مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از مدل آماری رگرسیون لجستیک مطالعه موردی : استان کردستان، شهرستان بیجار

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

زمین­­لغزش­ها و ناپایداری­های دامنه­ای مخاطرات مهمی برای فعالیّت­های انسانی هستند که اغلب سبب از­دست رفتن منابع اقتصادی، خسارات به اموال و تأسیسات می­شوند. این مخاطرات در شیب­های طبیعی و یا شیب­هایی که به دست انسان تغییر یافته­اند اتفاق       می­افتد. هدف اصلی این پژوهش شناسایی عوامل مؤثر بر وقوع زمین­لغزش­های شهرستان بیجار واقع در استان کردستان و ارزیابی مناطق دارای پتانسیل زمین­لغزش جهت تهیه­ی نقشه پهنه­بندی با استفاده از مدل آماری رگرسیون لجستیک می­باشد در این پژوهش ابتدا با استفاده از بازدیدهای میدانی، پرسشنامه­ای، نقشه­های زمین­شناسی و توپوگرافی و مرور مطالعات انجام شده، 9 عامل مؤثر شامل متغیّرهای ارتفاع از سطح دریا، درجه­شیب، جهت­شیب، زمین­شناسی، فاصله از عناصر خطی گسل، جاده، رودخانه، بارندگی و کاربری اراضی مورد استفاده قرار گرفت. پس از شناسایی آن­ها اقدام به پردازش با استفاده از نرم­افزارهایARC GIS10، ILWIS 3.3،گردید. سپس از 144 دامنه مستعد به زمین­لغزش به عنوان داده­های لغزشی(کد یک) و همسو با آن 144 دامنه پایدار به زمین­لغزش به صورت کاملاً تصادفی در سراسر منطقه برای داده­های بدون لغزش (کد صفر) به عنوان متغیّر وابسته استفاده شد. با روی هم­اندازی مجموع این داده­ها بر روی هر­کدام از متغیّرهای مستقل، داده­های لازم برای ورود به نرم­افزارSPSS 18استخراج شدند. نتایج نشان داد که شیب   مهم­ترین نقش را در بروز زمین­لغزش­های منطقه بر عهده دارد، پس از آن به ترتیب لایه­های کاربری اراضی، جهت­دامنه، گسل، فاصله از شبکه زهکش، طبقات ارتفاعی، فاصله از جاده و لیتولوژی در درجه بعدی اهمیت قرار می­گیرند.
نتایج ارزیابی صحت نشان داد که مدل آماری رگرسیون لجستیک با مقدار 4/83 برای شاخص PCPT و 226/229 برای شاخص -2LL و 5/98 درصد برای شاخص ROC همچنین نقشه خطر پهنه­بندی زمین­لغزش بر اساس شاخص  SCAIاز صحت بالایی برخوردار می­باشند. بر این اساس 489/75 درصد از مساحت منطقه در محدوده با خطر بسیار­کم ، 037/10 درصد با خطر کم، 628/3 درصد با خطر متوسط، 062/4 درصد با خطر بالا و 784/6 درصد با خطر بسیار بالا مواجه است. این نتایج می­تواند در پیش­بینی وقوع زمین­لغزش‌های آینده، کاهش خطرات همراه آن­ها و برنامه­ریزی جهت کاربری زمین مورد استفاده قرار گیرد

کلیدواژه‌ها


عنوان مقاله [English]

Modelling the Hazard of Landslides by Using Statistical Method of Logistic Regression

نویسندگان [English]

  • Mousa Abedini
  • Bahar Gasemyan
  • Ataollah Shirzadi
چکیده [English]

Landslides and instability slopes are major dangers for human activities which often cause the waste of economic resources and damage to properties and installations. These occur in the natural slopes or in the changed slopes by human. The main objectives of this study are identifying the effective factors on landslides occurrence in Kurdistan Province, Bijar and evaluating  the regions prone to landslide to prepare the susceptibility map using the logistic regression. At first, in this study, by using field visits, questionnaires, geological and topographic maps and reviewing the studies, ten effective factors including elevation  from sea level, slope degree, slope aspect, geology, distance from the linear elements (fault, road and river), rainfall and land use were employed. After identifying the factors, they were processed using ARC GIS 10 and ILWIS 33 software. Dependent variable is 144 slopes prone to landslide selected across the region as the landslide data (code 1) and 144 slopes stable against landslide were randomly as land slide free data (code 0). With overlay these data on each of the independent variables, the data necessaries were collected for entry into SPSS 18. The results showed that "slope degree" has the most significant role on landslides. Then, land-use, slope aspect, fault, distance from the drainage network, elevation from sea level , distance from road and litho logy are next effective factors, respectively. The results of the evaluation showed that logistic regression model with PCPT index equal to 83.4; -2LL index equal to 229.226 and ROC index equal to 98.5 percent and landslide susceptibility map based on SCAI index has high verification in the case study. Therefore, 75.489 % of the area has very low susceptibility, 10.037% with low susceptibility, 3.628% with moderate susceptibility, 4.062% with high susceptibility and 6.784% with very high susceptibility. These results can be used in predicting the occurrence of future landslides, decreasing their risks and planning for the land use.

کلیدواژه‌ها [English]

  • landslides
  • Susceptibility Map Logistic Regression
  • ROC Index
  • SCAI Index
  • Bijar