یک مدل ارزش اطلاعاتی بهبود یافته بر اساس خوشه بندی خاکستری برای نگاشت حساسیت زمین لغزش

خلاصه

زمین لغزش به عنوان مخاطرات زمین شناسی، تلفات جانی و خسارات اقتصادی قابل توجهی را به همراه دارد. بنابراین شناسایی مناطق مستعد زمین لغزش برای کارهای پیشگیری ضروری است. این مقاله یک مدل ارزش اطلاعاتی بهبود یافته بر اساس خوشه‌بندی خاکستری (IVM-GC) برای نقشه‌برداری حساسیت زمین لغزش پیشنهاد می‌کند. این روش از ارزش اطلاعاتی به دست آمده از یک مدل ارزش اطلاعاتی برای دستیابی به طبقه بندی حساسیت و تعیین وزن عوامل مستعد کننده زمین لغزش استفاده می کند و از این رو، حساسیت زمین لغزش هر واحد مطالعه را بر اساس تجزیه و تحلیل خوشه بندی به دست می آورد. با استفاده از فهرست زمین لغزش چونگ کینگ، چین، که شامل 8435 زمین لغزش است، سه نقشه حساسیت زمین لغزش بر اساس مدل ارزش اطلاعات مشترک (IVM) تولید شد. یک مدل ارزش اطلاعاتی که توسط یک فرآیند تحلیل سلسله مراتبی (IVM-AHP) و مدل جدید بهبود یافته ما بهبود یافته است. تقریباً 70٪ (5905) از زمین لغزش های موجودی برای تولید نقشه های حساسیت استفاده شد، در حالی که 30٪ باقی مانده (2530) برای اعتبارسنجی نتایج استفاده شد. دقت آموزش IVM، IVM-AHP و IVM-GC به ترتیب 81.8، 78.7 و 85.2 درصد و دقت پیش بینی به ترتیب 82.0، 78.7 درصد و 85.4 درصد بود. نتایج نشان می دهد که هر سه روش در ارزیابی حساسیت زمین لغزش عملکرد خوبی دارند. در این میان IVM-GC بهترین عملکرد را دارد. IVM-AHP و IVM-GC به ترتیب 81.8٪، 78.7٪ و 85.2٪، و دقت پیش بینی به ترتیب 82.0٪، 78.7٪ و 85.4٪ بود. نتایج نشان می دهد که هر سه روش در ارزیابی حساسیت زمین لغزش عملکرد خوبی دارند. در این میان IVM-GC بهترین عملکرد را دارد. IVM-AHP و IVM-GC به ترتیب 81.8٪، 78.7٪ و 85.2٪، و دقت پیش بینی به ترتیب 82.0٪، 78.7٪ و 85.4٪ بود. نتایج نشان می دهد که هر سه روش در ارزیابی حساسیت زمین لغزش عملکرد خوبی دارند. در این میان IVM-GC بهترین عملکرد را دارد.

کلید واژه ها:

رانش زمین ; ارزیابی حساسیت ; GIS ; مدل ارزش اطلاعاتی بهبود یافته ; چونگ کینگ ؛ خوشه بندی خاکستری

1. معرفی

زمین لغزش، به عنوان خطرات زمین شناسی که باعث تلفات جدی، تلفات مالی و آسیب های زیست محیطی می شود، توسعه پایدار را محدود می کند [ 1 ، 2 ]. برای به حداقل رساندن خسارات اقتصادی و تلفات انسانی، مناطق مستعد زمین لغزش باید شناسایی شوند. نقشه حساسیت زمین لغزش به فوریت مورد نیاز است.

مدل ها و رویکردهای متعددی برای نقشه برداری حساسیت زمین لغزش در سراسر جهان در دهه های گذشته توسعه یافته است [ 3 ، 4 ، 5 ، 6 ، 7 ]. بیشترین روش های مورد استفاده مبتنی بر محاسبات نرم یا تکنیک های آماری هستند، به عنوان مثال، روش منطق فازی [ 8 ، 9 ]، مدل شبکه عصبی مصنوعی [ 10 ، 11 ]، مدل رگرسیون لجستیک [ 12 ، 13 ]، روش های اتوماتای سلولی [ 14 ] ، و فرآیند تحلیل سلسله مراتبی [ 15 ، 16 ].

روش مبتنی بر ارزش اطلاعات به طور گسترده ای به عنوان یک روش مبتنی بر داده های آماری توصیه شده توسط کارشناسان [ 17 ] برای ارزیابی حساسیت زمین لغزش [ 18 ، 19 ] استفاده شده است. خو و همکاران [ 18 ] از GIS و مدل ارزش اطلاعاتی برای ارزیابی حساسیت جریان زباله استفاده کرد. چن و همکاران [ 19 ] یک نقشه حساسیت زمین لغزش با استفاده از مدل ارزش اطلاعاتی در منطقه چنکانگ بائوجی، چین تهیه کرد. زو و همکاران [ 20 ] مدل ارزش اطلاعاتی را با روش وزن شواهد در نگاشت حساسیت زمین لغزش مقایسه کرد. نتایج نشان می‌دهد که مدل ارزش اطلاعاتی از دقت پیش‌بینی بالاتری برخوردار است. چن و همکاران [ 21] مقایسه ای بین مدل ارزش اطلاعاتی و مدل رگرسیون لجستیک در نگاشت حساسیت زمین لغزش انجام داد که نشان می دهد نتایج مدل ارزش اطلاعاتی با رویدادهای واقعی زمین لغزش منطبق است. دقت پیش‌بینی بالاتر مدل ارزش اطلاعاتی در نقشه‌برداری حساسیت زمین لغزش تا حدی به این دلیل است که وزن‌های نسبی طبقات مختلف هر یک از عوامل مستعد زمین لغزش را می‌توان به طور عینی تعیین کرد. علاوه بر این، عوامل مختلف تأثیرات متفاوتی بر وقوع زمین لغزش دارند. با این حال، مدل ارزش اطلاعاتی سنتی همه عوامل مستعد کننده زمین لغزش را در سطح یکسانی از اهمیت در نظر می گیرد و برای هر عامل وزن یکسانی قائل می شود. بنابراین، این مدل نمی تواند تفاوت بین مشارکت عوامل مختلف زمینه لغزش را منعکس کند. برای بهبود مدل ارزش اطلاعاتی، چندین روش پیشنهاد شده است. جیانگ و همکاران [22 ] مدل ارزش اطلاعات را با یک فرآیند سلسله مراتبی تحلیلی برای ارزیابی حساسیت زمین لغزش ترکیب کرد. یک مدل ارزش اطلاعاتی ادغام شده با آنتروپی شانون توسط شارما و همکاران ارائه شد. [ 23 ]. اما برای این روش ها، وزن عوامل مستعد کننده زمین لغزش از طریق مداخله انسانی تعیین می شود که عدم قطعیت در نتایج را افزایش می دهد.

این مقاله یک مدل ارزش اطلاعاتی بهبود یافته را بر اساس خوشه‌بندی خاکستری پیشنهاد می‌کند. از آنجایی که اثرات عوامل مستعد کننده مختلف بر زمین لغزش متفاوت است. درک تفاوت ها در اثر و از این رو اهمیت دادن به اهمیت عوامل مختلف حیاتی است. این مدل به طور عینی هم وزن نسبی طبقات مختلف را در هر عامل مستعد کننده و هم وزن عوامل مستعد کننده زمین لغزش را تعیین می کند. مدل پیشنهادی با مقایسه نتایج نگاشت حساسیت زمین لغزش آن با مدل اطلاعات سنتی و مدل بهبود یافته همراه با فرآیند تحلیل سلسله مراتبی ارزیابی می‌شود. این مطالعه بینش جدیدی را برای نقشه‌برداری حساسیت زمین لغزش ارائه می‌کند که می‌تواند به دولت‌ها در انجام پیشگیری و کاهش زمین لغزش کمک کند.

2. منطقه مطالعه

منطقه مورد مطالعه چونگ کینگ در جنوب غربی چین، بین طول‌های جغرافیایی 105 درجه و 11 دقیقه شرقی و 110 درجه و 11 دقیقه شرقی و عرض‌های جغرافیایی 28 درجه و 10 دقیقه شمالی و 32 درجه و 13 دقیقه شمالی واقع شده است. این منطقه با یک زمین‌شناسی پیچیده مشخص می‌شود ساختار، لایه سطحی نرم، دره های عمیق و شیب های تند. چارچوب تکتونیکی اصلی این ناحیه از جنبش هندوسینیان-یانشان و جنبش هیمالیا سرچشمه گرفته است. متاثر از ناحیه گسلی Huayingshan، ناحیه گسل Qiyaoshan و گسل Changshou-Zunyi، یک سری از چین‌خوردگی‌ها و گسل‌های تکتونیکی در این ناحیه ایجاد شده‌اند. چونگ کینگ در قسمت شرقی حوضه سیچوان واقع شده است. شرق چونگ کینگ به کوه‌های Qinba و کوه‌های Wuling و چانگ‌کینگ غربی به منطقه تپه‌ای مید سیچوان مرتبط است. این منطقه دارای نقش برجسته توپوگرافی مشخصی است که توسط ساختارهای زمین شناسی کنترل می شود. تراز کوهستانی به طور گسترده با خط تکتونیکی سازگار است. چونگ کینگ غربی عمدتاً دارای مناطق کم ارتفاع کوهستانی و تپه ای است. رودخانه جیالینگ و یانگ تسه از کل منطقه می گذرد. آب و هوای این منطقه نیمه گرمسیری موسمی و همراه با بارش و طوفان فراوان است. در سال‌های اخیر، افزایش فعالیت‌های انسانی در این منطقه به‌ویژه برای احداث مخزن سه تنگه، تأثیر بیشتری بر زمین‌های طبیعی داشته است. در نتیجه، رانش زمین به گسترده ترین و جدی ترین خطر زمین شناسی در منطقه تبدیل شد. افزایش فعالیت‌های انسانی در این منطقه به‌ویژه برای احداث مخزن سه تنگه، تأثیر بیشتری بر زمین‌های طبیعی داشته است. در نتیجه، رانش زمین به گسترده ترین و جدی ترین خطر زمین شناسی در منطقه تبدیل شد. افزایش فعالیت‌های انسانی در این منطقه به‌ویژه برای احداث مخزن سه تنگه، تأثیر بیشتری بر زمین‌های طبیعی داشته است. در نتیجه، رانش زمین به گسترده ترین و جدی ترین خطر زمین شناسی در منطقه تبدیل شد.

