مدل‌سازی حرکات توده‌ای و مدیریت مناطق حساس به وقوع این حرکات، با استفاده از الگوریتم‌های آماری و شبکۀ عصبی (مطالعۀ موردی: حوضۀ آبریز اوجان‌چای)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه ژئومورفولوژی، دانشگاه تبریز، تبریز، ایران

2 دانشجوی دکترای ژئومورفولوژی (مخاطرات ژئومورفیک)، دانشگاه تبریز، تبریز، ایران

چکیده

این پژوهش با هدف مقایسه مدل شبکه عصبی مصنوعی با مدل رگرسیون لجستیک ، جهت ارزیابی خطر حرکات توده ای و ناپایداری دامنه ای و شناسایی عوامل مؤثر در ایجاد این پدیده در حوضه اوجان چای انجام گرفته است. هدف از نتایج به دست آمده از مدل‌های آماری، تعیین مناطق دارای پتانسیل وقوع ناپایداری و نهایتا تهیه‌ی نقشه پهنه‌‌بندی خطر برای منطقه‌ی مورد مطالعه می‌باشد.بدین جهت ابتدا پارامترهای مؤثر در وقوع ناپایداری دامنه ای استخراج شد و سپس لایه های مربوطه تهیه شده است. نقشه پراکنش ناپایداری های دامنه ای رخ داده شده در حوضه تهیه شد و با نقشه عوامل مؤثر بر حرکات و نقشه پراکنش ناپایداری‌های دامنه‌ای تلفیق شد و تأثیر هر یک از عوامل شیب، جهت شیب، ارتفاع از سطح دریا، سنگ شناسی، بارش، فاصله از گسل، کاربری اراضی، فاصله از روستا و جاده ، فاصله از شبکه ی زهکشی در محیط نرم افزار ArcGIS محاسبه گردید. برای ارزیابی نتایج خروجی مدل های مورد استفاده شده از ضرایب آماری ROC, Pseudo Rsquareو Chi Square استفاده شد. نتایج مدل‌ها نشان داد درصد پهنه‌هایی با خطر بسیار بالا در مدل شبکه‌ی عصبی و رگرسیون لجستیک به ترتیب 32/10 و 06/5 درصد می‌باشد که عمدتا محدوده‌های را شامل می‌گردد که از لحاظ لیتولوژی این مناطق در محدوده‌هایی با میزان مقاومت پایین قرار گرفته‌اند. همچنین مدل شبکه عصبی با مقدار شاخص ROC ، 89/0 مدل کارآمدتری نسبت به رگرسیون لجستیک جهت پهنه‌بندی وقوع ناپایداری های دامنه ای می‌باشد؛ براساس پهنه بندی صورت گرفته با استفاده از مدل شبکه عصبی، به ترتیب ،32/40 ،15/22 ،32/18 ،89/8
32/10 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.

کلیدواژه‌ها


عنوان مقاله [English]

Mass movements Modeling and Motion Sensitive Zone Management Using Statistical Algorithms in Ojan Chay Basin

نویسندگان [English]

  • Mohammad Hossein Rezaei Moghaddam 1
  • davood mokhtari 1
  • nasrin samandar 2
چکیده [English]

Slope instabilities are one of the major natural hazards in mountainous areas that cause significant damage to human activities each year. The purpose of this study was to compare the artificial neural network model with the logistic regression model to evaluate the risk of mass movements and amplitude instability and to identify the effective factors in this phenomenon in Ojan Chay basin. The purpose of the results of the statistical models is to determine the regions with potential of occurrence of instability and finally to prepare a hazard zoning map for the study area. And then the layers are prepared. Distribution map of slope instabilities that occurred in the basin was prepared and integrated with the map of factors affecting the movements and slope distribution map of the slope. Distance from fault, land use, distance from village and road, distance from drainage network were calculated in ArcGIS software environment. 
ROC, Pseudo R square and Chi Square coefficients were used to evaluate the outputs of the models used. The results showed that the percentages of high risk zones in neural network model and logistic regression were 10.32% and 5.06%, respectively, which mainly include the lithologically restricted zones of these areas. . Also the neural network model with ROC value is 0.89 more efficient than logistic regression for zoning the occurrence of domain instabilities; based on zoning using neural network model, respectively, 40.32, 22.15, 18.32, 8.89,10.32 of the area is classified as very low, low, medium, high and very high risk classes

کلیدواژه‌ها [English]

