ایوب محمدی

در میان مخاطرات طبیعی لغزش زمین از جمله مخاطرات پیچیده و در عین حال زیانبار محسوب میشود که در اثر بروز و ظهور آنها توده های دامنه ای مانند گل و لای و قطعه سنگ ها از سطوح شیبدار جابجا شده و عوارضی را در سطح دامنه ها بر جای میگذارد. این پدیده هر ساله آسیب های فراوانی بر مناطق مسکونی، جاده ها و غیره اعم از مالی و جانی میگذارد. هدف از این پژوهش شناسایی و پهنه بندی خطر زمین لغزش در جاده کوهستانی بانه-مریوان در استان کردستان با استفاده از تصاویر ماهواره ای و الگوریتم های پیشرفته داده کاوی میباشد. فاکتورهای موثر در وقوع زمین لغزش که در این مطالعه در نظر گرفته شدند، شامل شیب، جهت شیب، انحنای شیب، ارتفاع، فاصله ازآبراهه، فاصله از جاده، فاصله از گسل، تراکم گسل، تراکم آبراهه، لیتولوژی، بارش، کاربری اراضی، شاخص رطوبت توپوگرافی، شاخص قدرت توان جریان و شاخص تراکم پوشش گیاهی است. پس از جمع آوری اطلاعات و لایه های مورد نیاز ، 126نقطه لغزشی با استفاده از تصاویر ماهواری مورد شناسایی قرار گرفت. موقعیت های زمین لغزش بصورت تصادفی به دو گروه 70درصد (88) و 30درصد (38) به ترتیب برای مدلسازی و اعتبارسنجی تقسیم شدند. به کمک مدلهای توابع شواهد قطعی، (EBF) و مدل جنگل تصادفی (RF) نقشه پهنه بندی زمین لغزش جاده بانه-مریوان تهیه شد. برای ارزیابی عملکرد مدلها، از سطح زیر نمودار AUC به دست آمده از منحنی ROC استفاده شد. با توجه به معیار ارزیابی مورد استفاده در این مطالعه (ROC) و با توجه به داده های اعتبار سنجی، مدل جنگل تصادفی (RF ) با (907/0)AUC در شناسایی زمین لغزش در منطقه مورد نظر دارای بهترین عملکرد بود و بعد از آن مدل توابع شواهد قطعی (EBF) ،کمترین عملکرد در شناسایی پهنه های لغزشی (881/0) را در منطقه مورد مطالعه دارا بود. در نهایت نتایج مطالعه نشان داد که زمین لغزش های رخ داده در جاده بانه-مریوان ناشی از عوامل محیطی میباشد. همچنین میتوان اذعان نمود که نقشه پیش بینی خطر زمین لغزش ارائه شده توسط الگوریتمهای پیشرفته داده کاوی، میتواند به عنوان یک راهکار علمی مناسب به مدیران بخش مخاطرات طبیعی در ارگانها و سازمان های مختلف کمک کند.

زمین لغزش ها ازجمله بلایای طبیعی هستند که سالانه خسارت های مالی و جانی زیادی را در کشور ایجاد می کنند. شناخت مناطق پرخطر می تواند در کاهش خسارت ها و تصمیم گیری در سیاست های توسعه اراضی موثر باشد. هدف این مطالعه، پهنه بندی خطر زمین لغزش محدوده جاده ارتباطی سنندج- مریوان در استان کردستان می باشد. در گام اول، تکنیک مورداستفاده در این پژوهش، تداخل سنجی دریچه مصنوعی تفاضلی بوده و 44 نقطه (مقطع) زمین لغزش در منطقه موردمطالعه با استفاده از تصاویر راداری شناسایی شدند. به منظور بررسی و صحت سنجی نقشه نهایی نقاط پراکنش زمین لغزش از نرم افزار گوگل ارث استفاده شد. همچنین موقعیت زمین لغزش های شناسایی شده با استفاده از GPS و پیمایش میدانی موردبررسی قرار گرفتند و 29 نقطه (مقطع) زمین لغزش دیگر نیز با توجه به مطالعات میدانی شناسایی شدند. در گام دوم، الگوریتم های پیشرفته داده کاوی شامل تابع شواهد قطعی (EBF)، شواهد وزنی (WOE) و ماشین بردار پشتیبان (SVM) به منظور پهنه بندی خطر زمین لغزش استفاده شدند. 73 نقطه زمین لغزش به طور تصادفی به منظور تهیه مدل و اعتبار سنجی به ترتیب به دو گروه آموزش (70 درصد، 51 نقطه) و اعتبارسنجی (30 درصد، 22 نقطه) تقسیم شدند. درمجموع 14 پارامتر شامل شیب، جهت شیب، ارتفاع، فاصله از آبراهه، فاصله از جاده، تراکم رودخانه، فاصله از گسل، بارش، شاخص تفرق پوشش گیاهی (NDVI)، کاربری اراضی، انحنای سطح، لیتولوژی، شاخص توان آبراهه (SPI) و شاخص رطوبت توپوگرافی (TWI) به منظور پهنه بندی خطر زمین لغزش استفاده شدند. درنهایت، عملکرد مدل ها با استفاده از منحنی ROC موردبررسی قرار گرفت. نتایج تحلیل منحنی ویژگی عملگر نسبی نشان داد که مدل های تابع شواهد قطعی، تابع شواهد وزنی و ماشین بردار پشتیبان به ترتیب دارای مقدار AUC برابر 538/0، 717/0 و 97/0 می باشند؛ بنابراین مدل ماشین بردار پشتیبان نسبت به تابع شواهد وزنی و تابع شواهد قطعی دارای بالاترین مقدار AUC بوده و بهترین مدل برای پیش بینی خطر زمین لغزش در آینده در منطقه موردمطالعه می باشد. در پایان، می توان نتیجه گرفت که دستیابی به یک نقشه پیش بینی مکانی دقیق و معقول می تواند به مدیران و برنامه ریزان شهری در شناسایی مناطق حساس به وقوع زمین لغزش جهت مدیریت بحران نواحی مستعد کمک شایانی بنماید.

