ارزﯾﺎﺑﯽ ﺧﻄﺮ و ﺧﺴﺎرت زﻣﯿﻦﻟﻐﺰش در ﺣﻮﺿﻪ آﺑﺨﯿﺰ بقیع به روش‌های فاکتور قطعیت و رگرسیون لجستیک

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 استادیار آبخیزداری، دانشگاه حکیم سبزواری، سبزوار، ایران

2 دکتری ژئومورفولوژی، دانشگاه حکیم سبزواری، سبزوار، ایران

3 دانشیار گروه جغرافیای طبیعی دانشگاه حکیم سبزواری

چکیده

زمین‌لغزش‌ها مخاطرات طبیعى مهمی برای فعالیت‌های انسانی هستند که اغلب سبب از دست رفتن منابع اقتصادی، خسارات به اموال و تأسیسات، خسارات جانی و تخریب مناظر طبیعی می‌شوند. تهیه نقشه حساسیت به زمین‌لغزش گام بزرگی در مدیریت خطر است. مدل‌های مختلفی جهت پهنه‌بندی خطر زمین‌لغزش ارائه شده است که در اﯾﻦ ﺗﺤﻘﯿﻖ ﮐﺎرآﯾﻰ دو ﻣﺪل، آماری رگرسیون چندمتغیره (رگرسیون لجستیک) و مدل احتمالاتی فاکتور قطعیت (CF ) در ﺣﻮﺿﻪ آﺑﺨﯿﺰ بقیع نیشابور ﻣﻮرد ﻣﻘﺎﯾﺴﻪ ﻗﺮار ﮔﺮﻓﺖ ﺗﺎ ﭘﺲ از ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺧﻄﺮات زﻣﯿﻦﻟﻐﺰش، ﻣﺪل ﺑﺮﺗﺮ جهت پهنه‌بندی اﻧﺘﺨﺎب ﮔﺮدد. تعداد 44 ﻣـﻮرد لغزش داﻣﻨﻪ‌ای، در ﻣﻨﻄﻘﻪ با بررسی میدانی شناسایی و ﺑﻌﺪ از اﺻﻼح و ﺗﺄﻳﻴﺪ ﻧﻬﺎﻳﻲ، ﻧﻘﺸﻪی ﭘـﺮاﻛﻨﺶ زﻣـﻴﻦ ﻟﻐـﺰش‌ﻫـﺎ در ﻣﺤـﻴﻂ ﺳﻴﺴـﺘﻢ اﻃّﻼﻋـﺎت جغرافیایی تهیه و رقومی شدند. در اداﻣﻪ، ﺑﺮاﺳﺎس 10 معیار مؤثر بر زمین‌لغزش شامل ارتفاع، شیب، جهت دامنه، لیتولوژی، فاصله از گسل، شاخص پوشش‌گیاهی، کاربری اراضی، بارش، فاصله از جاده و فاصله از رودخانه و ﺑﺎ ﺗﻬﻴﻪ ﻧﻘﺸﻪی ﻫـﺮ ﻳـﻚ از ﻋﻮاﻣـﻞ و ﺗﻠﻔﻴـﻖ آنﻫـﺎ ﺑـﺎ ﻧﻘﺸـﻪی زﻣﻴﻦ ﻟﻐﺰشﻫﺎ و ﺑﺎ اﺳﺘﻔﺎده از اﻣﻜﺎﻧﺎت ﻧﺮم اﻓﺰار10.2ARC GIS و SPSS و روش‌های مذکور، ﻧﻘﺸﻪی ﭘﻬﻨـﻪﺑﻨـﺪی وﻗـﻮع زﻣﻴﻦ ﻟﻐﺰش در 5 رده خطر تهیه ﮔﺮدﻳﺪ. جهت ارزیابی کارایی و انتخاب مدل مناسب برای پهنه‌بندی خطر زمین‌لغزش از روش شاخص زمین‌لغزش (Li) استفاده گردید. بر اساس این شاخص، در روش فاکتور قطعیت 32/92 درصد و در روش رگرسیون لجستیک35/60 درصد زمین لغزش‌ها در طبقه‌های خطر زیاد و خطر خیلی زیاد اتفاق افتاده‌اند. بنابراین روش فاکتور قطعیت برای منطقه مورد مطالعه مطلوب تشخیص داده شد. نتایج نشان می‌دهد که عامل شیب، لیتولوژی و ارتفاع مهمترین عوامل موثر در وقوع زمین‌لغزش‌های منطقه مورد مطالعه می‌باشند. نتایج این مطالعه می‌تواند در مدیریت خطر زمین‌لغزش و عوامل تشدید کننده مفید باشد.

