تلفیق روش‌های تصمیم‌گیری‌ چندمعیاره با روش رگرسیون لجستیک برای بررسی مناطق حساس به وقوع زمین‌لغزش در حوضۀ زیلبیرچای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه ژئومورفولوژی و سنجش از دور دانشگاه تبریز، تبریز، ایران

2 استاد گروه ژئومورفولوژی و سنجش از دور دانشگاه تبریز، تبریز، ایران

3 دانشجوی دکتری ژئومورفولوژی دانشگاه تبریز، کارشناس ارشد سنجش از دور و GIS، تبریز، ایران

چکیده

شناسایی مناطق مستعد حرکت‌های توده‌ای ازجمله زمین‌لغزش از راه الگوسازی خطر با الگو‌های مناسب و کارا، یکی از اقدام‌های اساسی در کاهش خسارت احتمالی و مدیریت خطر است. هدف مطالعۀ حاضر، تلفیق روش‌های تصمیم‌گیری‌ چندمعیاره با روش آماری رگرسیون لجستیک برای بررسی مناطق حساس به وقوع زمین‌لغزش در حوضۀ زیلبیرچای است؛ ازجمله الگو‌های یادشده، الگوی ترکیب خطی وزن‌دار (WLC) است که در آن، ابتدا متغیرهای مؤثر در وقوع زمین‌لغزش به‌ شکل زیر‌معیارهایی تقسیم‌بندی می‌شوند و وزن خاصی به هر کدام از آن‌ها تعلق می‌گیرد. برای جلوگیری از نقش سلیقۀ کارشناسی به عبارتی روش دلفی، زمین‌لغزش‌های رخ‌داده در منطقۀ مطالعه‌شده با زیرمعیارهای هر متغیر قطع داده شدند و درصد مساحت وقوع زمین‌لغزش در هر یک از آن‌ها ملاک وزن‌دهی زیرمعیارها قرار گرفت و استانداردسازی فازی بر این اساس انجام شد. در الگوی WLC علاوه‌بر وزن‌دهی به زیر‌معیارها، به خود متغیرها نیز از راه روش فرایند تحلیلی سلسله‌مراتبی (AHP) وزنی اختصاص داده می‌شود. در مطالعۀ حاضر، علاوه‌بر وزن‌دهی معمول، وزن‌دهی از راه روش آماری رگرسیون لجستیک (RL) و ملاک قراردادن وزن‌های حاصل و نرمال‌سازی آن‌ها نیز انجام و مستقیماً در الگوی WLC بر متغیرها اعمال شد. برای الگو‌سازی از 9 شاخص مستقل اع لایۀ بارش، لیتولوژی، کاربری اراضی، ارتفاع، شیب، جهت شیب، فاصله از شبکۀ زهکشی، فاصله از گسل و فاصله از جاده استفاده شد. نتیجۀ الگوی WLC-RL نشان‌دهندۀ مساحتی حدود 4/7 درصد در پهنه‌های خطر زیاد و بسیار زیاد با اعتبار‌سنجی 94/0 و با وزن‌دهی AHP و به‌صورت کارشناسی حدود 7/4 درصد با اعتبارسنجی 90/0 در پهنه‌های یادشده است. 36 درصد مساحت منطقه نیز جزو پهنه‌های خطر متوسط است که این پهنه‌های خطر با سو‌مدیریت و ساخت‌وسازهای عوارض انسانی ازجمله جاده بدون توجه به ساختار ژئومورفولوژی و لیتولوژی منطقه متأثر شده و به پهنه‌های خطر زیاد و بسیار زیاد تبدیل می‌شوند.

کلیدواژه‌ها


عنوان مقاله [English]

Integration of Multi-criteria Decision Making Methods with Logistic Regression Approach to Assess Landslide-Prone Areas in Zilbir-Chai Basin

نویسندگان [English]

  • Mohamad Reza Nikjo 1
  • Mohamad Hosein Rezaei Moghadam 2
  • Soghra Andaryani 3
1 Assistant Professor of Geomorphology and RS Groups, University of Tabriz, Tabriz, Iran
2 2 Professor of Geomorphology and RS Groups, University of Tabriz, Tabriz, Iran
3 Ph.D Candidate in Geomorphology, University of Tabriz and Master of RS & GIS, Tabriz, Iran
چکیده [English]

Identifying susceptible areas to massive movements, including landslides, through risk modeling with appropriate and efficient models, is one of the basic measures in reducing potential damage and managing risk. The purpose of this study is to combine multi-criteria decision making techniques with logistic regression method to investigate landslide-prone areas in Zilbir-Chai basin. One of the methods is Weighted Linear Combination (WLC) method. In this model, firstly, the variables that are effective in landslide occurrences are subdivided into sub-criteria and each specific criterion is given a certain weight. In order to prevent the great role of the experts’ taste, the landslides in the studied area were discarded with the sub-criteria of each variable, and the percentage of landslide occurrence in each of them was the criterion of weighting the sub-criteria. This way, Fuzzy standardization was done accordingly. In the WLC model, in addition to weighting the subcategories, the variables themselves are also generally weighted by the Analytical Hierarchy Process (AHP) method. In the present study, in addition to conventional weighting, this weight was measured by logistic regression (RL) statistical method and weighing criterion were obtained, normalized, and applied directly to the variables in the WLC model. To achieve this purpose, modeling was performed using nine independent parameters. Geological factors, land use type, altitude, slope gradient and aspect, distance from fault, distance from road and distance from drainage network were considered as environmental factors, and rainfall quantity (obtained from precipitation layer) was considered as a trigger factor. According to the results obtained from WLC model based on logistic regression weighting, high and very high risk zones constitute about 7.4% of the area with a validation of 94/0, but based on AHP weighting, these zones constitute about 4.7% of the area with a validation of 90/0.

کلیدواژه‌ها [English]

  • Analytical Hierarchy Process
  • Zilbirchay
  • Landslide
  • Logistic Regression
  • Weighted Linear Combination