3. داده ها

3.1. داده های موجودی زمین لغزش

در این مطالعه، فهرست زمین لغزش با مجموع 8435 رویداد زمین لغزش قبل از سال 2014 توسط موسسه زمین شناسی و منابع معدنی چونگ کینگ ارائه شد ( شکل 1 ). همه رویدادهای زمین لغزش با ویژگی های نقطه ای با ویژگی های عرض جغرافیایی، طول جغرافیایی و مساحت نشان داده می شوند. حداقل مساحت زمین لغزش 3 متر ^مربع و حداکثر مساحت 3,080,000 متر ^مربع بود .

زمین لغزش های موجود در فهرست عمدتاً در امتداد گسل ها، شبکه راه ها و شبکه هیدروگرافی توزیع شده اند. موجودی از اسلایدهای چرخشی، اسلایدهای انتقالی، و جریان های زباله و غیره تشکیل شده است. این زمین لغزش ها مساحتی بالغ بر 194442814 متر ^مربع را تحت تأثیر قرار می دهد . با توجه به حجم زمین لغزش، این زمین لغزش ها را می توان به چهار دسته تقسیم کرد که شامل زمین لغزش های کوچک (<10 × 10 4 ^متر مکعب ⁾ ، زمین لغزش های متوسط (10 × 10 ^{4 –} 100 × 10 ⁴ متر ^مکعب )، بزرگ زمین لغزش های بزرگ (100 × 10 ⁴ – 1000 × 10 ⁴ متر ^مکعب ) و زمین لغزش های بزرگ (> 1000 × 10 ⁴ متر ^مکعب)). تعداد زمین لغزش های کوچک، زمین لغزش های متوسط، زمین لغزش های بزرگ و زمین لغزش های بزرگ به ترتیب 7052، 1172، 160 و 51 مورد است. بلایای زمین لغزش در چونگ کینگ توسط زمین لغزش های کوچک (83.6٪) و پس از آن رانش زمین با اندازه متوسط (13.9٪) غالب است. زمین لغزش های بزرگ و بزرگ بسیار نادر است.

عوامل مستعد کننده اصلی زمین لغزش در چونگ کینگ شامل بارندگی، زلزله، فرسایش انگشتان شیب توسط رودخانه ها و فعالیت های انسانی است. بیشتر زمین لغزش های منطقه مورد مطالعه ناشی از بارندگی است و پس از آن زمین لغزش های ناشی از زلزله و فرسایش رخ می دهد. برخی از مطالعات نشان داده اند که آستانه بارندگی 150 میلی متر در روز در منطقه مورد مطالعه [ 24 ] بود. علاوه بر این، تعداد زیادی از پروژه های ساختمانی که توسط دولت های محلی آغاز شده بودند نیز مسئول وقوع زمین لغزش بودند.

3.2. عوامل مستعد کننده زمین لغزش

در این مقاله از هشت عامل زمینه‌ساز زمین لغزش برای ساخت روش‌های پیش‌بینی زمین لغزش شامل ارتفاع، شیب شیب، جهت، بارندگی، فاصله از گسل‌ها، فاصله از شبکه راه، فاصله از شبکه هیدروگرافی و شاخص پوشش گیاهی تفاوت نرمال شده استفاده شد. NDVI).

ارتفاع از سطح دریا اثرات زیادی بر اقلیم، هیدرولوژی، زمین شناسی و خاک دارد که از عوامل مرتبط با وقوع زمین لغزش هستند. شیب شیب نیروی محرکه اصلی زمین لغزش است. از نظر تئوری، احتمال وقوع زمین لغزش در شیب های تند بیشتر است [ 25 ]. با این حال، برخی از مطالعات گزارش کرده اند که زمین لغزش زمانی که شیب شیب متوسط است، به احتمال زیاد رخ می دهد [ 26 ]. این به دلیل فقدان پایه مادی برای لغزش زمین در شیب های بزرگ است [ 27 ]. جنبه بر توزیع منابع آب و گرما تأثیر می گذارد و از این رو بر انواع خاک، سنگ و پوشش گیاهی تأثیر می گذارد [ 28]]. بارندگی با کاهش مستقیم یا غیرمستقیم مقاومت برشی سنگ-خاک از طریق اثرات فیزیکی و شیمیایی روی سنگ-خاک، عامل محرک مهم زمین لغزش ها است. بنابراین از میانگین بارش سالانه (MAP) به عنوان شاخص استفاده می شود. نزدیکی یک گسل نیز یکی از عوامل مستعد کننده اصلی زمین لغزش است. به خوبی شناخته شده است که زمین لغزش در ناحیه اطراف یک گسل به دلیل شکستگی در توده سنگ رخ می دهد [ 29 , 30]]. فاصله بافر از خطاها به عنوان نشانگر استفاده می شود. ساخت و ساز جاده همچنین منجر به افزایش بیش از حد شیب های جانبی می شود. بنابراین احتمال وقوع زمین لغزش در طول جاده زیاد است. فاصله یک شیب تا سازه های زهکشی عامل مهم دیگری برای پایداری شیب است. جریان ها ممکن است با فرسایش شیب ها یا اشباع کردن قسمت پایینی مواد بر پایداری تأثیر منفی بگذارند [ 31 ، 32 ]. بنابراین فاصله از شبکه های هیدروگرافی را به عنوان عامل مستعد کننده انتخاب کردیم. NDVI شاخص مهمی است که پوشش گیاهی یک منطقه را نشان می دهد و عامل مهمی برای وقوع زمین لغزش و حرکت است [ 33 ]. ریشه های گیاه می توانند خاک را برای کاهش اثر بارندگی نگه دارند [ 34]. از نظر تئوری، احتمال وقوع زمین لغزش به تدریج با افزایش مقدار NDVI کاهش می یابد [ 35 ].

مدل ارتفاع دیجیتال جهانی با وضوح 30 متر تولید شده از داده‌های استریوسکوپی جمع‌آوری‌شده توسط مدل تابش حرارتی پیشرفته و انعکاس رادیومتر جهانی ارتفاع (ASTER GDEM) برای ارائه اطلاعات ارتفاع مورد استفاده قرار گرفت. بر اساس ASTER GDEM، یک شیب شیب و یک نقشه جنبه تولید شد. شبکه هیدروگرافی نیز از ASTER GDEM با محاسبه انباشت جریان استخراج شد. داده های ساختار زمین شناسی استخراج شده از نقشه زمین شناسی چونگ کینگ در قالب برداری در مقیاس 1:500000 بود. داده های برداری شبکه جاده از نقشه توپوگرافی چین بازیابی شد. داده های بارندگی شامل بارش روزانه در ایستگاه های رصد بارندگی در سال های 2013 و 2014 و مختصات جغرافیایی این ایستگاه های رصدی، توسط موسسه زمین شناسی و منابع معدنی چونگ کینگ ارائه شد. داده های NDVI توسط سایت بین المللی علمی و فنی داده ها، مرکز اطلاعات شبکه کامپیوتری، آکادمی علوم چین ارائه شده است. (http://www.gscloud.cn ) با وضوح 500 متر و نمونه برداری مجدد به وضوح 30 متر. نقشه های عوامل مستعد کننده زمین لغزش در شکل 2 نشان داده شده است .

4. روش شناسی

برای مجموعه داده ها، هر سلول شبکه ای 30×30 متری به عنوان واحد مطالعه استفاده شد. 8435 زمین لغزش ثبت شده به طور تصادفی به دو زیر مجموعه تقسیم شدند. 70 درصد (5905) از زمین لغزش‌های موجودی برای آموزش مدل استفاده شد و 30 درصد باقی‌مانده (2530) برای اعتبارسنجی مدل استفاده شد. برای ارزیابی حساسیت زمین لغزش از سه مدل، یعنی مدل ارزش اطلاعات، مدل ارزش اطلاعات بهبودیافته بر اساس فرآیند تحلیل سلسله مراتبی و مدل ارزش اطلاعات بهبودیافته بر اساس خوشه‌بندی خاکستری استفاده شد. در نهایت، حساسیت زمین لغزش به پنج کلاس زیر تقسیم شد: بسیار کم، کم، متوسط، زیاد و بسیار زیاد با استفاده از بهینه سازی شکست های طبیعی Jenks. بهینه‌سازی شکست‌های طبیعی Jenks یک روش خوشه‌بندی داده است که برای تعیین بهترین آرایش مقادیر در کلاس‌های مختلف طراحی شده است. این کار با تلاش برای به حداقل رساندن میانگین انحراف هر طبقه از میانگین کلاس و در عین حال به حداکثر رساندن انحراف هر طبقه از میانگین گروه های دیگر انجام می شود. به عبارت دیگر، این روش به دنبال کاهش واریانس درون کلاس‌ها و به حداکثر رساندن واریانس بین کلاس‌ها است.34 ]. جزئیات این سه مدل در زیر بخش های زیر ارائه شده است.

4.1. مدل ارزش اطلاعات (IVM)

IVM یک روش تحلیل آماری است که از تئوری اطلاعات ایجاد شده است. در این مدل از مقادیر اطلاعاتی عوامل مستعد کننده برای توصیف احتمال وقوع زمین لغزش استفاده شد. ارزش اطلاعات

I (x_{i}, H)

هر یک از عوامل مستعد کننده زمین لغزش

x_{i} (i = 1, 2, \dots, n)

را می توان به صورت زیر بیان کرد [ 21 ، 36 ، 37 ]:

من (ایکس من ، اچ) = l n ن من / ن اس من / اس

(1)

جایی که $H$ نشان دهنده احتمال لغزش زمین است، $S$ تعداد کل واحدهای مطالعه از منطقه مورد مطالعه است، $N$ مساحت کل زمین لغزش ها در منطقه مورد مطالعه است که مجموع مساحت تمام نقاط زمین لغزش در منطقه مورد مطالعه است. $S_{i}$ تعداد واحدهای مورد مطالعه با وجود عامل مستعد کننده است $x_{i}$ ، و $N_{i}$ مساحت کل زمین لغزش ها با وجود عامل مستعد کننده است $x_{i}$ که مجموع مساحت نقاط زمین لغزش با وجود عامل مستعد کننده است $x_{i}$ .

