Comparative evaluation of landslide susceptibility map using Analytical Hierarchy Process (AHP) and Fuzzy methods

Subject Areas : Applications in natural hazard and disaster

Ali Dastranj ¹ , Hamzeh Noor ²

1 - Assistant Professor, Soil Conservation and Watershed Management Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center (AREEO), Mashhhad, Iran
2 - Assistant Professor, Soil Conservation and Watershed Management Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center (AREEO), Mashhhad, Iran

Received: 2020-11-21 Accepted : 2021-02-23 Published : 2021-09-23

Keywords: Binalood, fuzzy logic, Analytical Hierarchy Process (AHP), Landslide susceptibility, Geographic Information System (GIS),

Abstract :

Background and ObjectiveAmong many natural hazards, landslides are one of the most widespread and destructive. Due to the high mountainous topography, tectonic activity, high seismicity, diverse geological and climatic conditions, basically, Iran has a natural condition for creating a wide range of landslides and these landslides annually cause both life loss and financial damage to the country. Since it is difficult to predict the timing of landslides, identifying susceptible areas to landslides, and zoning these areas based on potential risk are highly important. Therefore landslide-prone areas need to be identified in order to reduce such damage. In this respect, landslide susceptibility assessment can provide valuable information essential for hazard mitigation. The main goal of landslide susceptibility analysis is to identify dangerous and high-risk areas and thus reduce landslide damage through suitable mitigation measures. Since the exact prediction of landslides occurrence isn’t possible by human sciences, thus, we can prevent the damages of this phenomenon by identification of landslide susceptible areas and prioritizing them. Binalood Mountain in Khorasan Razavi Province, Due to its geological location, geomorphology, topography, climate, vegetation, has kinds of mass movement. The results of these studies can be used as fundamental information by environmental managers and planners. Landslide hazard zonation was challenged by several researchers in recent years. In order to provide landslide hazard, zonation maps various methods such as Fuzzy logic, statistic methods and Analytic Hierarchy Process (AHP) can be used. Since the early 1970s, many scientists have attempted to assess landslide hazards and produced hazard zonation maps portraying their spatial distribution by applying many different GIS-based methods. Different models and methods have been proposed to produce Landslide hazard zonation. The aim of this study is to develop and compare detailed landslide susceptibility maps (LSM) for Binalood Mountain, using Fuzzy and AHP methods in the framework of the GIS. Materials and Methods The study area is the northern and southern slopes of the Binalood Mountains that are located in the Khorasan Razavi Province. The present study area fallows under 36 ° 1' to 36 ° 15' north latitudes and 58° 38' to 59 ° 35' east longitudes. According to Geological, Geomorphologic, Hydrological, Climatic, Human and Environmental characteristics of the study area and using comparative studies and results of other researchers, 20 criteria and sub-criteria were identified to achieve the goals. The needed Layers of landslide hazard zonation were prepared using ArcGIS software. These layers are slope, aspect, altitude classes, geology, distance from the river, river density, distance from the road, road density, distance from the fault, fault density, morphological units, topographic indexes (stream power index (SPI), topographic wetness index (TWI) and slope length index (LS)), geomorphological indexes (topographic position index (TPI), topographic roughness index (TRI) and surface curvature index, land use, isothermal lines, and Rainfall lines. Thun, The landslide inventory map has been created in the study area. Subsequently, landslide susceptibility maps were produced using Fuzzy Logic and Analytical Hierarchy Process (AHP) models. After preparing the layers, the next step was to assign weight values to the raster layers, and to the classes of each layer, respectively. This step was realized with the use of the AHP method. So, the landslide hazard zonation map of the study area was presented using weight exertion of factors in their layers and integration of them by Arc GIS software. In the Fuzzy method, after fuzzyizing the layers in the ArcGIS environment, the landslide risk zoning was performed using fuzzy gamma 0.8. For verification, the receiver operating characteristic (ROC) curves were drawn and the areas under the curve (AUC) were calculated. Finally, the ratio of the percentage of landslides was in each zone to the percentage of the total area of the zone was calculated. Results and Discussion The results of weighting the parameters affecting the landslide using the Analytic Hierarchy Process (AHP) showed that geological, slope, and fault factors have the greatest impact on the occurrence of landslide risk in the study area, respectively. The class of very high and high susceptibility covers 47.8% of the total area in the landslide susceptibility map generated with the AHP model. Low and moderate susceptible classes make up 13.4 and 38.8% of the total area, respectively. According to the landslide susceptibility map based on the Fuzzy Method, 27.7% of the total area was determined to be very high and high susceptibility to landslide. Low and moderate susceptible classes constitute 56.8%, and 15.5% of the area, respectively. The AUC values were 0.817 and 0.752 for AHP and Fuzzy models and the training accuracy was 81.7 and 75.2%, respectively. It can be concluded that both models utilized in this study showed reasonably good accuracy in predicting the landslide susceptibility of the study area. Finally, the ratio of the percentage of landslides was ineach zone to the percentage of the total area of zone showed the NRi values in each susceptible class for the AHP model more than the Fuzzy method. The larger ratio in the AHP method indicates its better consistency than the Fuzzy method, implying more coverage of landslides in a smaller area by the AHP method. This result represents the better accuracy of the AHP method than the Fuzzy method in the landslide susceptibility map. Conclusion In this study, the most widely accepted models, AHP and Fuzzy were used for producing Landslide Susceptibility Map (LSM) and their performances were compared. The LSMs were divided into five landslide susceptibility classes. The performance of the resulting LSMs was verified by the ROC curves and Numerical Ratio (NRi). The results show that the AHP and Fuzzy models are successful estimators. The map produced by the AHP model exhibited a slightly better result for landslide susceptibility mapping in the study area. These two techniques may be characterized by incorporating a wide range of conditioning factors. Also, they can discriminate the causative factors for understanding the importance of each factor. The interpretation of the susceptibility map indicates that geological, slope, and fault play major roles in landslide occurrence and distribution in the study area. The landslide susceptibility maps like the one produced in this study should provide a valuable tool for the use of planners and engineers for reorganizing or planning new programs.

References:

Arca D, Kutoğlu HŞ, Becek K. 2018. Landslide susceptibility mapping in an area of underground mining using the multicriteria decision analysis method. Environmental monitoring and assessment, 190(12): 1-14. doi:https://doi.org/10.1007/s10661-018-7085-5.

Baharvand S, Soori S. 2015. Landslide hazard zonation using artificial neural network (Case study: Sepiddasht-Lorestan, Iran). Journal of RS and GIS for Natural Resources, 6(4): 15-31. https://girs.iaubushehr.ac.ir/article_518870.html?lang=en. (In Persian).

Bera A, Mukhopadhyay BP, Das D. 2019. Landslide hazard zonation mapping using multi-criteria analysis with the help of GIS techniques: a case study from Eastern Himalayas, Namchi, South Sikkim. Natural Hazards, 96(2): 935-959. doi:https://doi.org/10.1007/s11069-019-03580-w.

Bui TD, Shahabi H, Shirzadi A, Chapi K, Alizadeh M, Chen W, Mohammadi A, Ahmad BB, Panahi M, Hong H. 2018. Landslide detection and susceptibility mapping by airsar data using support vector machine and index of entropy models in cameron highlands, malaysia. Remote Sensing, 10(10): 1527. doi:https://doi.org/10.3390/rs10101527.

Chen W, Panahi M, Pourghasemi HR. 2017. Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling. Catena, 157: 310-324. doi:https://doi.org/10.1016/j.catena.2017.05.034.

Demir G. 2019. GIS-based landslide susceptibility mapping for a part of the North Anatolian Fault Zone between Reşadiye and Koyulhisar (Turkey). Catena, 183: 104211. doi:https://doi.org/10.1016/j.catena.2019.104211.

Fatemi SA, Bagheri V, Razifard M. 2018. Landslide susceptibility mapping using fuzzy logic system and its influences on mainlines in lashgarak region, Tehran, Iran. Geotechnical and Geological Engineering, 36(2): 915-937. doi:https://doi.org/10.1007/s10706-017-0365-y.

Gholami M, Ghachkanlu EN, Khosravi K, Pirasteh S. 2019. Landslide prediction capability by comparison of frequency ratio, fuzzy gamma and landslide index method. Journal of Earth System Science, 128(2): 1-22. doi:https://doi.org/10.1007/s12040-018-1047-8.

Guerra AJT, Fullen MA, Jorge MdCO, Bezerra JFR, Shokr MS. 2017. Slope processes, mass movement and soil erosion: A review. Pedosphere, 27(1): 27-41. doi:https://doi.org/10.1016/S1002-0160(17)60294-7.

Hou E, Wang J, Chen W. 2018. A comparative study on groundwater spring potential analysis based on statistical index, index of entropy and certainty factors models. Geocarto International, 33(7): 754-769. doi:https://doi.org/10.1080/10106049.2017.1299801.

Khan H, Shafique M, Khan MA, Bacha MA, Shah SU, Calligaris C. 2019. Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 22(1): 11-24. doi:https://doi.org/10.1016/j.ejrs.2018.03.004.

Meena SR, Ghorbanzadeh O, Blaschke T. 2019. A comparative study of statistics-based landslide susceptibility models: A case study of the region affected by the gorkha earthquake in nepal. ISPRS international journal of geo-information, 8(2): 94. doi:https://doi.org/10.3390/ijgi8020094.

Mondal S, Mandal S. 2019. Landslide susceptibility mapping of Darjeeling Himalaya, India using index of entropy (IOE) model. Applied Geomatics, 11(2): 129-146. doi:https://doi.org/10.1007/s12518-018-0248-9.

Nguyen TTN, Liu C-C. 2019. A new approach using AHP to generate landslide susceptibility maps in the Chen-Yu-Lan Watershed, Taiwan. Sensors, 19(3): 505. doi:https://doi.org/10.3390/s19030505.

Nicu IC. 2018. Application of analytic hierarchy process, frequency ratio, and statistical index to landslide susceptibility: an approach to endangered cultural heritage. Environmental Earth Sciences, 77(3): 1-16. doi:https://doi.org/10.1007/s12665-018-7261-5.

Paoletti V, Tarallo D, Matano F, Rapolla A. 2013. Level-2 susceptibility zoning on seismic-induced landslides: An application to Sannio and Irpinia areas, Southern Italy. Physics and Chemistry of the Earth, Parts A/B/C, 63: 147-159. doi:https://doi.org/10.1016/j.pce.2013.02.002.

Peethambaran B, Anbalagan R, Kanungo D, Goswami A, Shihabudheen K. 2020. A comparative evaluation of supervised machine learning algorithms for township level landslide susceptibility zonation in parts of Indian Himalayas. Catena, 195: 104751. doi:https://doi.org/10.1016/j.catena.2020.104751.

Rahmati M, Zand F. 2018. Landslide hazard zonation using geographic information System landslide (Case study: Robat-Siahpoush rural district, Lorestan province). Journal of RS and GIS for Natural Resources, 8(4): 63-75. doi:http://girs.iaubushehr.ac.ir/article_539092_en.html. (In Persian).

Saaty TL. 2008. Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1): 83-98. doi:https://doi.org/10.1504/IJSSCI.2008.017590.