  • Mass movements
  • Artificial neural network
  • Ojan Chai Basin
  • Geographic Information System
  • Logistic Regression Model
اندریانی، صغری؛ محمدحسین رضایی‌مقدّم؛ خلیل ولی‌زاده کامران؛ ویدا برزگر (1395). ارزیابی عملکرد الگوریتم‌های آماری لجستیک و ناپارامتریک به‌منظور مدیریت مناطق حساس به حرکات توده‌ای در حوضۀ آبریز گویجه‌بل، جغرافیا و مخاطرات محیطی. شمارۀ نوزدهم. پاییز 95. صفحات 77-59.   https://geoeh.um.ac.ir/article_30158.html
اندریانی، صغری؛ نسرین سمندر؛ محمدرضا نیکجو (1395).مدل‌سازی‌حرکات دامنه‌ای محدودۀ سدستارخان اهر با استفاده از مدل‌های پیش‌بینی‌کنندۀ لجستیک و شبکۀ عصبی،جغرافیا و پایداری محیط. شمارۀ 20. صفحات 37-19.  https://ges.razi.ac.ir/article_629.html
اصغری‌سراسکانرود؛ صیاد؛ ایمانعلی بلواسی (1397). مقایسۀ مدل شبکۀ عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین‌لغزش (مطالعۀ موردی: حوضۀ آبریز سیمره چنار)، پژوهش‌های ژئومورفولوژی کمّی. شمارۀ 2. صفحات 182- 158. http://ensani.ir/fa/article/389675
ثروتی، محمدرضا؛ کاظم نصرتی؛ شیما حسنوندی؛ بابک میرباقری (1393). پیش‌بینی خطر زمین‌لغزش در حوزۀ آبخیز رودخانه سیکان با استفاده از مدل آماری رگرسیون لجستیک، منابع طبیعی ایران.67 (1). صفحات. 29-17. https://journals.ut.ac.ir/article_50825.html
راکعی، بابک؛ ماشاالله خامه‌چیان؛ پرویز عبدالملکی؛ پانته آ گیاه‌‌چی (1386). کاربرد شبکۀ عصبی در پهنه‌‌بندی خطر زمین‌‌لغزش(ناحیه سفیدار گله استان سمنان)، مجلۀ علوم دانشگاه تهران. 1 (33). صفحات. 32-21. https://journals.ut.ac.ir/article_27051.html
رجایی، عبدالحمید (1382). کاربرد جغرافیای طبیعی در برنامه‌ریزی شهری و روستایی، نشر قومس.
رجبی،معصومه؛ خلیل ولی‌زاده‌کامران؛ حسن عابدی‌قشلاقی (1395). ارزیابی و پهنه‌بندی زمین‌لغزش با استفاده از فرایند تحلیل شبکه و شبکۀ عصبی مصنوعی، مطالعۀ موردی حوضۀ آذرشهرچای، پژوهش‌های ژئومورفولوژی کمّی. سال 5.  شمارۀ 174-60. http://www.geomorphologyjournal.ir/article_78031.html
روستایی؛ شهرام؛ حسن احمدزاده  (1391). پهنه‌بندی مناطق متأثر از خطر زمین‌لغزش در جادۀ تبریز- مرند با استفاده ازسنجش‌از‌دور و GIS، پژوهش‌های ژئومورفولوژی کمّی. شمارۀ 1. صفحات: 58-47. http://www.geomorphologyjournal.ir/article_77865.html
سمندر، نسرین؛ اسدالله حجازی (1398). ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکۀ عصبی چندلایۀ پرسپترون در پیش‌بینی وقوع حرکات توده‌ای (حوضۀ آبریز کمانج‌چای علیا)، فضای جغرافیایی. 97-77. http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.html
سوری، سلمان؛ غلامرضا لشکری‌پور؛ محمد غفوری (1390). پهنه‌بندی خطر زمین‌لغزش بااستفاده از شبکۀ عصبی ‌مصنوعی، مطالعۀ موردی: حوضۀ کشوری‌ (نوژیان)، زمین‌شناسی مهندسی. 5(2). صفحات 1286-1269. http://jeg.khu.ac.ir/article-1-374-fa.html
شادفر، صمد؛ مجتبی یمانی؛ سیدمحمد نمکی (1390). پهنه‌‌بندی خطر زمین‌‌لغزش با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LNRE در حوضۀ چالک‌رود، مهندسی و مدیریت آبخیز. 3 (1). صفحات 47-40. https://jwem.areeo.ac.ir/article_101869.html
عمادالدین، سمیه؛  آیدین مرادی (1397). ارزیابی خطر زمین‌لغزش با استفاده از فرایند سلسله‌مراتبی (AHP)، تحلیل شبکۀ عصبی مصنوعی (ANN) و مطالعات میدانی با رویکرد کاهش ریسک (مطالعۀ موردی: محور جادۀ هراز)، پژوهش‌های ژئومورفولوژی کمّی. 190-172. http://www.geomorphologyjournal.ir/article_78113.html
کرمی، فریبا؛ مریم بیاتی‌خطیبی؛ داود مختاری‌کشکی (1386). ارزیابی و پهنه‌بندی خطر حرکات توده‌ای مواد در حوضۀ آبریز اوجان‌چای، مجلۀ جغرافیا و توسعه. صفحات 107-12. https://www.sid.ir/fa/Journal/ViewPaper.aspx?ID=68514
کورکی‌نژاد، محمد (1380). مقایسۀ کارایی دو مدل پهنه‌بندی خطر زمین‌لغزش (حائری و مورا) با استفاده از ساج در حوضۀ آبخیز سیاه رودبار گرگان، پایان‌نامۀ کارشناسی ارشد. دانشگاه علوم کشاورزی و منابع طبیعی گرگان. صفحه 24.
نیکجو، محمدرضا؛ محمدحسین ‌رضایی‌مقدّم؛ صغری‌ اندریانی (1396).تلفیق روش‌های تصمیم‌گیری چندمعیاره با روش رگرسیون لجستیک برای بررسی مناطق حساس به‌وقوع زمین‌لغزش در حوضۀ زیلبرچای، جغرافیا و برنامه‌ریزی محیطی. شمارۀ 4. زمستان 96. صفحات 52-33. https://gep.ui.ac.ir/article_22451.html
Atkinson, PM.,  Tatnall, ARL(1997). Introduction Neural networks in remote Sensing, International Journal of Remote Sensing, 18(4), PP.699-709. https://www.tandfonline.com/doi/abs/10.1080/014311697218700
Ayalew, L., Yamagishi, H (2005). Slope failures in the Blue Nile basin, as seen from landscape evolution perspective, Geomorphology, (57). PP.95-116. https://www.sciencedirect.com/science/article/abs/pii/S0169555X03000850