مقدمه

زمین‌لغزش و حرکت‌های توده‌ای خاک و مواد دامنه‌ای، شکلی از فرایندهای ژئومورفولوژیکی هستند که از دیدگاه مدیریت مخاطرات طبیعی، نوع ویژه‌ای از سوانح طبیعی قلمداد می‌شوند. هر ساله، وقوع این نوع پدید‌ه‌‌ها در بخش‌هایی از کشور ما و سایر نقاط جهان به خسارت‌های جانی، مالی و زیست‌محیطی درخور ‌توجهی منجر می‌شود (کرم، 1383: 132). زمین‌لغزش، مخاطره‌ای زمین‌شناسی در جهان شناخته شده است که باعث تلفات جانی و مالی بسیار زیاد، آسیب شدید به اکوسیستم‌های طبیعی و عوارض ساخت بشر می‌شود (Dai and Lee, 2002: 214; (Guzzetti et al., 2005: 273. آمـار ثبـت‌شدۀ وزارت جهاد کشاورزی در ایران نشان می‌دهد تا اوایـل سـال 1378، وقـوع حـدود 2590 حرکت توده‌ای و لغزش در کشور باعـث مـرگ 162 نفر، تخریب 176 خانه، ایجاد خـسارت‌های مالی به میزان 1866 میلیارد ریال، تخریب 676 هکتار جنگل و تخریب 170 کیلومتر راه ارتباطی شده است (گروه بررسی زمین‌لغزه‌هـای جهـاد ســازندگی به نقل از رأفت‌نیا و همکاران، 1390: 54)؛ به‌ویژه در منطقۀ مطالعه‌شده که بسیاری از روستاهای واقع در دامنۀ شمالی میشو روی تراس‌های رودخانه‌ای متشکل از عناصر منفصل قرار گرفته‌اند و ماهیت مواد سازندۀ دامنه‌های مشرف به روستاها عمدتاً از رسوبات میوسن و برش‌های ولکانیکی پلیوسن هستند، امکان وقوع حرکت‌های توده‌ای وجود دارد (مختاری، 1384: 73). شناسایی مناطق حساس به وقوع زمین‌لغزش، برنامه‌ریزان و تصمیم‌گیرندگان را در عرصه‌های مختلف ازجمله مدیریت حفاظت خاک و منابع طبیعی، برنامه‌ریزی‌های عمرانی و توریستی، مکان‌یابی اراضی مناسب برای توسعۀ شهرها و روستاها، برنامه‌ریزی‌های زیست‌محیطی، تعیین مسیر راهها و خطوط انتقال نیرو و انرژی و ... یاری می‌کند (کرم، 1383: 132). مطالعه و ارزیابی میزان آسیب‌پذیری مناطق کوهستانی، نخستین گام در راستای کاهش آثار لغزش‌ها و ایجاد اطمینان لازم برای برنامه‌ریزی‌ها و انجام کارهای عمرانی است (بیاتی خطیبی ، 1389: 2)؛ به عبارتی ارزیابی خطر، نخستین مرحلۀ مدیریت و کاهش خطر است و ارزیابی خطر زمین‌لغزش، احتمال وقوع آن‌ را در یک مکان با یک دورۀ برگشت برآورد می‌کند
(Van Westen et al., 2006: 168). نخستین گام در چنین مطالعه و ارزیابی‌هایی، شناختن رابطۀ بین شاخص‌های محیطی و لغزش‌های رخ‌داده است تا از این راه، مناطق حساس به وقوع زمین‌لغزش شناسایی شوند. عوامل محیطی و ماشه‌ای به‌عنوان کنترل‌کنندگان زمین‌لغزش‌ها شناخته شده‌اند
(Van Westen et al., 2008: 112)؛ عوامل محیطی ازجمله ارتفاع و لایه‌های منتج‌شده از این لایه (شیب، جهت شیب، انحنا و تراکم زهکشی)، زمین‌شناسی (نوع سنگ، گسل، جنبه‌های ساختاری و هوازدگی)، خاک (نوع خاک، عمق خاک و ویژگی‌های ژئوتکنیکی خاک)، آب (فاصله از جریان آب و رطوبت خاک)، ژئومورفولوژی (برای نمونه، واحد فیزیوگرافی و واحد ژئومورفولوژی)، کاربری زمین (جاده‌ها، ویژگی‌های پوشش زمین و ساختمان‌ها) و عوامل ماشه‌ای مانند بارش، زلزله و آتش‌فشان به عوامل مستعد‌کنندۀ زمین‌لغزش معروف هستند (Zhu, 2014: 128; Zhang et al., 2016: 233). نقشه‌های پهنه‌بندی زمین‌لغزش با استفاده از الگو‌های مختلف و برای شناخت حساسیت‌های موجود در منطقه تهیه می‌شوند (Anbalagan, 1992: 275; Pachauri and Pant, 1992: 95; Garrett, 1994: 129; Gong, (1996: 526; Saha et al., 2005: 67. بیشتر روش‌های استفاده‌شده، رابطۀ بین عوامل مؤثر در وقوع زمین‌لغزش و تحلیل‌های مکانی را بر اساس نمونه‌های تعلیمی و اختصاص وزن به هر یک از معیارها و زیرمعیارها برقرار می‌کنند؛ روش‌های تصمیم‌گیری‌ چندمعیاره ازجمله روش‌های تحلیل و ارزیابی چندمعیاری پتانسیل وقوع پدیده هستند که انواع مختلفی مانند روش ترکیب خطی وزن‌دار[1] (WLC) دارند. Feizizadeh و همکاران (2014)، با استفاده از روش‌های تصمیم‌گیری چندمعیاره و تلفیق آنها با روش فازی، حوضۀ آبریز ایزه در شمال‌غرب ایران را پهنه‌بندی کردند. Dehnavi و همکاران (2015)، کل کشور ایران را با ترکیب روش تحلیل نسبت ارزیابی هوشمند[2]و روش سیستم تطبیقی استنتاج فازی - عصبی[3] ازنظر پتانسیل وقوع زمین‌لغزش پهنه‌بندی کردند. Wang و همکاران (2015) با استفاده از روش‌های رگرسیون لجستیک، تحلیل آماری دومتغیره و رگرسیون زبانه‌دار تطبیقی چندمتغیره[4] به پهنه‌بندی پتانسیل وقوع زمین‌لغزش در شهر میزونامی کشور ژاپن اقدام و الگوی MARSpline را نسبت به دیگر الگوهای استفاده‌شده کارآمد معرفی کردند. Hong و همکاران (2015) منطقۀ ییهانگ چین را با استفاده از روش‌های رگرسیون لجستیک، درخت تصمیم‌گیری و ماشین بردار پشتیبان ازنظر پتانسیل وقوع زمین‌لغزش پهنه‌بندی و روش درخت تصمیم‌گیری را در سطح اطمینان 95 درصد، بهترین روش با استفاده از 14 عامل معرفی کردند. Zhang و همکاران (2016) با استفاده از روش شاخص آماری و فرایند تحلیل سلسله‌مراتبی، 9 عامل از عوامل محیطی را برای پهنه‌بندی مناطق مستعد زمین‌لغزش کشور چین به کار بردند. کرم (1383) نواحی مستعد زمین‌لغزش را با استفاده از روش WLC و 10 شاخص محیطی در حوضۀ آبریز سرخون پهنه‌بندی کرد. با‌توجه‌به نتایج پژوهش‌های انجام‌شده و رضایت پژوهشگران از الگوهای تصمیم‌گیری چندمعیاره، این الگو برای شناسایی مکان‌های مستعد زمین‌لغزش در پژوهش حاضر به کار گرفته شد. باوجوداین،‌ در وزن‌دهی به الگوی یادشده علاوه‌بر الگوی تحلیل سلسله‌مراتبی، الگوی آماری رگرسیون لجستیک نیز برای وزن‌دهی استفاده شد و در حوضۀ آبریز زیلبیرچای، مناطق مستعد زمین‌لغزش در هر دو الگو شناسایی شدند؛ با تعیین مناطق مستعد لغزش و پهنه‌های لغزشی، از ساخت سازه‌های آبخیزداری در این مناطق جلوگیری و در صورت نیاز، به پایدارسازی دامنه‌ها و پهنه‌های یادشده کمک می‌شود.