Schlögel R, Marchesini I, Alvioli M, Reichenbach P, Rossi M, Malet J-P. 2018. Optimizing landslide susceptibility zonation: Effects of DEM spatial resolution and slope unit delineation on logistic regression models. Geomorphology, 301: 10-20. doi:https://doi.org/10.1016/j.geomorph.2017.10.018.

Solaimani K, Mousavi SZ, Kavian A. 2013. Landslide susceptibility mapping based on frequency ratio and logistic regression models. Arabian Journal of Geosciences, 6(7): 2557-2569. doi:https://doi.org/10.1007/s12517-012-0526-5.

Soma AS, Kubota T, Mizuno H. 2019. Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia. Journal of Mountain Science, 16(2): 383-401. doi:https://doi.org/10.1007/s11629-018-4884-7.

Tian Y, Xu C, Hong H, Zhou Q, Wang D. 2019. Mapping earthquake-triggered landslide susceptibility by use of artificial neural network (ANN) models: an example of the 2013 Minxian (China) Mw 5.9 event. Geomatics, Natural Hazards and Risk, 10(1): 1-25. doi:https://doi.org/10.1080/19475705.2018.1487471.

Van Alphen B, Stoorvogel J. 2000. A functional approach to soil characterization in support of precision agriculture. Soil Science Society of America Journal, 64(5): 1706-1713. doi:https://doi.org/10.2136/sssaj2000.6451706x.

Yan F, Zhang Q, Ye S, Ren B. 2019. A novel hybrid approach for landslide susceptibility mapping integrating analytical hierarchy process and normalized frequency ratio methods with the cloud model. Geomorphology, 327: 170-187. doi:https://doi.org/10.1016/j.geomorph.2018.10.024.

Youssef AM, Pourghasemi HR, El-Haddad BA, Dhahry BK. 2016. Landslide susceptibility maps using different probabilistic and bivariate statistical models and comparison of their performance at Wadi Itwad Basin, Asir Region, Saudi Arabia. Bulletin of Engineering Geology and the Environment, 75(1): 63-87. doi:https://doi.org/10.1007/s10064-015-0734-9.

Zhang T, Han L, Chen W, Shahabi H. 2018. Hybrid integration approach of entropy with logistic regression and support vector machine for landslide susceptibility modeling. Entropy, 20(11): 884. doi:https://doi.org/10.3390/e20110884.

Full-Text:



 

ارزیابی مقایسه‌ای حساسیت به زمین‌لغزش با استفاده از روش‌های منطق فازی و تحلیل سلسله مراتبی

 

چکیده

تشخیص مناطق مستعد لغزش، برای به کارگیری روش‌های پیشگیری یا مقابله با ناپایداری دامنه‌ها به‌منظور کاهش خطر و ریسک حاصل از آن‌ها، بسیار اهمیت دارد. هدف از این مطالعه، ارزیابی و مقایسه حساسیت به زمین‌لغزش در دامنه‌های رشته کوه‌های بینالود با استفاده از روش منطق فازی(FUZZY) و تحلیل سلسله مراتبی(AHP) در محیط سیستم اطلاعات جغرافیایی(GIS) می‌باشد. به این منظور، با جمع آوری اطلاعات مورد نیاز از پراکندگی لغزش‌ها در منطقه، ضمن تهیه نقشه پراکندگی زمین‌لغزش‌ها، لایه‌های اطلاعاتی مهمترین عوامل مؤثر بر وقوع زمین‌لغزش در منطقه موردمطالعه در محیط سیستم اطلاعات جغرافیایی( GIS) تهیه گردید. سپس با استفاده روش فازی(FUZZY) و تحلیل سلسله مراتبی(AHP) اقدام به تهیه نقشه حساسیت زمین‌لغزش در محیط سیستم اطلاعات جغرافیایی(GIS) شد. در نهایت به‌منظور ارزیابی و مقایسه میزان دقت و صحت نقشه‌ها با استفاده از منحنی ROC و نقشه پراکنش زمین‌لغزش‌ها(نسبت عددی NRi)، صورت گرفت. ارزیابی نتایج حاصل از نقشه حساسیت زمین‌لغزش با استفاده از روش‌های نام برده، بیانگیر این است که در روش AHP، 8/47% و در روش فازی7/27%، محدوده منطقه دارای حساسیت زیاد و خیلی زیاد از نظر خطر زمین‌لغزش می‌باشد. همچنین نتایج صحت سنجی با استفاده از منحنی ROC نشان داد که روش AHP (817/0=AUC) نسبت به روش فازی(752/0=AUC) دارای صحت و دقت بیشتری در پیش بینی میزان حساسیت زمین‌لغزش، هست. همچنین با تقسیم درصد تعداد زمین‌لغزش در هر پهنه حساسیت زمین لغزش به درصد مساحت هر پهنه در منطقه موردمطالعه، نسبت عددیNRi، محاسبه شد. مقایسه مقادیر این نسبت عددی نشان داد که روش AHP با نسبت عددی بیشتر در هر طبقه، دقت پیش بینی بالاتری را داشته است. زیرا نشان دهنده آن است که در مقایسه با روش منطق فازی، درصد بالایی از زمین لغزش ها را در مساحت کمتری به عنوان پهنه حساسیت زمین لغزش پوشش داده است.

 

واژه‌های کلیدی:  حساسیت زمین‌لغزش، بینالود، تحلیل سلسله مراتبی، روش فازی

 

 

 

 

 

 

 

 

 

 

مقدمه 

زمین‌لغزش یکی از گسترده‌ترین و مخرب‌ترین پدیده‌ها در میان بلایایی طبیعی می‌باشد(21). بررسی پدیده ناپایداری دامنه‌ای به کمک تهیه نقشه‌های پهنه‌بندی خطر زمین‌لغزش، از یک سو به‌منظور شناسایی مناطق دارای قابلیت لغزش در محدوده فعالیت‌های بشری و از سوی دیگر برای شناسایی مکان‌های امن برای توسعه زیستگاه‌های جدید و یا سایر کاربری‌های آتی انسان نظیر جاده‌ها، مسیرهای انتقال نیرو و انرژی حائز اهمیت بوده و در مقیاس‌های مختلف موردتوجه برنامه ریزان قرار دارد(3). بنابراین به‌منظور کاهش خسارات لازم است مناطق مستعد زمین‌لغزش شناسایی بشوند. ازاین‌رو، ارزیابی حساسیت زمین‌لغزش اطلاعات با ارزشی برای کاهش خسارات فراهم می‌کند(10). هدف اصلی از آنالیز حساسیت زمین‌لغزش شناسایی مناطق خطرناک و با ریسک بالا و کاهش خسارت می‌باشد(26). روش‌های مختلفی برای آماده‌سازی نقشه حساسیت و خطر زمین‌لغزش با استفاده مدل‌های آماری و ابزار سیستم اطلاعات جغرافیایی(GIS) در دهه گذشت توسعه‌یافته‌اند. که از آن جمله می‌توان به مدل‌های آماری مانند رگرسیون لجستیک(9 و 25)، آنالیز دو متغیره و چند متغیره(14 و 30)، مدل‌های احتمالی مانند نسبت فرکانس(FR) و روش شواهد وزنی(WOE)( 13 و 17)، مدل شاخص آنتروپی(IOE)(15 و 18)، مدل شبکه عصبی(27 و 28)، روش آنالیز تصمیم‌گیری چند متغیره(2 و9)، روش فازی(12)، روش تحلیل سلسله مراتبی(20و 29) و مدل ماشین بردار پشتیبان(SVM)(7 و 31)، اشاره کرد. روش های مختلفی برای پهنه بندی حساسیت زمین لغزش ارائه شده است ولی هیچکدام قطعیت لازم را ندارند و در بیشتر موارد برای مناطق خاص با در نظر گرفتن اصلاحات لازم کاربرد دارند. در این مطالعه با توجه به شرایط منطقه مورد مطالعه و داده های موجود و عدم قطعیت ها از دو روش تحلیل سلسله مراتبی(AHP) و فازی استفاده گردید. بهرامی و همکاران(4)به پهنه بندی حساسیت زمین لغزش در استان گیلان با استفاده از دو روش فازی و تحلیل سلسله مراتبی(AHP) پرداختند. بدین منظور هفت پارامتر شیب، سنگ شناسی، کاربری، بارش، فاصله از گسل، فاصله از جاده و فاصله از رودخانه مورد بررسی قرار گرفت. به منظور ارزیابی دقت نقشه های حساسیت بدست آمده از از منحنی مشخصه عملکرد سیستم(ROC) استفاده کردند. نتایج نشان داد که در روش تحلیل سلسله مراتبی(AHP) وفازی به ترتیب 53/29 و 53/36 درصد مساحت منطقه دارای حساسیت زیاد و خیلی زیاد هستند. و روش AHP با %4/92=AUC نسبت به روش فازی با %9/91=AUC، دقت بالاتری در پهنه بندی داشته است. ال جزولی و همکاران(11) به ارزیابی نقشه حساسیت زمین لغزش در مراکش با استفاده از روش تحلیل سلسله مراتبی (AHP) پراداختند. هشت پارامتر شیب، جهت شیب، پوشش زمین،سنگ شناسی، فاصله از گسل، فاصله از شبکه زهکشی، فاصله از جاده و ارتفاع به‌منظور پهنه‌بندی انتخاب شدند. نتایج نشان داد که به ترتیب 68/42 درصد مساحت منطقه دارای حساسیت کم و خیلی کم، 75/25 درصد دارای حساسیت متوسط و 7/31 دارای حساسیت زیاد و خیلی زیاد می باشد. همچنین ارزیابی نقشه حساسیت پهنه بندی با استفاده از مساحت زیر نمودارROC با %7/76=AUC، نشان دهنده این است که نقشه پهنه بندی دارای دقت خوبی است. پنچال و همکاران(22) در مطالعه ای به بررسی کاربرد فرایند تحلیل سلسله مراتبی(AHP) در محیط GIS به منظور پهنه بندی حساسیت زمین لغزش در منطقه Kullu در کشور هند پرداختند. پارامترهای شیب، جهت، خصوصیات زهکشی، سنگ شناسی و زمین شناسی مورد بررسی قرار گرفتند. نتایح نشان داد که بخش زیادی از منطقه دارای حساسیت زیاد و خیلی زیاد هست. باسوفی و همکاران(4) در مطالعه ای به بررسی پهنه بندی حساسیت زمین لغزش با استفاده از روش منطق فازی و مقایسه آن با روش تحلیل سلسله مراتبی(AHP) پرداختند. برای مقایسه دقت نتایج این دو مدل با استفاده از محاسبهX2، محاسبه شد. نتایج نشان داد که این دو روش دقتی خوبی در پهنه بندی حساسیت زمین لغزش دارند و با توجه به نتایج آزمون آماریX2، روش AHP دارای دقت بالاتری است. پیثاباران و همکاران(23) به ارزیابی مقایسه‌ای الگوریتم‌های یادگیری ماشین تحت نظارت مبنی بر سیستم اطلاعات جغرافیایی (GIS) برای پهنه‌بندی حساسیت به زمین‌لغزش در بخش‌های از هیمالیا در هند پرداختند. آن‌ها از چهار الگوریتم ماشین یادگیری شبکه عصبی مصنوعی(ANN)، ماشین یادگیری افراطی(ELM) از شبکه عصبی، الگوریتم ML کلاسیک در ماشین بردار پشتیبان(SVM) و سیستم استنتاج عصبی-فازی سازگار(ELANFIS) از سیستم فازی –عصبی، استفاده کردند. نقشه‌های حساسیت به‌دست‌آمده با کمک نقشه پراکنش زمین‌لغزش مقایسه شد. نتایج نشان داد که الگوریتم ELANFIS دارای صحت بیشتری نسبت به دیگر الگوریتم‌ها دارد. دمیر و همکاران (10) به پهنه‌بندی حساسیت خطر زمین‌لغزش در قسمت‌های شمالی گسل آنتالین ترکیه با استفاده از روش‌های مبتنی بر GIS پرداختند. برای این منظور از دو مدل شاخص آنتروپی(IOE) و نسبت فرکانس (FR) در محیط سیستم اطلاعات جغرافیایی استفاده شد. به‌منظور ارزیابی عملکرد مدل از منحنی مشخصه عملکرد سیستم(ROC) مورداستفاده قرار گرفت. نتایج نشان داد صحت پیش‌بینی حساسیت زمین‌لغزش در مدل FR(AUC=75.71) کمی بهتر از مدل IOE(AUC=75.43)، است. هدف از این مطالعه ارزیابی و مقایسه نقشه حساسیت زمین‌لغزش در دامنه‌های شمالی و جنوبی کوه‌های بینالود در استان خراسان رضوی با استفاده از روش فازی(Fuzzy Logic) و تحلیل سلسه‌مراتبی(AHP) در محیط سستم اطلاعات جغرافیایی می‌باشد. ازاین‌رو در این مقاله، ابتدا داده‌های مربوط به عامل مؤثر بر زمین‌لغزش شامل: شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زهکشی (فاصله از رودخانه، تراکم آبراهه)، جاده (فاصله از جاده، تراکم جاده)، گسل (فاصله از گسل، تراکم گسل)، واحدهای مورفولوژیکی، شاخص‌های توپوگرافی (شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI) و شاخص طول شیب (LS))، شاخص‌های ژئومورفولوژیک (شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی (TRI) و شاخص انحنای سطح (Curvature Index)، کاربری اراضی، خطوط هم‌دما و خطوط هم بارش برای منطقه موردمطالعه گردآوری شد. سپس با استفاده از روش فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی این نقشه وزن دهی و با تلفیق لایه‌های وزن‌دار، نقشه حساسیت زمین‌لغزش تهیه و تفسیر شد. در پایان به‌منظور مقایسه دقت دو روش از منحنی ROC و نقشه پراکنش زمین‌لغزش‌ها استفاده شد.