کلیدواژه‌ها


عنوان مقاله [English]

The assessment of risk and damage landslide in the Baghi Basin with used Certainty Factor and logistic regression methods

نویسندگان [English]

  • Mehdi Boroghani 1
  • Sima Pour Hashemi 2
  • Mohammad Ali Zangeneh Asadi 3
1 Assistant Professor of watershed Management, Sabzevar University
2 Ph.D. of Geomorphology, Hakim Sabzevar University
3 Associate Professor, Department of Geography, Hakim Sabzevari University
چکیده [English]

Landslides are major natural hazards for human activities that often lead to loss of economic resources, damage to property and infrastructure, loss of life and destruction of natural landscapes. Landslide Susceptibility Mapping is a major step in risk management. Various models have been proposed for landslide hazard zonation that In this study, the efficiency of two models, multivariate regression analysis (logistic regression) and probabilistic model Certainty Factorin Nishapur Baghi basin was compared to the mapping of landslide risks, the best model for zoning be selected. 44 landslides Identify to in the region of case study and after correction and final approval, the landslide distribution map was prepared in GIS environment and were digitized. Then, based on 10 criteria contributing to landslides, including elevation, slope, aspect, lithology, faults, Pvshshgyahy index, land use, precipitation, distance from the road and away from river and with the map of each factor and integrate them with maps of potential landslides and using software and SPSS 10.2 ARC GIS and the methods, landslide hazard zoning map was prepared in 5 categories. The evaluate and select appropriate models for landslide hazard zonation was used landslide index (Li). Based on this index, the Certainty Factorof 92.32% and logistic regression 60.35 percent landslide occurred in the class’s high risk and very high risk. Certainty Factormethod was identified suitable for the study area. The results show that slope, lithology and height are the most important factors in the occurrence of landslides in the study area. The results of this study can be useful in the management of the risk of landslides and aggravating factors.

کلیدواژه‌ها [English]