 

مواد و روش

منطقۀ مطالعه‌شده

محدودۀ مطالعه‌شده موسوم به حوضۀ آبریز زیلبیرچای با وسعتی معادل 36/2524 کیلومترمربع در70 کیلومتری شمال شهر تبریز واقع شده و بیشتر مساحت این حوضه در آذربایجان‌شرقی و مساحت اندکی از آن در آذربایجان‌غربی قرار گرفته است. این حوضه بخشی از حوضۀ آبریز رودخانۀ ارس است که با روند شرقی - غربی از پیوستن رودخانۀ‌ زنوزچای تشکیل شده است و در شمال‌غرب حوضه و در نقطۀ خروجی به رودخانۀ قطورچای می‌پیوندد و پس از آن به همین نام خوانده می‌شود. رودخانۀ قطورچای با روند جنوبی - شمالی به رودخانۀ ارس ملحق می‌شود. موقعیت مطلق حوضۀ مطالعه‌شده در محدودۀ 44، 04، 45 تا 50، 33، 55 طول شرقی و 09، 18، 38 تا 57، 40، 38 عرض شمالی واقع شده و حداکثر ارتفاع حوضه 7/3229 متر و حداقل ارتفاع در محل خروجی حوضه 4/926 متر از سطح دریاست (شکل 1)

 

 

 

شکل 1. موقعیت منطقۀ مطالعه‌شده

 

 

شکل 2. زمین‌لغزش رخ‌داده در دامنۀ شمالی میشو، نگاه به سمت دشت کشکسرای

 

در پژوهش حاضر از داده‌ها، مواد و ابزارهایی به شرح زیر استفاده شده است:

از تصویر ماهواره‌ای لندست 8 (Operational (Land Imager برای استخراج نقشۀ کاربری و پوشش اراضی مربوط به 10 جولای سال 2015 و از الگوی رقومی ارتفاعی استر با اندازه پیکسل 27 متری برای استخراج حوضه و تصحیح توپوگرافیکی تصویر لندست استفاده شد. از نقشه‌های زمین‌شناسی 100000/1 برای تولید رقومی لایۀ سنگ‌شناسی، نقشه‌های توپوگرافی 25000/1 برای تصحیح هندسی تصویر ماهواره‌ای، استخراج لایۀ شبکۀ زهکشی، شیب و جهت شیب، از دستگاه سیستم موقعیت جهانی و سامانۀ گوگل‌ارث برای برداشت نقاط تعلیمی و از داده‌های ایستگاه‌های باران‌سنجی، تبخیر‌سنجی و سینوپتیک اشاره‌شده در جدول (1) برای تهیۀ لایۀ میانگین بارش سالانه در بازۀ زمانی بیست‌ساله در سطح حوضه استفاده شد؛ گفتنی است لایه بارش تهیه‌شده با روش زمین‌آمار جبری و بر اساس تغییرات بارش بر حسب تغییرات ارتفاع حاصل شد. ضریب تبیین بین ایستگاههای استفاده‌شده و ارتفاع آن‌ها 72/0 بود. نرم‌افزارهای تخصصی ENVI4.8، IDRISI17 و ARC GIS10.1 در مطالعۀ حاضر استفاده شدند.

عوامل متعددی در وقوع زمین‌لغزش مؤثر هستند؛ باتوجه‌به در دسترس بودن عوامل، لایه‌های زمین‌شناسی، کاربری، ارتفاع، شیب، جهت شیب، فاصله از گسل، فاصله از جاده و فاصله از شبکۀ زهکشی به‌عنوان عوامل محیطی و لایۀ بارش به‌عنوان عامل ماشه‌ای استفاده شدند(Zhang et al., 2016: (234. ابتدا همۀ لایه‌های وکتوری به لایۀ رستری تبدیل شدند و به تبعیت از لایه رقومی ارتفاعی پیکسل اندازه 27 متری به آن‌ها اختصاص داده شد و فاصله برای لایه‌های خطی رسترشده تعیین شد. سپس به طبقه‌بندی لایه‌ها به زیرمعیارها و قطع‌دادن لایۀ زمین‌لغزش با هریک از آن‌ها اقدام شد.

زیرمعیارهای طبقه‌بندی‌شده با‌توجه‌به اهمیت آن‌ها در ایجاد زمین‌لغزش، فازی‌سازی شدند. در روش ترکیب خطی وزن‌دار علاوه‌بر وزن‌یافتن تک‌تک زیرمعیارها، لازم است وزنی نیز به متغیرها اختصاص یابد که این وزن‌دهی یک‌بار با روش فرایند تحلیل سلسله‌مراتبی AHP[5] و بار دیگر با روش آماری رگرسیون لجستیک به الگوی نهایی اعمال و در نهایت با الگوی ROC[6]اعتبار‌سنجی شد. گفتنی است یک‌چهارم 64 نقطۀ زمین‌لغزشی به‌عنوان دادۀ آزمونی کنار گذاشته شدند و 47 عدد آن‌ها با استفاده از تصاویر کوییک‌برد از وکتور نقطه‌ای به پهنه‌های لغزشی تبدیل شدند.

زمین‌شناسی منطقه: لایۀ لیتولوژی نقش بسیار مؤثری در ناپایداری‌های دامنه‌ای دارد (Ayalew and Yamagishi, 2004, 114; Kamp et al., 2008: 633; Zhu et al., 2014: 124) و اغلب، تنوع آن باعث اختلاف در پایداری و مقاومت سنگ‌ها و تنوع جنس خاک می‌شود (Ayalew and Yamagishi, 2004: (114. شکل (2)، نقشۀ سنگ‌شناسی منطقۀ مطالعه‌شده را نشان می‌دهد که به 15 طبقه تقسیم شده و بیشترین زمین‌لغزش رخ‌داده در شیل‌های سبزرنگ همراه با مارن اتفاق افتاده است. برای تأثیردادن لایۀ لیتولوژی بر میزان لغزش بالقوه، این لایه ازنظر مقاومت سنگ‌ها در برابر انواع حرکت‌های توده‌ای به 5 طبقه تقسیم و در الگوی پهنه‌بندی استفاده شد (شکل 3).

 

 

شکل 3. لایه‌های زمین‌شناسی (سمت راست) و مقاومت سنگ‌ها (سمت چپ) در منطقۀ مطالعه‌شده

 


گسل: مجاورت با گسل‌ها باعث ناپایداری و حساسیت شیب دامنه‌ها و افزایش نفوذپذیری سطح زمین می‌شود)

Vahidnia و همکاران به نقل از (Zhang et al., 2016: 235). گسل دامنۀ شمالی میشو در منطقۀ مطالعه‌شده ازجمله نمونه‌هایی است که با جهت شرقی - غربی، ویژگی‌های خاصی ازنظر ناپایداری‌های دامنه‌ای و پدیده‌های ژئومورفیکی دارد (مختاری، 1384: 72). اطلاعات گسل‌های منطقه و عملکرد آن‌ها در منبع یادشده آمده و بافربندی فاصله از گسل در شکل (4) نشان داده شده است.

لایۀ بارش: نقشۀ میزان بارش با استفاده از رابطۀ خطی بین میانگین بارش بیست‌سالۀ ایستگاههای استفاده‌شده و ارتفاع منطقه حاصل و رابطه به شکل 95/117 + H 1355/0 = P محاسبه شد که دارای ضریب همبستگی 85/0 = r و معنا‌داری در سطح 1 درصد است (شکل 4).

در این رابطه:

H: ارتفاع ایستگاه (منطقه) از سطح دریا بر حسب میلی‌متر؛

P: میزان بارندگی سالانۀ ایستگاه (منطقه) بر حسب میلی‌متر.

