تجزیه و تحلیل خطر زمین‌لغزش با استفاده از مدل‌های ANP و LR در محیط GIS(مطالعه موردی پهنه گسلی قوشاداغ-ارسباران در آذربایجانشرقی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 از دانشگاه محقق اردبیلی

2 گروه جغرافیای طبیعی (ژئومورفولوژی)، دانشگاه محقق اردبیلی

3 تبریز- دانشگاه تبریز

چکیده

در این تحقیق، حساسیت زمین‌لغزش با استفاده از دو مدل فرآیند تحلیل شبکه (ANP) و رگرسیون لجستیک (LR) در سامانه گسلی قوشاداغ پهنه‌بندی گردید و مناسب‌ترین مدل معرفی شد. جهت این مطالعه از تصویرOLI ماهواره لندست8 و سنتینل2a 2017 استفاده شد. 14 فاکتور مؤثر در وقوع زمین‌لغزش (شیب، جهت دامنه، کاربری زمین، فاصله از گسل و رودخانه و جاده، طبقات ارتفاعی، لیتولوژی، اقلیم، بارندگی، خاک، شاخص رطوبت توپوگرافیک (TWI)، شاخص طول شیب (LS)، شاخص قدرت آبراهه‌ای(SPI)) در محیط GIS آماده شد و در محیط نرم‌افزار Super Decision وزن هریک مشخص گردید و دوباره در ArcGIS نقشه‌های نهایی پهنه‌بندی به دست آمد. در وقوع زمین‌لغزش‌ها، عامل فاصله از گسل و بارش بیشترین و کاربری زمین کمترین نقش را داشته‌اند. وقوع حدود 2/62 و 1/71درصد لغزش‌ها در کلاس‌های خطر زیاد و خیلی زیاد به ترتیب در ANP و رگرسیون لجستیک، نشان‌دهنده دقت قابل قبول نقشه‌های پیش‌بینی شده برای زمین‌لغزش می‌باشد. نتایج ارزیابی صحت روشها با شاخص ROC، نشان داد که درصد مساحت زیر منحنی (AUC) نقشه‌ها، به‌ترتیب در مدل رگرسیون لجستیک 52/85 درصد و در مدل تحلیل شبکه 35/81 درصد با میزان خطای استاندارد062/0 به دست آمدند که هردو نشانگر قدرت پیش‌بینی خیلی خوب همراه با برتری نسبی مدل رگرسیون لجستیک می‌باشد. نتایج مطالعه نشان‌دهنده آسیب‌پذیری بالای مناطق لرزه‌خیز از حرکات دامنه‌ای دارد و ضرورت شناسایی و پایش مخاطرات ژئومورفولوژیکی و مقایسه آنها در قبل و بعد از زلزله و اجرای عملیات محافظتی را بیشتر می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

An analysis of landside risk in the Arasbaran seismic zone using ANP and LR models (Case study of Ghoshdagh-Arasbaran fault zone in the East Azerbaijan)

نویسندگان [English]

  • Mousa Abedini 1
  • Ahad Ranjbari 2
  • davoud Mokhtari 3
1 professor in Geomorphology, University of Mohaghegh Ardabili
2 Faculty of Literature & Humanities, Unioversity of Mohaghegh Ardabili, Ardabil, Iran
3 professor of geomorphology, University of Tabriz, Iran
چکیده [English]

