using the GIS, the most important part of the study is preparation of the landslide distribution map or landslide inventory. Therefore, field works was done in order to identification of landslides and preparation of landslide inventory. In this study for assessment and landslide zonation were used certainty factor and logistic regression quantitative approaches.
Results and discussion
In this research, landslide events risk use certainty factor and logistic regression quantitative approaches was evaluated. Certainty factor model is a probabilistic bivariate model and suitable for landslide hazard zonation. This model provides reasonable results for the study area. Also for zonation by using multivariate statistical methods, was used logistic regression, which is one of the most suitable methods for landslide hazard zonation. The results from this method were detected as the most favorable model among the investigated models. For the studied area, 98 large and small landslides were identified and delineated through satellite images of high resolution satellite image and field observations. Most of these landslides have occurred from the north-east, south-west trend, from the Kahran and Esmarud villages to the Gheshlag and Gorjagh villages. A significant number of landslides have occurred around the Khalkhal-Sarcham communication road between of Kabodchi to Gheshlagh villages. The results show that total landslide area of the region is about 650 hectares. In terms of percentage of high and very high risk class area, these methods represent fairly similar results, so that can say that approximately 23 percentage of the study area is located in the high and very high risk class. 
 
Conclusion
This research has been carried out to identify areas of potential Landslide in the Khalkhal-Sarcham communication road. In this regard, logistic regression and certainty factor model were used. This communication road is very important for landslide occurrence. According to the results that between the factors affecting the occurrence of landslides in the region, lithological conditions play an important role. Construction of a communication road on these landslide sensitive units has increased the risk of landslide events. The slope and elevation variables also have a large effect on the landslide occurrence in the area. The impact of other conditions can be considered locally. Therefore, slope instabilities in all of the spatial planning should be considered in this area.

کلیدواژه‌ها [English]

  • landslide zonation
  • certainty factor
  • logistic regression
  • Geographic information system
  • Ardabil-Khalkal Road
  • احمدی، حسن؛ اسمعلی، اباذر؛ فیض­نیا، سادات؛ شریعت­جعفری، محسن. 1382. پهنه بندی خطر حرکت های توده­ای با استفاده از دو روش رگرسیون چند متغیره (MR) و تحلیل سلسله مراتبی (AHP) (مطالعه موردی حوزه آبخیز گرمی چای). منابع طبیعی ایران، دوره 56، شماره 4، صص 323-336.
  • اسفندیاری درآباد، فریبا؛ بهشتی جاوید، ابراهیم؛ فتحی، محمدحسین. 1393. پهنه بندی حساسیت وقوع زمین‌لغزش با استفاده از تئوری بیزین (مطالعه موردی: حوضه آبخیز سیاهرود). جغرافیا و مخاطرات محیطی، سال 3، شماره 12، صص 1-18.
  • جباری، ایرج؛ میرنظری، جواد. 1386. پهنه بندی رویداد زمین لغزش درحوضه آبریزپشت تنگ شهرستان سرپل ذهاب (استان کرمانشاه). پژوهش­های جغرافیایی، دوره 39، شماره 7، صص 55-67.
  • حسین زاده، محمد مهدی؛ ثروتی، محمدرضا؛ منصوری، عادل؛ میرباقری، بابک؛ خضری، سعید. 1388. پهنه­بندی ریسک وقوع حرکات توده­ای با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: محدوده مسیر سنندج- دهگلان). فصلنامه زمین­شناسی ایران، سال سوم، شماره یازدهم، صص 27-37.
  • رامشت، محمد حسین. 1375. کاربرد ژئومورفولوژی در برنامه­ریزی ملی، منطقه­ای، اقتصادی، چاپ اول، انتشارات دانشگاه اصفهان.
  • رسایی، آرمان؛ خسروی، خه­بات؛ حبیب­نژاد روشن، محمود؛ حیدری، ارکان؛ مشایخان، آرمین. 1394. پهنه بندی خطر زمین لغزش با مدل رگرسیون چند متغیره در محیط GIS (مطالعه موردی: حوزه آق مشهد، استان مازندران). پژوهشنامه مدیریت حوزه آبخیز، دوره 6، شماره 12، صص 205-215.