  • Landslide Hazard
  • Certainty FactorProbabilistic model
  • Logistic rogation
  • Logistic rogation index
  • Baghi basin
  1. ایزدی، زهرا و مژگان انتظاری. 1392. زمین لغزش‌های ایران. معرفی عوامل و مدیریت. مجله آموزش رشد جغرافیا، شماره 103، 37-32.
  2. بهشتی راد، مسعود، فیض­نیا، سادات، سلاجقه، علی و حسن احمدی. 1388. بررسی کارایی مدل پهنه بندی خطر زمین لغزش فاکتور اطمینان (CF) حوزه آبخیز معلم کلایه. فصل نامه جغرافیای طبیعی. سال دوم، شماره 5، 28-19.
  3. ﺟﻌﻔﺮی، ﺗﻴﻤﻮر. 1386. ﻣﺪل ﺳﺎزی ﻛﻤﻲ و ﭘﻬﻨﻪﺑﻨﺪی ﺧﻄﺮ زﻣﻴﻦ ﻟﻐﺰش در دامنه‌های ﺷﻤﺎﻟﻲ آﻻداغ، ﻣﻄﺎﻟﻌﻪ ﻣﻮردی: ﺑﺮرﺳﻲ ﺗﻄﺒﻴﻘﻲ ﺣﻮﺿﻪ زﻫﻜﺸﻲ ﺑـﺪراﻧﻠﻮ و ﭼﻨﺎران در اﺳﺘـﺎن ﺧﺮاﺳﺎن ﺷﻤﺎﻟﻲ. رﺳﺎﻟﻪ دﻛﺘﺮی ﺟﻐﺮاﻓﻴﺎ، داﻧﺸﮕﺎه ﺗﻬﺮان.
  4. روشن ضمیر، سهیلا، شادفر، صمد و تهمینه چهره آرا ضیا بری. 1388. کاربرد سیستم های اطلاعات جغرافیایی در بررسی زمین‌لغزش با استفاده از روش CF، مطالعه موردی حوضه مراغه. ششمین همایش سامانه اطلاعات مکانی (GIS). سازمان نقشه برداری کشور، تهران.
  5. زارع، محمد، احمدی، حسن و شعبانعلی غلامی. 1390. پهنه‌بندی و ارزیابی خطر زمین لغزش با استفاده از مدل‌های عامل اطمینان، ارزش اطلاعاتی و تحلیل سلسله مراتبی(مطالعه موردی حوزه آبخیز واز). علوم و مهندسی آبخیزداری ایران. سال پنجم، شماره 17، 22-.15
  6. سرور، جلیل‌الدین، رمضانی، بهمن و مریم ادهمی. 1391. پهنه بندی حرکت­های توده‌ای از طریق بررسی مدل LNRF. مطالعه موردی: منطقه نیر به سراب. فصل نامه جغرافیای طبیعی. سال پنجم، شماره 16، تابستان 1391، 24-11.
  7. سوری، سلمان، لشکری‌پور، غلامرضا، غفوری، محمد و طاهر فرهادی‌نژاد. 1390. پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی مطالعه موردی: حوضه کشوری (نوژیان). نشریه زمین‌شناسی مهندسی. جلد پنجم، شماره 2، پاییز و زمستان 1390، 1269-1286.
  8. سیارپور، محسن. 1378. پهنه‌بندی پتانسیل خطر زمین لغزش در جنوب خلخال در استان اردبیل. پایان‌نامه کارشناسی ارشد زمین شناسی. دانشکده فنی دانشگاه تهران. 173 ص.
  9. شیرانی، کوروش و علیرضا عرب­عامری. 1394.  پهنه‌بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دز علیا). علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). دوره 19، شماره 72، 334-321.

10. عابدینی، موسی، قاسمیان، بهاره و عطااله شیرزادی. 1393. مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از مدل آماری رگرسیون لجستیک (مطالعه موردی: استان کردستان)، شهرستان بیجار. جغرافیا و توسعه. شماره 37، زمستان 1393، 102-85.

11. کریمی، حاجی، نادری، فتح اله، مرشدی، ابراهیم و مهدی نیک سرشت.1390. پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز چرداول ایلام با استفاده از سیستم اطلاعات جغرافیایی (GIS)، فصلنامه زمین‌شناسی کاربردی. سال 7، شماره 4، 332-319.

12. موسوی خطیر، سیده زهره، کاویان، عطااله و کریم سلیمانی. 1389. تهیۀ نقشۀ حساسیت به وقوع زمین‌لغزش در حوضه آبخیز سجارود با استفاده از مدل رگرسیون لجستیک. مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک، سال چهاردهم، شماره 53، 111-99.

13. یمانی، مجتبی، حسن‌پور، سیروس، مصطفایی، ابوالفضل و  مجید شادمان‌رودپشتی.  1391. نقشۀ پهنه­بندی خطر زمین لغزش در حوضه آبخیز کارون بزرگ با استفاده از مدل AHP در محیط GIS .مجله جغرافیا و برنامه ریزی محیطی. سال 23 ،شماره 4، 56-39.