Extended Abstract
Introduction
Earthquakes and landslides are the most harmful natural disasters that have synchronization and time and space correlation with each other. This study was carried out in seismic zone affected by Arasbaran earthquake (Qaradagh), in which there were a lot of casualties and destruction. On 11 August 2012, the Varzeghan twin Earthquakes [Mw 6.4 and 6.2] struck Varzeghan, Ahar and Heris region in NW of Iran. It killed more than 306 people and a large number of people were injured and has caused increment in slope instability, and transformation of geomorphic processes into risk factors.
Methodology
In this research, landslide susceptibility was zonated by using two models of analytic network process (ANP) and logistic regression in Qoshadagh fault system and an appropriate model was introduced. Our analysis of geohazards distribution allowed evaluation of geomorphic, climate- hydrologic, human-land use and morphologic controls on earthquake-induced-land sliding, process mechanisms, and hazard process chains, particularly where they affected local populations.
For this study, both the Sentinel-2A MSI and Landsat-8 OLI data (2017) were used. Fourteen effective factors of landslide (Lithology, Land use, Fault, DEM, Climate, Aspect, TWI, SPI, Slope, Road, River, Rain, LS & Soil) were generated in ArcGIS, and then weight of each factor was determined in Super Decisions software, and final zonation maps were regained from ArcGIS afterward.
Results and discussion
After preparing the standard maps and options, the network analysis method (ANP) and logistic regression were used to investigate the susceptibility of land slides. In order to implement the network analysis process, the related criteria layers were developed in ArcGIS software. Then, in the SuperDisign software environment, the main model of the network analysis process was designed based on completed questionnaires by the experts. Then, a logistic regression model was used to analyze the spatial relationship between the land slide event and the effective factors in this event. The maps related to the factors affecting the land slides of the study area, which are independent variables in the land slide event, were introduced into Idrisi-Selva software and processed for logistic regression modeling. Landslide distribution layers in the area were also converted to the binary map 0 and 1 by the Calculator Image function. This means that the slip pixels on the map are shown with the number 1 (slipping) of non-slip pixels with 0 (no slip). Finally, after entering the data into the logistic regression model, the coefficients of the model are extracted using the effective parameters in the Idrisi-Selva software.
Distance from the fault and precipitation factors had the most, and Land Use Factor had the least effect on landslide occurrences. Occurrence of 62.2% and 71.1% of landslides in high and very high risk classes in ANP and logistic regression, respectively, indicated an acceptable accuracy for landslide prediction maps. Validation results of methods with ROC index showed that AUC of the maps in model was 85.52%, and in analytic network model it was 81.35%, with a standard error of 0.06; while both represented a very good predictive capability
Conclusion
The purpose of the present study was to study the ability of this model in comparison to other methods, in addition to modeling the sensitivity of Earthquake-Induced-Landslides using the network analysis method (ANP). Therefore, effective factors in the field of scaling were identified and in the Super Decision software environment, the weight of each factor was determined. Then, the weights received in ArcGIS software environment were converted to the final map of the zoning of the landslide. Accordingly, among the fourteen effective factors in the occurrence of landslides in the area, the distance from the fault has the most effective factor in the two models (ANP) and (LR) and has the highest coefficient of effect on land-slip occurrence while land use in Both models have the lowest coefficient. As expected, the main faults, in particular the fault and the fault lines, and interspersed with the twin Arasbaran earthquakes, as well as the northern and northeastern slopes, are more susceptible to instability. The map of the model implementation categorized the susceptibility of earth sculpting in 5 classes with very low, moderate, high and very sensitive sensitivity. Very high and high risk classes have been shown to be 6.6% and 13.4% of the area of the region, prone to hazardous landslides. These results show a high correlation and correlation with the model implemented in the logistic regression method, which is 5.8% and 17.7%, respectively. The occurrence of 62.2% and 71.1% of landslides in high and very high risk classes, respectively, in ANP and logistic regression, indicate the acceptable accuracy of predicted maps for landslide. The results indicate that ANP methods and logistic regression are accurate in the study of landslide in the area affected by the Arasbaran earthquake. Logistic Regression model had better results. Using these methods together and comparing them with regard to the dependencies of landslip issues can be very useful for identifying areas prone to landslide. As suggested, these methods have acceptable results in analyzing the sensitivity to landslides. The highest density of landslides, even old landslides, are not accidental in the two-axis seismic centers with magnitudes of 6.4 and 6.2 in 2012, indicating a history of seismicity and high tectonic activity in the area.
Keywords: Analytical Hierarchy Process, Logistic Regression, Landslide hazard zonation, Arasbaran earthquake, Qoshadagh Fault Zone.

کلیدواژه‌ها [English]

  • Analytical Hierarchy Process
  • logistic regression
  • Landslide Hazard Zonation
  • Arasbaran earthquake
  • Qoshadagh Fault Zone
  • پیشنماز احمدی، مجید؛ محمدزاده، کیوان؛ ثقفی، مهدی، 1397، پهنه­بندی خطر وقوع زمین­لغزش و خطرپذیری سکونتگاه­های روستایی در زیرحوضه رودبار با روش تحلیل شبکه (ANP)، پژوهش­های ژئومورفولوژی کمی، سال هفتم، شماره1، زمستان، صص 211-225.
  • حسین­زاده، محمدحسین؛ ثروتی، محمدرضا؛ منصوری، عادل؛ میرباقری، بابک؛ خضری، سعید، 1388، پهنه­بندی ریسک وقوع حرکات توده­ای با استفاده از مدل رگرسیون لجستیک، فصلنامه زمین­شناسی ایران، سال سوم، شماره 11، پاییز، صص 27-37.
  • رجبی، معصومه؛ ولی­زاده کامران، خلیل؛ عابدی قشلاقی، حسین، 1395، ارزیابی و پهنه­بندی زمین­لغزش با استفاده از فرایند تحلیل شبکه و شبکه عصبی مصنوعی، مطالعه موردی: حوضه آذرشهرچای، پژوهش­ ژئومورفولوژی کمی، سال پنجم، شماره 1، صص60-74.
  • روستایی، شهرام؛ خدائی، لیلا، 1395، ارزیابی روش­های تحلیل شبکه (ANP) و رگرسیون لجستیک در بررسی پتانسیل وقوع زمین­لغزش­ در محدوده محور و مخزن سد، مطالعه موردی: سد قلعه­چای، پژوهش­های ژئومورفولوژی کمی، سال پنجم، شماره 3، زمستان، صص 68-80.
  • شریعت جعفری، ح. 1375، زمین­لغزش، مبانی و اصول پایداری شیب­های طبیعی، چاپ اول، انتشارات سازه، تهران.
  • شیرزادی، عطااله؛ سلیمانی، کریم؛ حبیب نژاد روشن، محمود؛ چپی، کاران.138۹ ، مقایسه مدل­های رگرسیون لجستیک و نسبت فراوانی در پهنه­بندی خطر ریزش سنگ، نشریه مرتع و آبخیزداری، مجله منابع طبیعی ایران، دوره 63 ،شماره 4 ،صص 489-502.
  • عابدینی، موسی؛ قاسمیان، بهاره؛ شیرزادی، عطاا...، 1393، مدل­سازی خطر وقوع زمین­لغزش با استفاده از مدل آماری رگرسیون لجستیک مطالعه موردی : استان کردستان، شهرستان بیجار، جغرافیا و توسعه، شماره 37، زمستان، ص 85-102.
  • عابدینی، موسی؛ روستایی، شهرام؛ فتحی، محمدحسین، 1395، پهنه­بندی حساسیت وقوع زمین­لغزش با استفاده از مدل هیبریدی قضیه بیز-ANP (مطالعه موردی: کرانه جنوبی حوضه آبریز اهرچای از روستای نصیرآباد تا سد ستارخان)، پژوهش­های ژئومورفولوژی کمی، سال پنجم، شماره 1، تابستان، صص142-159.
  • فتحی، محمدحسین؛ بهشتی جاوید، ابراهیم و عابدینی، موسی، 1394، پهنه­بندی حساسیت وقوع زمین لغزش با مدل­های آماری دومتغیره و منطق فازی. جغرافیا و برنامه­ریزی محیطی، 26 (3)، صص49-60.
  • طلایی، رضا، صمداف، سردار؛ شعاعی، ضیاالدین؛ شریعت جعفری، محسن. 1388، مدل­سازی و پیش­بینی وقوع زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک در منطقه هشتجین (جنوب استان اردبیل)، ششمین همایش زمین­شناسی مهندسی و محیط زیست ایران، دانشگاه تربیت مدرس.
  • متولی، صدرالدین، اسماعیلی، رضا، حسین­زاده، محمدمهدی، 1388، تعیین حساسیت وقوع زمین­لغزش با استفاده از روش رگرسیون لجستیک در حوضه آبریز واز (استان مازندران)، فصل­نامه جغرافیای طبیعی، صص73-84.
  • مختاری، داود، 1385، جایگاه ژئومورفولوژی در ارزیابی بلایای طبیعی و مقابله با آن­ها در ایران، فصل­نامهجغرافیاییسرزمین، سال سوم، شماره 9، بهار، صص 51-65.
  • مختاری، داود، 1384، آسیب­پذیری سکونتگاه­های روستایی از فعالیت گسل­ و ضرورت جابجایی آنها (نمونه موردی: روستاهای واقع در امتداد گسل شمالی میشو)، پژوهش­های جغرافیایی، سال 1، شماره 51، صص 71-86.
  • مقیمی، ابراهیم؛ یمانی، مجتبی؛ رحیمی هرآبادی، سعید، 1392، ارزیابی و پهنه­بندی خطر زمین­لغزش در شهر رودبار با استفاده از فرآیند تحلیل شبکه، پژوهش­های ژئومورفولوژی کمی، شماره 4، بهار، صص 103-118.
    • Abedini, M., Tulabi, S., (2018). Assessing LNRF, FR, and AHP models in landslide susceptibility mapping index: a comparative study of Nojian watershed in Lorestan province, Iran, Environmental Earth Sciences (2018) 77:405. https://doi.org/10.1007/s12665-018-7524-1
    • Abedini, M., Ghasemyan, B., Rezaei Mogaddam, M. H. (2017). Landslide susceptibility mapping in Bijar city, Kurdistan Province, Iran: a comparative study by logistic regression and AHP models, Environ Earth Sci (2017) 76:308, DOI 10.1007/s12665-017-6502-3.
    • Atkinson, P., Massari, R (2011). Logistic modeling susceptibility to land sliding in the Apennines, Italy Geomorphology.Vol.130.
    • Ayalew. L. Yamagishi. H. Marui. H & Kanno. T. (2005). "Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications.", Engineering Geology 81, 432– 445.
    • Berberian, M. & Yeats, R. S., (1999). Patterns of historical earthquake rupture in theIranian Plateau, Bull. Seism. Soc. Am., 89, 120–139.
    • Chen, Zhaohua. Wang, Jinfei, (2007). Landslide hazard mapping using logistic regressionmodel in Mackenzie Valley, Canada. Geomorphology, Vol.42.
    • Das, I., S. Sahoo, C. Van Westen, A. Stein and R. Hack. (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.
    • Donner, S., Ghods, A., Krüger, F., Rößler, D., Landgraf, A., Balato, P., (2015), 11 August 2012: Regional Seismic Moment Tensors and a Seismotectonic Interpretation, Bulletin of the Seismological Society of America,105 (2A): 791-807.
    • Gheshlaghi, H. A., & Feizizadeh, B. (2017). An integrated approach of analytical network process and fuzzy based spatial decision making systems applied to landslide risk mapping. Journal of African Earth Sciences, 133, 15-24.
    • Gregory C.Ohlmacher, John C. Davis (2003). Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Geomorphology, Vol 69.
    • Khaledi, S., derafshi, K., Mehrjunejad, A., Gharachahi, S., Khaledi, S. (2012). Assessment of the landslide effective factors and zonation of this event using logistic regression in the GIS environment (Case Study Taleghan Watershed). Journal of Geography and Environmental Hazards. No 1, 65-82.
    • Krishna, H.(1999). Landslide hazard zonation mapping using remote sensing &GIS, geomorphology, 21, 153-163.
    • Lee, H., Lee, S., & Park, Y. (2009). Selection of technology acquisition mode using the analytic network process. Mathematical and Computer Modeling, 49(5), 1274- 1282.
    • Mahdavifar, M., Askari, F., Memarian, P., Seyedimorad, M. (2016). Earthquake-Induced Rock Fall Hazard Zonation of Varzeghan-Ahar Region in Northwest Iran: A Comparison of Quantitative and Qualitative Approaches, JSEE, Vol. 18, No. 2,
    • Nandi, A. & Shakoor, A., (2009). A GIS-based landslide susceptibility evaluation using bivariate and multivariate statistical analyses. Engineering Geology, V. 110, p. 11–20.
    • Neaupane KM, Piantanakulchai M. (2006). Analytic network process model for landslide hazard zonation. Engineering Geology, 85(3): 281-294.
    • Parthian, B., Lee, S. (2010). Landslide susceptibility assessment and factor effect analysis: bad propagation artificial neural networks and comparison with frequency ratio and bivariate logistic regression modeling. Geomorphology, Vol. 25.
    • Pourghasemi, H. R., & Rahmati, O. (2018). Prediction of the landslide susceptibility: Which algorithm, which precision?. CATENA, 162, 177-192.
    • Saaty Thomas L. (2005), Theory and Applications of the Analytic Network Process: Decision Making with Benefits, Opportunities, Costs, and Risks, RWS Publications, p 352.
    • Saaty, T.L. (1980). The Analytical Hierarchy Process. McGraw Hill. New York.
    • Samodra, G., Chen, G., Sartohadi, J., & Kasama, K. (2015). Generating landslide inventory by participatory mapping: an example in Purwosari Area, Yogyakarta, Java. Geomorphology.
    • Sanwei H., Peng P., Lan D., Haijun W., Jiping L. (2012). Application of kernel based Fisher discriminant analysis is to map landslide Susceptibility in the Qinggan River Delta, Three Gorges, China, Geomorphology 171, 30–41.
    • Vincoli, Jeffrey W, 1994, Basic guide to system safety, Michigan, Van Nostrand-Reinhold, 194P.
    • Yalcin, A,. S. Reis, A.A. Aydinoglu and T. Yomralioglu. 2011. A GIS-based comparative study of frequency ratio, analytical hierarchy process, bivariate statistics & logistics regression methods for landslide susceptibility mapping in Trabzon, NE Turkey. Geomorphology, 85: 274-287.
    • Yesilnacar, E.K., (2005). The Application of Computational Intelligence to Landslide Susceptibility Mapping in Turkey, Ph.D Thesis. Department of Geomatics the University of Melbourne, 423p.
    • Zhu, C., Wang. X., (2009). Landslide susceptibility mapping: A comparison of information and weights-of evidence methods in Three Gorges Area. International Conference on Environmental Science and Information Application Technology, IEEE DOI 10.1109/ESIAT.2009. No.187, PP.342-346.