ارزیابی خطر زمین‎لغزش در منطقه چهارگوش قزوین- رشت (شمال ایران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، گروه سنجش ‌از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط‌ زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

2 استادیار، گروه زمین‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد کرج، کرج، ایران

3 استادیار، گروه سنجش ‌از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط ‌زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

چکیده

حرکات دامنه‌ای و به‌طور خاص زمین‌لغزش‌ها از جمله مخاطرات طبیعی هستند که تا حد زیادی رخداد، کنترل یا پیشگیری از آنها در اختیار بشر است. پر واضح است که دخالت‌های انسان در طبیعت بدون در نظر گرفتن شرایط پایداری و تعادل طبیعی آن، سبب بروز واکنش‌های فیزیکی از سوی این محیط برای بازگشت به حالت تعادلی و پایدار می‌شود. خسارت‌های ناشی از رخداد زمین‌لغزش‌ها که در دهه‌های اخیر روند رو به رشدی داشته؛ بشر را وادار به یافتن راهکارهای مناسب برای کاهش و کنترل این پدیده کرده است. پهنه‌بندی مناطق حساس به لغزش از جمله پرکاربردترین روش‌ها برای دوری جستن از مناطق دارای خطر یا اعمال روش‌های کنترلی در مناطق پرخطر است. این پژوهش برای پهنه‌بندی حساسیت زمین‌لغزش در منطقه چهارگوش قزوین-رشت از شبکه عصبی مصنوعی استفاده می‌کند. منطقه مورد بررسی به لحاظ شرایط توپوگرافی، اقلیمی و زمین‌شناسی، یکی از مستعدترین مناطق برای رخداد زمین‌لغزش‌هاست؛ چنان که تاریخچه منطقه 338 زمین‌لغزش ثبت ‌شده را نشان می‌دهد. 15 متغیر که به‌طور متناوب در دیگر پژوهش‌ها به‌عنوان متغیرهای مؤثر در رخداد زمین‌لغزش‌ها مورد مطالعه قرار گرفته‌اند؛ برای بررسی این منطقه انتخاب شد. با تلفیق این متغیرها و نقشه زمین‌لغزش‌های موجود، مقادیر هر یک از این 15 متغیر برای نقاط لغزشی استخراج شد. در مرحله بعد تعدادی نقطه به‌صورت تصادفی (1000 نقطه) از منطقه انتخاب و مقادیر این 15 متغیر نیز برای آنها استخراج شد. هر کدام از دو مجموعه داده به دودسته آموزش (70%) و امتحان (%30) تقسیم شد. هر کدام از دو دسته آموزشی و امتحان با یکدیگر ترکیب و از خروجی آنها برای آموزش و امتحان شبکه استفاده شد. تعداد لایه‌های داخلی شبکه عصبی با روش سعی و خطا و محاسبه مقدار خطای جذر میانگین مربعات (RMSE=0.4041) (9 لایه) تعیین شد. شبکه عصبی ساخته ‌شده از نوع شبکه پیش‌خور با الگوریتم پس‌انتشار خطا و الگوریتم آموزشی آن از نوع الگوریتم آموزشی پس انتشار لونبرگ-مارکوارت است. پس از آموزش و امتحان شبکه و انجام تصحیحات لازم روی آن، از این شبکه عصبی ساخته ‌شده برای پیش‌بینی حساسیت زمین‌لغزش در منطقه مورد مطالعه استفاده شد. نتایج حاصل از پیش‌بینی در بازه میان 0 تا 1 قرار داده شد و با انتخاب یک حد آستانه بهترین نقشه پهنه‌بندی حساسیت زمین‌لغزش به دست آمد. ارزیابی پایانی نقشه پهنه‌بندی حساسیت زمین‌لغزش در منطقه چهارگوش قزوین- رشت، خطایی در حدود (RMSE=0.4164) نشان می‌دهد و شبکه عصبی ساخته ‌شده از 338 زمین‌لغزش رخ ‌داده در منطقه، 298 مورد را در پهنه پرخطر و کاملاً پرخطر شناسایی می‌کند که نشان از دقت 1/88 % آن دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide risk assessment in Qazvin-Rasht quadrangle zone (North of Iran)