 

جدول 1. ایستگاه‌های استفاده‌شده در پژوهش حاضر

مختصات جغرافیایی به درجه

سازمان مربوطه

ارتفاع از سطح دریا (متر)

نوع ایستگاه

نام ایستگاه

ردیف

X

Y

44.97

38.55

هواشناسی

1103

سینوپتیک

خوی

1

45.67

38.75

هواشناسی

736

سینوپتیک

جلفا

2

45.75

38.43

هواشناسی

1550

سینوپتیک

مرند

3

45.82

38.58

وزارت نیرو

1710

باران‌سنجی

زنوز

4

45.8

38.7

وزارت نیرو

2200

باران‌سنجی

میاب

5

45.8

38.37

وزارت نیرو

1750

باران‌سنجی

پیام

6

45.7

38.56

وزارت نیرو

1350

باران‌سنجی

چرچر

7

45.23

38.77

وزارت نیرو

970

باران‌سنجی

مظفر

8

 

عامل کاربری اراضی: این عامل به‌عنوان عامل مؤثر در وقوع زمین‌لغزش به الگو معرفی شد. از انواع کاربری اراضی، تأثیر گیاهان بر حساسیت وقوع زمین‌لغزش‌ها پیچیده است و به ثبات مکانیکی ناشی از وجود ریشه در عمق خاک، رطوبت خاک و اثر آن در تعرق، وزن درختان و تأثیر باد بستگی دارد (Nilaweera and Nutalaya, 1999: 339). در مطالعۀ حاضر، تمام کاربری‌های موجود در منطقه با استفاده از تصاویر ماهواره‌ای استخراج و در الگو اعمال شدند.

برای طبقه‌بندی تصویر و استخراج لایۀ کاربری – پوشش اراضی از روش نظارت‌شدۀ ناپارامتریک ماشین بردار پشتیبان[7] استفاده شد؛ این روش طبقه‌بندی‌کننده به‌ شکل باینری عمل و دو کلاس را با استفاده از یک فراصفحه[8] از هم جدا می‌کند. به‌طورکلی، در پژوهش حاضراز روش نظارت‌شدۀ نا‌پارامتریک پیکسل پایه به علت دقت زیاد آن در طبقه‌بندی (Vapnik, 1999: 139؛ Mantero et al., 2005: 560؛ اندریانی، 1393: 110؛ رضایی مقدم و همکاران، 1394: 170) استفاده شد (شکل 4).

لایۀ ارتفاعی: لایۀ رقومی ارتفاعی استر با اندازه پیکسل 27 متر، لایۀ ارتفاعی در نظر گرفته شد. اگرچه با‌توجه‌به پژوهش‌های انجام‌شده، عامل ارتفاع تأثیر بسزایی در وقوع زمین‌لغزش دارد (Kamp et al., (2008: 633; Zhu et al., 2014: 124، به نظر می‌رسد این تأثیر با افزایش ارتفاع رابطۀ مستقیم و خطی ندارد؛ زیرا عوامل مؤثردیگری رابطۀ خطی و مستقیم را در هم می‌ریزند و میزان این تأثیر در مناطق مختلف با‌توجه‌به ساختارهای موجود در منطقه تغییر می‌کند. از لایۀ ارتفاعی رقومی، لایه‌های شیب و جهت شیب استخراج شدند. لایۀ شیب و ارتفاع به طبقه‌هایی تقسیم‌بندی شدند که زیرمعیارها و درصد زمین‌لغزش‌های رخ‌داده در آن‌ها با نمودارهایی در بخش بحث و نتیجه نشان داده شده است. شیب جزو عواملی است که به‌تنهایی تأثیر بسیار زیادی در حرکت‌های توده‌ای دارد و در پژوهش‌های مربوط به پهنه‌بندی استفاده می‌شود (Clerici et al., 2002: 351; Süzen and Doyuran, 2004: 305; Vahidnia et al., 2010: 1103; Zhang et al., 2016: 237). در لایۀ جهت شیب نیز چند پیکسل (5 پیکسل) جزو طبقۀ بدون شیب بودند که در جهت شیب شمال با‌توجه‌به مساحت بسیار اندک آن ادغام شدند. عامل جهت شیب تعیین‌کنندۀ ویژگی‌هایی مانند هوازدگی‌ها، شرایط هوازدگی‌ها (بارش و ذوب برف)، پوشش گیاهی و شرایط خاک (ظرفیت نفوذ) است؛ ازاین‌رو، در هشت جهت جغرافیایی به الگو معرفی شد.

فاصله از جاده و شبکۀ زهکشی: جاده یکی از عوامل آنتروپوژنیک مؤثر در حساسیت وقوع حرکت توده‌ای به‌ویژه زمین‌لغزش است. وجود جاده و تعریض آن باعث تشدید حرکت‌های توده‌ای به‌ویژه زمین‌لغزش در جاده‌های روستایی منطقۀ مطالعه شده است (مختاری، 1388: 21). برای استفاده از عامل جاده به‌عنوان عامل مؤثر در وقوع زمین‌لغزش در اطراف جاده‌های آسفالته و اصلی، بافرهایی به‌اندازۀ 50 ، 100، 150 متر و بیشتر ایجاد شدند.
Van Westen و همکاران (2003) پیشنهاد کردند استفاده از بافرهای 50 متری برای لایه‌های خطی رودخانه و جاده.

 

 
 
 
 

شکل 4. تصویر عوامل استفاده‌شده در الگوی تصمیم‌گیری چندمعیاره

 

 

روش‌های یادشده از مبانی زیر تبعیت می‌کنند:

فازی‌سازی عوامل مؤثر: در پژوهش حاضر، از مجموعۀ‌ فازی معرف کاربر[9] برای استانداردسازی عوامل پیوسته و گسسته استفاده شد(Schmuck, 1984: 10-192; Burrough, 1989: 485). در این استانداردسازی، وزن 1 به زیرمعیار دارای تناسب بیشتر با رخداد زمین‌لغزش و وزن صفر به به زیرمعیار دارای کمترین تناسب با رخداد یادشده تعلق گرفت. به این منظور، با استفاده از روش هیستوگرام و تحلیل مکانی، تک‌تک کلاس‌های معیارها با لایۀ وقوع زمین‌لغزش در منطقۀ مطالعه‌شده قطع داده شدند.

روش سلسله‌مراتبی در سه گام اصلی انجام شد:
1. تعریف معیار بررسی‌شده‌ برای تصمیم‌گیری؛
2. مقایسۀ دوبه‌دوی معیارهای تعریف‌شده؛
3. ارزش‌دهی معیارها با‌توجه‌به اهمیت وجودی آن‌ها. گفتنی است اهمیت و ارزش معیارها باید به ‌شکل کارشناسی انتخاب شود. اگرچه Saaty و Vargas (1991) شاخصی را برای ناسازگاری تصمیم‌های اتخاذشده تعریف کرده‌اند، سلیقه و دیدگاه‌های کارشناسان متفاوت است و این مسئله تأثیر بسزایی بر نتیجۀ تصمیم‌گیری دارد.

ماتریس A که در آن، معیارها دوبه‌دو مقایسه می‌شوند به شکل رابطۀ 1 بیان می‌شود:

 

رابطۀ 1

در رابطۀ 1،  ترجیح یک معیار بر دیگری است که می‌تواند به‌ شکل  باشد و n برابر تعداد معیارها و در مطالعۀ حاضر برابر 8 است. wi و wj عناصر نرمال‌کردن وزن بردار ویژۀ W هستند. جمع وزن‌های هر مقایسه به شکل رابطۀ 2 بیان می‌شود:

رابطۀ 2

 

از مقایسۀ دو‌به‌دوی ماتریس A، وزن بردار W طبق رابطۀ 3 بیان می‌شود:

رابطۀ 3

 

در رابطۀ 3،  بیشترین مقدار ویژۀ ماتریس A است و چنانچه نتیجۀ ماتریس به شکل رابطۀ 4 باشد، ماتریس سازگار تلقی می‌شود.