 

 

روش تحقیق 

موقعیت منطقه موردمطالعه

منطقه موردمطالعه با وسعتی حدود 3510 کیلومترمربع بین طول جغرافیایی"12 '38 °58 تا "21 '35 °59 شرقی و عرض جغرافیایی "30 '15 °36 تا "58 '1 °36 شمالی در جنوب غربی مشهد و شرق نیشابور واقع‌شده است (شکل1). کمترین ارتفاع منطقه به میزان 1095 متر منطبق بر دشت‌های اطراف نیشابور و بیشترین ارتفاع به میزان 3298 متر منطبق بر قله شیرباد است. مهم‌ترین سازندهای زمین‌شناسی منطقه موردمطالعه می‌توان به سنگ‌آهک خاکستری و سیاه، کنگلومرا و ماسه‌سنگ، توف و شیل توفی، فیلیت، مارن قرمز، مارن گچ دار و تراس‌های کهن کواترنری، اشاره کرد. از دیدگاه اقلیمی، رشته کوه بینالود دارای آب و هوای سرد و نیمه خشک است و متوسط بارندگی و دمای سالانه منطقه به ترتیب 320 میلی متر و 13 درجه سانتی گراد می باشد. این منطقه به دلیل داشتن ویژگی‌های گوناگون سنگ‌شناختی، زمین ساختی، توپوگرافی، لرزه‌خیزی و شرایط آب و هوایی، مستعد خطر زمین‌لغزش است و به دلیل تراکم روستانشینی ،کاربری باغی فراوان و نقش تفرجگاهی، از دید ریسک زمین‌لغزش نیز بسیار اهمیت دارد. مهم‌ترین روستاها و مناطق تفرجگاهی منطقه می‌توان از دررود، بوژان، زشک، طرقبه، خرو، بار و دیزآباد را نام برد که در دامنه رشته‌کوه بینالود از چشم‌اندازهای بی‌مانند و بدیعی برخوردارند.

 

شکل1. موقعیت منطقه موردمطالعه

Fig1. Location of the study area

روش کار

در این مطالعه به‌منظور ارزیابی حساسیت وقوع زمین‌لغزش در دامنه‌های کوه‌های بینالود از دو روش منطق فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی(GIS) استفاده گردید. سپس به‌منظور ارزیابی دقت روش‌ها از منحنی ROC و نقشه پراکنش زمین‌لغزش‌های منطقه استفاده شد است.

 

آماده‌سازی داده‌ها

به منظور انتخاب عوامل مؤثر بر زمین لغزش هیچ معیار پذیرفته شده جهانی وجود ندارد، با این حال باید پارامترهای انتخاب شود که به طور ایدآلی قابل اندازهگیری، غیریکنواخت، عملیاتی و غیره اضافی باشد. در انتخاب عوامل موثر بر حساسیت زمین لغزش مطالعات گذشته، تجربیات کارشناس و خصوصیات ژئومورفولوژی منطقه مؤثر هستند(19). با بررسی و مطالعه پژوهش های انجام گرفته و همچین بر اساس نظر کارشناسی کارشناسان اداره کل منابع طبیعی خراسان رضوی و بخش حفاظت خاک مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی که آگاهی کاملی از منطقه دارند و نیز داده های موجود و بررسی های میدانی منطقه موردمطالعه، پارامترهای را که تأثیر زیادی در رخداد لغزش داشته‌اند، انتخاب شدند. گردآوری اطلاعات به‌صورت میدانی، کتابخانه‌ای و با مراجعه به اداره کل منابع طبیعی استان خراسان رضوی صورت گرفت. درنهایت مهم‌ترین عوامل مؤثر بر زمین‌لغزش‌های منطقه شامل شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زهکشی (فاصله از رودخانه، تراکم آبراهه)، جاده (فاصله از جاده، تراکم جاده)، گسل (فاصله از گسل، تراکم گسل)، واحدهای مورفولوژیکی، شاخص‌های توپوگرافی (شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI) و شاخص طول شیب (LS))، شاخص‌های ژئومورفولوژیک (شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی (TRI) و شاخص انحنای سطح (Curvature Index)، کاربری اراضی، خطوط هم‌دما و خطوط هم بارش به‌عنوان عوامل مؤثر در رخداد زمین‌لغزش در منطقه موردمطالعه، شناسایی و مورد تجزیه‌وتحلیل قرار گرفتند. نقشه شیب، جهت و ارتفاع منطقه موردمطالعه با از نقشه توپوگرافی 1:25000 و تهیه DEM منطقه در محیط نرم‌افزار GIS تهیه گردید. اطلاعات لایه زمین‌شناختی و گسل‌های منطقه از طریق این نقشه زمین‌شناسی 1:100000 سازمان زمین‌شناسی شیت مشهد و نیشابور، استخراج شد. لایه اطلاعاتی بارش و دما با استفاده از نقشه خطوط هم باران و هم‌دمای منطقه که از اداره کل منابع طبیعی خراسان رضوی تهیه شد، آماده گردید. نقشه کاربری منطقه از اداره کل منابع طبیعی خراسان رضوی تهیه شد سپس با کمک Google Ereath و بازدید میدانی اصلاح گردید. نقشه آبراهه‌های منطقه با استفاده از مدل رقومی ارتفاع(DEM) به کمک ابزار ArcHydro در محیط GIS، تهیه شد. نقشه جاده‌های منطقه از طریق رقومی سازی تصاویر Google Ereath منطقه به دست آمد. لایه‌های شاخص‌های توپوگرافی و شاخص‌های ژئومورفولوژیک ، در محیط نرم‌افزار SAGA تهیه گردید.

 

نقشه پراکنش زمین‌لغزش‌های منطقه

تهیه نقشه پراکنش زمین لغزش در منطقه مورد مطالعه در توصیف رابطه بین عوامل مؤثر بر وقوع زمین لغزش و توزیع زمین لغزش حیاتی است(19). در این مطالعه نقشه زمین‌لغزش‌های موجود در حوضه از طریق نقشه زمین‌لغزش موجود در اداره کل منابع طبیعی استان خراسان رضوی و اطلاعات مرکز مطالعات زمین‌لغزش در سازمان جنگل‌ها و مراتع استخراج شد. سپس از طریق بازدید میدانی و تصاویرGoole Earth  زمین‌لغزش‌های جدید شناسایی و درنهایت با انتقال اطلاعات به محیط سیستم اطلاعات جغرافیایی(ArcGIS 10.5)  نقشه پراکنش زمین‌لغزش  اصلاح و تهیه گردید.

 

ارزیابی حساسیت زمین‌لغزش با استفاده از روش منطق فازی(FUZZY Logic)

در سال های اخیر روش های مبتنی بر منطق فازی به طور گسترده ای برای ارزیابی مناطق مستعد وقوع زمین لغزش استفاده شده است(19). تأثیر عوامل مؤثر در پهنه‌بندی زمین‌لغزش، قطعی و صددرصدی نیست. برای مطالعه چنین شرایط پیچیده و مبهمی، مدل‌سازی فازی مناسب می‌باشد، زیرا با استفاده از نظریه فازی، می‌توان متغیرهای نادقیق و مبهم را، به شکل ریاضی درآورد. در مدل‌سازی فازی ، هر فرد هم‌زمان در مجموعه‌های مختلف اما به درجات متفاوت عضویت دارد. درجات عضویت مقادیر بین صفر و یک و یا خود این دو حد را می‌پذیرد. روش فازی با پنج عملگر که هر یک دارای نحوه عمل خاصی هستند، در محیط نرم‌افزار ArcGIS قابل‌اجرا می‌باشد (8). این عملگرها عبارت اند: اجتماع فازی(Fuzzy OR)، اشتراک فازی(Fuzzy AND)، ضرب فازی(Fuzzy Product)، جمع فازی(Fuzzy SUM) و گاما(Fuzzy Gamma).