لغزش از جمله پدیده های بسیار پیچیده و در عین حال زیانبار محسوب می شود که در اثر بروز و ظهور آنها توده های دامنه ای از سطوح شیب دار جابجا شده و عوارضی را در سطح دامنه ها بر جای میگذارد. وقوع چنین پدیده هایی در نزدیکی عوارضی مانند: مناطق مسکونی، جاده ها و غیره سبب آسیب های مالی و جانی فراوانی می گردد. هدف از این پژوهش شناسایی و پهنه بندی خطر زمین لغزش در جاده کوهستانی تهم_چورزق در استان زنجان با استفاده از تصاویر ماهواره ای و الگوریتم های پیشرفته داده کاوی میباشد. فاکتور های موثر در وقوع زمین لغزش که در این مطالعه در نظر گرفته شدند ، شامل بارش، انحنای شیب، جهت شیب، شیب، ارتفاع، فاصله از جاده، فاصله از رودخانه، فاصله از گسل، تراکم آبراهه، لیتولوژی، بافت خاک، کاربری اراضی، شاخص رطوبت توپوگرافی، شاخص قدرت توان جریان، شاخص تفرق پوشش گیاهی است.پس از جمع آوری اطلاعات و لایه های مورد نیاز ، 38 نقطه لغزشی با استفاده از تصاویر ماهواری مورد شناسایی قرار گرفت سپس با پیمایش زمینی از این 38 نقطه تعداد 25 نقطه مورد تایید قرار گرفت و باقی نقاط حذف گردید و در همین پیمایش نقاط جدیدی نیز برداشت گردید که مجموع نقاط به 150 نقطه شناسایی شدند.موقعیت های زمین لغزش بصورت تصادفی به دو گروه 70 درصد (105) و 30 درصد (45) به ترتیب برای مدلسازی و اعتبارسنجی تقسیم شدند. به کمک مدلهای توابع شواهد قطعی (EBF)، شاخص آماری (SI) و شواهد وزنی (WOE) ، نقشه پهنه بندی زمین لغزش جاده تهم – چورزق تهیه شدند. به منظور ارزیابی عملکرد مدل ها، از سطح زیر نمودار AUC به دست آمده از منحنی ROC استفاده شد. با توجه به معیار ارزیابی مورد استفاده در این مطالعه (ROC) و با توجه به داده های اعتبار سنجی، مدل شواهد قطعی EBF (850/0) در پتانسیل یابی زمین لغزش در منطقه مورد نظر دارای بهترین عملکرد بود و بعد از آن به ترتیب مدل شاخص آماری SI (740/0) و مدل شواهد وزنی WOE (704/0) دارای کمترین عملکرد در پتانسیل یابی زمین لغزش در منطقه مورد مطالعه بودند. در نهایت نتایج مطالعه نشان داد که زمین لغزش هایرخداده در جاده تهم _ چورزق ناشی از عوامل محیطی شامل تغییر کاربری اراضی و فاصله از جاده می باشند. همچنین می توان اذعان نمود که نقشه پیش بینی خطر زمین لغزش ارائه شده توسط الگوریتم های پیشرفته داده کاوی، می تواند به عنوان یک راهکار علمی مناسب به مدیران بخش مخاطرات طبیعی در ارگانهای مختلف کمک بسیار زیادی انجام دهد.

