پیش‌بینی روند تغییرات زمین‌لغزش منطقه شمال قوچان با توجه به عوامل مؤثر بر لغزش به روش شبکه عصبی، اتوماتای سلولی- مارکوف و رگرسیون لجستیک

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 7، شماره 3 - شماره پیاپی 27، پاییز 1397، صفحه 1-17  

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v0i0.71520

نویسندگان

محسن خسروی¹؛ علی اکبر جمالی ²

¹دانشگاه آزاد اسلامی یزد

²دانشگاه آزاد اسلامی یزد-میبد

چکیده

زمین‌لغزش از عمده مخاطرات طبیعی است که هرساله باعث خسارت­های جانی و مالی فراوانی می‏شود؛ بدین دلیل پرداختن به موضوع شناسایی علل و دلایل ایجاد آن و ارائه راهکار جهت کاهش این خسارت­ها از اهمیت خاص برخوردار است. منطقه شمال قوچان در ایران به دلیل موقعیت جغرافیایی، ویژگی‏های طبیعی و زمین‌شناختی و همچنین تغییر کاربری شدید زمین یکی از مناطق مستعد بروز زمین‌لغزش است. به‌منظور شناسایی و تعیین مناطق حساس به لغزش با کمک گرفتن از عوامل مؤثر در آن با استفاده از روش شبکه عصبی، روش آماری مارکوف و رگرسیون لجستیک این پژوهش انجام شد. نقشه زمین‌لغزش موجود با استفاده از تصاویر ماهواره‌ای گوگل ارث برای سال‌های 2004،2010 و 2016 تهیه شد و به دو کلاس، محل‏های لغزش رخ‌داده و رخ نداده طبقه‌بندی شد. مقایسه نقشه شبیه‌سازی‌شده سال 2016 هر یک از مدل‏ها با نقشه طبقه‌بندی‌شده واقعی نشان داد که شاخص کاپا در نقشه‏های حساسیت لغزش ایجادشده توسط مدل شبکه عصبی چند لایه پرسپترون، مدل مارکوف و مدل رگرسیون لجستیک به ترتیب برابر 0.96، 0.72 و 0.86 است. این بدان معنی است که مدل شبکه عصبی پرسپترون مدل مناسبی برای پیش‌بینی تغییرات زمین‌لغزش در این منطقه است. نتایج نشان داد، با سست شدن سازندها، تغییر کاربری اراضی به سمت مراتع فقیر و اراضی کشاورزی دیم، افزایش شیب خطر رخداد زمین‌لغزش زیاد شده است.

کلیدواژه‌ها

GIS؛ زمین لغزش؛ شبکه عصبی؛ مارکوف؛ پیش بینی؛ LCM

مراجع

احمدی، حسن؛ 1385. ژئومورفولوژی کاربردی. جلد 1 (فرسایش آبی). انتشارات دانشگاه تهران، 577.

امیر احمدی، ابوالقاسم؛ ابراهیمی، مجید؛ زنگنه اسدی، محمدعلی؛ 1392، پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی پرسپترون چندلایه از نوع پیش خور پس انتشار (BP) (مطالعه موردی: حوضه آبخیز بار نیشابور). دومین کنفرانس بین المللی مخاطرات محیطی. تهران: دانشگاه خوارزمی. 28.

بلواسی، ایمانعلی؛ رضائی مقدم، محمدحسین؛ نیکجو، محمدرضا؛ ولی زاده، کامران خلیل؛ 1394. مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی در ارزیابی خطر زمین‌لغزش. نشریه مدیریت مخاطرات محیطی. دوره 2. شماره 2. 225 - 250.

بهاروند، سیامک؛ سوری، سلمان؛ 1394. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی (مطالعة موردی: حوزه سپیددشت، لرستان). مجله سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. سال ششم. شماره 4، 15- 32.

پورسلطانی، مهدی رضا؛ قائمی مقدم، مهدی؛ 1392. فیزیوگرافی و زمین ریخت شناسی حوضه آبریز سد تبارک واقع در شمال قوچان و تأثیر آن بر نوع رسوبات. دو فصلنامه یافته‌های نوین زمین‌شناسی کاربردی. دوره 8. شماره 15. 83-97.

شاد فر، صمد؛ یمانی، مجتبی؛ قدوسی، جمال؛ غیومیان، جعفر: 1386. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش تحلیل سلسله مراتبی(مطالعه موردی: حوزه آبخیز چالکرود تنکابن). پژوهش و سازندگی در منابع طبیعی. دوره 20. 126-118: 75.

شریعتی، شهرام؛ یزدانی چمزینی، عبدالرضا؛ سلسانی، آرمین؛1392. پیش‌بینی لرزش زمین با استفاده از مدل ترکیبی رگرسیون چند متغیره وشبکه عصبی. کنفرانس بین المللی عمران. معماری و توسعه پایدار شهری. تبریز: دانشگاه آزاد اسلامی واحد تبریز.

شیرانی، کورش؛ عرب عامری، علیرضا؛ 1394. پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از روش رگرسیون لجستیک (مطالعه موردی: حوضه دز علیا). مجله علوم و فنون کشاورزی و منابع طبیعی-علوم آب و خاک. جلد ۱۹. شماره ۷۲. ۳۲۱-۳۳۵

علیپور، حمید؛ ملکیان، آرش؛ 1378. پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز جهان اسفراین خراسان شمالی. فصلنامه جغرافیا و توسعه. 61،17: 641-615.