  1. Atkinson, P., Massari, R 2011. Logistic modeling susceptibility to land sliding in the Apennines. Italy Geomorphology.130.
  2. Ayalew. L and Yamagishi. H. 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 65: 15–31.
  3. Shibiao,B .,  Guonian, L.,  Jian, W., Pinggen, Z and  Liang, D. 2011. GIS-based rare events logistic regression for landslide-susceptibility mapping of Lianyungang, China. Environ Earth Sci. 62:139–149.
  4. Binaghi, E., Luzi, L., Madella, P., Pergalani F., Rampini, A., 1998. Slope instability zonation: a comparison between certainty factor and fuzzydempster. shafer approaches, Natural Hazards, 17.
  5. Binaghi. E et al. 1998. Slope instability zonation: a comparison between certainty factor and fuzzy Dempster- Shafer approaches. Natural hazards 17: 77-97.
  6. Chen, Zhaohua. Wang, Jinfei.2007. Landslide hazard mapping using logistic regression model in Mackenzie Valley, Canada. Geomorphology, 42.
  7. Das,I.,Sahoo.S,Westen,A.Stein,A.Hack,A. 2010.Lanslidesusceptibility assessment using logistic regression and its comparison with a rock mass classification system, along road section in the northern Himalayas (India). Geomorphology. 1147.
  8. Devkota, K.C., Regmi, A.D., Pourghasemi, H.R., Yoshida, K., Pradhan, B., Ryu, I.C., Dhital, M.R., Althuwaynee, O.F. 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: 135–165
  9. Duman, T. Y., Can, T., Gokceoglu, C., Nefeslioglu, H. A. and Sonmez, H. 2006. Application of Logistic Regression for Landslide Susceptibility Zoning of Cekmece Area Istanbul Turkey. Environmental Geology, 51: 241-256.
  10. Kavzoglu, T., Sahin, E.K., Colkesen, I. 2013. Landslide susceptibility mapping usingGIS-based multi-criteria decision analysis, support vector machines, and logisticregression. Landslides.
  11. Kleinbaum D. G and Klein M. 2010. Logistic regression, a self-learning text. Springer.
  12. Komac, Blaz and Matija Zorn. 2008. Statistical landslide susceptibility modeling on a national scale: the example of Slovenia. IAG regional conference on geomorphology landslides, floods and global environmental change in mountain regions, Brasov.
  13. Lan, H.X., Zhou, C.H., Wang. L.J., Zhang, H.Y., and Li, R.H. 2004.  Landslide Hazard Spatial Analysis and Prediction Using GIS in the Xiaojing Watershed, Yunnan, China, Engineering Geology, 76: 109-128.
  14. Lee, S. and Biswajeet P. 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides, 4:33–41.
  15. Lee, S. and Pradhan, B. 2007. Landslide Hazard Mapping at Selangor Malaysia usingFrequency Ratio and Logistic Regression models, Landslide, 4: 33-41.
  16. Oconnell Ann, A. 2006. Logistic regression models for ordinal response variables. Thousand Oaks, Calif.: SAGE Publications, c2006.
  17. Parthian, B., and  Lee, S. 2010. Landslide susceptibility assessment and factor effect analysis: bad propagation artificial neural networks and comparison with frequency ratio and bivariate logistic regression modeling. Geomorphology, 25.
  18. Schicker, R. and Moon V. 2012. Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale. Geomorphology, 161–162.
  19. Soeters, R., and Van Westen, C.J. 1996. Slope instability recognition, analysis and zonation. In: Turner, A.K., Schuster, R.L. (Eds.), Landslide Investigation and Mitigation. Transportation Research Board Special Report, vol. 247. National Research Council, 129–177.
  20. Sujatha, E.R. et al. 2012. Landslide susceptibility analysis using probabilistic certainty factor approach: a case study on Tevankarai stream watershed, India. Earth Syst. Sci. 121 (5):1337-1350.