بنابراین، کل اطلاعات

I

هر واحد مطالعه را می توان به عنوان مجموع مقادیر اطلاعاتی همه عوامل مستعد کننده محاسبه کرد [ 38 ].

من = \sum ن من = 1 من (ایکس من ، اچ) = \sum ن من = 1 l n ن من / ن اس من / اس

(2)

چه زمانی $I < 0$ احتمال وقوع زمین لغزش کمتر از حد متوسط است. چه زمانی $I = 0$ ، امکان لغزش زمین برابر با متوسط است; و وقتی که $I > 0$ ، احتمال لغزش بیشتر از حد متوسط است [ 39 ]. هر چه ارزش اطلاعات بزرگتر باشد، امکان لغزش بیشتر است.

این روش از مراحل زیر تشکیل شده است: (1) پیش پردازش داده های زمین لغزش و داده های عوامل مستعد کننده زمین لغزش. تهیه نقشه توزیع شیب و جهت با استفاده از داده های DEM و ابزار هیدرولوژی ArcGIS. تجزیه و تحلیل کامل ناحیه بافر شبکه هیدروگرافی، شبکه جاده و گسل ها که نقشه های بافر مربوطه را ایجاد می کند. برای ترسیم نقشه توزیع بارندگی، بارندگی باید درون یابی شود. (2) طبقه بندی عوامل مستعد کننده زمین لغزش، سپس محاسبه مقادیر اطلاعاتی عوامل مستعد کننده زمین لغزش طبق رابطه (1). (3) همپوشانی نقشه‌های توزیع مقادیر اطلاعات همه عوامل مستعد زمین لغزش برای محاسبه کل اطلاعات با استفاده از ابزار جبر نقشه، ArcGIS.

4.2. مدل ارزش اطلاعات بهبودیافته بر اساس فرآیند تحلیل سلسله مراتبی (IVM-AHP)

IVM را می توان با استفاده از فرآیند تحلیل سلسله مراتبی بهبود بخشید. ساخت مدل بهبودیافته شامل مراحل زیر است [ 15 ، 40 ، 41 ، 42 ]:

1: برای ایجاد سلسله مراتب، با 1-9 و متقابل آن به عنوان مقیاس اهمیت عوامل مستعد کننده در وقوع زمین لغزش ( جدول 1 )، اهمیت نسبی عوامل مستعد کننده برای ساخت یک ماتریس مقایسه زوجی مقایسه شده است [ 43 ].
2: بزرگترین مقدار ویژه و بردار ویژه مربوط به ماتریس مقایسه محاسبه می شود. بردار ویژه برای نشان دادن وزن عوامل مستعد کننده نرمال شده است [ 44 ، 45 ، 46 ].
3: سازگاری ماتریس بررسی می شود. نسبت قوام $(CR)$ برای محاسبه سازگاری به عنوان معادله (3) استفاده می شود.

$CR = سی من R I$

(3)

جایی که $R I$ میانگین شاخص تصادفی است که توسط ساعتی [ 47 ] تعریف شده است ( جدول 2 ). $C I$ شاخص سازگاری است که به صورت تعریف شده است

$CI = (λ m a x - ن) / (ن - 1)$

(4)

جایی که $λ_{m a x}$ بزرگترین مقدار ویژه است و $N$ ترتیب ماتریس مقایسه است. زمانی که ارزش $CR$ کمتر از 0.1 است، مقایسه زوجی الزامات سازگاری را برآورده می کند [ 48 ، 49 ]. در غیر این صورت، ماتریس مقایسه باید بازسازی شود، به این معنی که باید به مرحله اول برگردیم [ 50 ].
4: ارزش کل اطلاعات وزنی هر واحد مطالعه با استفاده از مقادیر اطلاعاتی به دست آمده از IVM طبق رابطه (5) به دست می آید:

$من ω = \sum i = 1 n ω من من من = \sum i = 1 n ω من l n ن من / ن اس من / اس$

(5)

در این معادله، $ω_{i} (i = 1, 2, \dots, n)$ وزن هر یک از عوامل مستعد کننده است. سپس، ارزش کل اطلاعات وزنی را می توان با استفاده از بهینه سازی شکست های طبیعی Jenks برای تولید نقشه حساسیت زمین لغزش طبقه بندی کرد.

4.3. مدل ارزش اطلاعات بهبود یافته بر اساس خوشه بندی خاکستری (IVM-GC)

در این مقاله، مدل (IVM) شرح داده شده در بخش 4.1 بر اساس خوشه بندی خاکستری بهبود یافته است. ارزش اطلاعات به دست آمده از IVM برای به دست آوردن وزن های نسبی طبقات مختلف در هر عامل مستعد کننده زمین لغزش و تعیین وزن این عوامل استفاده می شود.

در نگاشت حساسیت زمین لغزش، واحدهای مطالعه، اشیاء را خوشه بندی می کنند که با نشان داده می شوند.

i (i = 1, 2, \dots, n)

و عوامل مستعد کننده زمین لغزش به عنوان شاخص های خوشه بندی بیان می شوند

j (j = 1, 2, \dots, m)

. ارزش از

j

عامل مستعد کننده در

i

واحد مطالعه به صورت بیان شده است

y_{i j}

. کلاس های خاکستری

k (k = 1, 2, \dots, s)

به عنوان کلاس های حساسیت به زمین لغزش در نظر گرفته می شوند. این

n

تعداد کل واحدهای تحصیلی است. این

m

تعداد عوامل مستعد کننده زمین لغزش است که برای این مقاله 8 است. این

s

تعداد کلاس های حساسیت به زمین لغزش است که در این مطالعه 5 کلاس می باشد. خوشه‌بندی خاکستری برای نقشه‌برداری حساسیت زمین لغزش مراحل زیر را دارد [ 51 ، 52 ، 53 ]:

1

با استفاده از روش نرمال سازی حداقل حداکثر، داده ها نرمال می شوند تا تأثیر ابعاد را از بین ببرند. در میان همه

y_{i j}

مقادیر، حداکثر مقدار

y_{M}

و حداقل مقدار

y_{m}

برای عادی سازی استفاده می شود

y_{i j}

[ 52 ]:

ایکس من ج = y من ج - y متر y م - y متر

(6)

2

توابع وزن سفید کننده عوامل مستعد کننده تعیین می شود. این

f_{j}^{k} (\cdot) (1, 2, \dots, m; k = 1, 2, \dots, s)

تابع وزن سفید کننده است

k

کلاس حساسیت از

j

عامل مستعد کننده [ 52 ].

①: تابع وزن سفید شدن کمتر ( شکل 3 الف) است $[-, -, x_{j}^{k} (3), x_{j}^{k} (4)]$

$f ک j (x) = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 0 x \notin [0, ایکس ک j (4)] 1 x \in [0, ایکس ک j (3)] ایکس ک j ( 4 ) - x ایکس ک j ( 4 ) - ایکس ک j ( 3 ) x \in [ایکس ک j (3) ، ایکس ک j (4)]$

(7)
②: تابع وزن سفید شدن متوسط ( شکل 3 ب) است $[x_{j}^{k} (1),_{j}^{k} (2), -, x_{j}^{k} (4)]$

$f ک j (x) = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 0 x \notin [ایکس ک j (1) ، ایکس ک j (4)] x - ایکس ک j ( 1 ) ایکس ک j ( 2 ) - ایکس ک j ( 1 ) x \in [ایکس ک j (1) ، ایکس ک j (2)] ایکس ک j ( 4 ) - x ایکس ک j ( 4 ) - ایکس ک j ( 2 ) x \in [ایکس ک j (2) ، ایکس ک j (4)]$

(8)
③: تابع وزن سفید شدن بالایی ( شکل 3 ج) است $[x_{j}^{k} (1),_{j}^{k} (2), -, -]$

$f ک j (x) = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 0 x \notin [1 ، ایکس ک j (7)] x - ایکس ک j ( 1 ) ایکس ک j ( 2 ) - ایکس ک j ( 1 ) x \in [ایکس ک j (1) ، ایکس ک j (2)] ایکس ک j ( 4 ) - x ایکس ک j ( 4 ) - ایکس ک j ( 3 ) x \in [ایکس ک j (2), 7]$

(9)

3

وزن خوشه بندی

η_{j} (j = 1, 2, \dots, m),

که منعکس کننده تأثیر هر یک از عوامل مستعد کننده زمین لغزش بر وقوع زمین لغزش است، با معادله (10) محاسبه می شود:

η j = λ j \sum متر j = 1 λ j

(10)

جایی که $λ_{j}$ مجموع مقادیر اطلاعات مثبت است $j$ عامل مستعد کننده زمین لغزش این $\sum_{j = 1}^{m} λ_{j}$ ارزش اطلاعات مثبت کل همه عوامل مستعد کننده است.

4

ضریب خوشه بندی واحد مورد مطالعه

i (i = 1, 2, \dots, n)

برای کلاس حساسیت

k (k = 1, 2, \dots, s)

به صورت بیان می شود

σ ک من = \sum j = 1 متر f ک j (ایکس من ج) \cdot η j, (i = 1, 2, \dots, n ؛ k = 1, 2, \dots, s)

(11)

جایی که $f_{j}^{k} (\cdot) (j = 1, 2, \dots, m; k = 1, 2, \dots, s)$ توابع وزن خوشه بندی در مرحله (2) و $x_{i j} (i = 1, 2, \dots, n; j = 1, 2, \dots, m)$ مقدار نرمال شده است $j$ عامل مستعد کننده در $i$ واحد مطالعاتی وزن خوشه بندی $η_{j} (j = 1, 2, \dots, m)$ در مرحله (3) به دست می آید.