غفاری زرین، میررضا؛ محمدزاده، علی؛ 1393. مدل‌سازی منطقه‌ای TEC با استفاده از شبکه‏های عصبی مصنوعی و مدل چندجمله‌ای در ایران. نشریه علمی پژوهشی علوم و فنون نقشه برداری. دوره چهارم. شماره 3.

فیض نیا، سادات؛ احمدی، حسن؛ حسن زاده نفوتی، محمد؛1380. پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز شلمانرود در استان گیلان. مجله منابع طبیعی ایران. جلد 54. شماره 3. 207 -219.

قنبرزاده، ‏هادی؛ بهنیافر، ابوالفضل؛ پزشکی، محمود؛ 1385. بررسی علل و عوامل ناپایداری دامنه‏ها در حوضۀ آبریز رودخانه تبارک آباد قوچان. نشریه علوم جغرافیایی 2(1): 102-121.

مقیمی، ابراهیم؛ علوی پناه، سیدکاظم؛ جعفری، تیمور؛ 1387. ارزیابی و پهنه‌بندی عوامل مؤثر در وقوع زمین‌لغزش دامنه‏های شمالی آلاداغ. پژوهش‏های جغرافیایی. 64، 53-75.

مقیمی، محمدحسن؛ 1394. پایش و پیش‌بینی روند تغییرات مکانی کاربری اراضی و توسعه شهری با استفاده از مدل LCM (مطالعه موردی شهر یزد). پایان نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد یزد.

Abedi Gheshlaghi, Hassan & Feizizadeh, Bakhtiar., 2017. An integrated approach of analytical network process and fuzzy based spatial decision making systems applied to landslide risk mapping. Journal of African Earth Sciences. 133. 15-24. https:// doi.org/ 10.1016/ j.jafrearsci.2017.05.007

Aditian, A., Kubota, T., & Shinohara, Y., 2018. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology, 318, 101-111.

Chen, W., Pourghasemi, H., Zhao, Z., 2017. "A GIS-based comparative study of Dempster-Shafer, logistic regression and artificial neural network models for landslide susceptibility mapping." Geocarto International 32(4): 367-385. https:// doi.org/ 10.1080/ 10106049. 2016. 1140824

Crosta B.G., 2009. Dating, triggering, odeling and hazard assessment of large landslides. Geomorphology 103, 1 – 4. https://doi.org/10.1016/j.geomorph.2008.04.007

Dou, J., Yamagishi, H., Zhu, Z., Yunus, A. P., & Chen, C. W., 2018. TXT-tool 1.081-6.1 A Comparative Study of the Binary Logistic Regression (BLR) and Artificial Neural Network (ANN) Models for GIS-Based Spatial Predicting Landslides at a Regional Scale. In Landslide Dynamics: ISDR-ICL Landslide Interactive Teaching Tools (pp. 139-151). Springer, Cham.

Hong, H., Liu, J., Bui, D. T., Pradhan, B., Acharya, T. D., Pham, B. T., & Ahmad, B. B., 2018. Landslide susceptibility mapping using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest ensembles in the Guangchang area (China). Catena, 163, 399-413.

Malek, Žiga & Boerboom, Luc & Glade, Thomas., 2015. Future Forest Cover Change Scenarios with Implications for Landslide Risk: An Example from Buzau Subcarpathians, Romania. Environmental Management. 56. https://doi.org/10.1007/s00267-015-0577-y

Mondal, S. and S. Mandal., 2017. "RS & GIS-based landslide susceptibility mapping of the Balason River basin, Darjeeling Himalaya, using logistic regression (LR) model." Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards: 1-16.

Park, S., Choi, C., Kim, B., Kim, J., 2013. "Landslide susceptibility mapping using frequency ratio, analytic hierarchy process, logistic regression, and artificial neural network methods at the Inje area, Korea." Environmental Earth Sciences 68(5): 1443-1464. https:// doi.org/ 10.1007/ s12665-012-1842-5

Pham, B. T., Bui, D. T., Pourghasemi, H. R., Indra, P., & Dholakia, M. B., 2017. Landslide susceptibility assesssment in the Uttarakhand area (India) using GIS: a comparison study of prediction capability of naïve bayes, multilayer perceptron neural networks, and functional trees methods. Theoretical and Applied Climatology, 128(1-2), 255-273.

Rodrigo F Leandro., 2007. A New Technique to TEC Regional Modeling using a Neural Network. Geodetic Research Laboratory, Department of Geodesy and Geomatics Engineering, University of New Brunswick, Fredericton, Canada

Sang L, Zhang C, Yang J, Zhu D, Yun W., 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3): 938-943. https://doi.org/10.1016/j.mcm.2010.11.019

Wang, Qiqing & Li, Wenping & Xing, Maolin & Wu, Yanli & Pei, Yabing & Yang, Dongdong & Bai, Hanying., 2016. Landslide susceptibility mapping at Gongliu county, China using artificial neural network and weight of evidence models. Geosciences Journal. 20. https://doi.org/10.1007/s12303-015-0026-1