  • روستایی، شهرام؛ خیری­زاده آروق، منصور؛ سرافروزه، سلیمان؛ نجفی ایگدیر، احمد. 1391. پهنه­بندی خطر وقوع زمین­لغزش با استفاده از مدل فاکتور قطعیت (منطقه مورد مطالعه: گردنه گویجه­بل تا شهر اهر)، اولین همایش انجمن ایرانی ژئومورفولوژی.
  • سازمان زمین شناسی کشور. نقشه های زمین شناسی 100000 :1، برگه های هشجین و کیوی به همراه گزارشات.
  • شریعت جعفری، محسن. 1375. زمین­لغزش (مبانی و اصول پایداری شیب­های طبیعی). انتشارات سازه.
  • شیرانی، کورش؛ حاجی هاشمی جزی، محمدرضا؛ نیک­نژاد، سیدعلی؛ رخشا، سلیمان. 1391. پهنه‌بندی پتانسیل خطر زمین لغزش به روش تحلیل سلسله مراتبی (AHP) و رگرسیون چند متغیره (MR) (مطالعه موردی: سراب حوضه کارون شمالی). نشریه مرتع و آبخیزداری (مجله منابع طبیعی ایران)، دوره 65، شماره 3، صص 409-395.
  • فیض­نیا، سادات؛ حسن­زاده، محمد؛ احمدی، حسن. 1380. پهنه بندی خطر زمین لغزش حوزه آبخیز شلمان رود در استان گیلان. منابع طبیعی ایران، دوره 54، شماره 3، صص 207-220.
  • متکان، علی اکبر؛ سمیعا، جلال؛ پورعلی، سیدحسین؛ صفایی، مهرداد. 1388. مدل های منطق فازی و سنجش از دور جهت پهنه بندی خطر زمین لغزش در حوضه آبخیز لاجیم. زمین­شناسی ژئوتکنیک (زمین­شناسی کاربردی)، دوره 5، شماره 4، صص 318-325.
  • متولی، صدرالدین؛ اسماعیلی، رضا؛ حسین­زاده، محمدمهدی. 1388. تعیین حساسیت وقوع زمین لغزش با استفاده از رگرسیون لجستیک در حوضه آبریز واز (استان مازندران). فصلنامه جغرافیای طبیعی، شماره 5، صص 73-84.
  • مکرم، مرضیه؛ نگهبان، سعید. 1393. طبقه­بندی لندفرم­ها با استفاده از شاخص موقعیت توپوگرافی (TPI) (مطالعه موردی: منطقه جنوبی شهرستان داراب). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی (سپهر)، دوره 23، شماره 92، صص 57-65.
    • Aksoy. B and Ercanoglu. M. 2012.  Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey), Computers & Geosciences 38: 87–98.     
    • Ayalew. L and Yamagishi. H. 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 65: 15–31.
    • Bai, Shibiao et al. 2011. GIS-based rare events logistic regression for landslide-susceptibility mapping of Lianyungang, China. Environ Earth Sci 62:139–149.
    • Binaghi. E; Luzi, L; Madella, P; Pergalani, F; Rampini, A. 1998. Slope instability zonation: a comparison between certainty factor and fuzzy Dempster- Shafer approaches. Natural hazards 17: 77-97.
    • Castellanos Abella, Enrique Armando. 2008.Multi-scale landslide riskassessment in Cuba. Doctoral thesis, International Institute for Geo-information Science andEarth Observation, Enschede, The Netherlands.
    • 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.
    • Cornforth D. H. 2005. Landslide in practice. John Wiley.
    • Das. Iswar; Sahoo, Sashikant; Van Westen, Cees; Stein, Alfred; Hack, Robert. 2010. Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas (India).  Geomorphology 114: 627–637.
    • Devkota. K. C; Regmi, A. D; Pourghasemi, H. R; Yoshida, K; Pradhan, B. 2012. Landslide susceptibility mapping using certainty factor, index of entropy and logistic regression models in GIS and their comparison at Mugling-Narayanghat road section in Nepal Himalaya. Journal of the international society for the prevention and mitigation of natural hazards.