تمام ضرایب خوشه بندی از

i

واحد مطالعه یک بردار خوشه بندی را تشکیل می دهد:

σ من = (σ 1 من ، σ 2 من, \dots, σ ک من)

(12)

5

با توجه به بردار خوشه بندی، کلاس حساسیت که واحد مورد مطالعه است

i (i = 1, 2, \dots, n)

متعلق به را می توان تعیین کرد. واحد مطالعه

i

متعلق به کلاس است

k^{*}

اگر

حداکثر {σ ک من} = σ ک * من

(13)

یعنی $k^{*}$ برابر با ارزش است $k$ که ضریب خوشه بندی آن $σ_{i}^{k} (k = 1, 2, .., s)$ بزرگترین است.

4.4. منحنی ویژگی های عملیاتی گیرنده

منحنی ROC به عنوان یک ابزار مفید برای مطالعه مشکلات دوتایی، مانند تجلی یا عدم تجلی زمین لغزش، به طور گسترده ای برای ارزیابی عملکرد یک مدل حساسیت زمین لغزش استفاده شده است [54 ، 55 ] . منحنی با رسم نرخ مثبت واقعی (TPR) در برابر نرخ مثبت کاذب (FPR) در تنظیمات آستانه های مختلف [ 56 ] ایجاد می شود. مقادیر مثبت کاذب در امتداد محور x نسبت مناطقی است که به عنوان مناطق مستعد زمین لغزش طبقه بندی شده اند اما در واقع چنین نیستند. در مقابل، مقادیر مثبت واقعی در امتداد محور y نسبت مناطق لغزش طبقه بندی شده به عنوان مناطق مستعد زمین لغزش [ 54 ] است. مدل حساسیت زمین لغزش با استفاده از سطح زیر منحنی ROC (AUC) [ 55] ارزیابی می‌شود.]. مقدار AUC از 0.5 تا 1 متغیر است. مدلی که بیشترین AUC را دارد به عنوان بهترین در نظر گرفته می شود. AUC نزدیک به 1 نشان می دهد که مدل نتیجه خوبی را تولید می کند [ 54 ]. در مقابل، مقدار AUC نزدیک به 0.5 حاکی از نتیجه ضعیف است. به طور کلی پذیرفته شده است که یک مدل دقت بالایی دارد اگر AUC این مدل بزرگتر از 0.7 باشد [ 57 ].

4.5. تست رتبه امضا شده ویلکاکسون

آزمون رتبه علامت دار Wilcoxon یک آزمون ناپارامتریک معادل آزمون t وابسته است. از آنجایی که آزمون رتبه علامت دار Wilcoxon به نرمال بودن داده ها نیاز ندارد، می توان از آن در زمانی استفاده کرد که نرمال بودن نقض شده باشد و استفاده از آزمون t وابسته نامناسب باشد. از آن برای مقایسه دو مجموعه از نمرات که از شرکت کنندگان یکسان می آیند استفاده می شود [ 58 ]. در این مقاله، از آن برای مقایسه الگوی فضایی مناطق مستعد زمین لغزش استخراج شده توسط سه مدل استفاده شد تا بررسی شود که آیا نتایج پیش‌بینی سه مدل تفاوت معنی‌داری دارند یا خیر.

5. نتایج

با استفاده از 70 درصد زمین لغزش‌های موجودی، سه نقشه حساسیت زمین لغزش با استفاده از مدل ارزش اطلاعاتی (IVM)، مدل ارزش اطلاعاتی بهبودیافته بر اساس فرآیند تحلیل سلسله مراتبی (IVM-AHP)، و مدل ارزش اطلاعات بهبود یافته جدید مبتنی بر خوشه‌بندی خاکستری ایجاد شد. (IVM-GC). هشت عامل مستعد زمین لغزش برای نقشه‌برداری حساسیت زمین لغزش شامل ارتفاع، شیب شیب، جهت، بارندگی، فاصله از گسل‌ها، فاصله از شبکه راه، فاصله از شبکه هیدروگرافی و NDVI انتخاب شدند.

5.1. کاربرد IVM

بر اساس تحقیقات موجود [ 18 ، 19 ، 59 ] یا بهینه سازی شکست های طبیعی جنکس، هر عامل مستعد کننده زمین لغزش به پنج کلاس تقسیم شد، به جز جنبه، که به 9 کلاس تقسیم شد. با استفاده از رابطه (1)، ارزش اطلاعاتی هر طبقه از عوامل مستعد کننده زمین لغزش محاسبه شد ( جدول 3 ).

از نظر ارتفاع، همانطور که در جدول 3 نشان داده شده است، کلاس 100-200 متری دارای بیشترین ارزش اطلاعاتی 1.342 و به دنبال آن 0.134 در 200-300 متر است. کلاس های باقی مانده منفی بود. بنابراین، زمین لغزش مستعد رخ دادن بین 100 تا 300 متر بود.

در مورد شیب شیب، بیشتر زمین لغزش ها بین 10 تا 35 درجه رخ داده است. حداکثر مقدار اطلاعات 0.494 در محدوده 10 درجه تا 20 درجه یافت شد، که محدوده ای بود که احتمال وقوع زمین لغزش وجود داشت.

برای جنبه، مقادیر اطلاعات از -0.226 تا 0.387 متغیر بود. حداکثر در نوردهی شمال غربی و کمترین آن در نواحی مسطح بود. بنابراین، احتمال وقوع زمین لغزش در مناطق شمال غرب بیشترین و در مناطق هموار کمترین بود.

برای فاصله از شبکه هیدروگرافی، بیشترین مقدار اطلاعات 0.441 در فاصله کمتر از 1000 متر بود. ارزش اطلاعاتی فاصله از شبکه هیدروگرافی بین 1000 تا 2000 متر با 0.338 در رتبه دوم قرار گرفت. محدوده های 2000-3000 متر و 3000-4000 متر به ترتیب دارای مقادیر اطلاعاتی -0.134 و -0.436 بودند. کلاس >4000 متر کمترین مقدار اطلاعات را داشت. از این نتایج، به وضوح نشان داده شد که احتمال وقوع زمین لغزش زمانی که فاصله از شبکه هیدروگرافی کمتر از 1000 متر باشد، بیشتر است. کمترین احتمال وقوع زمین لغزش در کلاس بیش از 4000 متر بود.

برای فاصله از گسل ها، فواصل 0-600 متر و 600-1200 متر به ترتیب دارای مقادیر اطلاعاتی 0.205 و 0.053 بودند. مقادیر اطلاعات برای کلاس های 1800-2400 متر و > 2400 متر منفی بود. این نشان می‌دهد که لغزش‌ها زمانی که فاصله تا گسل‌ها کمتر از 1800 متر باشد، بیشتر رخ می‌دهد. کمترین احتمال وقوع زمین لغزش در محدوده بیش از 1800 متر وجود داشت.

ارزش اطلاعاتی بارندگی از 1.553- تا 0.247 متغیر بود. در منطقه مورد مطالعه، بارندگی بین 1100 تا 1200 میلی‌متر در سال بیشترین مقدار اطلاعاتی 0.247 را داشت که نشان می‌دهد احتمال وقوع زمین لغزش در این بازه بیشتر از سایر بازه‌ها است. ارزش اطلاعاتی بارندگی بین 1200 تا 1250 میلی متر در سال در رتبه دوم قرار گرفت (216/0). این نتیجه با دانش رایج که ارزش اطلاعات باید به تدریج با افزایش بارندگی افزایش یابد، ناسازگار بود. این پدیده ممکن است به دلیل طوفان های ناگهانی باران باشد که در بروز زمین لغزش نیز نقش بسزایی داشته است [ 60 ].

در مورد فاصله از شبکه جاده، بیشترین مقدار اطلاعات 0.619 در فاصله 0-200 متر بود. فراتر از 800 متر، مقدار اطلاعات در 0.164- کمترین مقدار بود که نشان دهنده کمترین فراوانی زمین لغزش است.

با توجه به NDVI، کلاس <0.55 بیشترین مقدار اطلاعات 0.663 و کلاس >0.85 کمترین مقدار اطلاعات 0.781- را داشتند. ارزش اطلاعات به تدریج با افزایش مقدار NDVI کاهش یافت.

حساسیت زمین لغزش بر اساس کل اطلاعات تعیین شد که مجموع مقادیر اطلاعاتی همه عوامل مستعد کننده زمین لغزش بود. بر اساس بهینه سازی شکست های طبیعی جنکس، کل اطلاعات به پنج کلاس شامل حساسیت بسیار کم، کم، متوسط، زیاد و بسیار زیاد تقسیم شد. سپس، نقشه حساسیت زمین لغزش منطقه مورد مطالعه چونگ کینگ تولید شد ( شکل 4 ).

شکل 4 نشان می دهد که مناطق کم حساسیت عمدتاً در جنوب غربی و شمال شرقی منطقه مورد مطالعه توزیع شده است. مناطق حساس به بالا در یک الگوی نواری، در امتداد جهات مشابه با اکثر جاده‌ها، شبکه‌های هیدروگرافی و گسل‌ها توزیع شدند. مناطق با حساسیت کم 96/32 درصد از منطقه مورد مطالعه را به خود اختصاص داده اند که بیشترین نسبت را در بین تمام طبقات به خود اختصاص داده است، در حالی که مناطق حساس بسیار کم، متوسط، زیاد و بسیار زیاد 36/14 درصد، 37/30 درصد، 45/16، 45/16، درصد و 86/5 درصد از مطالعه را به خود اختصاص داده اند. منطقه، به ترتیب.

5.2. کاربرد IVM-AHP

جدول 4 ماتریس مقایسه زوجی و وزن عوامل مستعد کننده زمین لغزش تعیین شده توسط فرآیند تحلیل سلسله مراتبی را نشان می دهد. همانطور که در جدول 4 نشان داده شده است ، شیب شیب بیشترین وزن را داشت، یعنی بیشترین تاثیر را بر وقوع زمین لغزش داشت. وزن جنبه حداقل بود، به این معنی که این جنبه کمترین تأثیر را در وقوع زمین لغزش داشت. وزن ارتفاع، فاصله از گسل ها، فاصله از شبکه هیدروگرافی، فاصله از شبکه راه، بارندگی و NDVI به ترتیب 082/0، 155/0، 059/0، 041/0، 258/0 و 035/0 بود.

