Please ensure Javascript is enabled for purposes of website accessibility
plus
reset
minus
plus
minus
تاریخ انتشاريکشنبه ۷ آذر ۱۴۰۰ ساعت ۱۴:۵۵
کد مطلب : ۴۸۳۲
اداره‌کل زمین‌سنجی ونقشه‌برداری زمینی:

ارزیابی و تحلیل حساسیت‌ خطر زمین‌لغزش

مهندس غلامرضا کریم‌زاده، عضو کمیته مدیریت بحران سازمان نقشه‌برداری کشور
plusresetminus
ارزیابی و تحلیل حساسیت‌ خطر زمین‌لغزش
 
تهیه نقشۀ زمین‌لغزش (رانش) و پایش گسیختگی‌های آتی در منطقه به منظور کاهش پیامدهای این مخاطرۀ طبیعی، از مراحل اصلی مطالعات زمین‌لغزش هستند. مجموعه داده‌های حاصل از مرحلۀ شناسایی زمین‌لغزش، که عمدتاً به صورت نقشه‌های پراکنش زمین‌لغزش ارائه می‌شوند، برای ارزیابی خطر زمین‌لغزش مورد بهره‌برداری قرار می‌گیرند. به علاوه، داده‌های حاصل از پایش زمین‌لغزش در اعتبار‌سنجی مدل خطر نیز استفاده می‌گردند. اطلاعات مربوط به عوامل مستعد‌کننده یا زمینه‌ساز مانند اطلاعات توپوگرافی، زمین‌شناسی، زمین‌ریخت‌شناسی (ژئومورفولوژی)، آب‌شناسی، پوشش زمین و اطلاعات مربوط به عوامل محرّک از جمله بارش و زمین‌لرزه در فرآیند ارزیابی خطر زمین‌لغزش کاربرد دارند. البته فعالیت‌های انسانی نیز در هر دو گروه از عوامل مستعد‌کننده و محرک جای دارند که لازم است در فرایند ارزیابی مورد ملاحظه قرار گیرند. 
بهر حال، تحلیل حساسیت زمین‌لغزش گام اولیه در مدیریت و کاهش این مخاطره در یک منطقۀ کوهستانی به شمار می‌رود و تهیۀ نقشه‌های حساسیت زمین‌لغزش[1] از اقدامات اساسی در مدیریت جامع خطر زمین‌لغزش محسوب می‌گردد.
در همین رابطه، مطالعه‌ای در کشور هند با هدف تحلیل حساسیت زمین‌لغزش، در ناحیۀ مندی (Mandi) در ایالت هیماچال‌پــِرادش، انجام گردید که نتایج آن در اکتبر 2021 در بخش ژئوماتیک پایگاه انتشاراتی MDPI قرار گرفته است. در این بررسی، از الگوریتم انتخاب ویژگی بهینه[2] در فرایند داده‌کاوی و نیز ادغام هیبریدی مدل آنتروپی شانون[3] با دو مدل جنگل تصادفی[4] و ماشین بُردار پشتیبان[5] برای تحلیل حساسیت زمین‌لغزش استفاده شده است.
گفتنی است در مسائل تصميم‌گيري چند ‌معياره و چند شاخصه، آگاهی از وزن نسبي شاخص‌ها گامی مؤثر در فرايند حل مسئله است. مدل آنتروپي شانون از روش‌هاي تعيين وزن شاخص‌ها و مدل‌های جنگل تصادفی و ماشین بُردار پشتیبان، از الگوریتم‌های پرکاربرد یادگیری ماشین در طبقه‌بندی[6] و رگرسیون[7] هستند.  
در این پژوهش، فهرستی مشتمل بر 1723 زمین‌لغزش ناشی از بارندگی به عنوان نمونۀ آماری تهیه گردید. حدود 70٪ این زمین‌لغزش‌ها به طور تصادفی برای بررسی میزان اثرگذاری ویژگی‌ها یا عوامل مرتبط و حدود 30٪ آن هم به منظور اعتبارسنجی مدل انتخاب شدند. مجموعه‌ای از چهارده عامل مرتبط شامل گرادیان شیب، صفحات تراز، شیب‌سو، ارتفاع، تراکم آبریز، سنگ‌شناسی، زمین‌شناسی، کاربری و پوشش زمین، شاخص نرمال‌شده تفاوت پوشش گیاهی (NDVI)، خصوصیات خاک، تراکم خطواره‌ها و شکست‌ها (مرتبط با پهنه‌های گسلی)، شاخص قدرت جریان (روان‌آب)، شاخص رطوبت توپوگرافی (شرایط رطوبتی خاک)، و فاصله از راه‌های دسترسی) انتخاب و از نظر وجود رابطۀ خطی بین عوامل در مدل رگرسیونی (یا هم‌خطی چندگانه) بررسی گردیدند. این عوامل ابتدا با استفاده از الگوریتم‌های معروف گین (Gain) و کای دو (Chi-square) رتبه‌بندی شدند. همچنین برای بررسی معنا‌داری آماری[8] از آزمون رتبه علامت‌دار ویلکاکسون[9] و آزمون تی تک نمونه‌ای[10] استفاده شد تا مشخص گردد که یافته‌های آماری ناشی از شانس، تصادف یا خطای نمونه‌گیری نیست. سپس یک زیرمجموعه بهینه متشکل از یازده عامل مسبب زمین‌لغزش برای تولید نقشه‌های حساسیت زمین‌لغزش با استفاده از مدل هیبریدی شانون - جنگل تصادفی و  مدل هیبریدی شانون - ماشین بُردار پشتیبان مورد استفاده قرار گرفت. نقشه‌های مذکور سرانجام با استفاده از منحنی مشخصه عملکرد سیستم یا منحنی عملیاتی گیرنده[11] و ماتریس‌های عملکرد، از نظر قابلیت استفاده ارزیابی و مقایسه شده و به عبارت دیگر مورد اعتبارسنجی قرار گرفتند. گفتنی است از منحنی مشخصه عملکرد اغلب برای بررسی کارایی الگوریتم‌های طبقه‌بندی استفاده می‌گردد.
نتایج این مطالعه نشان داد که اگرچه هر دو مدل ترکیبی، عملکرد رضایت‌بخشی داشتند اما مدل هیبریدی شانون - جنگل تصادفی در هر دو وجه عملیاتی و اعتبارسنجی در مقایسه با مدل هیبریدی شانون - ماشین بُردار پشتیبان عملکرد بهتری داشته است. ماتریس‌های پیش‌بینی[12] نیز تأیید کردند که مدل هیبریدی شانون - جنگل تصادفی نسبت به مدل دیگر مناسب‌تر بوده و برای تحلیل حساسیت زمین‌لغزش مناطق کوهستانی مشابه در سراسر جهان قابل پیشنهاد است. همچنین، نتایج هر دو مدل هیبریدی آشکار نمود که شاخص رطوبت توپوگرافی و فاصله از راه‌های مواصلاتی دو عامل عمده و اصلی مسبب وقوع زمین‌لغزش در منطقۀ مورد مطالعه هستند.
منابع:
ـ https://doi.org/10.3390/geomatics1040023
ـ https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=279774
ـ https://rs.isa.ir/s/mfam7Y
 
 
[1] Landslide Susceptibility Maps (LSM)
[2] optimum feature selection
[3] Shannon Entropy (SE)
[4] Random Forest (RF)
[5] Support Vector Machine (SVM)
[6] classification
[7] regression
[8] statistical significance
[9] Wilcoxon Signed Rank Test
[10] One-Sample T-Test
[11] Receiver Operating Characteristic (ROC)
[12] prediction matrices
https://www.ncc.gov.ir/vdci.pa5ct1avrbc2t.html
ncc.gov.ir/vdci.pa5ct1avrbc2t.html
ارسال نظر
نام شما
آدرس ايميل شما
کد امنيتی


1