مدل‌سازی حرکات دامنه‌ای محدودة مخزن سدّ ستارخان اهر با استفاده از مدل‌های پیش‌بینی‌کنندة لجستیک و شبکة عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ژئومورفولوژی، دانشگاه تبریز، تبریز، ایران

2 دانشیار ژئومورفولوژی، دانشگاه تبریز، تبریز، ایران

چکیده

ناپایداری‌های دامنه‌ای، مخاطرات مهمّی برای فعّالیّت‌های انسانی هستند، این مخاطرات، در شیب‌های طبیعی و یا شیب‌هایی که به دست انسان تغییر یافته‌اند، اتّفاق می‌افتد. پژوهش حاضر با هدف شناسایی عوامل مؤثّر در ایجاد پدیدة ناپایداری دامنه‌ای با استفاده از مدل‌های آماری رگرسیون لجستیک و شبکة عصبی مصنوعی در حوضة سدّ ستارخان اهر انجام گردیده است. هدف از این پژوهش، تعیین مناطق دارای پتانسیل وقوع ناپایداری و نهایتاً تهیّة نقشة پهنه‌بندی خطر با استفاده از مدل­های آماری برای منطقة مورد مطالعه است. بدین منظور، ابتدا مهم‌ترین عوامل مؤثّر در زمین‌لغزش مانند شیب، جهت شیب، ارتفاع از سطح دریا، بارندگی، فاصله از جادّه، گسل و شبکة زهکشی، کاربری اراضی و سنگ‌شناسی بررسی و خصوصیات هر یک از آنها شناسایی و با روش فازی، استانداردسازی گردیدند. مبنای استانداردسازی روش هیستوگرام با استفاده از قطع طبقات هر لایه با زمین‌لغزش‌های رخ‌داده بوده که پراکنش زمین‌لغزش‌ها از طریق انجام عملیات میدانی و با استفاده از تصاویر ماهواره‌ای تهیّه و رقومی گردیده و به عنوان نقاط آموزش‌دهندة مدل‌ها نیز مورد استفاده قرار گرفت. نتایج مدل‌ها نشان داد درصد پهنه‌هایی با خطر بسیار بالا در مدل شبکة عصبی و رگرسیون لجستیک به ترتیب 24/7% و 56/5% است که عمدتاً محدوده‌های نزدیک به سدّ ستارخان را شامل می‌گردد. از لحاظ لیتولوژی، این مناطق در محدوده‌هایی با میزان مقاومت پایین قرار گرفته‌اند که روش آماری لجستیک نیز نشان‌دهندة تأثیر بسیار زیاد فاصله از گسل و لیتولوژی بر وقوع پدیدة لغزش در منطقة مورد مطالعه است. همچنین مقدار شاخص ROC برای مدل‌های شبکة عصبی و رگرسیون لجستیک به ترتیب 85/0 و 81/0 به دست آمد؛ می‌توان گفت روش شبکة عصبی، مدلی کارآمدتر جهت پهنه‌بندی وقوع زمین‌لغزش است؛ بنابراین، هرگونه برنامه‌ریزی و ساخت و ساز می‌بایست ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺷﺮاﻳﻂ ژﺋﻮﻣﻮرﻓﻮلوژی و زمین‌شناسی منطقه باشد تا متحمّل حداقل خسارات جانی و مالی نگردد.

کلیدواژه‌ها


اندریانی، صغری (1393) کاربرد تکنیک‌های سنجش از دور و سیستم اطّلاعات جغرافیایی در بررسی تغییرات کاربری اراضی و تأثیر آن بر دبی رودخانه (مطالعة موردی: صوفی چای)، پایان نامة کارشناسی ارشدRS & GIS، استاد راهنما: دکتر محمدحسین رضایی‌مقدم، دانشگاه تبریز، تبریز.

ثروتی، محمدرضا؛ نصرتی، کاظم؛ حسنوندی، شیما؛ میرباقری، بابک (1393)، پیش‌بینی خطر زمین‌لغزش در حوزة آبخیز رودخانة سیکان با استفاده از مدل آماری رگرسیون لجستیک، مرتع و آبخیزداری (منابع طبیعی ایران)، 67 (1)، صص. 29-17.

راکعی، بابک؛ خامه‌چیان، ماشاله؛ عبدالملکی، پرویز؛ گیاه‌چی، پانته‌آ (1386). کاربرد شبکة عصبی در پهنه‌بندی خطر زمین‌لغزش (مطالعة موردی: ناحیة سفیدار گله در استان سمنان)، مجلّة علوم دانشگاه تهران،33 (1)، صص. 64-57.

فاطمی عقدا، سید محمود؛ غیومیان، جعفر؛ تشنه‌لب، محمد؛ اشقلی فراهانی، عقیل (1384) بررسی خطر زمین‌لغزش با استفاده از منطق فازی (مطالعة موردی: منطقة رودبار)، مجلّة علوم دانشگاه تهران، 1 (31)، صص. 64-43.

عابدینی، موسی؛ قاسمیان، بهاره؛ شیرزادی، عطاا... (1393) مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از مدل آماری رگرسیون لجستیک مطالعة موردی: استان کردستان، شهرستان بیجار، جغرافیا و توسعه، 12 (37)، صص. 102-85.