به‌منظور ارزیابی حساسیت وقوع زمین‌لغزش با استفاده از منطق فازی، ابتدا لازم است، تک‌تک لایه‌ها با توجه به هدف موردنظر بر اساس توابع عضویت، فازی سازی شوند. پارامترهای تراکم و فاصله از گسل، ارتفاع، شیب، تراکم و فاصله از جاده، شاخص‌های توپوگرافی، شاخص‌های ژئومورفومتریک، بارش، تراکم و فاصله از آبراهه و دما، با توجه به ماهیت رستری آن‌ها با استفاده از دستور Fuzzy Membership موجود در نسخه 5/10 نرم‌افزار ArcGIS فازی سازی گردیدند. لایه‌های لیتولوژی، تیپ اراضی، کاربری اراضی و جهت شیب جزء لایه‌های کیفی می‌باشند. عضویت لایه‌های وکتوری بر اساس نوع رابطه‌ای که هر پارامتر با پدیده زمین‌لغزش دارد، تعیین گردیده است. به‌منظور فازی نمودن این لایه‌ها، با توجه به طبقه‌بندی هر یک از لایه‌ها و عملکردی که در پهنه‌بندی زمین‌لغزش دارند، امتیازی بین 0 تا 255 به آن‌ها داده‌شده و سپس فازی سازی شدند. سپس با استفاده از عملگر گاما 8/0 روی هم‌گذاری نقشه‌ها انجام شد نقشه پهنه‌بندی خطر زمین‌لغزش منطقه موردمطالعه تهیه گردید. عملگر گاما نقش تعدیلی نسبت به نتیجه جمع و ضرب فازی دارد و حساسیت خیلی بالای عملگر ضرب فازی و حساسیت خیلی کم عملگر جمع فازی را تعدیل کرده و به واقعیت نزدیک‌تر می‌کند. مقدار گاما از طریق قضاوت کارشناسی مبتنی بر نتایج حاصل از تجزیه‌وتحلیل داده‌های مشاهده‌شده یا تجربیات موجود درباره موضوع موردبررسی تعیین یا از طریق آزمون سعی و خطا، در تطبیق با شواهد، واقعی می‌گردد. درنهایت با تلفیق لایه‌های اطلاعاتی مؤثر بر وقوع زمین‌لغزش نقشه نهایی حساسیت وقوع زمین‌لغزش تهیه گردید.

 

 

ارزیابی حساسیت زمین‌لغزش با استفاده از روش تحلیل سلسله مراتبی(AHP):

فرایند تحلیل سلسله مراتبی یک از سیستم‌های تصمیم‌گیری برای معیارهای چندگانه می‌باشد که بر پایه دانش کارشناسی استوار است و توسط ساعتی (24) طراحی گردید. در 20 سال گذشته به طور گسترده و موفقی در سیستم های تصمیم گیری چندمعیاره(MCDM) مورد استفاده قرار گرفته است. یکی از مزایای روش تحلیل سلسله مراتبی(AHP) محاسبه شاخص ناسازگاری(CR) می باشد که امکان تجدید نظر در قضاوت ها را فراهم میکند(19). این نسبت در صورت کوچک‌تر بودن از 1/0 دلالت بر سطح قابل‌قبول پایندگی دارد. ابزار گردآوری داده‌ها در روش فرایند تحلیل سلسله مراتبی، پرسشنامه  است. در پرسشنامه مقایسات زوجی نظرات کارشناسان به صورت شفاهی و بر اساس جدول مقیاس نه درجه ساعتی(جدول1)، کسب میگردد. و بر اساس آن ماتریکس مقایسه ای برای معیارها و زیرمعیارها(قضاوت مقایسه ای برای معیارها و زیرمعیارها) شکل گرفته و اولویت هر شاخص مشخص می شود(19). پس از شناسایی و مطالعه پارامترهای تأثیرگذار بر پهنه‌بندی وقوع زمین‌لغزش در منطقه موردمطالعه به‌منظور تعیین ارجحیت عوامل مختلف بر وقوع زمین‌لغزش و تبدیل آن‌ها به مقادیر کمی، پرسشنامه طراحی و برای کارشناسان خبره فرستاده شد و از قضاوت‌های شفاهی (نظر کارشناسی) برای مقایسات زوجی در روش تحلیل سلسله مراتبی (AHP) از محیط نرم‌افزار Expert Choice استفاده شد. وزن هریک از پارامترها و زیر پارامترها در پهنه‌بندی وقوع زمین‌لغزش در منطقه موردمطالعه تعیین گردید. بعد از به دست آوردن ارزش نسبی متغیرهای مؤثر بر وقوع زمین‌لغزش در محیط Expert choice این ارزش‌ها با استفاده از نرم‌افزار ArcGIS10.5، در لایه‌های مورد نظر اعمال گردید. درنهایت از تلفیق این لایه‌ها با استفاده از ابزار Raster Calculater و بر اساس ارزش‌های نسبی به‌دست‌آمده برای هر شاخص، نقشه نهایی حساسیت وقوع زمین‌لغزش در منطقه مورد مطالعه تهیه گردید. بعد از تهیه نقشه پهنه‌بندی زمین‌لغزش به پنج پهنه از رده خیلی کم تا خیلی زیاد تقسیم گردید. 

جدول1. مقادیر ترجیحات برای مقایسه های زوجی در روش تحلیل سلسله مراتبی (24)

Table1. The scale of relative importance of AHP method suggested by Saaty

ترجیحات Definition	مقدار عددی  Value
اهمیت مطلق   Absolute importance	9
اهمیت خیلی قوی  Demonstrated importance	7
اهمیت قوی  Essential or strong importance	5
کمی مهم تر Weak importance of one over another	3
اهمیت یکسان Equal importance	1
ترجیحات میان فواصل فوق     Intermediate values between the two adjacent judgments	2 ، 4 ، 6 و 8

 

ارزیابی دقت نقشه حساسیت زمین‌لغزش  :

پس از تهیه نقشه‌های حساسیت زمین‌لغزش، مقایسه میان روش‌ها صورت گرفت.  به این منظور از دو روش مساحت زیر نمودارROC و تحلیل نقشه حساسیت زمین‌لغزش به کمک نقشه پراکنش نقاط لغزشی(محاسبه نسبت عددی NRi) استفاده گردید. روش منحنی ROC یکی از مفیدترین و کارآمدترین روش‌ها در تعیین خصوصیات، شناسایی و پیش‌بینی سیستم‌هاست که میزان دقت مدل را به‌صورت کمّی برآورد می‌کند. در منحنی ROC ایده‌آل‌ترین مدل، دارای بیشترین سطح زیر منحنی است و مقادیر AUC از 5/0 تا یک متغیر است(1). چنانچه مدلی نتواند رخداد لغزشی را بهتر از دیدگاه احتمالی (تصادفی) تخمین زند مقدار AUC آن 5/0 است و زمانی که منحنی ROC، سطح زیر منحنی برابر با یک داشته باشد بیانگر بهترین دقت از نقشه‌های پهنه‌بندی تهیه‌شده، است(8). همبستگی کمی –کیفی سطح زیر منحنی و ارزیابی تخمین به‌صورت زیر است(1 – 9/0 عالی، 9/0-8/0 خیلی خوب، 8/0-7/0 خوب، 7/0-6/0 متوسط و 6/0-5/0 ضعیف).

در روش تحلیل نقشه نقاط لغزشی، نقشه حساسیت زمین‌لغزش به پنج پهنه(خیلی کم، کم، متوسط، زیاد و خیلی زیاد) تعریف و با تقسیم مساحت هر یک از این پهنه‌ها به مساحت کل منطقه، سهم هر یک از پهنه‌ها در منطقه بر حسب درصد به دست آمد(Si%). در مرحله بعد، تعداد زمین‌لغزش‌های موجود در هر پهنه شمارش و با تقسیم آن بر کل زمین‌لغزش‌های شناسایی‌شده در منطقه، درصد رخداد زمین‌لغزش در هر پهنه به دست آمد(Li%). برای مقایسه نتایج حاصل از دو روش ، با تقسیم Li% به Si%، (رابطه 1) در هر پهنه نسبت عددی NRi (Numerical Ratio) به دست آمد(16). 

[1]                                                                                                              NRi= Li% / Si%

هرچه این نسبت عددی بزرگ‌تر باشد، نشان‌دهنده آن است که تعداد بیشتری زمین‌لغزش در محدوده کوچک‌تری از نقشه پوشش داده‌شده است.

 

نتایج 

تهیه و ارزیابی نقشه حساسیت زمین‌لغزش از روش تحلیل سلسله مراتبی (AHP):

جدول (2) ارزش نسبی متغیرهای مؤثر بر زمین‌لغزش با استفاده از تحلیل سلسله مراتبی (AHP) را نشان می‌دهد. بر اساس ارزش های نسبی بدست آمده متغیرهای زمین شناسی با وزن نسبی، شیب و گسل به ترتیب با وزن نسبی 209/0، 202/0 و 133/0 به عنوان مؤثرترین و معیارهای دما و جاده به ترتیب با وزن نسبی012/0 و 016/0 به عنوان کم تأثیرترین عامل در پهنه بندی حساسیت زمین لغزش در منطقه مورد مطالعه هستند. میزان نرخ ناسازگاری برای متغییرهای اصلی 08/0 محاسبه شد که بیانگر مقایسه زوجی صحیح عوامل می باشد. این مطلب نشان دهنده این است که نمی توان گفت فاکتورهای که ارزش کمتری دارند در واقع در وقوع زمین لغزش بی تأثیر هستند بلکه تأثیر آنها نسبت به فاکتورهای که ارزش بیشتری دارند به مراتب کمتر است و این نتایج بر اساس قضاوت کارشناسان در منطقه مورد مطالعه بدست آمده است. که ممکن است با گذشت زمان این ضرایب تغییر کند.

 

جدول2. ارزش نسبی متغیرهای مؤثر بر زمین‌لغزش با استفاده از تحلیل سلسله مراتبی (AHP)

Table1. Relative value of variables affecting landslides using Analytical Hierarchy process (AHP)