Burrough, P.A (1989). Fuzzy Mathematical Methods for Soil Survey and Land Evaluation, Journal of Soil Science, (40), PP. 477-492.  https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1365-2389.1989.tb01290.x
Caniani D., Pascale S,. Sdao F., Sole A (2008). Neutral networks and landslide susceptibility: a case study of the urban area of Potenza, Natural Hazards, (45), PP.55-72. https://link.springer.com/article/10.1007/s11069-007-9169-3
Chau, K.T., Chan, J.E. (2005). Regional bias of landslide data in generating susceptibility maps using logistic regression for Hong Kong Island. Rock Mechanic, 41(2), PP. 280-290. https://link.springer.com/article/10.1007/s10346-005-0024-x?shared-article-renderer
Enrique, A., Castellanos Abella, A., Cees, J. and Van Weston, B (2008). Qualitative landslide susceptibility assessment by multicriteria analysis: A case study from San Antonio del Sur, Guantánamo,Cuba,The journal of Geomorphology, (94), PP. 453-466.  https://www.sciencedirect.com/science/article/abs/pii/S0169555X07002784
Gomez H., Kavzoglu T (2005). Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, EngineeringGeology,78(1-2),PP.11-27. https://www.sciencedirect.com/science/article/abs/pii/S0013795204002236
Guinau, M.Pallás,R. Vilaplana,J (2005). A feasible methodology countries: A case-study of NW Nicaragua after Hurricane Mitch ,Engineering Geology, No. 80:316-327.  https://www.sciencedirect.com/science/article/abs/pii/S0013795205001389
Hattanji, T., & Moriwaki, H., (2009). Morphometric analysis of relic landslides using
detailed landslide distribution maps: Implications for forecasting travel distance of future
landslides. Journal of Geomorphology, No, 103, PP.447-454 https://core.ac.uk/download/pdf/56642736.pdf
Iswar, D., Sashikant, S., Cees, V.W., Alfred, S. and Robert, H. (2010). Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas, India, Geomorphology, (114), PP.627-637. https://research.utwente.nl/en/publications/landslide-susceptibility-assessment-using-logistic-regression-and
Lamelas, M.T., Marinoni, O., Hoppe, A., and Riva, J (2008). Doline probability map using logistic regression and GIS technology in the central Ebro Basin (Spain), Environmental Geology, (54), PP.963-977.https://www.researchgate.net/publication/225621331_Doline_probability_map_using_logistic_regression_and_GIS_technology_in_the_central_Ebro_Basin_Spain
Lee S., Ryu J. H., Lee M. J., Won J. S (2006). The Application of artificial neural networks to landslide susceptibility mapping at Janghong, Korea, Mathematical Geology, 38(2), PP. 199-220. https://link.springer.com/article/10.1007/s11004-005-9012-x
Melchiorre C., Matteucci M., Azzoni A (2008). Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology, 94: 379 - 400. https://www.sciencedirect.com/science/article/abs/pii/S0169555X07002747
Mosavi, Z., Kavian, A. and Soleimani, K. (2010). "Landslide Susceptibility Mapping in Sajaroud Basin Using logistic Regression Model", Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science, 14(53): 99-112. https://jstnar.iut.ac.ir/browse.php?a_code=A-10-1114-1&slc_lang=en&sid=1&sw=logistic
Pradhan, B., Lee, S (2009). Landslide risk analysis using artificial neural networks model
focusing on different training sites, International Journal of Physical Sciences, 4: 1-15. https://academicjournals.org/journal/IJPS/article-abstract/F7906B417691
Schmucker, K. J (1982). Fuzzy Sets, Natural Language Computations and Risk Analysis ,.Computer Science Press.
Shalkoff R. J (1997). Artificial Neural Networks. M.C Graw-Hill Companies Pub.
Wang, L.J., Guo.,Sawada, M.K., Lin, J., Zhang, J (2015). Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models, Catena, (135), PP. 271-282. https://www.sciencedirect.com/science/article/abs/pii/S0341816215300898
Yilmaz, I (2009). Landslide susceptibility mapping using frequency ratio,logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey), Computers and Geosciences, (35),  PP.1125-1138.
https://www.sciencedirect.com/science/article/pii/S0098300408002665