نویسندگان [English]

  • A. H. Pasha 1
  • A. Sorbi 2
  • S. Behzadi 3
1 M.Sc., Department of Remote Sensing and Geographic Information System, Faculty of Environment and Energy, Islamic Azad University, Science and Research Branch, Tehran, Iran
2 Assistant Professor, Department of Geology, Faculty of Sciences, Islamic Azad University, Karaj Branch, Karaj, Iran
3 Assistant Professor, Department of Remote Sensing and Geographic Information System, Faculty of Environment and Energy, Islamic Azad University, Science and Research Branch, Tehran, Iran
چکیده [English]

Mass movements, especially landslides, are one of the natural hazards that to a large extent occur, are controlled, or are prevented by human. It is obvious that human interferences in nature regardless of stability conditions and its natural balance leads to physical reactions from the environment to return the sustainability and balance. Damages caused by the landslides, which have been growing in recent decades, have made humans to find appropriate solutions to reduce and control this phenomenon. Zonation of areas susceptible to landslide is one of the most widely used methods to avoid hazardous areas or applying controlling methods in hazardous areas. This research uses artificial neural network for zonation of landslide susceptibility in the Qazvin-Rasht quadrangle area. The studied area is one of the most susceptible areas for landslide event in terms of topography, climate, and geology, as the history of the area shows 338  recorded landslides. Fifteen variables studied in other researches as effective variables in occurrence of landslides were selected to investigate this area. By combining these variables and the map of existing landslides, value of each of the 15 variables was extracted for sliding points. In the next stage, a number of points (1000 points) were randomly selected from the area and values of these variables were extracted for them. Each of the two data sets was divided into two training (70%) and test (30%) categories. We combined each of the two training and test categories, and used their output for training and testing the network. The number of internal layers of the neural network was determined to be 9 layers based on trial and error method and calculation of the root mean square error value (RMSE = 0.4041). The constructed neural network is of feedforward networks type with back-propagation algorithm and its training algorithm is of Levenberg-Marquardt back-propagation training algorithm type. After training and testing the network and conducting necessary corrections on it, the constructed neural network was used to predict the sensitivity of landslides in studied area. We placed results of this prediction in a range from 0 to 1 and obtain the best zonation map of the landslide susceptibility by choosing a threshold. Final evaluation of the zonation map of landslide susceptibility in the Qazvin-Rasht quadrangle shows an error of approximately RMSE = 0.4164 and the constructed neural network identifies 298 out of 338 occurred landslides in the high-risk zone, indicating the accuracy of 88.1%.

کلیدواژه‌ها [English]

  • Landslide
  • zonation
  • Artificial Neural Network
  • Qazvin-Rasht Quadrangle

کتابنگاری

اجل‎لوئیان، ر.، میرصانعی، ر. و فاتحی، ل.، 1392- شناخت و تحلیل کاربردی زمین‎لغزش، اصفهان، انتشارات جهاد دانشگاهی واحد اصفهان.

پیریایی، ز.، 1385- پهنه‌بندی خطر حرکات دامنه‌ای در حوزه جاجرود به روش رگرسیون لوجستیک و GIS، پایان نامه کارشناسی ارشد ژئومورفولوژی، دانشگاه تربیت معلم تهران.

ساسان­پور، ف. و موسی­وند، ج.، 1389- تأثیر عوامل انسان ساخت در تشدید پیامدهای مخاطرات طبیعی در محیط­های کلان شهری با کاربرد  Fuzzy Logic و GIS، مطالعه موردی: منطقه 5 تهران، نشریه تحقیقات کاربردی علوم جغرافیایی 13 (16).

شیرانی، ک.، غیومیان، ج. و مختاری، ا.، 1384- بررسی و ارزیابی آماری دومتغیره و چندمتغیره در پهنه‌بندی خطر زمین‎لغزش، نشریه آب و آبخیزداری، ج 2، شماره 2 ، صص. 36 تا 47.