سازگاری ماتریس مقایسه زوجی با استفاده از نسبت سازگاری مورد آزمایش قرار گرفت

(CR)

. شاخص ثبات

(CI)

CR

مقادیر به ترتیب 0.116 و 0.082 بود که نشان داد ماتریس مقایسه زوجی نیاز سازگاری را برآورده می کند. با استفاده از مقادیر اطلاعاتی هر طبقه از عوامل مستعد زمین لغزش به دست آمده از IVM، مقادیر اطلاعات وزنی با استفاده از رابطه (5) به دست آمد و سپس نقشه حساسیت به زمین لغزش تهیه شد ( شکل 5 ). همانطور که در شکل 5 نشان داده شده است ، مناطق کم حساسیت عمدتا در جنوب غربی و شمال شرقی منطقه مورد مطالعه توزیع شده است. نواحی حساس به بالا در یک الگوی کمربند توزیع شدند که مشابه نتایج مدل ارزش اطلاعاتی نشان داده شده در شکل 4 بود.. مناطق با حساسیت کم بیشترین نسبت را به خود اختصاص دادند و به 34.93% رسیدند، در حالی که مناطق بسیار کم حساسیت تنها 3.31٪ را به خود اختصاص دادند. مناطق با حساسیت متوسط، زیاد و خیلی زیاد به ترتیب 70/28 درصد، 56/21 درصد و 49/11 درصد از منطقه مورد مطالعه را به خود اختصاص دادند.

5.3. کاربرد IVM-GC

بر اساس مقادیر اطلاعاتی عوامل مستعد کننده زمین لغزش به دست آمده از IVM، حساسیت زمین لغزش برای هر عامل مستعد کننده به پنج کلاس زیر تقسیم شد: خیلی کم، کم، متوسط، زیاد و خیلی زیاد. مقدار اطلاعات بزرگتر نشان دهنده احتمال بیشتر وقوع زمین لغزش است، یعنی کلاس حساسیت بالاتر زمین لغزش. جدول 5طبقه بندی حساسیت زمین لغزش عوامل مستعد کننده را نشان می دهد. به وضوح نشان می دهد که 100-200 متر ارتفاع، شیب 10-20 درجه، فاصله کمتر از 600 متر از گسل ها، فاصله کمتر از 200 متر از شبکه جاده، 1100-1200 میلی متر در سال بارندگی، فاصله کمتر از 1000 متر از شبکه هیدروگرافی ، جنبه نوردهی شمال غربی، و <0.55 NDVI بالاترین حساسیت به زمین لغزش، یعنی کلاس بسیار بالا را داشتند. در مقابل، ارتفاع <100 متر، شیب کمتر از 5 درجه، فاصله > 2400 متر از گسل ها، > 800 متر فاصله از شبکه راه، <1000 میلی متر در سال بارندگی، > 4000 متر فاصله از شبکه هیدروگرافی، جنبه مسطح، و > 0.85 NDVI در کلاس حساسیت بسیار پایین قرار گرفت.

پس از نرمال سازی داده ها، وزن خوشه بندی عوامل مستعد زمین لغزش با استفاده از رابطه (10) محاسبه شد. نتایج نشان‌داده‌شده در جدول 6 نشان می‌دهد که وزن خوشه‌بندی (222/0) ارتفاع حداکثر و فاصله از گسل‌ها کمترین وزن خوشه‌بندی (048/0) را دارد. وزن شیب شیب، فاصله از شبکه راه، بارندگی، فاصله از شبکه هیدروگرافی، جهت و NDVI به ترتیب 0.074، 0.177، 0.083، 0.117، 0.092 و 0.187 بود.

در ادامه برای هر واحد مطالعه، با محاسبه ضریب خوشه‌بندی، بردار خوشه‌بندی تولید شد. کلاس حساسیتی که هر واحد مطالعه به آن تعلق داشت در نهایت با معادله (13) تعیین شد و نقشه حساسیت زمین لغزش ناشی از چونگ کینگ در شکل 6 نشان داده شده است .

همانطور که در شکل 6 نشان داده شده است، مناطق با حساسیت کم 39.78 درصد از منطقه مورد مطالعه را به خود اختصاص داده اند و پس از آن برای مناطق با حساسیت متوسط، 23.44 درصد منطقه مورد مطالعه قرار گرفته است. مناطق حساس بسیار کم، زیاد و بسیار زیاد به ترتیب 77/14 درصد، 81/17 درصد و 20/4 درصد از منطقه مورد مطالعه را به خود اختصاص دادند. علاوه بر این، مناطق کم حساسیت عمدتاً در جنوب غربی و شمال شرقی منطقه پراکنده شدند. مناطق حساس بالا در یک الگوی نواری، مشابه نتیجه مدل ارزش اطلاعات نشان داده شده در شکل 4، توزیع شدند .

5.4. اعتبار سنجی مدل

در این مطالعه، نقشه های حساسیت تولید شده با استفاده از منحنی ویژگی های عملکرد گیرنده (ROC) مورد ارزیابی قرار گرفت. علاوه بر این، از آزمون رتبه‌بندی علامت‌دار Wilcoxon برای بررسی مشابه بودن الگوی فضایی مناطق حساسیت زمین لغزش تولید شده توسط سه مدل استفاده شد.

5.4.1. منحنی ویژگی های عملیاتی گیرنده

در این مطالعه با استفاده از منحنی ROC، میزان موفقیت و نرخ پیش‌بینی برای ارزیابی دقت مدل و توانایی پیش‌بینی سه مدل محاسبه شد. میزان موفقیت با مقایسه 5905 زمین لغزش مورد استفاده برای آموزش مدل با نقشه حساسیت زمین لغزش تولید شده به دست آمد ( شکل 7 ). همانطور که در شکل 7 نشان داده شده است، محور x نسبت مناطق طبقه بندی شده به عنوان مناطق مستعد زمین لغزش را نشان می دهد که در واقع نیستند. محور y نسبت مناطق لغزش طبقه بندی شده به عنوان مناطق مستعد زمین لغزش را نشان می دهد. مقادیر AUC IVM، IVM-AHP و IVM-GC به ترتیب 0.818، 0.787 و 0.852 بود. بنابراین دقت مدل IVM، IVM-AHP و IVM-GC به ترتیب 81.8، 78.7 و 85.2 درصد بود. IVM-GC در ساخت مدل عملکرد بهتری نسبت به IVM و IVM-AHP داشت. 2530 (30%) زمین لغزش باقیمانده با نقشه حساسیت زمین لغزش برای محاسبه نرخ پیش بینی مقایسه شد ( شکل 8).). مقدار AUC IVM 0.820، مقدار AUC IVM-AHP 0.787 و مقدار AUC IVM-GC 0.854 بود. بنابراین، دقت پیش‌بینی IVM، IVM-AHP و IVM-GC به ترتیب 82.0، 78.7 و 85.4 درصد بود. IVM-GC بیشترین مقدار AUC را داشت، در حالی که IVM-AHP کمترین مقدار AUC را داشت. بنابراین، IVM-GC از قابلیت پیش‌بینی بهتری نسبت به IVM و IVM-AHP برخوردار بود.

با مقایسه نتایج نشان‌داده‌شده در شکل 7 و شکل 8 ، مقدار AUC IVM-GC بزرگ‌ترین و پس از آن IVM و IVM-AHP کمترین مقدار را در شکل 7 و شکل 8 داشت . نشان داده شد که منحنی میزان موفقیت مشابه منحنی نرخ پیش‌بینی است. علاوه بر این، مقادیر AUC سه مدل همگی بزرگتر از 0.7 بود که نشان می‌دهد سه مدل برای ارزیابی حساسیت زمین لغزش چونگ کینگ عملکرد خوبی داشتند. در این میان، AUC IVM-GC بزرگترین است، که نشان می دهد IVM-GC روش نسبتا خوبی برای نقشه برداری حساسیت زمین لغزش در منطقه مورد مطالعه در مقایسه با دو مدل دیگر است.

5.4.2. تست رتبه امضا شده ویلکاکسون

با استفاده از نرم افزار SPSS Statistics 22، p -value برای تعیین تفاوت های آماری معنی دار ( p -value < 0.05) محاسبه شد . با مقایسه طبقه‌بندی حساسیت زمین لغزش IVM با طبقه‌بندی حساسیت زمین لغزش IVM-GC در همان مکان، p -value 0.131 بود. مقایسه بین طبقه بندی حساسیت زمین لغزش IVM و IVM-AHP دارای مقدار p 0.458 بود. برای مقایسه بین طبقه بندی حساسیت زمین لغزش IVM-GC و IVM-AHP، مقدار p 0.544 بود. همه ص– مقادیر سه نتیجه مقایسه بزرگتر از 0.05 بود. بنابراین، نتیجه می‌گیریم که نتایج نقشه‌برداری حساسیت زمین لغزش سه مدل از نظر آماری تفاوت معنی‌داری ندارند.

6. بحث

برای هر عامل مستعد کننده زمین لغزش، مقادیر اطلاعات در بین طبقات مختلف متفاوت است ( جدول 3 ). طبقه ای که بیشترین ارزش اطلاعاتی را دارد، بیشترین امکان توسعه زمین لغزش را دارد. هر یک از عوامل مستعد کننده سهم خود را در وقوع زمین لغزش دارد و از این رو، زمین لغزش ها توسط ترکیبی از عوامل مستعد کننده ایجاد می شوند. با توجه به نتایج مقادیر اطلاعاتی نشان داده شده در جدول 3ترکیبی از عوامل مستعد کننده زمین لغزش، از جمله ارتفاع 100-200 متر، شیب شیب 10-20 درجه، فاصله کمتر از 600 متر از گسل ها، فاصله کمتر از 200 متر از شبکه جاده، بارندگی 1100-1200 میلی متر در سال، <1000 فاصله متر از شبکه هیدروگرافی، جنبه نوردهی شمال غربی، و <0.55 NDVI، بیشترین مقدار اطلاعات کل را داشت و بیشترین سهم را در وقوع زمین لغزش داشت. با توجه به همبستگی متغیرها، با استفاده از آزمون چند هم خطی بررسی کرده ایم که آیا عوامل مورد استفاده از یکدیگر مستقل هستند یا خیر. نتایج نشان می دهد که چند خطی بودن مشخصی بین این عوامل وجود دارد. با این حال، برخی از مطالعات نشان داد که چند خطی بودن بر خوبی برازش و خوبی پیش بینی تأثیر نمی گذارد [ 61 ].