زمین لغزش ها از جمله بلایای طبیعی هستند که سالانه خسارت های مالی و جانی زیادی را در کشور ایجاد می کنند. شناخت مناطق پرخطر می تواند در کاهش خسارت ها و تصمیم گیری در سیاست های توسعه اراضی موثر باشد. هدف این مطالعه، پهنه بندی خطر زمین لغزش محدوده جاده ارتباطی سنندج-کامیاران در استان کردستان بود. تکنیک مورد استفاده در این پژوهش، تداخل سنجی دریچه مصنوعی تفاضلی بود. در این مطالعه با استفاده از دو تصویر SAR و یک تصویر DEM، تداخل نگارها ایجاد شدند. تصاویر رادار مورد استفاده به صورت SLC سفارش داده شدند. با ارسال پروپوزال به سازمان فضایی اروپا و موافقت این سازمان، داده های راداری فراهم شد. 25 زمین لغزش در منطقه مورد مطالعه با استفاده از تصاویر راداری شناسایی شدند. به منظور بررسی و صحت سنجی نقشه نهایی نقاط پراکنش زمین لغزش از نرم افزار گوگل ارث استفاده شد. همچنین موقعیت زمین لغزش های شناسایی شده با استفاده از GPS و پیمایش میدانی مورد بررسی قرار گرفتند. 25 زمین لغزش در منطقه مورد مطالعه با استفاده از تصاویر راداری شناسایی شدند. در نهایت، روایی و صحت دقیق مکانی نقاط زمین لغزش اتفاق افتاده در طول جاده مورد مطالعه با استفاده از تصاویر گوگل ارث تایید شد. تهیه نقشه زمین لغزش های اتفاق افتاده با استفاده از روش پیمایش میدان به ویژه در مناطق مرتفع، دشوار می باشد. زمین لغزش هایی که در مناطق مرتفع اتفاق می افتند به دلیل شناسایی نشدن، از بین می روند؛ بنابراین توصیه می شود، شناسایی زمین لغزش های اتفاق افتاده با استفاده از تصاویر ماهواره ای با وضوح بالا انجام شود.

Whether they occur due to natural triggers or human activities, landslides lead to loss of life and damages to properties which impact infrastructures, road networks and buildings. Landslide Susceptibility Map (LSM) provides the policy and decision makers with some valuable information. This study aims to detect landslide locations by using Sentinel-1 data, the only freely available online Radar imagery, and to map areas prone to landslide using a novel algorithm of AB-ADTree in Cameron Highlands, Pahang, Malaysia. A total of 152 landslide locations were detected by using integration of Interferometry Synthetic Aperture RADAR (InSAR) technique, Google Earth (GE) images and extensive field survey. However, 80% of the data were employed for training the machine learning algorithms and the remaining 20% for validation purposes. Seventeen triggering and conditioning factors, namely slope, aspect, elevation, distance to road, distance to river, proximity to fault, road density, river density, Normalized Difference Vegetation Index (NDVI), rainfall, land cover, lithology, soil types, curvature, profile curvature, Stream Power Index (SPI) and Topographic Wetness Index (TWI), were extracted from satellite imageries, digital elevation model (DEM), geological and soil maps. These factors were utilized to generate landslide susceptibility maps using Logistic Regression (LR) model, Logistic Model Tree (LMT), Random Forest (RF), Alternating Decision Tree (ADTree), Adaptive Boosting (AdaBoost) and a novel hybrid model from ADTree and AdaBoost models, namely AB-ADTree model. The validation was based on area under the ROC curve (AUC) and statistical measurements of Positive Predictive Value (PPV), Negative Predictive Value (NPV), sensitivity, specificity, accuracy and Root Mean Square Error (RMSE). The results showed that AUC was 90%, 92%, 88%, 59%, 96% and 94% for LR, LMT, RF, ADTree, AdaBoost and AB-ADTree algorithms, respectively. Non-parametric evaluations of the Friedman and Wilcoxon were also applied to assess the models’ performance: the findings revealed that ADTree is inferior to the other models used in this study. Using a handheld Global Positioning System (GPS), field study and validation were performed for almost 20% (30 locations) of the detected landslide locations and the results revealed that the landslide locations were correctly detected. In conclusion, this study can be applicable for hazard mitigation purposes and regional planning.