ارزیابی نقشه پهنه‌بندی حساسیت زمین‌لغزش بااستفاده از روش تلفیقی فاکتور اطمینان و رگرسیون لجستیک با بکارگیری شاخص‌های ژئومورفومتریک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه اصفهان

2 سازمان تحقیقات، آموزش و ترویج کشاورزی

چکیده

تحلیل ویژگی‌های فرمی سطح زمین که می‌تواند متأثر از عوامل اقلیمی، هیدرولوژیکی، خصوصیات ذاتی سازندها و بویژه فعالیت‌های نئوتکتونیک باشد، نقش مهمی در شناسایی و معرفی مناطق درگیر با خطر زمین‌لغزش‌ دارد. هدف این تحقیق ارزیابی نقشه پهنه‌بندی حساسیت زمین‌لغزش بااستفاده از بکارگیری شاخص‌های ژئومورفومتریک همراه با سایر عوامل مرسوم در پهنه‌بندی به منظور افزایش درستی نقشه حساسیت‌پذیری زمین‏لغزش در حوضۀ آبخیز رودخانه فهلیان می‌باشد. در این پژوهش از 20 عامل مؤثر مشتمل بر 14 عامل مرسوم و 6 عامل ژئومورفومتریک به‌منظور ارزیابی میزان صحت نقشه پهنه‌بندی حساسیت زمین‌لغزش استفاده شد. بدین منظور ابتدا نسبت به تعیین وزن طبقات هر یک از عوامل بااستفاده از روش فاکتور اطمینان اقدام شد. سپس بااستفاده از اوزان بدست آمده و اجرای روش رگرسیون لجستیک نقشه حساسیت‌پذیری نسبت به زمین‏لغزش  با دو رویکرد بدون و با بکارگیری شاخص‌های ژئومورفومتریک در کنار سایر عوامل تهیه شد. نتایج حاصل از اجرای مدل رگرسیون لجستیک، نشان داد عامل شیب، تراکم پوشش گیاهی، جهت شیب و فاصله از آبراهه به‌ترتیب بیشترین تاثیر را در رخداد زمین‌لغزش دارد. در نهایت بااستفاده از منحنی ویژگی عملگر نسبی (ROC)  اقدام به اعتبارسنجی، ارزیابی و مقایسه نقشه‌های حاصل از دو رویکرد گردید. سطح زیر منحنی در حالت بدون و با بکارگیری شاخص‌های ژئومورفومتریک به‌ترتیب 82/0 و 88/0 می‌باشد. بنابراین بکارگیری شاخص‏های ژئومورفومتریک منجربه افزایش درستی نقشه پهنه‌بندی حساسیت نسبت‌به زمین‏لغزش شدهاست. براساس نتایج حاصل از طبقه‏بندی نقشۀ پهنه‌بندی حساسیت نسبت به زمین‏لغزش با استفاده از عوامل ژئومورفومتریک، 78/14درصد (94/59563 هکتار) و 06/17درصد (04/68767 هکتار) از منطقه موردمطالعه به‌ترتیب در رده حساسیت زیاد و خیلی زیاد قرار گرفته است. باتوجه به نقش بکارگیری شاخص‌های ژئومورفومتریک در افزایش صحت نقشه حاصل، استفاده از این رویکرد در تهیه نقشه پهنه‌بندی حساسیت نسبت‌ به زمین‏لغزش پیشنهاد می‌گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of Landslide Susceptibility Zoning Map Using Confidence Factor-Logistic Regression Hybrid Method By Means of Geomorphometric Indices

نویسندگان [English]

  • hamid Babolimoakher 1
  • Kourosh Shirani 2
  • Alireza Taghian 1
چکیده [English]