در این مقاله حساسیت زمین لغزش به پنج کلاس زیر طبقه بندی شد: خیلی کم، کم، متوسط، زیاد و خیلی زیاد. نقشه های حساسیت زمین لغزش با استفاده از سه روش مختلف زیر تولید شد: IVM، IVM-AHP، و IVM-GC. در این نقشه ها، مناطق با حساسیت بالا اساساً در امتداد جهت شمال شرقی به جنوب غربی در منطقه مورد مطالعه توزیع شده است. نواحی حساس به ساختار زمین شناسی، شبکه راه ها و شبکه هیدروگرافی نزدیک بوده و بیشتر در نواحی شیب با شیب متوسط قرار دارند که مقادیر اطلاعاتی در آنها بالاتر است.

AUC برای ارزیابی میزان موفقیت و نرخ پیش‌بینی سه مدل حساسیت زمین لغزش انتخاب شد. از نظر تئوری، مدلی با بیشترین مقدار AUC بهترین است. بر اساس نتایج اعتبارسنجی، هر سه مدل برای ارزیابی حساسیت زمین لغزش عملکرد خوبی داشتند، زیرا مقادیر AUC آنها همگی بزرگتر از 0.7 بود. علاوه بر این، هم میزان موفقیت و هم نرخ پیش‌بینی IVM-GC در مقایسه با IVM و IVM-AHP، بزرگترین هستند. بنابراین IVM-GC عملکرد بهتری نسبت به دو مدل دیگر در منطقه مورد مطالعه داشت. IVM همه عوامل مستعد زمین لغزش را در سطح یکسانی در نظر می گیرد و برای هر عامل وزن مساوی قائل می شود. معیارهای ساخت مقایسه زوجی عوامل مستعدکننده به تجربه محقق بستگی دارد که ذهنی است و نقطه ضعف اصلی IVM-AHP است. علاوه بر این، IVM-GC مزایای مدل ارزش اطلاعاتی را به ارث می برد که می تواند وزن های نسبی طبقات مختلف را برای هر عامل مستعد کننده زمین لغزش به دست آورد و به طور مناسب وزن عوامل مستعد کننده را تعیین کند. با این حال، طبقه بندی هر یک از عوامل مستعد کننده بر اساس ادبیات است و ممکن است برای این مورد بهترین نباشد. بنابراین در تحقیقات آتی باید اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار گیرد و روش طبقه بندی عینی پیش رفت. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ که می تواند وزن های نسبی طبقات مختلف را برای هر عامل زمینه ساز زمین لغزش به دست آورد و به طور مناسب وزن عوامل مستعد کننده را تعیین کند. با این حال، طبقه بندی هر یک از عوامل مستعد کننده بر اساس ادبیات است و ممکن است برای این مورد بهترین نباشد. بنابراین در تحقیقات آتی باید اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار گیرد و روش طبقه بندی عینی پیش رفت. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ که می تواند وزن های نسبی طبقات مختلف را برای هر عامل زمینه ساز زمین لغزش به دست آورد و به طور مناسب وزن عوامل مستعد کننده را تعیین کند. با این حال، طبقه بندی هر یک از عوامل مستعد کننده بر اساس ادبیات است و ممکن است برای این مورد بهترین نباشد. بنابراین در تحقیقات آتی باید اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار گیرد و روش طبقه بندی عینی پیش رفت. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ و وزن عوامل مستعد کننده را به طور مناسب تعیین کنید. با این حال، طبقه بندی هر یک از عوامل مستعد کننده بر اساس ادبیات است و ممکن است برای این مورد بهترین نباشد. بنابراین در تحقیقات آتی باید اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار گیرد و روش طبقه بندی عینی پیش رفت. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ و وزن عوامل مستعد کننده را به طور مناسب تعیین کنید. با این حال، طبقه بندی هر یک از عوامل مستعد کننده بر اساس ادبیات است و ممکن است برای این مورد بهترین نباشد. بنابراین در تحقیقات آتی باید اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار گیرد و روش طبقه بندی عینی پیش رفت. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش باید مورد مطالعه قرار گیرد و یک روش طبقه بندی عینی باید پیشرفته باشد. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [ اثرات طبقه بندی عوامل مستعد کننده بر ارزیابی حساسیت زمین لغزش باید مورد مطالعه قرار گیرد و یک روش طبقه بندی عینی باید پیشرفته باشد. زمین لغزش های ناشی از زلزله در شمال غربی چونگ کینگ وجود دارد. با این حال، به دلیل محدودیت داده ها، ما از زلزله به عنوان یک عامل مستعد کننده در مدل خود استفاده نکردیم. بنابراین، زلزله ها باید در تحقیقات آتی مورد توجه قرار گیرند [62 ]. علاوه بر این، حساسیت زمین لغزش باید با در نظر گرفتن انواع مختلف زمین لغزش و جدایی بین شرایط محرک زمین لغزش انجام شود. همچنین واحد مطالعه این مقاله 30×30 متر بود که ارتباط کافی با توپوگرافی و ژئومورفولوژی نداشت. در مقابل، واحد شیب بیشتر مربوط به ژئومورفولوژی است که به عنوان واحدی بین خط الراس و دره تعریف می شود. از این رو، مطالعات آتی باید از واحد شیب به عنوان واحد مطالعه استفاده کنند. علاوه بر این، مناطق زمین لغزش برای اعتبارسنجی مدل های حساسیت زمین لغزش استفاده نشد، که می تواند منبع عدم قطعیت باشد. مطالعات بیشتر باید این را در نظر بگیرد.

آزمون‌های رتبه‌بندی علامت‌دار Wilcoxon نشان داد که نتایج نقشه‌برداری حساسیت زمین لغزش سه مدل از نظر آماری تفاوت معنی‌داری در الگوی فضایی مناطق حساس به زمین لغزش ندارد. این نشان می‌دهد که نتایج پیش‌بینی سه مدل مشابه بود، زیرا این مدل‌ها همگی بر اساس ارزش اطلاعاتی بودند.

7. نتیجه گیری

این مقاله یک مدل ارزش اطلاعاتی بهبود یافته را بر اساس خوشه‌بندی خاکستری برای ارزیابی حساسیت زمین لغزش پیشنهاد می‌کند. با استفاده از شیب شیب، جهت، بارندگی، ارتفاع، فاصله از شبکه راه، فاصله از شبکه هیدروگرافی، فاصله از گسل ها و NDVI به عنوان عوامل مستعد کننده زمین لغزش، نقشه های حساسیت زمین لغزش چونگ کینگ چین بر اساس سه مدل تولید شد. IVM، IVM-AHP، و IVM-GC.

نقشه های حساسیت زمین لغزش حاصل نشان می دهد که مناطق با حساسیت بالا عمدتاً در امتداد جهت شمال شرقی به جنوب غربی در منطقه مورد مطالعه توزیع شده اند. آزمون‌های رتبه‌بندی علامت‌دار Wilcoxon نشان داد که الگوی فضایی مناطق حساس به زمین لغزش تولید شده توسط سه مدل از نظر آماری تفاوت معنی‌داری ندارد. ROC برای ارزیابی این مدل‌ها با مقایسه میزان موفقیت و نرخ پیش‌بینی استفاده شد. با محاسبه مقادیر AUC نرخ موفقیت و منحنی‌های نرخ پیش‌بینی، هر سه مدل در ارزیابی حساسیت زمین لغزش چونگ کینگ عملکرد خوبی داشتند. در این میان، IVM-GC بهترین عملکرد را برای نقشه برداری حساسیت زمین لغزش در منطقه مورد مطالعه داشت. IVM-GC نه تنها مزایای مدل ارزش اطلاعاتی را به ارث می برد،

با این حال، در مدل جدید IVM-GC ما، طبقه‌بندی هر یک از عوامل مستعدکننده بر اساس ادبیات مربوطه بود و ممکن است برای این مورد بهترین نباشد. بنابراین، مطالعات بیشتر باید اثرات طبقه‌بندی عوامل مستعدکننده را بر ارزیابی حساسیت زمین لغزش مورد بررسی قرار دهد و یک روش طبقه‌بندی عینی باید توسعه یابد. علاوه بر این، زلزله باید به عنوان یک عامل مستعد کننده در مدل ما استفاده شود و انواع مختلف زمین لغزش و جدایی بین شرایط محرک زمین لغزش باید در نظر گرفته شود. همچنین واحد شیب که بیشتر مربوط به توپوگرافی و ژئومورفولوژی است باید به عنوان واحد مطالعه برای تحقیقات آتی مورد استفاده قرار گیرد.