    • Ercanoglu M and F. A. Temiz. 2011. Application of logistic regression and fuzzy operators to landslide susceptibility assessment in Azdavay (Kastamonu, Turkey). Environ Earth Sci 64: 949–964.
    • Gemitzi A., Falalakis G., Eskioglou P., Petalas C. 2010. Evaluating landslide susceptibility using environmental factors, fuzzy membership functions and GIS. Global nest, vol.12
    • Hamza, T., & Raghuvanshi, T. K. 2017. GIS based landslide hazard evaluation and zonation–A case from Jeldu District, Central Ethiopia. Journal of King Saud University-Science, 29 (2), 151-165.
    • Hsu, C. H., Tsao, T. C., Huang, C. M., Lee, C. F., & Lee, Y. T. 2016. Using Remote Sensing Techniques to Identify the Landslide Hazard Prone Sections along the South Link Railway in Taiwan. Procedia Engineering, 143, 708-716.
    • Jenness, Jeff. 2006. Topographic Position Index (TPI) v. 1.2. http://www.jennessent.com
    • Kanungo. D. P; Arora, M.K; Sarkar, Shantanu; Gupta, R. 2009. Landslide Susceptibility Zonation (LSZ) Mapping - A Review. Journal of South Asia Disaster Studies. Vol. 2 No. 1: 81- 105.
    • Kleinbaum D. G and Klein M. 2010. Logistic regression, a self-learning text. Springer.
    • Komac, Blaz and Matija, Zorn. 2008. Statistical landslide susceptibility modeling on a national scale: the example of Slovenia. IAG regional conference on geomorphology landslides, floods and global environmental change in mountain regions, Brasov.
    • Lan, H. X; Zhou, C.H; Wang, L.J; Zhang, H.Y; Li, R.H. 2004. Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang watershed, Yunnan, China. Engineering Geology 76. 109- 128.
    • Lee S, Sambath T. 2006. Landslide susceptibility mapping in the Damrei Romel area, Cambodia using frequency ratio and logistic regression models. Environ Geol 50:847–855.
    • Lee S. 2007. Application and verification of fuzzy algebraic operators to landslide susceptibility mapping. Environ Geol 52:615–623.
    • Long, N. T. 2008. Landslide susceptibility mapping of the mountainous area in a Luoi district, ThuaThien Hue province, Vietnam. Thesis submitted in fulfillment of the requirements for the award of the degree of Doctor in Engineering.
    • Melchiorre. C et al. 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology 94: 379–400.
    • Oconnell Ann A. 2006. Logistic regression models for ordinal response variables. Sage Publications.
    • Remondo, J; Gonzalez, A; Teran, J.R.D.D; Cendrero, A; Fabbri, A; Chung, Chang-Jo F. 2003. Validation of landslide susceptibility maps; examples and applications from a case study in Northern Spain. Natural Hazards 30 (3), pp 437-449.
    • Saito, H., Murakami, W., Daimaru, H., & Oguchi, T. 2017. Effect of forest clear-cutting on landslide occurrences: Analysis of rainfall thresholds at Mt. Ichifusa, Japan. Geomorphology, 276, 1-7.
    • Schicker R and Moon V. 2012. Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale. Geomorphology 161–162: 40–57.
    • Seif, A. 2014. Using Topography Position Index for Landform Classification(Case study: Grain Mountain). Bulletin of Environment, Pharmacology and Life Sciences, Vol 3: 33-39.
    • Sujatha, E. R; Rajamanickam, G.V; Kumaravel, P. 2012. Landslide susceptibility analysis using probabilistic certainty factor approach: a case study on Tevankarai stream watershed, India. Earth System Science, 121, No. 5, pp. 1337-1350.
    • Van Westen, C. J & Soeters, R. 1998. Geographic information systems in slope instability zonation (GISSIZ). ITC. 156p.
    • Weiss, A. 2001. Topographic Position and Landforms Analysis. Poster presentation, ESRI User Conference, San Diego, CA.
    • Yao, X., Tham, L. G., & Dai, F. C. 2008. Landslide susceptibility mapping based on support vector machine: a case study on natural slopes of Hong Kong, China. Geomorphology, 101(4), 572-582.
    • Yilmaz I. 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat-Turkey). Comp Geosci 35(6):1125–1138.