Landslide is a natural disaster resulted from geomorphologic, hydrologic, and geologic conditions along with human factors. As of present, many pieces of research have been performed to achieve such a purpose based on various models. However, many of such works have failed to provide satisfactory results due to failure to consider surface landform, so that limitations have been encountered when it came to the application of their findings. This highlights the necessity of using novel methods based on quantitative criteria of landform to identify the zones susceptible to landslide, so as to conduct proper planning for such zones. In this respect, morphometric parameters can represent landform characteristics of the hillsides susceptible to landslide. Moreover, in tectonically active areas, instability of the hillsides can be observed in the form of various types of landslide. This shows that, when it comes to the assessment of landslides, one should further consider neotectonic activities by means of geomorphologic indices.
In the present research, a total of 20 effective factors were used to assess accuracy of a landslide susceptibility zoning map; the factors include 14 conventional factors along with 6 geomorphometric factors. For this purpose, firstly, independence of the factors affecting the landslide was analyzed by performing Multicollinearity reach tests. To this end, two important indices, namely tolerance (TOL) and variance inflation factor (VIF), were used to undertake multi-directional reach test. These two indices are commonly used when running generalized linear models for analyzing the relationship between independent variables or conducting multi-directional reach test. Even though no consistent principle is presented for determining thresholds of these two indices (VIF and TOL) in multi-directional analysis and estimation of the factors affecting landslide, but records of the research works performed on this topic show that, multiple-correlation problem will arise (i.e. the data or independent variables are not correlated at all) if the value of VIF is smaller than 5 or 10 and the value of TOL is higher than 0.1 or 0.2. Moreover, in order to assess the correlation between the landslide and the selected factors, the weights obtained from the confidence factor (CF) model were used in the form of bivariate statistical analyses. The weights calculated by this model were further employed to prepare factorial maps and convert them into binary maps (wherein the levels with negative and positive weights were represented by 0 and 1, respectively) to be introduced into the conditional independence test. Continuing with the research, once finished with entering the weights obtained from the CF to the logistic regression model, the model coefficients were extracted. Using the obtained weights, the model was run to prepare a landslide susceptibility zoning map following either of two approaches, i.e. with and without considering geomorphologic indices along with other effective factors. Finally, Receiver Operating Characteristic (ROC) curve was used to validate, assess, and compare the maps obtained via either of the two approaches.
Based on the results of multiple correlation test, no correlation was obtained between the independent factors with VIF value of at most 3.559 and TOL values of at least 0.253. All of the values of VIF of the independent factors were lower than the critical value (5 or 10), while all of the values of TOL of the independent factors were higher than the calculated value by the critical theory. Maximum and minimum values of VIF were found to be 3.559 and 1.101, respectively, and the corresponding values to TOL were 0.253 and 0.895, respectively, which referred to the land roughness and slope direction, respectively.
The results obtained from the CF model showed that, the land roughness values exceeding 14 followed by slopes exceeding 40% possess the largest CF weights, among other levels of the considered factors, while waterway densities ranging between 0 and 10 and precipitations lower than 550 mm exhibited the lowest CF weights. According to the results obtained from the logistic regression model, the slope, NDVI, and slope direction exhibited the highest correlation coefficients, making them the best predictors of landslide occurrence in the region. Combing the weighted maps, zoning maps were prepared via the two approaches. Accordingly, 17.06% and 8.27% of the area understudy were identified as very highly susceptible to landslide, for the cases with and without considering the effects of geomorphologic factors, respectively. In addition, based on the results of ROC, the area under the curve was evaluated as 0.88 and 0.82 for the cases with and without considering the effects of geomorphologic factors, respectively. This confirms higher efficiency of the models into which geomorphologic factors are incorporated along with other common parameters considered in landslide susceptibility zoning.
 

کلیدواژه‌ها [English]