رابطۀ 4

 

در این روش، نرخ ناسازگاری (CR) کمتر از 1/0 در نظر گرفته می‌شود و چنانچه از این مقدار بیشتر شود، بایستی در مقایسۀ زوجی معیارها تجدیدنظر شود. محاسبۀ میزان ناسازگاری به محاسبۀ شاخص سازگاری (CI، رابطه 5) و شاخص سازگاری تصادفی (RI) نیاز دارد.

رابطۀ 5

 

شاخص سازگاری تصادفی از جدول (2) و بر اساس تعداد معیارها حاصل می‌شود.


جدول 2. مقدار شاخص سازگاری تصادفی برای تعداد مختلف معیار (n)(Saaty, 1977: 260)

n

2

3

4

5

6

7

8

9

10

RI

0/0

58/0

9/0

12/1

1/1

32/1

41/1

45/1

49/1

 

 

نرخ ناسازگاری به‌ شکل رابطۀ 6 بیان می‌شود:

رابطۀ 6

 

وزن‌دهی به معیارها با روش تحلیل سلسله‌مراتبی واستفاده از نظر کارشناسان انجام شد؛ به این شکل که ابتدا معیارها بر اساس میزان تأثیرشان در ماتریس 9 در 9 مرتب شدند و سپس در مقایسۀ دو‌به‌دو معیارها، امتیازی بین 1 تا 9 به آن‌ها تعلق گرفت.

رگرسیون لجستیک[10] ازجمله روش‌های آماری پیش‌بینی‌کننده است که روند گسترش متغیر وابسته را با استفاده از متغیرهای مستقل پیش‌بینی می‌کند. در پژوهش حاضر که رویکردهای سیستم اطلاعات جغرافیایی به کار گرفته شده‌اند، معیارهای مستقل و وابسته به رستری (تصویری که جزء کوچک آن را پیکسل تشکیل می‌دهد) تبدیل شدند. متغیر وابسته، زمین‌لغزش‌های رخ‌داده هستند که به شکل لایۀ باینری (صفر و یک) و متغیرهای مستقل، عوامل مؤثر در زمین‌رخداد‌ زمین‌لغزش هستند که به‌ شکل لایه‌های استانداردشدۀ فازی (صفر تا یک) و یا طبقه‌بندی‌شده در نظر گرفته شدند؛ متغیر وابسته با کلاس یک دنبال‌کنندۀ منحنی لجستیک است.

برای اعتبارسنجی الگوی رگرسیون لجستیک از شاخص‌های Chi Square، Pseudo RSquare و ROC[11] استفاده شد و برای بررسی عملکرد رگرسیون لجستیک و اعتبارسنجی الگوی رگرسیونی 10 درصد از کل پیکسل‌های تصویر که به شکل تصادفی سیستماتیک انتخاب شده بودند، در برازش الگو استفاده شد (اندریانی، 1393: 148).

آزمون Pseudo R Square برای برازش مجموعۀ داده‌ها استفاده و از رابطۀ 7 محاسبه می‌شود:

رابطۀ 7

 

در رابطۀ 7،  مقدار تابع احتمال برای الگوی کامل زمانی برازش و  مقدار تابع احتمال است به شرطی که تمام ضرایب بجز عرض از مبدأ، صفر باشند. مقدار PRSquare برابر 1 نشان‌دهندۀ برازش کامل الگو و مقدار صفر نشان‌دهندۀ نبود رابطه بین متغیرهای وابسته و مستقل و مقدار بیشتر از 2/0 نشان‌دهندۀ برازش به‌نسبت خوب الگو است (Ayalew and Yamagishi, 2004: 113)

آزمون Chi Square از اختلاف بین -2 Log (Likelihood) برای الگوی بهترین برازش و
2 Log (L0)- برای فرضیۀ صفر حاصل می‌شود. در صورت بیشتربودن این شاخص از مقدار عددی 1/14، فرضیۀ صفر رد می‌شود. فرضیۀ بررسی‌شده در این آزمون، صفر فرض‌کردن همه ضرایب بجز عرض از مبدأ[12]است.

ROC شاخص آمارۀ برتری برای اندازه‌گیری برازش نیکویی رگرسیون لجستیک و دیگر روش‌های آماری است. دامنۀ عددی آن بین صفر تا 1 متغیر است و اعداد 1 و 5/0 به‌ترتیب نشان‌دهندۀ برازش کامل و برازش تصادفی هستند.

روش ترکیب خطی وزن‌دار: در پژوهش حاضر، از روش ترکیب خطی وزن‌دار (Weighted Linear Combination) در محیط ARC GIS برای تولید نقشۀ پهنه‌بندی مناطق مستعد زمین‌لغزش استفاده شد. هدف ارزیابی چندمعیاری در پژوهش حاضر، انتخاب بهترین جایگزین بر مبنای رتبه‌بندی زمین‌لغزش از راه ارزیابی چند معیار اصلی است. برای دستیابی به هدف این ارزیابی، معیارها تعریف و تعیین و به شکل عامل (Factor) دسته‌بندی می‌شوند (Malczewski, 1999: (199. در این روش تصمیم‌گیری، مقدار هر جایگزین بر اساس رابطۀ 8 محاسبه می‌شود (Oruc, 2003: 2451; Pontius et al., 2001: 195; Eastman, 2012: (132.

رابطۀ 8

 

در رابطۀ فوق، SW: میزان مطلوبیت، Wi: وزن هر معیار و Si: ارزش استانداردشدۀ هر معیار است. ارزش استانداردشدۀ هر معیار با روش فازی‌سازی و نظر کارشناسی تعیین می‌شود وباتوجه‌به اینکه مرز کاملاً مشخصی در این مجموعه‌ها وجود ندارد یا به عبارتی تبدیل آن‌ها بین عضویت و عدم عضویت در یک مجموعه به شکل تدریجی است، مجموعۀ فازی به‌وسیلۀ درجۀ عضویت فازی آن مشخص شد و دامنه‌ای بین صفر تا 1 به آن‌ها تعلق می‌گیرد که نشان‌دهندۀ افزایش پیوسته از عدم عضویت به سمت عضویت کامل است.

 

یافته‌های پژوهش

در تصمیم‌گیری‌های چندمعیاره، از چندین لایۀ مؤثر بر وقوع پدیده‌ای خاص استفاده می‌شود. در پژوهش حاضر، هر 9 لایۀ استفاده‌شده با زمین‌لغزش‌های رخ‌داده قطع شدند. شکل (5)، درصد وقوع زمین‌لغزش‌ها را در هر یک از زیرمعیارهای عوامل نشان می‌دهد.

 

 

 
 

 

 

شکل 5. درصد زمین‌لغزش‌های رخ‌داده در هر یک از زیرمعیارهای موجود در معیارها

 

 

با‌توجه‌به شکل (5)، ارتفاع بین 1400 تا 1800 متر، شیب 30 تا 60 درصدی، در لیتولوژی‌های نا‌مقاوم، 100 متری شبکۀ زهکشی و جاده، 1 کیلومتری گسل، جهت شیب شمال و شمال‌غربی، کاربری‌های مراتع قوی و ضعیف و در نهایت بارش 300 تا 350 میلی‌متری، زیرمعیارهای بسیار مؤثر در وقوع زمین‌لغزش‌های منطقۀ مطالعه‌شده هستند.