منابع

Devkota، KC؛ رژمی، م. پورقاسمی، HR نقشه‌برداری حساسیت زمین لغزش با استفاده از ضریب قطعیت، شاخص آنتروپی و مدل‌های رگرسیون لجستیک در GIS و مقایسه آنها در بخش جاده موگلینگ – نارایانگات در نپال هیمالیا. نات خطرات 2013 ، 65 ، 135-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژو، SH; چن، جی کیو؛ Fang، LG الگوی توزیع زمین لغزش‌های ناشی از زلزله لودیان چین در سال 2014: پیامدهایی برای توپوگرافی آستانه منطقه‌ای و شناسایی گسل‌های لرزه‌زا. ISPRS Int. J. Geo-Inf. 2016 . [ Google Scholar ] [ CrossRef ]
باردو، جی. بناویدس، ا. Hervás, J. مقایسه تکنیک‌های ارزیابی خطر زمین لغزش اکتشافی با استفاده از GIS در حوضه تیراجانا، جزیره گران کاناریا، اسپانیا. بین المللی J. Appl. زمین Obs. 2000 ، 2 ، 9-23. [ Google Scholar ] [ CrossRef ]
ماهاراج، RJ فرآیندهای لغزش و تجزیه و تحلیل حساسیت زمین لغزش از یک حوضه آبخیز مرتفع: مطالعه موردی از سنت اندرو، جامائیکا، هند غربی. مهندس جئول 1993 ، 34 ، 53-79. [ Google Scholar ] [ CrossRef ]
کلیریسی، ا. پرگو، اس. Tellini, C. روشی برای پهنه بندی حساسیت زمین لغزش با روش تحلیل شرطی. ژئومورفولوژی 2002 ، 48 ، 349-364. [ Google Scholar ] [ CrossRef ]
Akcay، O. ارزیابی استنتاج شکاف زمین لغزش توسط ANFIS و رگرسیون لجستیک با استفاده از فتوگرامتری مبتنی بر UAS. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2131-2158. [ Google Scholar ] [ CrossRef ]
Bui، DT; پرادان، بی. Lofman، O. ارزیابی حساسیت زمین لغزش در استان Hoa Binh ویتنام: مقایسه شبکه های عصبی منظم شده Levenberg-Marquardt و Bayesian. ژئومورفولوژی 2012 ، 171 ، 12-29. [ Google Scholar ]
زو، تبر; وانگ، آر. کیائو، جی. Qin، CZ; چن، ی. لیو، جی. یک رویکرد مبتنی بر دانش متخصص برای نقشه‌برداری حساسیت زمین لغزش با استفاده از GIS و منطق فازی. ژئومورفولوژی 2014 ، 214 ، 128-138. [ Google Scholar ] [ CrossRef ]
کریستوس، سی. ماریا، اف. کریستوس، P. GIS از مدل‌سازی حساسیت زمین لغزش در مقیاس منطقه‌ای پشتیبانی کرد: یک روش وزن‌دهی فازی مبتنی بر متخصص. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 523-539. [ Google Scholar ]
یلماز، I. نقشه‌برداری حساسیت زمین لغزش با استفاده از نسبت فرکانس، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی و مقایسه آنها: مطالعه موردی از زمین لغزش‌های Kat (توکات-ترکیه). محاسبه کنید. Geosci. 2009 ، 35 ، 1125-1138. [ Google Scholar ] [ CrossRef ]
ارمینی، ال. کاتانی، اف. Casagli، N. شبکه های عصبی مصنوعی به ارزیابی حساسیت زمین لغزش استفاده می شود. ژئومورفولوژی 2005 ، 66 ، 327-343. [ Google Scholar ] [ CrossRef ]
گورسفسکی، PV; Gessler، PE; Foltz، RB پیش بینی فضایی خطر زمین لغزش با استفاده از رگرسیون لجستیک و تحلیل ROC. ترانس. GIS 2006 ، 10 ، 395-415. [ Google Scholar ] [ CrossRef ]
بای، اس. لو، جی. وانگ، جی. رگرسیون لجستیک رویدادهای نادر مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در لیانیونگانگ، چین. محیط زیست علوم زمین 2010 ، 62 ، 139-149. [ Google Scholar ] [ CrossRef ]
ترنس، ال. سوزانا، دی. مارگارت، اس. ادغام روش‌های ارزیابی چند معیاره و اتوماتای سلولی برای مدل‌سازی شبیه‌سازی زمین لغزش. Geomat. نات خطر خطرات 2013 ، 4 ، 355-375. [ Google Scholar ]
کیاستا، پ. Dhital، MR; Smedt، FD کاربرد فرآیند سلسله مراتبی تحلیلی (AHP) برای نگاشت حساسیت زمین لغزش: مطالعه موردی از حوضه Tinau، غرب نپال. محاسبه کنید. Geosci. 2013 ، 52 ، 398-408. [ Google Scholar ] [ CrossRef ]
رومیجن، اچ. فاگیان، ر. دیوگو، وی. اسپوزیتو، V. ارزیابی روشهای فرآیند تحلیل سلسله مراتبی قطعی و پیچیده برای تجزیه و تحلیل تناسب زمین کشاورزی در یک اقلیم در حال تغییر. ISPRS Int. J. Geo-Inf. 2016 . [ Google Scholar ] [ CrossRef ]
کرومیناس، جی. Westen, CV; فراتینی، پ. کاسینی، ال. Malet، JP; Fotopoulou، S. توصیه هایی برای تجزیه و تحلیل کمی خطر زمین لغزش. گاو نر مهندس جئول محیط زیست 2014 ، 73 ، 209-263. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
خو، دبلیو. یو، دبلیو. جینگ، اس. ارزیابی حساسیت جریان آوار توسط GIS و مدل ارزش اطلاعات در یک منطقه در مقیاس بزرگ، استان سیچوان (چین). نات خطرات 2013 ، 65 ، 1379-1392. [ Google Scholar ] [ CrossRef ]
چن، دبلیو. لی، دبلیو. Hou, E. نگاشت حساسیت زمین لغزش بر اساس GIS و مدل ارزش اطلاعاتی برای منطقه چنکانگ بائوجی، چین. عربی جی ژئوشی. 2014 ، 7 ، 4499-4511. [ Google Scholar ] [ CrossRef ]
زو، سی. Wang, X. نقشه‌برداری حساسیت زمین لغزش: مقایسه روش‌های اطلاعات و وزن شواهد در منطقه سه دره. در مجموعه مقالات کنفرانس بین المللی علوم محیطی و فناوری کاربرد اطلاعات، ووهان، چین، 4 تا 5 ژوئیه 2009.
چن، تی. نیو، ر. Jia, X. مقایسه ارزش اطلاعاتی و مدل های رگرسیون لجستیک در نگاشت حساسیت زمین لغزش با استفاده از GIS. محیط زیست علوم زمین 2016 ، 75 ، 1-16. [ Google Scholar ] [ CrossRef ]
جیانگ، ال. لیو، دی. جیانگ، ی. ارزیابی حساسیت کنار زمین بر اساس مدل ارزش اطلاعات وزنی: مطالعه موردی منطقه 10 درجه زلزله ونچوان. در مجموعه مقالات کنفرانس بین المللی آگرو-ژئوانفورماتیک، پکن، چین، 11 تا 14 اوت 2014. صص 1-4.
شارما، LP; پاتل، ن. Ghose، MK توسعه و کاربرد مدل ارزش اطلاعات یکپارچه آنتروپی شانون برای ارزیابی حساسیت زمین لغزش و پهنه‌بندی در سیکیم هیمالیا در هند. نات خطرات 2015 ، 75 ، 1555-1576. [ Google Scholar ] [ CrossRef ]
Xiao, L. تجزیه و تحلیل نسبی بین فرآیند بارندگی قوی و خطرات زمین شناسی شهر چونگ کینگ. چانه. جی. جئول. کنترل خطر 1995 ، 6 ، 39-42. [ Google Scholar ]
Tamrakar، NK; یوکوتا، اس. اوزاکا، او. یک سازه واژگون شده با سر خوردن در تپه‌های سیوالیک، غرب میانه نپال. مهندس جئول 2002 ، 64 ، 339-350. [ Google Scholar ] [ CrossRef ]
ماسون، دی جی؛ هاربیتز، سی بی؛ وین، آر بی؛ پدرسن، جی. Lovholt، F. زمین لغزش های زیردریایی: فرآیندها، محرک ها و پیش بینی خطر. فیلوس ترانس. R. Soc. لندن. سر. یک ریاضی فیزیک مهندس علمی 2006 ، 364 ، 2009-2039. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ریس، اس. یالچین، ا. آتاسوی، م. نیسانچی، ر. بایراک، تی. Erduran, M. سنجش از دور و نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از نسبت فرکانس و روش‌های سلسله مراتبی تحلیلی در استان ریزه (شمال شمالی ترکیه). محیط زیست علوم زمین 2012 ، 66 ، 2063-2073. [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; پرادان، بی. استفاده از منطق فازی و فرآیند تحلیل سلسله مراتبی (AHP) در نقشه‌برداری حساسیت زمین لغزش در حوزه آبخیز هراز، ایران. نات خطرات 2012 ، 63 ، 1-32. [ Google Scholar ] [ CrossRef ]
فوملیس، م. Lekkas، E. پارچاریدیس، اول. نقشه‌برداری حساسیت زمین لغزش با روش وزن‌دهی کیفی مبتنی بر GIS در ناحیه کورینث. گاو نر جئول Soc. یونان 2004 ، 36 ، 904-912. [ Google Scholar ]
سعد، بی. میتری، اچ. پوروشاسب، H. تحلیل 3 بعدی FE روسازی انعطاف پذیر با آرماتور ژئوسنتتیک. J. Transp. مهندس 2006 ، 132 ، 402-415. [ Google Scholar ] [ CrossRef ]
ما، اف. وانگ، جی. یوان، آر. ژائو، اچ. Guo, J. کاربرد فرآیند سلسله مراتبی تحلیلی و روش حداقل مربعات برای ارزیابی حساسیت زمین لغزش در امتداد خط لوله گاز طبیعی Zhong-Wu، چین. زمین لغزش 2013 ، 10 ، 481-492. [ Google Scholar ] [ CrossRef ]
Yalcin، A. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از فرآیند تحلیل سلسله مراتبی و آمار دو متغیره در Ardesen (ترکیه): مقایسه نتایج و تأییدها. Catena 2008 ، 72 ، 1-12. [ Google Scholar ] [ CrossRef ]
Glade، T. وقوع زمین لغزش به عنوان پاسخی به تغییر کاربری زمین: بررسی شواهد از نیوزلند. کاتنا 2003 ، 51 ، 297-314. [ Google Scholar ] [ CrossRef ]
Chen, YR; Ni، PN; چن، جی دبلیو. Hsieh, SC کاربرد فناوری سنجش از دور در تفسیر کاربری زمین برای زمین لغزش های ناشی از بارندگی بر اساس الگوریتم های ژنتیک و شبکه های عصبی مصنوعی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2009 ، 2 ، 87-95. [ Google Scholar ] [ CrossRef ]
Anbalagan, R. ارزیابی خطر زمین لغزش و نقشه برداری پهنه بندی در زمین های کوهستانی. مهندس جئول 1992 ، 32 ، 269-277. [ Google Scholar ] [ CrossRef ]
یین، KL; مدل‌های پیش‌بینی آماری Yan، TZ برای ناپایداری شیب سنگ‌های دگرگون شده. در مجموعه مقالات پنجمین سمپوزیوم بین المللی زمین لغزش، لوزان، سوئیس، 10-15 ژوئیه 1988.
وانگ، کیو. وانگ، دی. هوانگ، ی. وانگ، ز. ژانگ، ال. Guo, Q. نقشه برداری حساسیت زمین لغزش بر اساس ترکیب بهینه انتخاب شده از عوامل مستعد کننده زمین لغزش در یک حوضه بزرگ. پایداری 2015 ، 7 ، 16653-16669. [ Google Scholar ] [ CrossRef ]
Yan, TZ پیشرفت های اخیر پیش بینی های کمی زمین لغزش در چین. در مجموعه مقالات پنجمین سمپوزیوم بین المللی زمین لغزش، لوزان، سوئیس، 10-15 ژوئیه 1988.
چن، جی. یانگ، ST; لی، HW; ژانگ، بی. Lv, JR تحقیق در مورد تقسیم واحدهای محیط جغرافیایی بر اساس روش شکستهای طبیعی (جنکس). بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2013 ، XL-4/W3 ، 47–50. [ Google Scholar ] [ CrossRef ]
Hummel, JM; Omta، SWF؛ Rossum، WV; Verkerke، GJ; راکهورست، جی. فرآیند تحلیل سلسله مراتبی: ابزاری موثر برای تصمیم گیری استراتژیک یک مرکز تحقیقاتی چند رشته ای. دانستن تکنولوژی سیاست 2001 ، 11 ، 41-63. [ Google Scholar ] [ CrossRef ]
Zhang، H. تجزیه و تحلیل ساختار معقول سرمایه گذاری حفاظت از آب ساخت و ساز سرمایه در چین به روش AHP. منبع آب مدیریت 2008 ، 23 ، 1-18. [ Google Scholar ] [ CrossRef ]
آیالو، ال. یاماگیشی، اچ. Ugawa، N. نقشه‌برداری حساسیت زمین لغزش با استفاده از ترکیب خطی وزن‌دار مبتنی بر GIS، موردی در منطقه Tsugawa در رودخانه Agano، استان نیگاتا، ژاپن. زمین لغزش 2004 ، 1 ، 73-81. [ Google Scholar ] [ CrossRef ]
Bathrellos، GD; Skilodimou، HD; چوسیانیتیس، ک. یوسف، ع.م. پرادان، ب. برآورد مناسب برای توسعه شهری با استفاده از نقشه ارزیابی چند خطر. علمی کل محیط. 2017 ، 575 ، 119-134. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ساعتی، TL; وارگاس، مدل‌های ال‌جی ، روش‌ها، مفاهیم و کاربردهای فرآیند تحلیل سلسله مراتبی ، ویرایش اول. Springer: New York, NY, USA, 2001; صص 159-172. [ Google Scholar ]
چهتری، س. Kayastha، P. تجلی یک مدل فرآیند تحلیل سلسله مراتبی (AHP) در نقشه برداری پهنه بندی پتانسیل آتش سوزی در شهر متروپولیتن کاتماندو، نپال. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 400-417. [ Google Scholar ] [ CrossRef ]
Bathrellos، GD; کریمبالیس، ای. Skilodimou، HD; گاکی پاپاناستاسیو، ک. ارزیابی خطر سیل شهری Baltas، EA در حوضه شهر متروپولیتن آتن، یونان. محیط زیست علوم زمین 2016 . [ Google Scholar ] [ CrossRef ]
Saaty، TL فرآیند تحلیل سلسله مراتبی، برنامه ریزی، تنظیم اولویت، تخصیص منابع . McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 1980. [ Google Scholar ]
بونروامکائو، ک. مورایام، ی. ارزیابی مناسب بودن سایت برای اکوتوریسم با استفاده از GIS و AHP: مطالعه موردی استان سورات تانی، تایلند. Procedia 2011 ، 21 ، 269-278. [ Google Scholar ]
روزوس، دی. Bathrellos، GD; Skilodimou، HD مقایسه اجرای روش‌های سیستم مهندسی سنگ (RES) و فرآیند تحلیل سلسله مراتبی (AHP)، بر اساس نقشه‌های حساسیت زمین لغزش، گردآوری‌شده در محیط GIS: مطالعه موردی از شهرستان Achaia شرقی پلوپونسوس، یونان. محیط زیست علوم زمین 2011 ، 63 ، 49-63. [ Google Scholar ] [ CrossRef ]
Bathrellos، GD; گاکی پاپاناستاسیو، ک. Skilodimou، HD; پاپاناستاسیو، دی. Chousianitis، KG مناسب بودن بالقوه برای برنامه ریزی شهری و توسعه صنعت با استفاده از نقشه های مخاطرات طبیعی و پارامترهای زمین شناسی-ژئومورفولوژیکی. محیط زیست علوم زمین 2012 ، 66 ، 537-548. [ Google Scholar ] [ CrossRef ]
وی، جی. Feng, XT مطالعه پیش بینی جابجایی زمین لغزش بر اساس سیستم خاکستری و شبکه عصبی تکاملی. مکانیک خاک سنگ. 2004 ، 25 ، 275. [ Google Scholar ]
زی، ن. شین، جی. تجزیه و تحلیل و ارزیابی تلفات بلایای هواشناسی منطقه ای لیو، S. چین بر اساس مدل خوشه خاکستری. نات خطرات 2014 ، 71 ، 1067-1089. [ Google Scholar ] [ CrossRef ]
لی، سی. وو، اس. Zhu, Z. ارزیابی ناپایداری شیب زیردریایی در Baiyun Sag با استفاده از روش خوشه‌بندی خاکستری. نات خطرات 2014 ، 74 ، 1179-1190. [ Google Scholar ] [ CrossRef ]
گارسیا رودریگز، ام جی; Malpica، JA; بنیتو، بی. دیاز، ام. ارزیابی حساسیت زمین لغزش های ناشی از زلزله در السالوادور با استفاده از رگرسیون لجستیک. ژئومورفولوژی 2008 ، 95 ، 172-191. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سانگاراتوس، پ. ایلیا، آی. هونگ، اچ. چن، دبلیو. Xu, C. کاربرد نظریه اطلاعات و روش‌های کمی مبتنی بر GIS برای تولید نقشه‌های حساسیت زمین لغزش در شهرستان نانچنگ، چین. زمین لغزش 2016 . [ Google Scholar ] [ CrossRef ]
میرونیدیس، دی. پاپاژورگیو، سی. Theophanous، S. نگاشت حساسیت زمین لغزش بر اساس تاریخچه زمین لغزش و فرآیند تحلیل سلسله مراتبی (AHP). نات خطرات 2016 ، 81 ، 254-263. [ Google Scholar ] [ CrossRef ]
سیمنتی، سی. اروا، دبلیو. مولر، دبلیو. Resch, B. نقش تعداد گرانولوسیت های نابالغ و اطلاعات میلوئید نابالغ در تشخیص سپسیس نوزادان. اینتک 2012 ، 50 ، 1429-1432. [ Google Scholar ]
مفاهیم و کاربردهای آمار استنباطی. در دسترس آنلاین: http://vassarstats.net/textbook (در 10 ژانویه 2017 قابل دسترسی است).
چن، ی. با، س. وو، کیو. Li, X. ارزیابی حساسیت زمین لغزش بر اساس GIS و مدل ارزش اطلاعات. در مجموعه مقالات چهارمین کنفرانس ملی مهندسی برق، الکترونیک و کامپیوتر 2015 (NCEECE 2015)، شیان، چین، 12 تا 13 دسامبر 2015.
سالواتور، آر. Alessio، V. شبکه عصبی به ارزیابی حساسیت زمین لغزش در جنوب ایتالیا کمک کرد. بین المللی J. Mod. فیزیک C 2012 ، 23 ، 98-108. [ Google Scholar ]
چند خطی در رگرسیون. در دسترس آنلاین: http://support.minitab.com/en-us/minitab/17/topic-library/modeling-statistics/regression-and-correlation/model-assumptions/multicollinearity-in-regression/ (دسترسی در 10 نوامبر 2016).
چوسیانیتیس، ک. دل گائودیو، وی. ساباتاکیس، ن. کاوورا، ک. دراکاتوس، جی. Bathrellos، GD; Skilodimou، HD ارزیابی خطر زمین لغزش ناشی از زلزله در یونان: از شدت آریا تا توزیع فضایی تقاضای مقاومت شیب. گاو نر سیسمول. Soc. صبح. 2016 ، 106 ، 664-675. [ Google Scholar ] [ CrossRef ]