  • Landslide
  • Zoning
  • Geomorphologic
  • logistic regression
  • Fahlian river basin
  • احمدآبادی، علی؛ رحمتی، مریم، 1394، کاربرد شاخص‌های کمی ژئومورفومتریک در شناسایی پهنه‌های مستعد زمین‌لغزش بااستفاده از مدل SVM، (مطالعۀ موردی: آزادراه خرم‌آباد-پل‌زال)، پژوهش‌های ژئومورفولوژی کمی، سال چهارم، شماره 3، صص 213-197.
  • احسانی، جهانبخش؛ آرین، مهران؛ قرشی، منوچهر، 1394، نشانه‌های زمین‌ریختی زمین‌ساخت فعال حوضه آبریز جراحی- هندیجان (رودخانه‌ های مارون- زهره) در جنوب باختر ایران، فصلنامه علوم زمین، سال بیست و چهارم، شماره 95، صص 218-211.
  • انصاری؛ مریم؛ فتوحی، صمد، 1396، بررسی دوره‌های ترسالی و خشک‌سالی و اثرات آن بر منابع آب زیرزمینی دشت ممسنی، فصلنامه جغرافیای طبیعی، سال دهم، شماره 36، صص 87-73.
  • بهیاری، مهدی؛ محجل، محمد؛ مؤید، محسن؛ رضائیان، مهناز، 1395، بررسی تأثیر تغییرات منطقه­ای برافرازش بر شاخص­های ژئومورفیک: کمپلکس میشو در شمال باختر ایران، فصلنامه زمین­شناسی ایران، سال دهم، شماره 38، صص 53-39.
  • حبیبی، علیرضا، 1393، بررسی زمین لغزش ها با استفاده از شاخص های مورفوتکتونیک، نشریۀ علمی-پژوهشی مهندسی و مدیریت آبخیز، سال هفتم، شماره 1، صص، 108-98.
  • خدائی، لیلا؛ روستائی، شهرام؛ حجازی، سید اسدالله، 1396، ارزیابی روش رگرسیون لجستیک در بررسی پتانسیل وقوع زمین‌لغزش مطالعه موردی: حوضه آبریز رودخانه حاجیلرچای، فصلنامه جغرافیای طبیعی، سال دهم، شماره37، صص 57-45.
  • شریفی، رحمان؛ پورکرمانی، محسن؛ سلگی، علی؛ جمالیان، نازنین، 1392، بررسی ارتباط تکتونیک فعال و پهنه‌های لغزشی بر مبنای شاخص‌های تکتونیک فعال، همایش ملی زمین‌ساخت ایران، تهران.
  • شیرانی، کورش، 1397، ارزیابی کارایی عوامل ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش (مطالعه موردی: حوضه دزعلیا)، مجله جغرافیا و برنامه‏ریزی محیطی دانشگاه اصفهان، سال بیست و نهم، شماره 1، صص 114-95.
  • شیرانی، کورش؛ عرب‌عامری، علی‌رضا، 1394، پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از روش رگرسیون لجستیک (مطالعه موردی:  حوضه دز علیا)، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال نوزدهم، شماره72، صص 334-321.
  • صمدی، میثم؛ جلالی، سعیده؛ کرنژادی، آیدینگ؛ صمدی قشلاقچائی، محمود، 1395، بررسی شاخص‌های مورفومتری در حوضه آبخیز چهل چای استان گلستان با استفاده از GIS ، مجله علمی ترویجی مهندسی نقشه‌برداری و اطلاعات مکانی، دوره هفتم، شماره 4، صص 74-67.
  • فیض‌اله‌پور، مهدی، 1397، پهنه‌بندی مناطق مستعد به زمین‌لغزش با استفاده از سیستم استنتاجی فازی عصبی(ANFIS) (مطالعه موردی: حوضه رودخانه سنگورچای) مجله مخاطرات محیطی، دوره هفتم، شماره17، صص 174-155.
  • قاسمیان، بهاره؛ عابدینی، موسی؛ روستایی، شهرام؛ شیرزادی، عطاالله ،1397، بررسی مقایسه‌ای مدل‌های ماشین پشتیبان بردار و لجستیک درختی برای ارزیابی حساسیت زمین‌لغزش، مطالعه موردی: شهرستان کامیاران، استان کردستان، فصلنامه جغرافیای طبیعی، سال یازدهم، شماره 39،صص68-47.
  • محمدی، سید داود؛ جلالی، سید حسین؛ ساعدی، بهمن، 1396، ارزیابی زمین­ساخت فعّال نسبی در حوضۀ آبخیز آبشینه همدان بااستفاده از شاخصه­های زمین­ریختی و لرزه­خیزی منطقه، پژوهش­های ژئومورفولوژی کمّی، سال چهارم، شماره 4، صص207-190.
  • مکرم، مرضیه؛ شایگان، مهران، 1397، ارزیابی خطر زمین‌لغزش و ارتباط آن با نوع لندفرم در محیط GIS، پژوهش‌های ژئومورفولوژی کمی، سال ششم، شماره 4، صص 31-17.
  • مکرم، مرضیه؛ نگهبان، سعید، 1393، طبقه‌بندی لندفرم‌ها بااستفاده از شاخص موقعیت توپوگرافی(TPI) (مطالعه موردی: منطقه جنوبی شهرستان داراب)، فصلنامه علمی-پژوهشی اطلاعات جغرافیایی، دوره 23، شماره 92، صص 65-57. 
  • Atkinson, P., Massari, R., 2011. Logistic modeling susceptibility to land sliding in the Apennines, Italy Geomorphology.Vol.130.
  • Ayalew, L.and Ymagishi, H., 2005.The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakud-Yahiko Mountains of Japan. Geomorphology, 65: pp.15-31.
  • Chung, C. F. and Fabbri, A. G., 1993. The representation of geoscience information for data integration. Non Renew Resour 2(2):pp.122–139.
  • Dai, F.C., Lee, C.F., Xu, Z.W., 2001. Assessment of landslide susceptibility on the
    natural terrain of Lantau Island, Hong Kong. Environ Geol, No. 40, pp. 381–391.
  • EL Hamdouni, R., Irigaray, C., Fernandez, T., Chacon, J. and Keller, E. A., 2008. Assessment of Relative active tectonic, Southwest border of sierra Nevada (Southern Spain). Geomorphology, 96, pp. 150-173.
  • -EL Hamdouni, R., Irigaray, C., Fernández, T., Fernández, P., Jiménez, J. and Chacón, J., 2006.
  • Active tectonics as determinant factor in GIS landslides susceptibility mapping: application to the SW border of Sierra Nevada (Granada, Spain). Geophysical Research Abstracts, Vol. 8, 03154.