تک‌تک زیرمعیارهای هر عامل با استفاده از اطلاعات شکل (5) فازی‌سازی شدند و به زیرمعیاری که در آن رخداد زمین‌لغزش دارای درصد مساحت بیشتری بود عدد 1 و به زیرمعیار دارای کمترین درصد رخداد زمین‌لغزش عدد صفر تعلق گرفت. برای جلوگیری از حذف زیرمعیار کم‌ارزش و ادغام‌نشدن آن با حواشی لایه‌ها، عدد 01/0 در نرم‌افزار ادریسی به آن تعلق گرفت.

پس از وزن‌دارشدن زیرمعیارها در الگوی ترکیب خطی وزن‌دار، لازم است معیارها نیز وزن ویژه‌ای برای خود داشته باشند؛ ازاین‌رو، الگوی سلسله‌مراتبی برای وزن‌دهی معیارها استفاده شد. در پژوهش حاضر، با الگوی رگرسیون لجستیک نیز به معیارها وزن تعلق گرفت و نتیجۀ دو الگوی وزن‌دهی با الگوی ROC اعتبارسنجی شد. جدول (3)، میزان وزن‌های کارشناسی تعلق‌گرفته به معیارها را با استفاده از روش سلسله‌مراتبی نشان می‌دهد.


جدول 3. ماتریس امتیازدهی به معیارهای مؤثر در بروز خطر زمین‌لغزش

معیارها

1

2

3

4

5

6

7

8

9

وزن‌های مقدار ویژه

ناسازگاری

جهت شیب (1)

1

 

 

 

 

 

 

 

 

03/0

 

فاصله از جاده (2)

2

1

 

 

 

 

 

 

 

03/0

 

فاصله از گسل (3)

2

1

1

 

 

 

 

 

 

05/0

 

بارش (4)

5

4

2

1

 

 

 

 

 

07/0

 

شیب (5)

3

2

3

2

1

 

 

 

 

08/0

 

ارتفاع (6)

5

4

4

3

2

1

 

 

 

15/0

 

لیتولوژی (7)

6

5

5

4

3

2

1

 

 

2/0

 

کاربری اراضی (8)

7

6

5

5

4

3

5/0

1

 

26/0

 

فاصله از رودخانه (9)

1

3

5/0

2

1

33/0

3

1

1

09/0

 

 

 

 

 

 

 

 

 

 

 

 

08/0

 

 

جدول (3) و شیوۀ امتیازدهی، تأثیر بیشتر به‌ترتیب عوامل کاربری اراضی، لیتولوژی، ارتفاع، فاصله از رودخانه، شیب، بارش، فاصله از گسل، فاصله از جاده و جهت شیب بر رخداد زمین‌لغزش را نشان می‌دهند؛ ترتیب یادشده با پژوهش‌های انجام‌شده با استفاده از روش دلفی هماهنگی دارد (Kayastha et al., 2013: (404; Zhang et al., 2016: 239. مقدار ناسازگاری 08/0 نیز نشان‌دهندۀ امتیازدهی درست به معیارهاست. وزن حاصل از روش رگرسیون لجستیک و ضرایب آن طبق جدول (4) محاسبه و سپس نرمال‌سازی شد. جدول (5) نشان‌دهندۀ عرض از مبدأ الگو و نتیجۀ شاخص‌های برازش‌دهندۀ آن است.


جدول 4. ضرایب حاصل از روش آماری رگرسیون لجستیک و نرمال‌سازی ضرایب

معیارها

جهت شیب

بارش

ارتفاع

لیتولوژی

فاصله از گسل

کاربری اراضی

فاصله از رودخانه

فاصله از جاده

شیب

ضرایب

94/1

93/0

67/0

14/4

3/6

25/1

36/1

34/2

41/2

نرمال‌سازی

3/0

15/0

11/0

66/0

1

2/0

22/0

37/0

38/0

 


جدول 5. نتیجۀ شاخص‌های برازش الگوی رگرسیونی

عرض از مبدأ

Pseudo R_square

ChiSquare

ROC

02/18-

33/0

2680

94/0

 

در جدول (5)، شاخص ChiSquare از مقدار عددی 1/14 بیشتر است و در نتیجه فرض صفر دال بر صفر‌بودن همۀ ضرایب بجز عرض از مبدأ رد می‌شود. بیشتربودن شاخص PR2 از مقدار عددی 2/0 نیز نشان می‌دهد برازش خوبی انجام شده است. عدد شاخص ROC نیز نزدیک به 1 است و فاصلۀ بسیاری با 5/0 (نشان‌دهندۀ برازش تصادفی) دارد.

 

 

شکل 6. شناسایی حساسیت منطقه نسبت به وقوع زمین‌لغزش درالگوی ترکیب خطی وزن‌دار با وزن‌دهی متفاوت

 

 

با اعمال وزن‌های حاصل از روش سلسله‌مراتبی و بار دیگر روش رگرسیون لجستیک بر لایه‌های فازی‌شده، الگوی تصمیم‌گیری چندمعیارۀ ترکیب خطی وزن‌دار اجرا و منطقۀ مطالعه بر اساس شکل (6) به پنج طبقه طبقه‌بندی شد. شکل (7)، درصد هریک از پهنه‌های سیلابی در منطقۀ مطالعه و در الگو‌های وزن‌دهی متفاوت را نشان می‌دهد.

 

 

شکل 7. درصد پهنه‌های در معرض خطر زمین‌لغزش

 

 

‌اعتبارسنجی الگو‌های استفاده‌شده با روش ROC انجام شد؛ شکل (8)، نتیجۀ این الگو را نشان می‌دهد که بر اساس تحلیل‌های مبتنی بر طبقه‌بندی آماری و یا به عبارتی، میزان موفقیت الگو نسبت به خطاست. این شکل، بیشتربودن سطح زیرمنحنی را در الگوی ترکیب خطی وزن‌دار با وزن‌دهی رگرسیون لجستیک نشان‌ می‌دهد.

 

 

شکل 8. نمودار منحنی ROC برای الگو‌های استفاده‌شده

 

 

در مقایسۀ الگو‌های وزن‌دهی استفاده‌شده در روش ترکیب خطی وزن‌دار با استفاده از الگوی آماری ROC، وزن‌دهی رگرسیون لجستیک با میانگین عددی 94/0 الگوی وزنی کارآمدتری نسبت به وزن‌دهی سلسله‌مراتبی با میانگین عددی 90/0 معرفی می‌شود.

 

نتیجه‌گیری

در مقالۀ حاضر، به‌منظور مدیریت بهینه در منطقه و جلوگیری از خسارت‌های احتمالی پیش‌آمده در اثر حرکت‌های توده‌ای به‌ویژه زمین‌لغزش، اقدام به پهنه‌بندی مناطق حساس به این حرکت‌ها با استفاده از الگوی تصمیم‌گیری چندمعیارۀ ترکیب خطی وزن‌دار شد. برای الگو‌سازی از 9 شاخص مستقل لایۀ بارش، لیتولوژی، کاربری اراضی، ارتفاع، شیب، جهت شیب، فاصله از شبکۀ زهکشی، فاصله از گسل و فاصله از جاده استفاده شد. گفتنی است لایۀ بارش با استفاده از الگوی جبری و تعداد 8 ایستگاه در اطراف منطقۀ مطالعه‌شده و بر اساس رابطۀ بین ارتفاع و مقدار میانگین بارش از لایۀ رقومی ارتفاعی منطقۀ مطالعه استخراج شد. لایۀ کاربری نیز با داده‌های تعلیمی برداشت‌شده از منطقۀ مطالعه و تصاویر لندست 8 (سنجندۀ OLI) با استفاده از الگوی ماشین بردار پشتیبان تهیه شد. دیگر لایه‌ها نیز به‌نوعی از تصاویر ماهواره‌ای یا نقشه‌های منطقۀ مطالعه‌شده استخراج شدند. سپس لایۀ زمین‌لغزش‌های رخ‌داده در منطقه با برداشت‌های زمینی و تصویر ماهواره‌ای کوییک‌برد به‌عنوان لایۀ تعلیمی در الگو استفاده شد. زمین‌لغزش‌های رخ‌داده در تمام جهت‌های شیب دیده می‌شوند، ولی ارتفاع 1400 تا 1800 متر و شیب 30 تا 60 درصد، بیشتر در معرض خطر چنین پدیده‌ای قرار دارند. فاصله از جاده و گسل نیز با‌توجه‌به نزدیک‌بودن به این عوارض انسانی و طبیعی وزن بیشتری را در مطالعۀ حاضر به خود اختصاص دادند. بارش بر اساس رابطۀ بین ارتفاع و مقدار بارش در دیگر ایستگاه‌ها درون‌یابی شد و ازاین‌رو بدیهی است هرچه به ‌سمت ارتفاع بیشتر پیش ‌رویم، بارش نیز بر اساس رابطۀ حاصل در پژوهش حاضر بیشتر می‌شود. از سویی ارتفاع‌های 1400 تا 1800 متری در این منطقه بیشتر در معرض حرکت‌های توده‌ای هستند و در شاخص بارش به‌عنوان تابعی از ارتفاع، بارش‌های 300 تا 350 میلی‌متری وزن بیشتری در پهنه‌بندی زمین‌لغزش به خود اختصاص دادند (شکل 5). با‌توجه‌به وزن کم این لایه در روش کارشناسی سلسله‌مراتبی و روش وزن‌دهی رگرسیون لجستیک، می‌توان از این لایه چشم‌پوشی کرد و بهتر است روش‌های درون‌یابی ازجمله روش‌های IDW، کریجینگ و یا دیگر روش‌های زمین‌آماری استفاده شوند. در بحث زمین‌شناسی نیز 79 درصد زمین‌لغزش‌های رخ‌داده به جنس شیل، ماسه‌سنگ و مارن تعلق دارد. این بررسی‌ها با استفاده از الگوی هیستوگرام و بر اساس فراوانی داده‌های تعلیمی در هر یک از شاخص‌ها انجام شدند و فازی‌سازی مبنی بر این عملکرد بوده است. پس از استانداردسازی فازی هر یک از زیرمعیارها، 9 شاخص به شکل ماتریس 9 در 9 تنظیم و نسبت به هم‌ وزن‌دهی سلسله‌مراتبی شدند و وزن نهایی با استفاده از الگوی AHP حاصل شد. سپس بار دیگر، 9 عامل به‌عنوان متغیر مستقل و زمین‌لغزش‌های رخ‌داده به‌ شکل یک لایۀ صفر و یک باینری و به‌عنوان متغیر وابسته برای الگوی رگرسیون لجستیک معرفی شدند و ضریب نهایی آن‌ها استخراج و نرمال‌سازی شد. در نهایت، ضرایب حاصل از هر دو روش به شکل جداگانه در روش ترکیب خطی وزن‌دار به لایه‌ها اعمال شدند. نتیجۀ اعتبارسنجی ROC با استفاده از زمین‌لغزش‌های مشاهداتی آزمونی نشان می‌دهد مساحت زیرمنحنی در الگوی ترکیب خطی وزن‌دار با وزن‌دهی رگرسیون لجستیک به عوامل (94/0) با‌توجه‌به محاسبه‌های آماری بیشتر از الگوی ترکیب خطی وزن‌دار با وزن‌دهی سلسله مراتبی (90/0) با‌توجه‌به وزن‌دهی کارشناسی است. نتیجۀ حاصل نشان‌دهندۀ کارایی الگوی تصمیم‌گیری چندمعیارۀ ترکیب خطی وزن‌دار با وزن‌دهی فرایند سلسله‌مراتبی است که با یافته‌های کرم (1383) و Zhang و همکاران (2016) مطابقت دارد. با ترکیب الگوی WLC با رگرسیون لجستیک و به عبارتی استفاده از ضرایب حاصل از رگرسیون لجستیک با‌توجه‌به کاهش تأثیر نظر کارشناسی، دقت الگو افزایش خوبی داشت. نتیجۀ الگوی ترکیب خطی وزن‌دار با وزن‌دهی رگرسیون لجستیک نشان‌دهندۀ مساحتی حدود 4/7 درصد در پهنه‌های خطر زیاد و بسیار زیاد است و با وزن‌دهی سلسله‌مراتبی و به شکل کارشناسی حدود 7/4 درصد در پهنه‌های یادشده قرار می‌گیرد. 36 درصد مساحت منطقه نیز جزو پهنه‌های خطر متوسط است که با سومدیریت و ساخت‌وسازهای عوارض انسانی ازجمله جاده بدون توجه به ساختار ژئومورفولوژی و لیتولوژی منطقه متأثر شده و به پهنه‌های خطر زیاد و بسیار زیاد تبدیل می‌شود؛ زیرا در این الگو‌سازی نیز مناطق نزدیک به عوارض انسان‌ساخت و عامل طبیعی گسل در هر دو الگو جزو مناطق حساس به خطر زمین‌لغزش پهنه‌بندی می‌شوند. همچنین تعیین مناطق مستعد لغزش و پهنه‌های لغزشی به‌منظور اجتناب از ساخت سازه‌های آبخیزداری در این مناطق و در صورت نیاز کمک به پایدارسازی دامنه‌ها و پهنه‌های یادشده نقش بسزایی در توسعۀ پایدار دارد.



[1] Weighted Linear Combination

[2] step-wise weight assessment ratio analysis

[3] adaptive neuro-fuzzy inference system

[4] Multivariate adaptive regression splines

[5] Analytical Hierarchy process

[6] receiver operating characteristic

[7] Suport Vector Machine

[8] Hyperplane

[9] User Defined

[10] Logistic Regression

[11] Relative Operating Characteristic

[12] Intercept

اندریانی، صغری، (1393). کاربرد تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی در بررسی تغییرات کاربری اراضی و تأثیر آن بر دبی رودخانه (مطالعۀ موردی: صوفی چای)، پایان‌نامۀ کارشناسی ارشد RS & GIS، دکتر محمدحسین رضایی‌مقدم، گروه سنجش از دور، دانشگاه تبریز.

بیاتی خطیبی، مریم، (1389). ارزیابی و پهنه‌بندی خطر زمین‌لغزش در حوضة قرنقوچای به روش دو متغیرة آماری، نشریۀ جغرافیا و برنامه‌ریزی، شمارۀ 32، صص 27-1.

رأفت‌نیا، نصرت‌ا...؛ کاویانپور، محمدکاظم؛ توفیق احمدی، (1390). بررسی علل وقوع پدیدۀ زمین‌لغزش در جنگل گلندرود (مطالعۀ موردی، سری 3 حوزۀ آبخیز 43)، فصلنامۀ علوم و فنون منابع طبیعی، سال ششم، شمارۀ 1، صص 63-53.

رضایی مقدم، محمدحسین؛ ولی‌زاده کامران، خلیل؛ اندریانی، صغری؛ فرهاد الماس‌پور، (1394). مقایسۀ روش‌های شبکۀ عصبی و ماشین بردار پشتیبان در استخراج نقشه‌های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعۀ موردی: حوضۀ صوفی چای)، شمارۀ 52، صص 183-163.

