پهنه‌بندی خطر وقوع زمین‌لغزش در منطقه اسپیران استان آذربایجان‌شرقی با استفاده از مدل رگرسیون لجستیک و GIS

نوع مقاله : پژوهشی

نویسندگان

دانشگاه تبریز

چکیده

وقوع زمین‌لغزش از جمله مخاطراتی است که خسارات جانی و مالی فراوان به‌دنبال دارد. یکی از اقدامات اولیه جهت ‌‌پیش‌گیری یا کاهش خسارات ناشی از این پدیده، تهیه نقشه پهنه‌بندی خطر و شناسایی نواحی مستعد برای وقوع آن است. در این مقاله، نقشه حساسیت به رخداد ‌زمین‌لغزش‌ در بخش ‌اسپیران واقع در شهرستان تبریز، استان آذربایجان‌شرقی، ‌‌به‌دست آمده است. برای این منظور ابتدا عوامل مؤثر در وقوع پدیده مذکور شناسایی و سپس لایه‌های اطلاعاتی مورد نیاز شامل نقشه­های زمین­شناسی، طبقات ارتفاعی، شیب، جهت شیب، بارش، گسل، کاربری اراضی، فاصله از آبراهه­ها، فاصله از جاده و فاصله از مناطق مسکونی با استفاده از سیستم اطلاعات جغرافیایی تهیه شدند. این لایه‌ها به‌عنوان متغیر مستقل وارد مدل رگرسیون لجستیک گردیدند تا وزن و نقش هریک از آنها در وقوع ‌زمین‌لغزش‌ در منطقه مطالعاتی مشخص شود. علاوه بر آنها نقشه پراکنش ‌زمین‌لغزش‌‌‌های قبلی منطقه نیز آماده‌سازی و به‌عنوان متغیر وابسته مدل رگرسیون لجستیک در نظر گرفته شد. به این ترتیب ضرایب مدل تعیین شدند و با شاخص‌‌هایPseudo R Square، راک (ROC) و کای اسکور ارزیابی گردیدند و مورد تأیید قرار گرفتند. به‌عنوان نمونه، مقدار شاخص راک برابر 957/0 به‌دست آمده که مقدار بالایی است و نشان ‌می‌دهد که ‌زمین‌لغزش‌‌‌های مشاهده شده، رابطه قوی با مقادیر احتمال حاصل از مدل رگرسیون لجستیک دارند. در ادامه با استفاده از این ضرایب، معادله­ای تشکیل شد تا احتمال وقوع در قسمت‌‌های مختلف منطقه مطالعاتی مشخص شود. با توجه به مقدار ضرایب به‌دست آمده می‌توان گفت که ‌‌زمین‌شناسی و کاربری اراضی مهم‌ترین عوامل در وقوع زمین‌لغزش در منطقه مورد مطالعه می­باشند. در نهایت نقشه پهنه­بندی خطر ایجاد گردید. نتایج پژوهش نشان ‌می‌دهد که حدود 10 درصد از سطح منطقه در کلاس­های خطر زیاد و بسیار زیاد قرار گرفته‌اند که اغلب دارای پوشش مرتع می‌باشند.

کلیدواژه‌ها


اندریانی، صغری؛ سمندر، نسرین؛ نیکجو، محمدرضا؛ 1395. مدل‌سازی حرکات دامنه‌ای محدودة مخزن سدّ ستارخان اهر با استفاده از مدل‌های پیش‌بینی‌کنندة لجستیک و شبکة عصبی. جغرافیا و پایداری محیط. 6 (20). 37-19.
بهشتی راد، مسعود؛ فیض نیا، سادات؛ سلاجقه، علی؛ احمدی، حسن؛ 1389. پهنه بندی خطر زمین لغزش ها با مدل رگرسیون چند متغیره با استفاده از GIS. جغرافیای طبیعی. 3(7). 40-33.
بهنیافر، ابوالفضل؛ منصوری دانشور، محمد رضا؛ کهربائیان، پروین؛1389. کاربرد مدل AHP و منطق فازی در منطقه‌بندی خطرات زمین‌لغزش نمونه موردی: حوضه آبریز فریزی، دامنه شمالی کوه‌‌های بینالود. جغرافیای طبیعی. 9.
ثروتی، محمدرضا؛ نصرتی، کاظم؛ حسنوندی، شیما؛ میرباقری، بابک؛1393. پیش بینی خطر زمین لغزش در حوزه آبخیز رودخانه سیکان با استفاده از مدل آماری رگرسیون لجستیک. مرتع و آبخیزداری (منابع طبیعی ایران). 67 (1). 29-17.
حاجی حسینلو، حسن؛ مقدم دیزج هریک، مهسا؛ 1395. ارزیابی و پهنه بندی خطر زمین لغزش در منطقه ولدیان با استفاده از روش آنبالاگان، شرق شهرستان خوی. نشریه جغرافیایی سرزمین. شماره 52. 21-38.
حجازی، سید اسداله؛ رنجبریان شادباد، مریم؛ 1393. شناسایی عوامل موثر و پهنه بندی خطر زمین لغزش در بخش غربی حوضه آبریز سرندچای. پژوهش های ژئومورفولوژی کمی. 3(3). 114-129.
خالدی، شهریار؛ درفشی، خه بات؛ مهرجونژاد، اکبر، قره چاهی، سعیده؛ خالدی، شاهین؛ 1391. ارزیابی عامل های مؤثر در رویداد زمین لغزش و پهنه بندی آن با استفاده از مدل رگرسیون لجستیک در محیط (مطالعه موردی: حوضه آبخیز طالقان). جغرافیا و مخاطرات محیطی. 1 (1). 82-65.
خدائی، لیلا؛ روستائی، شهرام؛ حجازی، سید اسداله؛ 1396. ارزیابی روش رگرسیون لجستیک در بررسی پتانسیل وقوع ‌زمین‌لغزش‌ مطالعه موردی :حوضه آبریز رودخانه حاجیلر چای. جغرافیای طبیعی. 10 (37). 57-45.
روستایی، شهرام؛ مختاری، داوود؛ خدایی، فاطمه؛ 1394. کاربرد روش رگرسیون لجستیک در پهنه بندی خطر وقوع ناپایداری های دامنه ای در جاده های کوهستانی (محدوده مورد مطالعه: تنگه دره دیز). مخاطرات محیط طبیعی. 4 (6). 103-89.
ساسان‌پور، فرزانه؛ موسیوند، جعفر؛ 1389. تأثیر عوامل انسان ساخت در تشدید پیامدهای مخاطرات طبیعی در محیط‌های کلانشهری با کاربرد منطق فازی و سیستم اطلاعات جغرافیایی. تحقیقات کاربردی علوم جغرافیایی. 13(16). 50 -20.
سفیدگری، رضا، غیومیان، جعفر، فیض نیا، سادات؛1384. ارزیابی روش های پهنه‌بندی خطر زمین‌لغزش در مقیاس 1:50000. مطالعه موردی حوضه آبخیز دماوند. مجموعه مقالات سومین همایش ملی فرسایش و رسوب. مرکز تحقیقات حفاظت خاک و آبخیزداری. 580-574.
شادفر، صمد؛ 1384. ارزیابی تحلیلی مدل‌های کمی ‌زمین‌لغزش‌ به منظور دستیابی به مدلی مناسب برای حوزه‌ آبخیز چالکرود. پایان نامه دکتری. دانشکده جغرافیا. دانشگاه تهران.
شیرانی، کورش؛ عرب عامری، علیرضا؛۱۳۹۴. پهنه‌بندی خطر وقوع ‌زمین‌لغزش‌ با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دز علیا). مجله علوم آب و خاک. ۱۹ (۷۲). ۳۲۱-۳۳۵.
صالحی پور میلانی، علیرضا؛ یمانی، مجتبی؛ 1397. پهنه بندی خطر زمین لغزش در حوضه آبریز رامیان (استان گلستان). دانش پیشگیری و مدیریت بحران. شماره 28. 161-172.
صفاری، امیر؛ اخدر، آرش؛ 1392. مقایسه مدل نسبت فراوانی و توابع عضویت فازی در پهنه‌بندی خطر زمین‌‌‌لغزش (مطالعه موردی: جاده ارتباطی مریوان - سنندج). جغرافیا و مخاطرات محیطی. ش 1. 79-96.
عابدینی، موسی؛ قاسمیان، بهاره؛ شیرزادی، عطااله؛ 1393. مدل سازی خطر وقوع زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک مطالعه موردی: استان کردستان، شهرستان بیجار. جغرافیا و توسعه. 12 (37). 102-85.
قنواتی، عزت الله؛1390. پهنه‌بندی خطر لغزش در حوضه جاجرود با استفاده از روش تحلیل سلسله مراتبی. تحقیقات کاربردی علوم جغرافیایی. 20. 68-51.
گودرزی، سحر؛ طالبی، علی؛ پورقاسمی، حمیدرضا؛ 1397. بررسی کارایی مدل سیستم استنتاج عصبی-فازی تطبیقی در تهیه نقشه حساسیت زمین لغزش (مطالعه موردی: حوزه آبخیز سردارآباد استان لرستان). جغرافیا و مخاطرات محیطی. 75 -96.
محمدزاده، کیوان؛ بهمنی، سیران؛ فتحی، محمدحسین؛ 1396. ارزیابی روش رگرسیون لجستیک در بررسی پتانسیل وقوع ‌زمین‌لغزش‌ مطالعه‌ی موردی: کرانه‌ی جنوبی حوضه‌ی آبریز اهر چای از روستای نصیرآباد تا سد ستارخان. هیدروژئومورفولوژی. 3(11). 148-127.
محمدنیا، ملیحه؛ فلاح قالهری، غلامعباس؛ 1397. شبیه سازی احتمال وقوع زمین لغزش با استفاده از منطق فازی و فرایند تحلیل سلسله مراتبی. تحقیقات کاربردی علوم جغرافیایی. شماره 48. 132-117.
مقیمی، ابراهیم؛ یمانی، مجتبی؛ رحیمی هرآبادی، سعید؛۱۳۹۲. ارزیابی و پهنه‎بندی خطر زمین‎لغزش در شهر رودبار با استفاده از فرآیند تحلیل شبکه. پژوهش‌های ژئومورفولوژی کمی. ۱ (۴). ۱۰۳-۱۱۸.
همتی، فریبا؛ حجازی، سید اسداله؛ ۱۳۹۶. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش آماری رگرسیون لجستیک در حوضه آبریز لواسانات. تحقیقات کاربردی علوم جغرافیایی. ۱۷ (۴۵). ۷-۲۴.
Ait Brahim, L., & Elmoulat, M., 2018. Application Of Logistic Regression Method To Produce Landslide Susceptibility Map: A Case Study Of Tetouan Mazari, Morocco, EC Web of Conferences, 149.
Akgun, A., 2012. A comparison of landslide susceptibility maps produced by logistic regression, multi-criteria decision, and likelihood ratio methods: a case study at İzmir, Turkey. Landslides, 9(1), 93–106.
Ayalew, l. & Yamagishi, H., 2005. The application of GIS-based Logistic regression for landslide susceptibility mapping in the Kakuda-Yaahiko Mountains, central Japan. Geomorphology, 65, 15-31.
Bai, SB., Wang, J., Lü, GN., Zhou, PG., Hou, SS., & Xu, SN., 2010. GIS-based logistic regression for landslide susceptibility mapping of the Zhongxian segment in the Three Gorges area, China. Geomorphology 115(1-2), 23–31.
Chingkhei, R.K., Shiroyleima, A., Robert Singh, L., & Kumar, A., 2013. Landslide Hazard Zonation in NH-1A in Kashmir Himalaya, India. International Journal of Geosciences, 4, 1501-1508.
Costanzo, D., Chacon, J., Conoscenti, C., Irigaray, C, & Rotigliano, E., 2014. Forward logistic regression for earth-flow landslide susceptibility assessment in the Platani river basin (southern Sicily, Italy. Landslides, 11(4), 639–653.
Lee, S., 2007. Application and verification of fuzzy algebraic operators to landslide susceptibility mapping. Environmental Geology, 52, 615- 623.
Lombardo, L., & Mai, P.M., 2018. Presenting logistic regression-based landslide susceptibility results. Engineering Geology, 244(3), 14-24.
Nefeslioglu, H. A., Gokceoglu, C., & Sonmez, H., 2008. An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Engineering Geology, 97, 171-191.
Polykretis, C., & Chalkias, C., 2018. Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models. Natural Hazards, 93(1), 249–274.
Thiery, Y., Philippe, M. J., & Maquaire, O., 2006. Test of Fuzzy Logic Rules for Landslide Susceptibility Assessment. conference SAGEO Strasbourg, 2006.
CAPTCHA Image