  • -Fisher, P., Wood, J. and Cheng, T., 2004. Where is Helvellyn? Fuzziness of Multiscal Landscape Morphometry, Transactions of the Institute of British Geograhper, No. 29, pp, 106-128.
  • -Guns, M. and Vanacker, V., 2012. Logistic regression applied to natural hazards: rare event logistic regression with replications. Natur Hazards Earth Syst Sci 12:pp. 1937–1947.
  • -Hong, H., Chen, W., Xua, C., Youssef, A. M., Pradhan, B. and Bui, D. T., 2017. Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor, and index of entropy. Geocarto Int 32(2):pp. 139–154.
  • -Jenness, J. (2002). Surface Areas and Ratios from Elevation Grid, Jenness Enterprises, http:// www. Jennessent. Com/arcview/surface_areas. Htm (connected: 10.08.2003).
  • -Lee, S. A., 2004. Verification of spatial logisticregression for landslide susceptibility analysis: Acasestudy of Korea. J. Geomorphology 44:pp. 15-18.
  • -Luzi, L. and Pergalani, F., 1999. Slope instability in static and dynamic conditions for urban planning: the ‘Oltre Po Pavese’ case history (Regione Lombardia-Italy). Nat Hazards 20:57–82.
  • -Marquardt, D., 1970. Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation. Technometrics 12: pp. 605–607.
  • -O’Brien, R. M., 2007. A caution regarding rules of thumb for variance inflation factors. Qual Quant 41(5):pp.673–690.
  • -Pike, R. J., 2000. Geomorphology - Diversity in quantitative surface analysis, Progress in Physical Geography, No. 24, Pp. 1-20.
  • -Pourghasemi, H. R. and Rossi, M., 2017. 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: pp. 609–633.
  • -Pourghasemi, H. R., Mohammady, M. and Pradhan, B., 2012. Lanslide Susceptibility mapping using index of entropy and Conditional probability models in GIS. Safarood Basin, Iran, Catena 97, pp. 71-84.
  • -Pradhan, B., and Lee. S., 2010. Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models, Environmental Earth Sciences, 60, pp.1037–1054.
  • -Rao, G., Cheng, Y., Lin, A., and Yan, B., 2017. Relationship between Landslides and Active Normal Faulting in the Epicentral Area of the AD 1556 M~8.5 Huaxian Earthquake, SE Weihe Graben (Central China). Journal of Earth Science, Vol. 28, No. 3, pp. 545–554.
  • -Swets, J. A., 1988. Measuring the accuracy of diagnostic systems.Sci.240: pp. 1285-1293.
  • -Schicker, R. and Moon, V., 2012. Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale.Geomorphology161:pp.40–57.
  • -Shirani, K., Pasandi, M. and Arabameri, A., 2018. Landslide susceptibility assessment by Dempster-Shafer and Index of Entropy models, Sarkhoun basin, Southwestern Iran. Natural Hazards, DOI: 10.1007/s11069-018-3356-2.
  • -Talebi, A., Troch, P. A., Uijlenhoet, R., 2008. A steady state analytical slope stability model forcomplex hillslope, Hydrological Processes, No. 22, Pp. 546-553.
  • -Terzaghi, K., 1955. Mechanisms of Landslides, Geotechnical Society of America, Berkeley, pp. 83-125.
  • -Tien Bui, D., Pradhan, B., Revhaug, I., Nguyen, D. B., Pham, H. V. and Bui, Q. N., 2015. A novel hybrid evidential belief function-based fuzzy logic model in spatial prediction of rainfall-induced shallow landslides in the Lang Son city area (Vietnam). Geomat Nat Hazards Risk 6:pp.243–271.
  • -Topal, S., Keller, E., Bufe, A. and Koçyiğit, A., 2016. Tectonic geomorphology of a large normal fault: Akşehir fault, SW Turkey, Geomorphology, 259, pp. 55-69.
  • -Tsangaratos, P., Ilia, I., Hong, H., Chen, W. and Xu, C., 2017. Applying information theory and GIS-based quantitative methods to produce landslide susceptibility maps in Nancheng County, China. Landslides 14:1091–1111. https://doi.org/10.1007/s10346-016-0769-4.
  • -Wang, Q.; Li, W.; Wu, Y.; Pei, Y.; Xing, M. and Yang, D., 2016. A comparative study on the landslide susceptibility mapping using evidential belief function and weight of evidence  models, J. Earth Syst. Sci. 125, No. 3, pp. 646-662.
  • -Weisberg, S. and Fox, J., 2010. An R companion to applied regression. Sage, Los Angeles.
  • -Wood, J., 1996. Scale-based characterization of digital elevation models. In: Parker, D. Innovations in GIS, Tayler and Francis, London, pp. 163-175.
  • -Yalcin, A., 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey), comparisons of results and confirmations. Catena, (72), pp.1-12.