کرم، عبدالامیر، (1383). کاربرد مدل ترکیب خطی وزن‌دار (WLC) در پهنه‌بندی پتانسیل وقوع زمین‌لغزش (مطالعۀ موردی: منطقه سرخون در استان چهارمحال‌بختیاری)، جغرافیا و توسعه، صص 146-131.

مختاری، داود، (1384). آسیب‌پذیری سکونتگاههای روستایی از فعالیت گسل و ضرورت جابه‌جایی آن‌ها (نمونۀ موردی: روستاهای واقع در امتداد گسل شمالی میشو)، پژوهش‌های جغرافیای طبیعی، شمارۀ 51، صص 86-71.

مختاری، داود، (1388). آثار ژئومورفیکی عملیات راه‌سازی در مناطق حساس ژئومورفولوژیک (مطالعۀ موردی: راه روستایی ارلان در شمال غرب ایران)، مجلۀ جغرافیا و برنامه‌ریزی محیطی، شمارۀ 36، صص 42-17.

Anbalagan, R. (1992), Landslide hazard evaluation and zonation mapping in mountainous terrain, Journal of Engineering Geology. Vol. 32, 269-277.

Ayalew, L. and Yamagishi, H. (2004), Slope failures in the Blue Nile basin, as seen from landscape evolution perspective, Journal of Geomorphology. Vol. 57, 95-116.

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

Clerici, A., Perego, S., Tellini, C., Vescovi, P. (2002), A procedure for landslide susceptibility zonation by the conditional analysis method, Journal of Geomorphology, Vol 48, 349-364.

Dai, F.C. and Lee, C.F. (2002), Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong, Journal of Geomorphology, Vol. 42, 213-238.

Dehnavi, A., Nasiri Aghdam, I., Pradhan, B., Morshed Varzandeh, M.H. (2015), A new hybrid model using step-wise weight assessment ratio analysis (SWARA) technique and adaptive neuro-fuzzy inference system (ANFIS) for regional landslide hazard assessment in Iran, Journal of Catena, Vol. 135, 122-148.

Eastman, R.J. (2012), IDRISI for Windows: IDRISI Selva Manual, Clark University, New york.

Feizizadeh, B., Shadman Roodposhti, M., Jankowski, P., Blaschke, T. (2014), A GIS-based extended fuzzy multi-criteria evaluation for lanslide susceptibility mapping, Journal of Computers & Geosciences, Vol. 73, 208-221.

Garrett, J. (1994), Where and why artificial neural networks are applicable in civil engineering, Journal of Computer Civil Engineering. Vol. 8, 129-130.

Gong, P. (1996), Integrated analysis of spatial data for multiple sources: using evidential reasoning and artificial neural network techniques for geological mapping, Journal of Phonogram, Engineering Remote Sensing, Vol. 62, 513-523.

Guzzetti, F., Reichenbach, P., Cardinali, M., Galli, M., Ardizzone, F. (2005), Probabilistic landslide hazard assessment at the basin scale, Journal of Geomorphology, Vol. 72, 272-299.

Hong, H., Pradhan, B., Xu, C., Tien Bui, D.T. (2015), Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines, Journal of Catena, Vol. 133, 266-281.

Kamp, U., Growley, B.J., Khattak, G.A., Owen, L.A. (2008), GIS-based landslide susceptibility mapping for the 2005 Kashmir earthquake region, Journal of Geomorphology. Vol. 101, 631-642.

Kayastha, P., Dhital, M.R., De Smedt, F. (2013), Application of the analytical hierarchy process (AHP) for landslide susceptibility mapping: A case study from the Tinau watershed, west Nepal, Journal of Computers & Geosciences, Vol. 52, 398-408.

Mantero, P., Moser, G., Serpico, S.B. (2005), Partially Supervised Classification of Remote Sensing Images Through SVM-Based Probability Density Estimation, Journal of Geoscience and Remote Sensing, Vol. 43(3), 559-570.

Malczewski, J. (1999), GIS and Multicriteria Decision Analysis, John Wiely and sons, New york, USA.

Nilaweera, N.S. and Nutalaya, P. (1999), Role of tree roots in slope stabilization, Journal of Bulletin of Engineering Geology and the Environment, Vol. 57, 337-342.

Oruc, I., Maloney, L.T., Landy, M.S. (2003), Weighted linear cue combination with possibly correlated error, Journal of Vision Research. 43, 2451-2468.

Pontius, R.G., Cornell, G.D., Hall, C.A. (2001), Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica, Journal of Agriculture, Ecosystems & Environment, 85, 191-203.

Pachauri, A.K. and Pant, M. (1992), Landslide hazard mapping based on geological attributes, Journal of Engineering Geology, 32, 81-100.

Schmuck, K.J. (1984). Fuzzy Sets, Natural Language Computations and Risk Analysis, Computer Science Press.

Saaty, T.L. and Vargas, L.G. (1991), Prediction Projection and Forecasting, Dordrecht: Kluwer, 251.

Saaty, T. L. (1977), A scaling method for prioritiesin hierarchical structure, Mathematical Psychology. Vol. 15, 234-281.

Saha, A.K., Gupta, R.P., Starker, I., Arora, M.K., Csaplovics, E. (2005), An approach for GIS based statistical landslide susceptibility zonationwith a case study in the Himalayas, Journal of Landslides, Vol. 2, 61-69.

Süzen, M.L. and Doyuran, V. (2004), Data driven bivariate landslide susceptibility assessment using geographical information systems: a method and application to Asarsuyu catchment, Turkey. Journal of Engineering Geology, Vol. 71, 303-321.

Van Westen, C.J., Van Asch, Th.W.J., Soeters, R. (2006), Landslide hazard and risk zonation-why is it still so difficult?, Bulletion of Engineering Geology and the Environment, Vol 65, 167-184.

Vapnik, V.N. (1999), The Nature of Statistical Learning Theory, Second Edition, New York, Springer-Verlag, 339.

Vahidnia, M.H., Alesheikh, A.A., Alimohammadi, A., Hosseinali, F., (2010), A GIS-based neuro-fuzzy procedure for integrating knowledge and data in landslide susceptibility mapping, Comput. Geosci. Vol. 36, 1101-1114.

VanWestin, C.J., Rengers, N., Soeters, R. (2003), Use of geomorphological information in indirect landslide susceptibility assessment, Journal of Natural Hazards, Vol. 30, 399-419.

Van Westen, C.J., Castellanos, E., Kuriakose, S.L. (2008), Spatial data for landslide susceptibility, hazard, and vulnerability assessment: an overview, Journal of Engineering Geology, 102: 112-131.

Wang, L.J., Guo., Sawada, M.K., Lin, J., Zhang, J. (2015), Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models, Journal of Catena, Vol. 135, 271-282.

Zhang, G., Cai, Y., Zheng, Z., Zhen, J., Liu, Y., Huang, K. (2016), Integration of the Statistical Index Method and the Analytic Hierarchy Process technique for the assessment of landslide susceptibility in Huizhou, China, Catena, 142, 233-244.

Zhu, A.X.,Wang, R.X., Qiao, J.P., Qin, C.Z., Chen, Y.B., Liu, J., Du, F., Lin, Y., Zhu, T.X. (2014), An expert knowledge-based approach to landslide susceptibility mapping using GIS and fuzzy logic, Journal of Geomorphology, 214, 128-138.