متغیر Variable	پارامتر Parameter	ارزش Value	نرخ ناسازگاری Inconsistency Rate
متغیرهای اصلی Main variables	زمین‌شناسیGeology  شیب Slope  گسلFault   بارشPrecipitation   جهت شیبAspect   شاخص‌های ژئومورفومتریک Geo Index   شاخص‌های توپوگرافیک Topographic Index   شبکه زهکشی Drainage Network   کاربری اراضیLand use   تیپ اراضیLand Type   ارتفاع Altitude   جادهRoad   دماTemperature	209/0 202/0 133/0 106/0 074/0 055/0 050/0 045/0 036/0 033/0 030/0 016/0 012/0	08/0
زمین‌شناسی Geology	سنگ‌های نرمSoft rocks  خاک(رسوبات سست)Soil  سنگ‌های سختHard rocks	661/0 231/0 108/0	01/0
بارش Precipitation	250> (میلی‌لیتر) 300-250 350-300 400-350 450-400 500-450	045/0 065/0 101/0 161/0 252/0 376/0	02/0
دما Temperature	10-8 (سانتی‌گراد) 12-10	6/0 4/0	0
طبقات ارتفاعی Altitude	1500-1000 (متر) 2000-1500 2500-2000 3000-2500 3298-3000	046/0 107/0 209/0 388/0 251/0	05/0
شیب Slope	5> (درجه) 15-5 30-15 30<	055/0 126/0 447/0 372/0	05/0
جهت شیب Aspect	شمالی (N) شمال شرقی (NE) شمال غرب (NW) شرق (E) جنوب شرق (SE) جنوب غرب (SW) جنوب (S) غرب (W) یکنواخت (Flat)	283/0 213/0 156/0 102/0 072/0 056/0 054/0 046/0 017/0	06/0
شبکه زهکشی Drainage Network	فاصله از آبراهه Stream distance   تراکم آبراهه Drainage density	688/0 313/0	0
فاصله از آبراهه Stream distance	300> (متر) 600-300 900-600 1200-900 1200<	502/0 239/0 127/0 079/0 052/0	04/0
تراکم آبراهه Drainage density	5/0-0 (کیلومتر بر کیلومترمربع) 1-5/0 5/1-1 2-5/1	110/0 164/0 301/0 425/0	02/0
تیپ اراضی Land type	کوهستانMountain  تپهHill  فلات و تراس‌های بالاییPlateau & upper Terraces  واریزه‌ای بادبزنی شکل Gravelly Alluvial Fan  مخلوط (مجموع واحدها)Complex  دشت‌های دامنه‌ای Alluvial Plain  آبرفت‌های بادبزنی شکل Alluvial Fan  دشت‌های سیلابیFlood Plain	405/0 228/0 088/0 073/0 059/0 053/0 052/0 042/0	03/0
جاده Road	فاصله از جاده Road Distance   تراکم جاده Road density	667/0 333/0	0
فاصله از جاده Road distance	100> (متر) 200-100 300-200 400-300 400<	441/0 272/0 138/0 090/0 06/0	03/0
تراکم جاده Road density	1/0> (کیلومتر بر کیلومترمربع) 45/0-1/0 9/0-45/0	204/0 301/0 495/0	04/0
کاربری اراضی Land use	بدون پوششBarely  بوته‌زار(خیلی فقیر)Woodland(very poor)  جنگل خیلی فقیرVery poor forest  مرتع فقیرPoor range  مرتع متوسطModerate range  کشت دیم Dry farming  مخلوط(کشت دیم باغ)Complex  باغOrchard  کشت آبیwater farming  صخره سنگیRock  مناطق مسکونیResidential region	216/0 175/0 168/0 150/0 136/0 037/0 029/0 027/0 023/0 020/0 019/0	03/0
شاخص‌های توپوگرافی Geomorphometric Index	شاخص توان آبراهه (SPI)Stream Power Index رطوبت توپوگرافی (TWI) Topography Wetness Index شاخص طول شیب (LS) Length of Slope	490/0 321/0 189/0	03/0
شاخص‌های  ژئومورفولوژیک Topographic Index	ناهمواری توپوگرافی (TRI)Topo Ruggedness Index شاخص موقعیت توپوگرافی (TPI)Topo position Index شاخص انحنای دامنه  curvature index	550/0 240/0 210/0	02/0
گسل Fault	فاصله از گسل Fault distance تراکم گسل Fault density	643/0 357/0	0
فاصله از گسل Fault distance	500> (متر) 1000-500 1500-1000 2000-1500 2000<	430/0 261/0 163/0 089/0 056/0	01/0
تراکم گسل Fault density	2/0> (کیلومتر بر کیلومترمربع) 4/0-2/0 4/0 <	105/0 258/0 637/0	04/0

 

نقشه حساسیت زمین‌لغزش با استفاده از روش تحلیل سلسله مراتبی(AHP) در (شکل 2) قابل مشاهده است.  جدول (3) مساحت و درصد هر یک از طبقات را نشان می‌دهد. نتایج نشان داد به ترتیب 8/19% و 28% از سطح منطقه در محدوده خطر خیلی زیاد و زیاد، 4/13% در محدوده متوسط و 9/37% در محدوده کم و خیلی کم قرارگرفته است. 

 

 

شکل 2. نقشه حساسیت زمین‌لغزش با استفاده از روش AHP

Fig 2. Landslide susceptibility map using AHP

 

جدول 3. مساحت و درصد مساحت طبقات حساسیت زمین‌لغزش با استفاده از AHP

Table 2. Area and area percentage of landslide susceptibility classes using AHP

طبقاتClasses	درصدPersentage	مساحت (km2)Area
خیلی کم Very Low	9/30	7/1079
کم Low	9/7	9/277
متوسطModerate	4/13	8/468
زیادHigh	28	8/979
خیلی زیاد Very High	8/19	6/685

 

تهیه و ارزیابی نقشه حساسیت زمین‌لغزش به کمک روش فازی:

بر اساس ارتباط هر یک از پارامترهای موردبررسی با پدیده زمین‌لغزش، نقشه عوامل مؤثر فازی سازی شد. و با استفاده از عملگر گاما 8/0 نقشه عوامل مختلف روی‌هم گذاری شد و نقشه پهنه‌بندی خطر زمین‌لغزش به دست آمد. شکل(3) نقشه حساسیت زمین‌لغزش با استفاده عملگر گاما 8/0 را نشان می‌دهد. همچنین درصد مساحت طبقات حساسیت زمین‌لغزش با استفاده از مدل فازی در جدول(4) قابل‌مشاهده است. نتایج تحلیل نقشه پهنه‌بندی خطر زمین‌لغزش با استفاده از منطق فازی بیانگر این است که 9/4% سطح منطقه موردمطالعه در محدوده خیلی زیاد و 8/22% سطح منطقه در محدوده زیاد واقع‌شده است یعنی درمجموع 7/27% در محدوده زیاد و خیلی زیاد قرارگرفته است. همچنین 5/15% در محدوده متوسط و 8/56% در محدوده کم و خیلی کم واقع‌شده است.

 

شکل 3. نقشه حساسیت زمین‌لغزش با استفاده از روش فازی(عملگر گاما 8/0)

Fig3. Landslide susceptibility map using FUZZY method (Gamma 0.8)

 

جدول4. درصد مساحت طبقات حساسیت زمین‌لغزش با استفاده از مدل فازی

Table3. Area and percentage area of landslide susceptibility classes using fuzzy model

طبقاتClasses	درصد percentage	مساحت Area
خیلی کمVery Low	2/48	7/1683
کمLow	6/8	7/302
متوسطModerate	5/15	1/542
زیادHigh	8/22	4/796
خیلی زیادVery High	9/4	5/166

 

ارزیابی صحت پهنه‌بندی استفاده از منحنی ROC:

نتایج حاصل از ارزیابی حساسیت زمین‌لغزش مربوط به روش فازی و تحلیل سلسله مراتبی(AHP) به کمک منحنی ROC در شکل‌های (4 و 5) قابل‌مشاهده است. همان‌طور که مشاهده می‌شود در روش فازی مساحت زیر منحنی (AUC) برابر 752/0 می‌باشد. که نشان‌دهنده این می‌باشد که نقشه پهنه‌بندی دارای دقت خوب هست. در روش تحلیل سلسله مراتبی(AHP) مساحت زیر منحنی (AUC) برابر 817/0 می‌باشد. که نشان‌دهنده این می‌باشد که نقشه پهنه‌بندی دارای دقت خیلی خوب هست. (1 – 9/0 عالی، 9/0-8/0 خیلی خوب، 8/0-7/0 خوب، 7/0-6/0 متوسط و 6/0-5/0 ضعیف).

 

شکل4. منحنی ROC مربوط به روش فازی

Fig 4. ROC curve related to fuzzy method

 

شکل5. منحنی ROC مربوط به روش AHP

Fig 5. ROC curve related to AHP method

 

 

 

ارزیابی صحت نقشه حساسیت زمین‌لغزش با استفاده از نسبت عددیNRi:

بعد از تهیه نقشه حساسیت زمین‌لغزش به‌منظور ارزیابی نقشه حساسیت به‌دست‌آمده، این نقشه را با نقشه زمین‌لغزش‌های منطقه موردمطالعه تلفیق شد. شکل ( 6 و 7) نقشه تلفیق نقشه پراکنش زمین‌لغزش و نقشه حساسیت زمین‌لغزش در روش فازی و تحلیل سلسه‌مراتبی (AHP) را نشان می‌دهد. همانطور که ملاحظه می شود بیشتر نقاط لغزشی در هر دو نقشه حساسیت زمین لغزش منطبق بر پهنه های با حساسیت زیاد و خیلی زیاد منطبق است. جدول5 تعداد و درصد پراکنش نقاط لغزشی در طبقات حساسیت زمین‌لغزش با استفاده از روش فازی و AHP را نشان می دهد. تلفیق نقشه پهنه‌بندی زمین‌لغزش با استفاده از روش AHP و نقشه نقاط لغزشی بیانگر این است که به ترتیب 49/44% و 3/38% نقاط لغزشی منطبق بر مناطق با محدوده خیلی زیاد و زیاد می‌باشند. یعنی درمجموع 79/82% نقاط لغزشی در محدوده با حساسیت زیاد و خیلی زیاد واقع شدند. و فقط 2/5% نقاط لغزشی در در پهنه با حساسیت کم و خیلی کم واقع شده است. تلفیق نقشه پهنه‌بندی زمین‌لغزش با استفاده از روش فازی و نقشه نقاط لغزشی بیانگر این است که به ترتیب 16% و 8/48% نقاط لغزشی منطبق بر مناطق با محدوده حساسیت خیلی زیاد و زیاد می‌باشند. یعنی درمجموع 8/64% نقاط لغزشی در محدوده زیاد و خیلی زیاد واقع شدند. و 3/13 درصد نقاط لغزشی در پهنه های با حساسیت کم و خیلی کم واقع شده است.

مقادیرنسبت عددی NRi برای هر کدام از طبقات حساسیت زمین لغزش در هر دو روش در جدول (6) ارائه‌شده است. نتایج نشان می دهد که در تمام طبقات حساسیت در هر نقشه حساسیت زمین لغزش مقدار عددی NRi، در روش AHP بیشتر از روش فازی است. بر اساس نتایج مقدار عددی NRi ، در طبقه با حساسیت خیلی زیاد در روش AHP برابر 95/3 و در روش فازی 24/2 می باشد، که بیانگر دقت بالای روش AHP نسبت به روش فازی هست.

 

 

شکل6. نقشه تلفیق نقاط لغزشی و نقشه حساسیت زمین‌لغزش با استفاده از AHP

Fig6. Combination of Landslide inventory map and landslide susceptibility map using AHP

 

 

شکل7- نقشه تلفیق نقاط لغزشی و نقشه حساسیت زمین‌لغزش با استفاده از روش فازی

Fig 7 - Combination of landslide inventory map and landslide susceptibility map using FUZZY method

 

جدول 5. تعداد و درصد پراکنش نقاط لغزشی در طبقات حساسیت زمین‌لغزش با استفاده از روش فازی و AHP

Table4. Number and percentage landslide inventory in landslide susceptibility classes using AHP & FUZZY models

طبقات حساسیت Susceptibility classes	AHP		FUZZY
	درصد Percentage	تعداد زمین‌لغزش Number of landslide	درصد Percentage	تعداد زمین‌لغزش Number of landslide
خیلی کمVery Low	31/0	3	3/5	51
کمLOW	9/4	47	8	77
متوسطModerate	12	116	9/21	210
زیادHigh	3/38	368	8/48	469
خیلی زیادVery High	49/44	427	16	151

 

جدول6. نسبت عددی NRi برای طبقات حساسیت زمین‌لغزش در دو روش فازی و AHP

Table 5. Numerical ratio (NRi) for landslide susceptibility classes in Fuzzy and AHP methods

طبقات حساسیت Susceptibility classes	تعداد زمین‌لغزش Number of landslide		مساحت (km2) Area		Si%		Li%		NRi
	AHP	FUZZY	AHP	FUZZY	AHP	FUZZY	AHP	FUZZY	AHP	FUZZY
خیلی کم Very Low	3	51	7/1079	7/1683	3/0	48/0	003/0	053/0	01/0	11/0
کمLow	47	77	9/277	7/302	08/0	09/0	049/0	08/0	61/0	88/0
متوسطModerate	116	210	8/468	1/542	14/0	16/0	12/0	219/0	85/0	36/1
زیادHigh	368	469	8/979	4/796	28/0	23/0	38/0	49/0	35/1	13/2
خیلی زیادVery High	427	151	6/685	5/166	2/0	04/0	448/0	158/0	24/2	95/3

 

 

 

بحث و نتیجه‌گیری 

همواره به دنبال وقوع بلایای طبیعی بخشی از سرمایه‌های ملی چه انسانی و چه فیزیکی در رویارویی با پدیده‌های مذکور به هدر می‌روند. یکی از مشکلات عمده که غالبــاً پیامدهای سوء خطرات طبیعی را مضــاعف می‌سازد عــدم وجود برنامه‌ریزی‌های از پیش تعیین‌شده می‌باشد. لذا برای حفظ سرمایه‌های ملی ضروری است تا در برخورد با بلایای طبیعی مدیریتی جامع اعمال گردد که منظور از آن اتخاذ تدابیر و فعالیت‌هایی است که موجب پیشگیری، کنترل وترمیم خسارت‌های ایجادشده می‌گردد. تهیه نقشه‌های حساسیت خطر زمین‌لغزش یکی از گام‌های اساسـی در جهت شناخت مناطق ناپایدار است تا با استفاده از آن‌ بتوان برنامه‌ریزی‌های لازم جهت کاهش خسارات ناشی از این پدیده زمین لغزش را انجام داد. کوههای بینالود در استان خراسان رضوی، دارای مناطق روستایی و گردشگری مهمی می باشد و نقش مهمی در تولیدات دامی، باغی و کشاورزی این استان دارد. در این کوهها موارد متعددی از ناپایداری دامنه‌ای گزارش‌شده است. بنابراین با توجه به اهمیت این مناطق و خطرات پدیده زمین‌لغزش که بدان اشاره شد، تهیه نقشه پهنه‌بندی زمین‌لغزش در این مناطق لازم می‌باشد. به‌ این منظور، برای ارزیابی و تهیه نقشه حساسیت زمین‌لغزش در این مناطق از دو روش فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی(GIS) استفاده و عملکرد این دو روش در تهیه نقشه حساسیت زمین لغزش  با استفاده از منحنیROC و نسبت عددیNRi موردبررسی و مقایسه قرار گرفت. 

نتایج وزن دهی به پارامترهای مؤثر بر زمین‌لغزش با استفاده از روش تحلیل سلسله مراتبی(AHP) مبین این است که با توجه به وزن‌های به‌دست‌آمده از میان پارامترهای موردبررسی زمین‌شناسی و شیب به ترتیب با ارزش نسبی 209/0 و 202/0 مؤثرین عوامل در وقوع خطر زمین‌لغزش در منطقه موردمطالعه دارد که این با نتایج پژوهش های انجام شده توسط ال جزولی(11)  و بهرامی(4) مطابقت دارد. نتایج تحلیل نقشه حساسیت خطر زمین‌لغزش با استفاده از AHP نشان داد به 8/47% سطح منطقه در محدوده زیاد و خیلی زیاد واقع‌شده، که این بیانگر حساسیت زیاد منطقه مورد نسبت به پدیده زمین‌لغزش می‌باشد که این نتایج با نتایج تحقیق ال جزولی(11) که در مراکش به ارزیابی نقشه حساسیت زمین لغزش با استفاده از روش AHP پرداخته است و نتایج نشان داد 34/48 % منطقه دارای حساسیت زیاد و خیلی زیاد است، مطابقت دارد. بهرامی(4) در مطالعه ای مشابه به بررسی نقشه حساسیت زمین لغزش با استفاده از روش AHP در استان گیلان پرداخته است که نتایج این مطالعه نشان داد که تقریبا 53% مساحت منطقه دارای حساسیت کم و خیلی کم هست، که با نتایج بدست آمده در مقاله حاضر که نشان حساسیت زیاد منطقه به زمین لغزش است مطابقت زیادی ندارد.  همچنین 4/13% در محدوده متوسط و 8/38% در محدوده کم و خیلی کم قرارگرفته است. بر اساس نتایج بدست آمده مناطق با حساسیت زیاد و خیلی زیاد منطبق بر واحدهای زمین شناسی سری مایان، شیب های باکلاس 15 تا 30 درجه، تا فاصله 500 متری از گسل، دامنه های شمالی، دامنه های مقعر، ارتفاعات بالاتر و مناطق بدون پوشش، هستند. مناطق با حساسیت کم و خیلی کم بر دشت های پایین دست منطبق می باشند. سازندهای دوره کواترنر با توجه به داشتن رسوبات ناپیوسته و عدم سیمان شدگی دارای حساسیت بالایی به زمین‌لغزش می‌باشند اما در منطقه موردمطالعه چون این سازندها در دشت‌ها و شیب‌های پایین قرارگرفته‌اند دارای خطر پایینی ازنظر وقوع زمین‌لغزش هستند.  تلفیق نقشه حساسیت زمین‌لغزش با استفاده از روش AHP و نقشه نقاط لغزشی بیانگر این است 79/82% نقاط لغزشی در محدوده زیاد و خیلی زیاد واقع شدند، که این مسئله بیانگر این است که پهنه‌بندی با دقت بسیار خوبی انجام‌گرفته است.  همچنین ارزیابی نقشه حساسیت زمین‌لغزش با استفاده از مدل AHP به کمک منحنی ROC با AUC(مساحت زیر نمودار) برابر با 7/81% گویایی دقت و صحت ارزیابی خیلی خوب مدل می‌باشد که با مطالعات بهرامی(4)، ال جازولی(11) و محرمی(19) مطابقت دارد. نتایج تحلیل نقشه حساسیت زمین‌لغزش با استفاده از منطق فازی بیانگر این است 7/27% در محدوده زیاد و خیلی زیاد قرارگرفته است. همچنین 5/15% در محدوده متوسط و 8/56% در محدوده کم و خیلی کم واقع‌شده است که با نتایج بهرامی(4) و باسوفی(5) که مطالعات خود به بررسی نقشه حساسیت زمین لغزش با استفاده از منطق فازی پرداختند، مطابقت دارد. تلفیق نقشه حساسیت زمین‌لغزش با استفاده از روش فازی و نقشه نقاط لغزشی نشان داد درمجموع 8/64% نقاط لغزشی در محدوده زیاد و خیلی زیاد واقع شدند که بیانگر این است که پهنه‌بندی با دقت بسیار خوبی انجام‌گرفته است. همچنین ارزیابی نتایج پهنه‌بندی با استفاده از مدل فازی به کمک منحنی ROC با AUC(مساحت زیر نمودار) برابر با 2/75% گویایی دقت و صحت ارزیابی خوب مدل می‌باشد با مطالعات بهرامی(4) و باسوفی(5) مطابقت دارد.  مقایسه روش فازی و تحلیل سلسله مراتبی(AHP) به کمک منحنی ROC بیانگر این موضوع است که روش تحلیل سلسله مراتبی (AHP) با مساحت زیر نمودار(817/0=AUC) و روش فازی(752/0=AUC) عملکرد خوبی در ارزیابی نقشه حساسیت زمین لغزش دارند. اما از دیدگاه مقایسه این دو روش با استفاده از منحنیROC، روش تحلیل سلسله مراتبی(AHP) عملکرد بالاتری در ارزیابی نقشه حساسیت زمین‌لغزش نسبت به روش فازی دارد. این موضوع در مطالعات بهرامی(4) در استان گیلان و باسوفی(5) در شرق جاوا در کشور اندونزی مورد بحث قرار گرفته است. که در هر دو مطالعه نتایج نشان دهنده این موضوع است که روش تحلیل سلسله مراتبی(AHP) نسبت به روش منطق فازی عمکرد بهتری داشته و دقت بالاتری در ارزیابی حساسیت زمین لغزش دارد. این موضوع نیز با استفاده از نسبت عددی NRi نیز تأیید شد. همان‌طور که در نتایج نیز اشاره شد در طبقات حساسیت زمین‌لغزش، نسبت عددی NRi در روش AHP بیشتر از روش فازی می‌باشد، زیرا روش AHP در مقایسه با روش فازی، درصد بالایی از زمین‌لغزش‌ها را در مساحت کوچک‌تری به‌عنوان پهنه با حساسیت زیاد و خیلی زیاد پوشش داده است. در نتیجه روش AHP نسبت به روش فازی عملکرد بالاتری دارد. دلیل این امر به نحوه قضاوت شفاهی کارشناسان آشنا به منطقه مورد مطالعه که در امتیازدهی به پارامترها خیلی مهم می باشد اشاره کرد. همچنین یکی از مزایایی مهم روش AHP محاسبه نرخ ناسازگاری(CR) می باشد که اگر در دامنه عملکرد مناسب قرار نگیرد، امکان بازنگری قضاوت کارشناسی را فراهم می کند، که باعث قضاوت درست و بهتر می شود. همچین ممکن است در فرایند فازی سازی پارامترها، توابع فازی مورد استفاده(توابع Linear، Gaussian، Small، Large، MSSmal و MSLarge) به درستی انتخاب نشده باشند که این امر باعث کاهش دقت ارزیابی با استفاده از منطق فازی می شود.   به منظور افزایش دقت لازم است نقشه های که با استفاده از نقشه های موجود که معمولا دقت بالایی ندارند تهیه می شوند، از طریق بازدیدهای صحرایی کنترل و اصلاح گردد. همچنین به منظور انتخاب پارامترهای مؤثر بر زمین لغزش فقط به مطالعات اسنادی و کتابخانه ای استناد نشود لازم است علاوه بر مطالعات کتابخانه ای از طریق بازدیهای میدانی و بررسی شرایط منطقه مورد مطالعه و زمین لغزش های منطقه، پارامترهای که در منطقه مورد مطالعه بر وقوع زمین لغزش اثر بیشتری دارند، انتخاب بشوند. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

References

 

1.       Arca, D., Kutoğlu, H.Ş., Becek, K., 2018. Landslide susceptibility mapping in an area of underground mining using the multicriteria decision analysis method. Environ. Monit. Assess. 190, 725. https://doi.org/10.1007/s10661-018-7085-5.

2.       Baharvand, S., and S. Soori. 2016. Landslide hazard zonation using artificial neural network (Case study: SepiddashtLorestan, Iran). RS & GIS for Natural Resources. 15-31.‌ (In Persian)

3.       Bera, A., Mukhopadhyay, B.P., Das, D., 2019. Landslide hazard zonation mapping using multi-criteria analysis with the help of GIS techniques: a case study from Eastern Himalayas, Namchi, South Sikkim. Nat. Hazards. https://doi.org/10.1007/s11069-019-03580-w.