علی‌پور، حمید؛ ملکیان، آرش (1394) پهنه‌بندی خطر زمین‌لغزش در حوضة آبخیز جهان اسفراین خراسان شمالی، جغرافیا و توسعه، 13 (39)، صص. 180-165.

سوری، سلمان؛ لشکری‌پور، غلام‌رضا؛ غفوری، محمد؛ فرهادی‌نژاد، طاهر (1390) پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکة عصبی مصنوعی مطالعة موردی: حوضة کشوری (نوژیان)، زمین‌شناسی مهندسی، 5 (2)، صص. 1286-1269.

شادفر، صمد؛ یمانی، مجتبی؛ نمکی، سیّد محمد (1390) پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل‌های ارزش اطّلاعاتی، تراکم سطح و LNRE در حوضة چالکرود، مهندسی و مدیریت آبخیز، 3 (1)، صص. 47-40.

گزارش منابع آب آذربایجان شرقی (1389) گزارش تکنیکی از عملیات هیدروگرافی و توپوگرافی رسوبات سدّ ستارخان، شرکت مشاور دریا ترسیم، صص. 74.

Atkinson, P. M., Tatnall, A. R. L. (1997) Introduction Neural Networks in Remote Sensing, International Journal of Remote Sensing, 18 (4), pp. 699-709.

Ayalew, L., Yamagishi, H. (2005) Slope Failures in the Blue Nile basin, as Seen from Landscape Evolution Perspective, Geomorphology, 57 (1-2) . pp. 95-116.

Burrough, P. A. (1989). Fuzzy Mathematical Methods for Soil Survey and Land Evaluation, Soil Science, 40 (93), pp. 477-492.

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 (1), pp. 55-72.

Carrara, A., Crosta, G. P, (2003) Geomorphological and Historical Data in Assessing Landslide Hazard, Earth Surface Proc. and Landforms, 28 (10), pp. 1125-1142.

Chau, K. T., Chan, J. E. (2005) Regional Bias of Landslide Data in Generating Susceptibility Maps Using Logistic Regression for Hong Kong Island. Landslides, 2 (94), pp. 280-290.

Enrique, A., Castellanos Abella, A., Cees, J., Van Westen, B. (2008) Qualitative landslide Susceptibility Assessment by Multicriteria Analysis: A Case Study from San Antonio Del Sur, Guantánamo, Cuba, Geomorphology, 94 (3-4), pp. 453-466.

Ghohrodi Tali, M., Alaee Taleghani, M., Servati, M. R. (2011) Application of Logistic Regression Model in Evaluations Landslide Poten Tial (Case Study: Nuzhian Drainage Basin), Geographical Environment, (1), pp. 1-13.

Gomez, H., Kavzoglu, T., (2005) Assessment of Shallow Landslide Susceptibility Using Artificial Neural Networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78 (1-2), pp. 11-27.

Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P. (1999) Landslide Hazard Evaluation: A Review of Current Techniques and Their Application in a Multi-Scale Study, Central Italy, Geomorphology 31 (1-4), pp. 181-216.

Hong, H., Pradhan, B., Xu., C., Tien Bui, D. (2015) Spatial Prediction of Landslide Hazard at the Yihuang Area (China) Using Two-Class Kernel Logistic Regression, Alternating Decision Tree and Support Vector Machines, Catena, 133, pp. 266-281.

Dasa, I., Sanhoob, S., Van Westena, C., Steina, A., Hacka, R. (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(4) , pp. 627-637.

Kavabata, D., Bandibas, J. (2009) Landslide Susceptibility Mapping Using Geological Data, a DEM from ASTER Image and an Artificial Neural Network (ANN), Geomorphology, 113 (1-2), pp.97-109

Lamelas, M.T., Marinoni, O., Hoppe, A., De La Riva, J. (2008) Doline Probability Map Using Logistic Regression and GIS Technology in the Central Ebro Basin (Spain), Environmental Geology, 54 (5), pp. 963-977.

Kelarestaghi, A., Ahmadi, H. (2009) Landslide Susceptibility Analysis with a Bivariate Approach and GIS in Northern Iran, Arabian Journal of Geosciences, 2 (1), pp. 95-101.

Kanungo, D. P., Arora, M. K., Sarkar, S., Gupta, R. P. (2006) A Comparative Study of Conventional, ANN Black Box, Fuzzy and Combined Neural and Fuzzy Weighting Procedures for Landslide Susceptibility Zonation in Darjeeling Himalayas, Engineering Geology, 85 (3-4), 347-366.

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.

Mosavi Khatir, S. Z., Kavian , A., Soleimani, A. K.(2010)Landslide Susceptibility Mapping in Sajaroud Basin Using Logistic Regression Model, Science and Technology of Agriculture and Natural Resources, Water and Soil Science, 14 (53), pp. 99-112.

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 (3-4), pp. 171-191.

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.

Van Westen, C. J., Van Asch., Th. W. J.(2006) Landslide Hazard and Risk Zonation-Why is it so Difficult? Bull Eng Geol Environ, 65 (2), pp. 167-184.

Varnes, D. J. (1978)Slope Movement and Types and Processes, in Landslides Analysis and Control,Washington Spec. 176, 11-33.

Wanga, L. J., Guob, M., Sawadab, K., Lina, J., Zhanga, 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.

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 (6), pp. 1125-1138.