مرادی، ح.، محمدی، م. و پورقاسمی ح. ر.، 1391- حرکات دامنه ای (حرکات توده‌ای) با تأکید بر روش‌های کمی تحلیل وقوع زمین‌لغزش، تهران، انتشارات سمت.

 

References

Akgun, A., Sezer, E. A., Nefeslioglu, H. A., Gokceoglu, C. and Pradhan, B., 2012- An easy-to-use MATLAB program (MamLand) for the assessment of landslide susceptibility using a Mamdani fuzzy algorithm. Computers and Geosciences, 38 (1): 34–23.

Althuwaynee, O. F., Pradhan, B. and Lee, S., 2012- Application of an evidential belief function model in landslide susceptibility mapping. Computers and Geosciences, 44: 135–120.

Ayalew, L. and Yamagishi, H., 2005- The application of GIS-based Logistic regression for landslide susceptibility mapping in the Kakuda-Yaahiko Mountains. central Japan,Geomorphology, (65): 15-31.

Bai, S. B., Wang, J., Lu, G. N., Kanevski, M. and Pozdnoukhov, A., 2008a- GIS-based landslide susceptibility mapping with comparisons of results from machine learning methods process versus logistic regression in Bailongjiang River Basin, China. European Geosciences Union General Assembly, 13-18.

Bai, S. B., Wang, J., Lu, G. N., Kanevski, M. and Pozdnoukhov, A., 2008b- GIS-based landslide susceptibility mapping with validation and comparison of spatial prediction models at the basin scale. 33rd IGC.

Caniani, D., Pascale, S., Sdao, F. and Sole, A., 2008- Neural Network and Landslide Susceptibility: A case study of the urban area of Potenza. Natural Hazards, 45: 55-72.

Ermini, L., Catani, F. and Casagli, N., 2005- Artificaial Neural Network to Landslide Susceptibility Assessment. Geomorphology, 66: 327-343.

Faraji Sabokbar, H. A., Shadman Roodposhti, M. and Tazik, E., 2014- Landslide susceptibility mapping using geographically-weighted principal component analysis. Geomorphology, 226: 24–15.

Feizizadeh, B. and Blaschke, T., 2011- Landslide risk assessment based on GIS multi-criteria evaluation: a case study in Bostan-Abad County, Iran. Journal of Earth Science and Engineering, 1 (1): 66-71.

Feizizadeh, B., Blaschke, T., Nazmfar, H. and Rezaei Moghaddam, M. H., 2013- Landslide Susceptibility Mapping for the Urmia Lake basin, Iran: A multi-Criteria Evaluation Approach using GIS. Int. J. Environ. Res, 7 (2): 319-336.

Guzzetti, F., Reichenbah, P., Ardizzone, F., Cardinali, M. and Galli, M., 2006- Estimating the quality of landslide susceptibility models, Geomorphology, 81 (1-2): 166-184.

Hagan, M. T. and Menhaj, M., 1994- Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5 (6): 989–993.

Hong, Y., Hiura, H., Shino, K., Sassa, K., Suemine, A., Fukuoka, H. and Wang, G., 2005- The influence of intense rainfall on the activity of large-scale crystalline schist landslides in Shikoku Island, Japan. Landslides, 2 (2): 97-105.

Kartic Kumar, M. and Annadurai, R., 2013- Mapping of Landslide Susceptibility Using Geospatial Technique - A Case Study in Kothagiri Region, Western Ghats, Tamil Nadu, India. International Journal of Engineering Research and Technology,     2 (12), www.ijert.org .

Kayastha, P., Dhital, M. and De Smedt, F., 2012- Landslide susceptibility mapping using the weight of evidence method in the Tinau watershed, Nepal. Natural Hazards, 63 (2): 479-498.

Komac, M., 2006- A landslide susceptibility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Slovenia. Geomorphology, 74 (1-4): 17-28.

Lee, S., Ryu, J. H., Lee, M. J. and Won, J. S., 2006- The Application of Artificial Neural Network to Landslide Susceptibility Mapping at Janghung, Korea. Mathematical Geology, 38 (2): 199-220.

Lee, S., Ryu, J. H., Lee, M. J. and Won, J. S., 2003- Use of an artificial neural network for analysis of the susceptibility to landslides at Boun, Korea. Environmental Geology, 44: 820-833.

Marjanovic, M., Kovaevic, M., Bajat, B. and Vozenılek, V., 2011- Landslide susceptibility assessment using SVM machine learning algorithm. Engineering Geology, 123 (3): 234–225.

Mohammady, M., Pourghasemi, H. R. and Pradhan, B., 2012- Landslide susceptibility mapping at Golestan Province, Iran: A comparison between frequency ratio, Dempster–Shafer, and weights-of-evidence models. Journal of Asian Earth Sciences, 61: 236–221.

Moradi, M., Bazyar, M. H. and Mohammadi, Z., 2012- GIS-based landslide susceptibility mapping by AHP method, a case study, Dena City, Iran., J. Basic Appl. Sci. Res., 2 (7): 6715-6723.

Mosaffaie, J., Ownegh, M., Mesdaghi, M. and Shariat Jafari, M., 2009- Comparison of empirical and statistical models of landslide hazard zonation (Case study: Alamut River watershed). Journal of Water and Soil Conservation Researches, 16 (4): 43-61.

Ohlmacher, G. C. and Davis, J. C., 2003- Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 69 (3-4): 343–331.

Pourghasemi, H. R., Moradi, H. R., and Fatemi Aghda, S. M., 2015- Prioritizing Effective Factors in Landslide Occurrence and its Susceptibility Mapping Using Shannon’s Entropy Index., J. Sci. and Technol. Agric. and Natur. Resour., Water and Soil Sci., 18 (70).

Pradhan, B., 2013- A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS." Computers and Geosciences, 51: 365–350.

Pradhan, B., Chaudhari, A., Adinarayana, J., and Buchroithner, M. F., 2012- Soil erosion assessment and its correlation with landslide events using remote sensing data and GIS: a case study at Penang Island, Malaysia. Environmental Monitoring and Assessment, 184 (2): 715-727.

Sarkar, S. and Kanungo, D. P., 2004- An Integrated Approach for Landslide Susceptibility Mapping Using Remote Sensing and GIS. Photogrammetric Engineering and Remote Sensing, 70 (5): 617–625.

Schernthanner, H., 2005- Fuzzy Logic Approach for Landslide Susceptibility Mapping (Rio Blanco, Nicaragua). M.Sc. Thesis, Institute of Geography, NAWI. ParisLodron University Salzburg, 94.

Shadman, M., Rahimi S. and Beglou, M. J., 2014- PROMETHEE II and fuzzy AHP: an enhanced GIS-based landslide susceptibility mapping. Natural Hazards, 73 (1): 77-95.

Simon, N., Roslee, R., Marto, N. L., Mat Akhir, J., Rafek, A. G. and Thian Lai, G., 2014- Lineaments And Their Association With Landslide Occurrences Along The Ranau-Tambunan Road, Sabah. EJGE, 19: 645-656.

Thiery, Y., Malet, J. P., Sterlacchini, S., Puissant, A. and Maquaire, O., 2007- Landslide susceptibility assessment by bivariate methods at large scales: Application to a complex mountainous environment. Geomorphology, 92 (1-2): 38-59.

Wilamowski, B. M. and Yu, H., 2010- Improved computation for Levenberg Marquardt training. IEEE Transactions on Neural Networks, 21: 930–937.

Xu, C., Xu, X., Dai, F. and Saraf, A. K., 2012- Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China. Computers and Geosciences, 46: 329–317.

Yalcin, A., 2008- GIS-Based Landslide Susceptibility Mapping Using Analytical Hierarchy Process and Bivariate Statistics in Ardesen (Turkey): Comparisons of Results and Confirmations. Journal of Catena, (72): 1 – 12.