4.       Bui, D., Bui, T., Shahabi, H., Shirzadi, A., Chapi, K., Alizadeh, M., Chen, W., Mohammadi, A., Ahmad, B.B., Panahi, M., Hong, H., Tian, Y., 2018. Landslide detection and susceptibility mapping by AIRSAR data using support vector machine and index of entropy models in Cameron Highlands, Malaysia. Remote Sens. 10, 1527. https://doi.org/10.3390/rs10101527.

5.       Carter B, G., 1996. Geomorphic information system for geoscientists (modeling for GIS) peradmen publication USA. Chapter 9.

6.       chen

7.       Chen, W., Panahi, M., Pourghasemi, H.R., 2018. Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling. Catena 157, 310–324. https://doi.org/10.1016/j.catena.2017.05.034.

8.       Demir, G. (2019). GIS-based landslide susceptibility mapping for a part of the North Anatolian Fault Zone between Reşadiye and Koyulhisar (Turkey). Catena, 183, 104211.‌ DOI:10.1016/J.CATENA.2019.104211.

9.       Fatemi Aghda, S.M., Bagheri, V., Razifard, M., 2018. Landslide susceptibility mapping using fuzzy logic system and its influences on mainlines in Lashgarak Region, Tehran, Iran. Geotech. Geol. Eng. 36, 915–937. DOI: 10.1007/s10706-017-0365-y.

10.       Gholami, M., Ghachkanlu, N.E., Khosravi, K., Pirasteh, S., 2019. Landslide prediction capability by comparison of frequency ratio, fuzzy gamma and landslide index method. J. Earth Syst. Sci. 128, 42. DOI: 10.1007/s12040-018-1047-8.

 

11.       Guerra, A.J.T., Fullen, M.A., Jorge, M.C.O., Bezerra, J.F.R., Shokr, M.S., 2017. Slope processes, mass movements and soil erosion: a review. Pedosphere 27 (1), 27–41. https://doi.org/10.1016/S1002-0160(17)60294-7.

12.       Hou, E., Wang, J., Chen, W., 2018. A comparative study on groundwater spring potential analysis based on statistical index, index of entropy and certainty factors models. Geocarto International 33 (7), 754–769. https://doi.org/10.1080/10106049.2017.1299801.

13.       Khan, H., Shafique, M., Khan, M.A., Bacha, M.A., Shah, S.U., Calligaris, C., 2018. Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan. The Egyptian Journal of Remote Sensing and Space Sciences. https://doi.org/10.1016/j.ejrs.2018.03.004.

14.       Mandal, S., 2018. Landslide susceptibility mapping of Darjeeling Himalaya, India using index of entropy (IOE) model. Applied Geomatics. https://doi.org/10.1007/s12518-018-0248-9.

15.       Menna, S.R., Ghorbanzadeh, O., Blaschke, T., 2019. A comparative study of statisticsbased landslide susceptibility models: a case study of the region affected by the Gorkha earthquake in Nepal. ISPRS Int. J. Geo-Inf. 8, 94. https://doi.org/10.3390/ijgi8020094.

16.       Nguyen, T.T.N., Liu, C.C., 2019. A new approach using AHP to generate landslide susceptibility maps in the Chen-Yu-Lan Watershed, Taiwan. Sensors 2019 (19), 505. https://doi.org/10.3390/s19030505.

17.       Nicu, I. C. (2018). Application of analytic hierarchy process, frequency ratio, and statistical index to landslide susceptibility: an approach to endangered cultural heritage. Environmental earth sciences, 77(3), 79.‏ https://doi.org/10.1007/s12665-018-7261-5.

18.       Paoletti, V.,Tarallo, D., Matano, F., Rapolla A., (2013), Level-2 susceptibility zoning on seismicinducedlandslides: An application to Sannio and Irpinia areas, Southern Italy. Physics and Chemistry of the Earth 63:147˚ 159. https://doi.org/10.1016/j.pce.2013.02.002.

19.       Peethambaran, B., Anbalagan, R., Kanungo, D. P., Goswami, A., & Shihabudheen, K. V. (2020). A comparative evaluation of supervised machine learning algorithms for township level landslide susceptibility zonation in parts of Indian Himalayas. CATENA, 195, 104751.‌ DOI: 10.1016/j.catena.2020.104751.

20.       Rahmati, M., and F. Zand. 2018. Landslide hazard zonation using geographic information System landslide (Case study: Robat-Siahpoush rural district, Lorestan province). RS & GIS for Natural Resources. 63-75. ‌ (In Persian)

21.       Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International journal of services sciences, 1(1), 83-98.‌ DOI: 10.1504/IJSSCI.2008.017590.

22.       Schlögel, R., Marchesini, I., Alvioli, M., Reichenbach, P., Rossi, M., Malet, J.P., 2018. Optimizing landslide susceptibility zonation: effects of DEM spatial resolution and slope unit delineation on logistic regression models. Geomorphology 301 (2018), 10–20. DOI: 10.1016/j.geomorph.2017.10.018.

23.       Solaimani, K., Mousav, S.Z., Kavian, A., 2013. Landslide susceptibility mapping based on
frequency ratio and logistic regression models. Arab. J. Geosci. 6, 2557–2569. DOI: 10.1007/s12517-012-0526-5.

24.       Soma, A.S., Kubota, T., Mizuno, H., 2019. Optimization of causative factors using logistic bregression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia. J. Mt. Sci. 16 (2), 383–401. DOI: 10.1007/s11629-018-4884-7.

25.       Tian, Y., Xu, C., Hong, H., Zhou, Q., Wang, D., 2019. Mapping earthquake-triggered landslide susceptibility by use of artificial neural network (ANN) models: an example of the 2013 Minxian (China) Mw 5.9 event. Geomatics, Natural Hazards and Risk 10 (1), 1–25. https://doi.org/10.1080/19475705.2018.1487471.

26.       Van Alphen, B. J., & Stoorvogel, J. J. 2000. A functional approach to soil characterization in support of precision agriculture. Soil Science Society of America Journal, 64(5), 1706-1713. https://doi.org/10.2136/sssaj2000.6451706x.

27.       Yan, F., Zhang, Q., Ye, S., Ren, B., 2019. A novel hybrid approach for landslide susceptibilitymapping integrating analytical hierarchy process and normalized frequency ratio methods with the cloud model. Geomorphology 327, 170–187. https://doi.org/10.1016/j.geomorph.2018.10.024.

28.       Youssef, A.M., Pourghasemi, H.R., El-Haddad, B.A., Dhahry, B.K., 2016. Landslide susceptibility maps using different probabilistic and bivariate statistical models and comparison of their performance at Wadi Itwad Basin, Asir Region, Saudi Arabia. Bull. Eng. Geol. Environ. 75, 63–87. https://doi.org/10.1007/s10064-015-0734-9.

29.       Zhang, T., Han, L., Chen, W., Shahabi, H., 2018. Hybrid Integration Approach of Entropy
With Logistic Regression and Support Vector Machine for Landslide Susceptibility Modeling Entropy 2018. vol. 20. pp. 884. https://doi.org/10.3390/e20110884.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Comparative evaluation of landslide susceptibility map using AHP and Fuzzy methods

 

 

Abstract

 It is very important to recognize landslide-prone areas and apply methods to prevent or reduce slope instabilities and landslide hazard and risk. The purpose of this study is to evaluate and compare Landslide Susceptibility Map (LSM) in Binalood Mountains using Fuzzy Logic and Analytic Hierarchy Process (AHP) in Geographic Information System (GIS). The landslide inventory map has been created in the study area. The landslide-conditioning factors were selected ane prepared in the GIS. Subsequently, landslide susceptibility maps were produced using Fuzzy and AHP models. For verification, the receiver operating characteristic (ROC) curves were drawn and the areas under the curve (AUC) were calculated. Finaly, the ratio of percentage of landslides were in each zone to the percentage of total area of zone was calculated. Results assessment of landslide susceptibility map indicates that class of very high and high susceptibility covers 47.8% of total area in the landslide susceptibility map generated with AHP model. And According to landslide susceptibility map based on the FUZZY Method, 27.7% of the total area was determined to be very high and high susceptibility to landslide. The verification results showed that AHP model (AUC = 81.7%) provided slightly better predictions than the Fuzzy (AUC = 75.43%) model. The larger ratio in the AHP method indicates its better consistency than the FUZZY method, implying more coverage of landslides in smaller area by the AHP method.

 

 

Keywords: Landslide Susceptibility, Binalood, GIS, AHP, FUZZY

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ارزیابی مقایسه‌ای حساسیت به زمین‌لغزش با استفاده از روش‌های منطق فازی و تحلیل سلسله مراتبی

چکیده

طرح مسئله: زمین‌لغزش یکی از گسترده‌ترین و مخرب‌ترین پدیده‌ها در میان بلایایی طبیعی می‌باشد. با توجه به توپوگرافی کوهستانی مرتفع، فعالیت تکتونیکی، لرزه‌خیزی زیاد، شرایط متنوع زمین‌شناسی و اقلیمی، اساساً ایران برای ایجاد طیف وسیعی از زمین‌لغزش شرایط طبیعی را دارد و این زمین‌لغزش‌ها سالانه خسارات جانی مالی فراوانی به کشور وارد می‌کنند. با توجه به اینکه پیش‌بینی زمان زمین‌لغزش بسیار دشوار است، از این‌رو شناسایی مناطق حساس به زمین‌لغزش و منطقه بندی این مناطق بر اساس خطر احتمالی بسیار مهم است. بنابراین باید مناطق مستعد زمین‌لغزش شناسایی شوند تا خسارات ناشی از زمین‌لغزش کاهش یابد. هدف اصلی از تجزیه‌وتحلیل حساسیت زمین‌لغزش شناسایی مناطق پرخطر و درنتیجه کاهش خسارات ناشی از زمین‌لغزش از طریق اقدامات مناسب است. ازآنجاکه پیش‌بینی دقیق وقوع زمین‌لغزش توسط علوم انسانی امکان‌پذیر نیست، بنابراین می‌توانیم با شناسایی مناطق مستعد لغزش و اولویت‌بندی آن‌ها از آسیب این پدیده جلوگیری کنیم. کوه‌های بینالود در استان خراسان رضوی، به دلیل شرایط زمین‌شناسی، ژئومورفولوژی، توپوگرافی، آب‌وهوا و پوشش گیاهی، دارای انواع حرکات توده‌ای است. از طریق ارزیابی حساسیت زمین‌لغزش و شناسایی مناطق پرخطر ازنظر زمین‌لغزش، می‌توانیم از خسارات احتمالی مالی و جانی ناشی از زمین‌لغزش در این منطقه را کاهش بدهیم. لذا برای حفظ سرمایه‌های ملی ضروری است تا در برخورد با بلایای طبیعی مدیریتی جامع اعمال گردد که منظور از آن اتخاذ تدابیر و فعالیت‌هایی است که موجب پیشگیری، کنترل وترمیم خسارت‌های ایجادشده می‌گردد. نتایج این مطالعات می‌تواند به‌عنوان اطلاعات بنیادی توسط مدیران و برنامه ریزان محیط‌زیست مورداستفاده قرار گیرد. به‌منظور تهیه نقشه‌های منطقه بندی خطر لغزش می‌توان از روش‌های مختلفی مانند منطق فازی، روش‌های آماری و فرایند تحلیلی سلسله مراتبی (AHP) استفاده کرد. از اوایل دهه 1970، بسیاری از دانشمندان تلاش کرده‌اند تا خطرات زمین‌لغزش را ارزیابی کنند و نقشه حساسیت خطر زمین‌لغزش را با استفاده از روش‌های مختلف مبتنی بر GIS تهیه کنند.

هدف: هدف از این مطالعه ارزیابی و مقایسه نقشه حساسیت به زمین‌لغزش (LSM) در رشته‌کوه‌های بینالود، با استفاده از روش‌های فازی و تحلیل سلسله مراتبی(AHP) در محیط سیستم اطلاعات جغرافیایی(GIS)، است.

روش تحقیق: در این مطالعه به‌منظور ارزیابی حساسیت وقوع زمین‌لغزش در دامنه‌های کوه‌های بینالود از دو روش منطق فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی(GIS) استفاده گردید.  به این منظور، مهم‌ترین عوامل مؤثر بر زمین‌لغزش‌های منطقه شامل شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زهکشی (فاصله از رودخانه، تراکم آبراهه)، جاده (فاصله از جاده، تراکم جاده)، گسل (فاصله از گسل، تراکم گسل)، واحدهای مورفولوژیکی، شاخص‌های توپوگرافی (شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI) و شاخص طول شیب (LS))، شاخص‌های ژئومورفولوژیک (شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی (TRI) و شاخص انحنای سطح (Curvature Index)، کاربری اراضی، خطوط هم‌دما و خطوط هم بارش به‌عنوان عوامل مؤثر در رخداد زمین‌لغزش در منطقه موردمطالعه، شناسایی و مورد تجزیه‌وتحلیل قرار گرفتند. سپس نقشه پراکنش زمین‌لغزش‌های منطقه تهیه شد. در ادامه وزن هریک از پارامترها و زیر پارامترها در پهنه‌بندی وقوع زمین‌لغزش به کمک روش تحلیل سلسله مراتبی(AHP) تعیین گردید. سپس با استفاده ابزارهای مناسب در محیط GIS این وزن‌ها در نقشه هر پارامتر ضرب و درنهایت نقشه‌های حاصله روی‌هم گذاری شده و نقشه نهایی پهنه‌بندی خطر زمین‌لغزش در منطقه موردمطالعه تهیه شد. در روش فازی، بعد از فازی سازی لایه‌های موردنظر در محیط ArcGIS، پهنه‌بندی خطر زمین‌لغزش با استفاده از عملگر گاما 8/0، در محیط GIS، صورت پذیرفت. و درنهایت صحت نقشه حساسیت زمین‌لغزش با استفاده از منحنی ROC و نسبت عددی NRi، مورد ارزیابی قرار گرفت.

نتایج و بحث: نتایج وزن دهی به پارامترهای مؤثر بر زمین‌لغزش با استفاده از روش تحلیل سلسله مراتبی(AHP) مبین این است به ترتیب عوامل زمین‌شناسی، شیب و گسل بیشترین تأثیر را در وقوع خطر زمین‌لغزش در منطقه موردمطالعه دارند. نتایج تحلیل نقشه حساسیت خطر زمین‌لغزش با استفاده از AHP نشان داد به 8/47% سطح منطقه در محدوده زیاد و خیلی زیاد واقع‌شده، همچنین 4/13% در محدوده متوسط و 8/38% در محدوده کم و خیلی کم قرارگرفته است. نتایج تحلیل نقشه حساسیت زمین‌لغزش با استفاده از منطق فازی بیانگر این است 7/27% در محدوده زیاد و خیلی زیاد قرارگرفته است. همچنین 5/15% در محدوده متوسط و 8/56% در محدوده کم و خیلی کم واقع‌شده است. همچنین ارزیابی نقشه حساسیت زمین‌لغزش به کمک منحنی ROC، نشان داد که مساحت زیر نمودار(AUC)، در روش AHP و فازی به ترتیب برابر با 7/81% و 2/75 % می‌باشد که گویایی دقت و صحت ارزیابی خیلی خوب هر دو مدل هست. همین‌طور نسبت عددی NRi در روش AHP در طبقات حساسیت زمین‌لغزش، بیشتر از روش فازی می‌باشد، زیرا روش AHP در مقایسه با روش فازی، درصد بالایی از زمین‌لغزش‌ها را در مساحت کوچکتری به عنوان پهنه با حساسیت زیاد و خیلی زیاد پوشش داده است.

نتیجه‌گیری: در این مطالعه به‌منظور ارزیابی و تهیه نقشه حساسیت زمین‌لغزش از دو روش فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی(GIS) استفاده و عملکرد آن‌ها باهم مقایسه شد. نقشه حساسیت زمین‌لغزش به پنج کلاس طبق بندی و عملکرد نتایج هر دو روش با استفاده از منحنیROC و نسبت عددیNRi مورد بررسی قرار گرفت. نتایج ارزیابی عملکرد دو روش فازی و تحلیل سلسله مراتبی با استفاده از منحنی ROC و نسبت عددی NRi نشان داد که روش تحلیل سلسله مراتبی نسبت به روش فازی درستی و دقت بیشتری در پیش‌بینی حساسیت زمین‌لغزش در منطقه موردمطالعه دارد. نقشه‌های حساسیت به زمین‌لغزش مانند نقشه تولید شده در این مطالعه می‌تواند اطلاعات ارزشمندی برای برنامه ریزان و مهندسان برای سازمان‌دهی مجدد یا برنامه‌ریزی برنامه‌های جدید فراهم کند.

 

واژگان کلیدی: حساسیت زمین‌لغزش، بینالود، GIS، AHP، FUZZY

 

 

Comparative evaluation of landslide susceptibility map using AHP and Fuzzy methods

 

Abstract

 

Statement of the Problem: Among many natural hazards, landslides are one of the most widespread and destructive. Due to the high mountainous topography, tectonic activity, high seismicity, diverse geological and climatic conditions, basically Iran has a natural condition for creating a wide range of landslide and these landslides annually cause both life loss and financial damage to the country. Since it is difficult to predict the timing of landslides, identifying susceptible areas to landslides, and zoning these areas based on potential risk are highly important. Therefore landslide-prone areas need to be identified in order to reduce such damage. In this respect, landslide susceptibility assessment can provide valuable information essential for hazard mitigation. The main goal of landslide susceptibility analysis is to identify dangerous and high risk areas and thus reduce landslide damage through suitable mitigation measures. Since the exact prediction of landslides occurrence isn’t possible by human sciences, thus, we can prevent from the damages of this phenomenon by identification of landslide susceptible areas and prioritizing them. Binalood Mountain in Khorasan Razavi Province, Due to its geological location, geomorphology, topography, climate, vegetation, has kinds of mass movement. The results of these studies can be used as fundamental information by environmental managers and planners. Landslide hazard zonation was challenged by several researchers in recent years. In order to provide landslide hazard zonation maps various methods such as fuzzy logic, statistic methods and Analytic Hierarchy Process (AHP) can be used. Since the early 1970s, many scientists have attempted to assess landslide hazards and produced hazard zonation maps portraying their spatial distribution by applying many different GIS based methods. Different models and methods have been proposed to produce Landslide hazard zonation

Purpose: The aim of this study is to develop and compare detailed landslide susceptibility maps (LSM) for Binalood Mountain, using (Fuzzy) and (AHP) methods in the framework of the GIS.

 

Methodology: The study area is the northern and southern slopes of the Binalood Mountains that is located at the Khorasan Razavi Province. Present study area fallows under 36 ° 1' to 36 ° 15' north latitudes and 58° 38' to 59 ° 35' east longitudes. According to Geological, Geomorphologic, Hydrological, Climatic, Human and Environmental characteristics of study area and using comparative studies and results of other researchers, 20 criteria and sub-criteria were identified to achieve the goals. The needed Layers of landslide hazard zonation were prepared using Arc GIS 10.5 software. These layers are slope, aspect, altitude classes, geology, distance from river, river density, distance from road, road density, distance from fault, fault density, morphological units, topographic indexes (stream power index (SPI), topographic wetness index (TWI) and slope length index (LS)), geomorphological indexes (topographic position index (TPI), topographic roughness index (TRI) and surface curvature index, land use, isothermal lines and Rainfall lines. Thun, The landslide inventory map has been created in the study area. Subsequently, landslide susceptibility maps were produced using FUZZY Logic and Analytical Hierarchy process (AHP) models. After preparing the layeres, next step was to assign weight values to the raster layers, and to the classes of each layer, respectively. This step was realized with the use of the AHP method. So, the landslide hazard zonation map of study area was presented using weight exertion of factors in their layers and integration of them by Arc GIS software. In the FUZZY method, after fuzzyizing the layers in the ArcGIS environment, the landslide risk zoning was performed using fuzzy gamma 0.8. For verification, the receiver operating characteristic (ROC) curves were drawn and the areas under the curve (AUC) were calculated. Finaly, the ratio of percentage of landslides were in each zone to the percentage of total area of zone was calculated.

 

Results and discussion: The results of weighting the parameters affecting the landslide using Analytic Hierarchy Process (AHP) showed that geological, slope and fault factors have the greatest impact on the occurrence of landslide risk in the study area, respectively. The class of very high and high susceptibility covers 47.8% of total area in the landslide susceptibility map generated with AHP model. Low and moderate susceptible classes make up 13.4 and 38.8% of the total area, respectively. According to landslide susceptibility map based on the FUZZY Method, 27.7% of the total area was determined to be very high and high susceptibility to landslide. Low and moderate susceptible classes constitute 56.8%, and 15.5% of the area, respectively. The AUC values were 0.817 and 0.752 for AHP and FUZZY models and the training accuracy were 81.7 and 75.2%, respectively. It can be concluded that both model utilized in this study showed reasonably good accuracy in predicting the landslide susceptibility of the study area. Finaly, the ratio of percentage of landslides were in each zone to the percentage of total area of zone showed the NRi values in each susceptible classes for AHP modle more than FUZZY method. The larger ratio in the AHP method indicates its better consistency than the FUZZY method, implying more coverage of landslides in asmaller area by the AHP method. This result represents better accuracy of the AHP method than the FUZZY method in landslide susceptibility map.

 

Conclusion: In this study, the most widely accepted models, AHP and FUZZY were used for producing Landslid Susceptibility Map (LSM) and their performances were compared. The LSMs were divided into five landslide susceptibility classes. The performance of the resulting LSMs was verified by the ROC curves and Numerical Ratio (NRi). The results show that the AHP and FUZZY models are successful estimators. The map produced by AHP model exhibited the slightly better result for landslide susceptibility mapping in the study area. These two techniques may be characterized by incorporating a wide range of conditioning factors. Also, they can discriminate the causative factors for understanding the importance of each factor. The interpretation of the susceptibility map indicates that geological, slope and fault play major roles in landslide occurrence and distribution in the study area. The landslide susceptibility maps like the one produced in this study should provide a valuable tool for the use of planners and engineers for reorganizing or planning new programes.

 

Keywords: Landslide Susceptibility, Binalood, GIS, AHP, FUZZY

 

 

 

 

 

 

 

 

 

1

 

---