Landslide hazard zoning using frequency ratio, entropy methods and TOPSIS decision-making methods (Case study: Fahliyan basin, Fars)

Subject Areas : Geospatial systems development

SEYED VAHID RAZAVI TERMEH ¹ ( PhD Student of GIS, Department of Geodesy & Geomatics, Khajeh Nasir Toosi University of Technology )
Kourosh Shirani ² ( Assist. Prof. Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Agricultural Research, Education & Extension Organization (AREEO) )

Received: 2017-12-16 Accepted : 2018-11-24 Published : 2019-01-21

Keywords: Frequency ratio model, Entropy model, Landslide zoning, Fahliyan basin-Fars, Technique for order of preference by similarity to ideal solution (TOPSIS) method,

Abstract :

Distinguishing the susceptible areas to landslide using appropriate experimental models of landslide susceptibility mapping is one of the primitive and basic works to reduce probable damages and reduce risk in country's watersheds. In this research, thirteen factors, including altitude, slope, aspect, rainfall, plan curvature, profile curvature, Topographic Wetness Index (TWI), Stream power index (SPI), distance from the river, distance from road, distance from the fault, lithology, and land use are identified as effective parameters in landslide occurrence in the studied area. The landslide landslide distribution map was prepared using Landsat 2017 satellite imagery and Field studies (2017). Then, the landslide susceptibility mapping was performed with three methods, including frequency ratio, entropy and TOPSIS. The results were evaluated using receiver operating characteristic (ROC) curve. The area under the curve (AUC) of applied models shows the accuracy of 84, 87.7, and 91 percent for entropy frequency ratio and TOPSIS models, respectively. The results are indicative statistical models have a better accuracy in comparison with MCDM models and expert approaches. The results of the present study could be useful for better managing the flood affected areas and to reduce its damage.

References:

اکبری، ا.، ع. درویشی بلورانی و ن. نیسانی سامانی. 1396. تهیه نقشه حساسیت زمین‌لغزش با استفاده از مدل تلفیقی فازی- فرآیند تحلیل شبکه­ای. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(3):73-88.

بهاروند، س و س. سوری. 1394. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی(مطالعة موردی: حوزه سپیددشت، لرستان). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(4):15-31.

بهشتی راد، م.، س. فیض نیا، ع. سلاجقه و ع. احمدی. 1388. بررسی کارایی مدل پهنه‌بندی خطر زمین‌لغزش فاکتور اطمینان (CF) (مطالعه موردی: حوزه آبخیز معلم کلایه). فصلنامه جغرافیایی طبیعی، 2(5): 19-28.

پورقاسمی، ح. ر.، ح. ر. مرادی، س. م. فاطمی‌عقدا، م. ر. مهدوی فر و م. محمدی. 1388. ارزیابی خطر زمین‌لغزش با استفاده از روش تصمیم‌گیری چندمعیاره فازی. مجله علوم و مهندسی آبخیزداری ایران، 3(8): 51-63.

جوادی، م. ر.، ه. طهرانی پور، ش. غ. غلامی و م. ع. فتاحی اردکانی. 1391. مقایسۀ روش‌های مورا و وارسون و رگرسیون چند متغیره در پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز کن. پژوهشنامه مدیریت حوزه آبخیز، 3(5): 92-105.

حاتمی فرد، ا.، س. ح. موسوی و ع. علی مرادی. 1391. پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل AHP و GIS در شهرستان خرم‌آباد. نشریه جغرافیا و برنامه‌ریزی محیطی، 23(3): 43-60.

سوری، س.، غ. لشکری پور، م. غفوری و ط. فرهادی نژاد.1390. پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه کشوری نوژیان). مجله زمین‌شناسی مهندسی دانشگاه تربیت‌معلم، 5(2): 1269-1286.

سوری، س.، س. بهاروند و ط. فرهادی نژاد. 1392. پهنه‌بندی خطر زمین‌لغزش با استفاده از منطق فازی (مطالعة موردی: حوزه چم سنگر). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(4): 47-60.

شیرانی، ک.، س. چاووشی و ج. غیومیان. 1385. بررسی و ارزیابی روش‌های پهنه‌بندی خطر زمین‌لغزش در پادنای علیای سمیرم. مجله پژوهش علوم دانشگاه اصفهان، 23(1): 27-38.

شیرانی، ک. 1396. مدل‌سازی و ارزیابی پتانسیل حساسیت اراضی نسبت به لغزش با استفاده از مدل‌های احتمالاتی آنتروپی شانون و وزن شاهد تئوری بیزین (مطالعۀ موردی: حوزه سرخون کارون). نشریه علوم آب‌وخاک، 21(1): 51-68.

عبادی نژاد، س ع.، م. یمانی، م. مقصودی و ص. شادفر. 1386. ارزیابی کارایی عملگرهای منطق فازی در تعیین توانمندی زمین‌لغزش مطالعۀ موردی حوزۀ آبخیز شیرود. مجله علوم و مهندسی آبخیزداری ایران، ۱(۲) :۳۹-52.

عرب عامری، ع و ک. شیرانی. 1395. اولویت‌بندی عوامل مؤثر بر وقوع زمین‌لغزش و پهنه‌بندی خطر آن با استفاده از تئوری احتمالاتی دمپستر شفر، مطالعۀ موردی: حوزه ونک سمیرم، استان اصفهان. نشریه علمی پژوهشی مهندسی و مدیریت آبخیز، 8(1): 93-106.

عرب عامری، ع.، ک. شیرانی و خ. رضایی.1396. پهنه‌بندی استعداد اراضی نسبت به وقوع زمین‌لغزش با روش‌های دمپستر-شیفر و نسبت فراوانی در حوزه ‏سرخون کارون. مجله پژوهش‌های حفاظت آب‌وخاک، 24(3): 41-57.

Aghdam IN, Varzandeh MHM, Pradhan B. 2016. Landslide susceptibility mapping using an ensemble statistical index (Wi) and adaptive neuro-fuzzy inference system (ANFIS) model at Alborz Mountains (Iran). Environmental Earth Sciences, 75(7): 553-563.

Bednarik M, Magulová B, Matys M, Marschalko M. 2010. Landslide susceptibility assessment of the Kraľovany–Liptovský Mikuláš railway case study. Physics and Chemistry of the Earth, Parts A/B/C, 35(3-5): 162-171.

Burton I, Kates RW. 2004. The perception of natural hazards in resource management. International Library of Critical Writing in Economics, 178: 53-82.

Chen W, Pourghasemi HR, Zhao Z. 2017. A GIS-based comparative study of Dempster-Shafer, logistic regression and artificial neural network models for landslide susceptibility mapping. Geocarto International, 32(4): 367-385.

Chen W, Zhang S, Li R, Shahabi H. 2018. Performance evaluation of the gis-based data mining techniques of best-first decision tree, random forest, and naïve bayes tree for landslide susceptibility modeling. Science of the Total Environment, 644: 1006-1018.

Devkota KC, Regmi AD, Pourghasemi HR, Yoshida K, Pradhan B, Ryu IC, Dhital MR, Althuwaynee OF. 2013. 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. Natural Hazards, 65(1): 135-165.

Ding Q, Chen W, Hong H. 2017. Application of frequency ratio, weights of evidence and evidential belief function models in landslide susceptibility mapping. Geocarto International, 32(6): 619-639.

Dong S. 2016. Comparisons between different multi-criteria decision analysis techniques for disease susceptibility mapping. Student thesis series INES. 145 pp.

García-Rodríguez MJ, Malpica J, Benito B, Díaz M. 2008. Susceptibility assessment of earthquake-triggered landslides in El Salvador using logistic regression. Geomorphology, 95(3-4): 172-191.

Jaafari A, Najafi A, Pourghasemi H, Rezaeian J, Sattarian A. 2014. GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian forest, northern Iran. International Journal of Environmental Science and Technology, 11(4): 909-926.

Kadavi P, Lee C-W, Lee S. 2018. Application of ensemble-based machine learning models to landslide susceptibility mapping. Remote Sensing, 10(8): 1252.

Lanni C, Borga M, Rigon R, Tarolli P. 2012. Modelling shallow landslide susceptibility by means of a subsurface flow path connectivity index and estimates of soil depth spatial distribution. Hydrology and Earth System Sciences, 16(11): 3959-3971.

Lee S, Lee M-J, Jung H-S. 2017. Data mining approaches for landslide susceptibility mapping in Umyeonsan, Seoul, South Korea. Applied Sciences, 7(7): 683.

Leventhal AR, Kotze GP. 2008. Landslide susceptibility and hazard mapping in Australia for land-use planning-with reference to challenges in metropolitan suburbia. Engineering Geology, 102(3-4): 238-250.

Moore ID, Grayson RB. 1991. Terrain‐based catchment partitioning and runoff prediction using vector elevation data. Water Resources Research, 27(6): 1177-1191.

Ngadisih, Bhandary NP, Yatabe R, Dahal RK. 2016. Logistic regression and artificial neural network models for mapping of regional-scale landslide susceptibility in volcanic mountains of West Java (Indonesia). In: AIP Conference Proceedings, vol 1. AIP Publishing, p 060001.

Pourghasemi HR, Jirandeh AG, Pradhan B, Xu C, Gokceoglu C. 2013. Landslide susceptibility mapping using support vector machine and GIS at the Golestan province, Iran. Journal of Earth System Science, 122(2):349-69.

Pourghasemi HR, 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.

Pradhan B. 2013. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Computers & Geosciences, 51: 350-365.

Regmi AD, Devkota KC, Yoshida K, Pradhan B, Pourghasemi HR, 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 Geosciences, 7(2): 725-742.

Reichenbach P, Mondini A, Rossi M. 2014. The influence of land use change on landslide susceptibility zonation: the Briga catchment test site (Messina, Italy). Environmental Management, 54(6): 1372-1384.

Salarian T, Zare M, Jouri MH, Miarrostami S, Mahmoudi M. 2014. Evaluation of shallow landslides hazard using artificial neural network of Multi-Layer Perceptron method in Subalpine Grassland (Case study: Glandrood watershed-Mazandaran). International Journal of Agriculture and Crop Sciences, 7(11): 795-804.

Sharma L, Patel N, Ghose M, Debnath P. 2012. Influence of Shannon’s entropy on landslide-causing parameters for vulnerability study and zonation-a case study in Sikkim, India. Arabian Journal of Geosciences, 5(3): 421-431.

Su C, Wang L, Wang X, Huang Z, Zhang X. 2015. Mapping of rainfall-induced landslide susceptibility in Wencheng, China, using support vector machine. Natural Hazards, 76(3): 1759-1779.

Taalab K, Cheng T, Zhang Y. 2018. Mapping landslide susceptibility and types using Random Forest. Big Earth Data: 1-20.

Tien Bui D, Tuan TA, Hoang N-D, Thanh NQ, Nguyen DB, Van Liem N, Pradhan B. 2017. Spatial prediction of rainfall-induced landslides for the Lao Cai area (Vietnam) using a hybrid intelligent approach of least squares support vector machines inference model and artificial bee colony optimization. Landslides, 14(2): 447-458.

Xu C, Xu X, Dai F, Xiao J, Tan X, Yuan R. 2012. Landslide hazard mapping using GIS and weight of evidence model in Qingshui river watershed of 2008 Wenchuan earthquake struck region. Journal of Earth Science, 23(1): 97-120.

Yufeng S, Fengxiang J. 2009. Landslide stability analysis based on generalized information entropy. In: Environmental Science and Information Application Technology, 2009. ESIAT 2009. International Conference on. IEEE, pp 83-85.

Zare M, Pourghasemi HR, Vafakhah M, Pradhan B. 2013. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arabian Journal of Geosciences, 6(8): 2873-2888.