شکل 1. نقشه توپوگرافی چونگ کینگ که موقعیت منطقه تحقیقاتی را نشان می دهد. نقاط نشان دهنده رخدادهای زمین لغزش قبل از سال 2014 است.

شکل 2. نقشه عوامل مستعد کننده زمین لغزش منطقه مورد مطالعه.

شکل 3. تابع وزن سفید شدن. ( الف ) تابع وزن سفید شدن اندازه پایین تر. ( ب ) عملکرد وزن سفید کردن با اندازه متوسط. ( ج ) تابع وزن سفید کردن اندازه بالا.

شکل 4. نقشه حساسیت زمین لغزش چونگ کینگ بر اساس مدل ارزش اطلاعاتی.

شکل 5. نقشه حساسیت زمین لغزش چونگ کینگ بر اساس IVM-AHP.

شکل 6. نقشه حساسیت زمین لغزش چونگ کینگ بر اساس IVM-GC.

شکل 7. منحنی های ROC IVM ( a ); IVM-AHP ( b )؛ و IVM-GC ( c )؛ با استفاده از گروه آموزشی زمین لغزش.

شکل 8. منحنی های ROC IVM ( a ); IVM-AHP ( b )؛ و IVM-GC ( c )؛ با استفاده از گروه اعتبارسنجی زمین لغزش

جدول 1. مقیاس و تعریف ماتریس مقایسه زوجی.

جدول 2. شاخص سازگاری تصادفی (RI).

جدول 3. مقادیر اطلاعاتی عوامل مستعد کننده زمین لغزش.

جدول 4. ماتریس مقایسه زوجی.

جدول 5. طبقه بندی حساسیت عوامل مستعد کننده زمین لغزش.

جدول 6. وزن هر یک از عوامل مستعد کننده.

© 2017 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب