• الصفحة الرئيسية
  • ارزیابی توانایی پیش بینی مدل های آماری و لجستیک برای تهیه نقشه پهنه بندی خطر زمین لغزش (مطالعه موردی: حوضه ونک)

شارک

عنوان URL للمقالة


رقم المقالة : 528629 زيارة : 172 الصفحة: 123 - 140

20.1001.1.20085656.1395.9.32.8.2

نوع المخطوط: ابحاث

ارزیابی توانایی پیش بینی مدل های آماری و لجستیک برای تهیه نقشه پهنه بندی خطر زمین لغزش (مطالعه موردی: حوضه ونک)

الموضوعات :

علیرضا عرب عامری 1 , کورش شیرانی 2 , امیرحسین حلبیان 3

1 - دانشجوی دکتری ژئومورفولوژی،دانشگاه تربیت مدرس،تهران، ایران
2 - استادیار مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان،اصفهان،ایران
3 - دانشیار گروه جغرافیا، دانشگاه پیام نور، تهران، ایران

تاريخ الإرسال : 20 الإثنين , محرم, 1437 تاريخ التأكيد : 29 الأربعاء , ربيع الأول, 1438 تاريخ الإصدار : 20 الأربعاء , ذو الحجة, 1437

الکلمات المفتاحية: ارزیابی, روش های آماری, زمین لغزش, شاخص جمع کیفی, حوضه ونک,

ملخص المقالة :

هدف از این پژوهش تهیه نقشه حساسیت زمین لغزش با استفاده از مدل های آماری بر اساس سیستم اطلاعات جغرافیایی در جنوب غرب استان اصفهان، حوضه ونک می باشد. نخست، موقعیت زمین لغزش ها در منطقه مطالعاتی با استفاده از تفسیر عکس های هوایی و پیمایشات میدانی متعدد تعیین گردید. از ۲۰۰ زمین لغزش شناسایی شده ۱۴۰ مورد (۷۰٪) به صورت تصادفی برای اجرای مدل و ۶۰ مورد (۳۰٪) برای صحت سنجی مدل مورد استفاده قرار گرفت. عوامل موثر در زمین لغزش شامل شیب، جهت شیب، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، تراکم آبراهه، فاصله از جاده و کاربری اراضی از پایگاه داده های مکانی استخراج گردید. با استفاده از این فاکتورها، حساسیت زمین لغزش و وزن هر فاکتور بوسیله روش های رگرسیون لجستیک، تراکم سطح و فاکتور اطمینان مورد تجزیه و تحلیل قرار گرفت.نتایج ارزیابی مدل ها با استفاده از روش جمع کیفی نشان داد مدل تراکم سطح بالاترین میزان جمع کیفی (35/0) و بعد از آن مدل های فاکتور اطمینان و رگرسیون لجستیک به ترتیب با مقادیر جمع کیفی 29/0 و 11/0 در رده های بعدی قرار گرفتند. تفسیر نقشه های زمین لغزش نشان داد که پارامترهای طبقات ارتفاعی، بارندگی و جهت شیب نقش اصلی را در وقوع زمین لغزش ها در منطقه مورد مطالعه بازی می کنند. این نقشه های حساسیتزمین لغزش می تواند به منظور برنامه ریزی کاربری اراضی، ساخت جاده در آینده و کاهش خطرات مورد استفاده قرار گیرد.

المصادر:


  1. بلورچی، م، انصاری، ف، (۱۳۷۸): سنگ افت در روستای آبیکار در استان چهارمحال و بختیاری، کنفرانس زمین شناسی مهندسی و محیط، دانشگاه تربیت مدرس، صص ۵۹-۶۰.
    2.
  2. سپهر، ع، بهنیافر، ا، محمدیان، ع.ع، عبداللهی،ا، 1392: تهیه نقشه حساسیت پذیری زمین لغزش دامنه های شمالی بینالود بر پایه الگوریتم بهینه سازی توافقی ویکتور، پژوهش های ژئومورفولوژی کمی، شماره 1، صص. 36-19.
    3.
  3. شیرانی، ک، عرب عامری، ع.ر، (۱۳۹۴): پهنه بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک مطالعه موردی: دز علیا، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، شماره ۷۲، صص ۳۳۴-۳۲۱.
    4.
  4. عرب عامری، ع.ر، کلوراژان، ع، کرمی، ج، علیمرادی، م، شیرانی، ک، (۱۳۹۳): استفاده از شبکه عصبی در پهنه بندی خطر زمین لغزش مطالعه موردی: حوضه ماربر، نشریه پژوهشی تحلیلی زمین پویا، شماره ۲، صص ۱۱۲-۱۲۸.
    5.
  5. عربعامری،ع.ر،حلبیان، ا.ح، (۱۳۹۴):پهنهبندیخطرزمینلغزشبااستفادهازمدلآماریدو ‏متغیرهوزنی ‏AHP‏ وسیستماطلاعاتجغرافیایی (مطالعهموردی: حوضهزرند)،جغرافیایطبیعی،شماره ‏‏۲۸،صص۸۶-۶۵.‏
    6.
  6. عربعامری،ع.ر،شیرانی،ک، (۱۳۹۵): اولویتبندیعواملموثردرزمینلغزشوپهنهبندیخطرآنبا ‏استفادهازتئوریاحتمالاتیدمپسترشفر (مطالعهموردی: حوضهونک،استاناصفهان)،مهندسیومدیریت ‏آبخیز،سالهشتم،شماره۱،صص۱۰۶-۹۳.‏
    7.
_||_

  1. Akgu¨n A., Kıncal, C. and Pradhan, B. 2011. Application of remote sensing data and GIS for landslide risk assessment as an environmental threat to Izmir city (west Turkey). Environ Monit Assess. doi:10.1007/s10661-011-2352-8.
    2.
  2. Alexakis, D.D., Agapiou, A., Tzouvaras, M., Themistocleous, K., Neocleous, K., Michaelides, S., Hadjimitsis, D.G., 2013. Integrated use of GIS and remote sensing for monitoring landslides in transportation pavements: the case study of Paphos area in Cyprus. Nat. Hazards 72 (1), 119–141.
    3.
  3. Bednarik, M., Magulova, B., Matys, M. and Marschalko, M. 2010. Landslide susceptibility assessment of the Kralovany–Liptovsky Mikulas railway case study. Phys Chem Earth Parts A/B/C 35(3–5):162–171.
    4.
  4. Binaghi, E., L. Luzi, P. Madella, F. Pergalani andA. Rampini. 1998. Slope instability zonation: a comparison between certainty factor and fuzzy dempster.shafer approaches. Natural Hazards, 17: 77-97.
    5.
  5. Burrough, P.A. and McDonnel, R. 1998. Principles of Geographical Information Systems. 2nd ed. Oxford University Press, London, 193p.
    6.
  6. Concha-Dimas, A., M. Campos-Vargas and, C. Lopez-Miguel. 2007. Comparing Heuristic and Bivariate GIS-based Methods  for  Refining Landslide Susceptibility  Maps  in  Northern  Mexico  City.Environmental  & Engineering Geoscience, 13: 277- 287.
    7.
  7. Can, T., H.A. Nefeslioglu, C. Gokceoglu, H. Sonmez and Y. Duman. 2005. Susceptibility Assessment of Shallow Earth Flows Triggered by Heavy Rainfall at three Catchments by Logistic Regression Analysis, Geomorphology, 82: 250-271.
    8.
  8. Chang, K.T. and S.H. Chiang. 2007. Modeling Typhoon and Earthquake induced Landslide in a Mountainous Watershed using Logistic Regression. Geomorphology, 89: 335-347.
    9.
  9. Chen, X.L., Liu, C.G., Yu, L., Lin, C.X., 2014. Critical acceleration as a criterion in seismic landslide susceptibility assessment. Geomorphology 217, 15–22.
    10.
  10. Choi, J., Oh, H.J., Lee, H.J., Lee, C. and Lee, S. 2012. Combining landslide susceptibility maps obtained from frequency ratio, logistic regression, and artificial neural network models using ASTER images and GIS. Eng Geol 124:12–23
    11.

  1. Dai, F.C. and C.F. Lee. 2002. Landslide characteristics and slop instability modeling usingGIS, Lantau Island, Hong Kong, Geomorphology. 31‎‏:‏‎181-216.‎
    2.
  2. Girma, F., Raghuvanshi, T.K., Ayenew, T., Hailemariam, T., 2015. Landslide hazard zonation in ‎Ada Berga District, Central Ethiopia – a GIS based statistical approach. J. Geomatics 90, 25–38 (i).‎
    3.
  3. Lepore, C., Kamal, S.A., Shanahan, P. and Bras, R.L. 2011. Rainfall-induced landslide susceptibility zonation of Puerto Rico. Environmental Earth Sciences. doi:10.1007/s12665-011-0976-1.
    4.
  4. Nampak, H., Pradhan, B., Manap,M.A., 2014. Application of GIS based data driven evidential ‎belief function model to predict groundwater potential zonation. J. Hydrol. 513, 283–300.‎

    1. Yu, X., Wang, Y., Niu, R. and Hu, Y. 2016. A Combination of Geographically Weighted Regression, Particle Swarm Optimization and Support Vector Machine for Landslide Susceptibility Mapping: A Case Study at Wanzhou in the Three Gorges Area, China, Int J Environ Res Public Health, 13 (5), doi:  10.3390/ijerph13050487.
      2.


  1. Dahal, R.K., S.H. Hasegawa, A. Nonoura, M. Yamanka, S.  Dhakal and, P. Paudyal,  2008.  Predictive  modeling  of  rainfall-  induced  landslide hazard  in  the  lesser  Himalaya  of Nepal based on weights of evidence. Geomorphology 102, 496- 510.
    2.
  2. Devkota, K C., Regmi, A. D., Pourghasemi, H .R., Yoshida, K., Pradhan, B., Ryu, I. C., Dhital, M. R. and Althuwaynee, O.F. 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; Nat. Hazards, doi: 10.1007/s11069-012-0347-6.
    3.
  3. Gee, M.D. 1992. Classification of landslides hazard Zonation methods and a test of predictive capability, Bell, Davi, H(Ed), Proceedings 6th International Symposium on Landslide, 56-48.
    4.
  4. Gee, M.D. 1991. Classification of landslide hazard zonation methods and a test of predictive capability, Landslides, Bell (ed.), 1991 Balkema, Rotterdam: 947- 952.
    5.

  1. Gorsveski, P.V., Gessler, P.E., Boll, J., Elliot, W.E. and Foltz, R.B. 2006. Spatially and tem - porally distributed modeling of landslide susceptibility, Geomorphology,  80: 178–198.
    2.
  2. Guzzetti, F., M. Cardinali, P.  Relchenbach and A.  Carrara. 2000. comparing landslide map: A case study in the upper Tiber river basin, central Italy. Environmental Management,  25: PP. 247-263.
    3.
  3. Hamza, T., Raghuvanshi, T.K. GIS based landslide hazard evaluation and zonation – A case from Jeldu District, Central Ethiopia.Journal of King Saud University – Science (2016), http://dx.doi.org/10.1016/j.jksus.2016.05.002.
    4.
  4. Hansen,  A.  1984. Engineering geomorphology: the application of an evolutionary model of Hong Kong, Zeitschrift für Geomorphologie, 51: 39–50.
    5.
  5. Hong, H., Pourghasemi, H.R., 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 259 (2016) 105–118.
    6.
  6. Ilinca, V. and Gheuca, I. 2011. The red lake landslide (Uciga؛uMountain, Romania). Carpathian Jour. Earth Environ. Sci.,v, 6(1); 263-272.
    7.
  7. Jade, S. and S. Sarkar. 1993. Statistical models for Slope Instability classifications Engineering, Geology, 36:  PP. 91-98.
    8.
  8. Lee, S. and B. Pradhan. 2007. Landslide Hazard Mapping at Selangor Malaysia using Frequency Ratio and Logistic Regression models. Landslide, 4: 33-41.
    9.
  9. Lee, S.A. 2004. Verification of spatial logisticregression for landslide susceptibilityanalysis: Acasestudy of Korea. Geomorphology, 44: 15-18.
    10.
  10. Lee, S.and M. kyungduck. 2001. Statistical analysis of landslide susceptibility at Yonging, Korea. Enviromented Geology. 40: 1095–1113.
    11.

  1. Oh, H.J. and Lee, S. 2010. Cross-validation of logistic regressionmodel for landslide susceptibility mapping at Geneoung areas, Korea. Disaster Advances, 3: 44–55.
    2.
  2. Oh, H.J., and Lee, S. 2011a. Landslide susceptibility mapping on Panaon Island, Philippines using a geographic information system. Environmental Earth Sciences 62: 935–951.
    3.
  3. Oh, H.J. and Lee, S., 2011b. Cross-application used to validate landslide susceptibility maps using a probabilistic model from Korea. Environmental Earth Sciences, 64: 395–409.
    4.
  4. Peng, L., Niu, R., Huang, B.,Wu, X., Zhao, Y., Ye, R., 2014. Landslide susceptibility mapping based on rough set theory and support vector machines: a case of the Three Gorges area, China. Geomorphology 204, 287–301.
    5.
  5. Pourghasemi, H.R., Kerle, N., 2016. Random forest-evidential belief function based landslide susceptibility assessment in western Mazandaran Province, Iran. Environ. Earth Sci. 75, 185.
    6.
  6. Pradhan, B. and Youssef, A.M. 2010. Manifestation of remote sensing data and GIS on landslide hazard analysis using spatial-based statistical models. Arab J Geosci 3(3):319–326
    7.
  7. Pradhan, B., Abokharima, M.H., Jebur, M.N., Tehrany, M.S., 2014. Land subsidence susceptibilitymapping at Kinta Valley (Malaysia) using the evidential belief function modelin GIS. Nat. Hazards 1-24.
    8.
  8. Regmi, N. R., Giardino, J. R. and Vitek, J. D. 2010. Modeling susceptibility to landslides using the weight of evidence approach: Western Colorado, USA. Geomorphology, 115:172-187.
    9.
  9. Regmi, A.D., Devkota, K.C., 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, Arab J Geosci , 7:725–742
    10.
  10. Suh, J., Choi, Y., Roh, T.D., Lee, H.J. and Park, H.D. 2011. National-scale assessment of landslide susceptibility to rank the vulnerability to failure of rock-cut slopes along expressways in Korea. Environmental Earth Sciences, 63: 619–632.
    11.
  11. Van Westen, C.J., N. Rengers and R. Soeters. 2003. Use of Geomorpho-logical Information in Indirect Landslide Susceptibility Assessment.  Natural Hazards, 30: 399- 419.
    12.
  12. Yesilnacar, E. and Topal, T. 2005. Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engg. Geol, 79: 251-261.
    13.
  13. Yilmaz, I. 2010. Comparison of landslide susceptibility mapping methodologies for Koyulhisar, Turkey: conditional probability, logistic regression, artificial neural networks, and support vector machine. Environmental Earth Sciences 61: 821–836.
    14.
  14. Youssef, A.M., Pourghasemi, H.R., El-Haddad, B.A., Dhahry, B.K., 2015a. Landslide susceptibility mapping using different probabilistic and bivariate statistical models and comparison of their performance at Wadi Itwad Basin, Asir region, Saudi Arabia. Bull. Eng. Geol. Environ. http://dx.doi.org/10.1007/s10064-015-0734-9.
    15.
  15. Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z., Al-Katheeri, M.M., 2015b. 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 regio, Saudi Arabia. Landslides. http://dx.doi.org/10.1007/s10346-015-0614-1.
    16.
  16. Youssef, A.M., Pradhan, B., Pourghasemi, H.R., Abdullahi, A., 2015c. Landslide susceptibility assessment at Wadi Jawrah Basin, Jizan region, Saudi Arabia using two bivariate models in GIS. Geosci. J. 19 (3), 449–469.
    17.

  1. Zhu, A., Wang, R., Qiao, J., Qin, C.Z., Chen, Y., Liu, J., Du, F., Lin, Y., Zhu, T., 2014. An expertknowledge-based approach to landslide susceptibility mapping using GIS and fuzzy logic. Geomorphology 214, 128–138.
    2.

سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]