ارزیابی کارایی عوامل ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی حساسیت ‏زمین‌لغزش (مطالعۀ موردی: حوضۀ دزعلیا، استان اصفهان)‏

نوع مقاله: مقاله پژوهشی

نویسنده

استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران

چکیده

یکی از اهداف ژئومورفولوژیست‌ها در کار با الگوها برای تحلیل لندفرم، رسیدن به روابط بهتر برای درک واقعیت‌های فیزیکی محیط است. در پژوهش حاضر به ارزیابی کارایی شاخص‌های ژئومورفومتریک در افزایش دقت نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش پرداخته شد؛ به این ترتیب که ابتدا با استفاده از ۹ شاخص اولیۀ مؤثر در رخداد زمین‌لغزش شامل شیب، جهت شیب، ارتفاع، کاربری اراضی، سنگ‌شناسی، فاصله از جاده، فاصله از گسل، فاصله از آبراهه و شاخص پوشش گیاهی (NDVI) نقشۀ پهنه‌بندی تهیه شد. در گام بعد، شاخص‌های ژئومورفومتریک مؤثر در رخداد لغزش شامل شاخص موقعیت توپوگرافیک (TPI)، انحنای سطح، انحنای مقطع، طول شیب (LS)، شاخص خیسی توپوگرافی (TWI)، شاخص توان آبراهه (SPI) و شاخص نسبت مساحت سطح (SAR) به الگو اضافه و نقشۀ پهنه‌بندی تهیه شد. در گام آخر، درستی نقشه‌های پهنه‌بندی حاصل از دو رویکرد با استفاده از منحنی ROC ارزیابی شد. برای تهیۀ نقشه‌های پهنه‌بندی از الگوی ترکیبی جدیدی استفاده شد؛ به این شکل که برای تعیین وزن معیارها از روش رگرسیون چندمتغیره و برای تعیین وزن کلاس‌ها از روش نسبت فراوانی استفاده شد؛ درنهایت رابطۀ رگرسیونی چندمتغیرۀ خطی از نوع تحلیل ممیزی مبنای تهیه و مقایسۀ نقشۀ پهنه‌بندی حساسیت لغزش برای دو رویکرد با استفاده و بدون استفاده از شاخص‌های ژئومورفومتریک قرار گرفت. نتایج پژوهش حاضر نشان دادند شاخص‌های ژئومورفومتریک تأثیر بسزایی در افزایش دقت تشخیص مناطق حساس به زمین‌لغزش داشته‌اند و باعث افزایش درستی نقشۀ پهنه‌بندی از ۷۳۱/۰ به ۹۳۸/۰ شده‌اند و قدرت تفکیک بین طبقه‌های لغزش را افزایش داده‌اند. طبق نتایج، شاخص موقعیت توپوگرافی، انحنای سطح و نسبت مساحت سطح بیشترین تأثیر را در افزایش درستی نقشۀ پهنه‌بندی داشته‌اند. بر اساس نتایج پهنه‌‌بندی و شاخص‌های ژئومورفومتریک، ۶۸/۸ درصد (۶۷۳۷ هکتار) مساحت منطقه در ردۀ خطر بسیارزیاد و ۳۳/۱۵ درصد (۱۱۹۰۶ هکتار) در ردۀ زیاد قرار گرفته است. باتوجه‌به توانایی زیاد شاخص‌های ژئومورفومتریک برای تشخیص مناطق حساس لغزش، استفاده از این شاخص‌ها در پهنه‌بندی خطر زمین لغزش توصیه می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

On the Efficiency of Geomorphometric Parameters in Increasing the ‎Accuracy of the Landslide Zoning Maps ‎(Case Study: Dezolia Basin, Isfahan Province) ‎

نویسنده [English]

  • kourosh shirani
Assistant Professor, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran
چکیده [English]

One of the goals of geomorphologists in working with the models of different landforms is to obtain better relations in realizing the physical realities of environment. In this study, the efficiency of geomorphometric parameters in increasing the accuracy of landslide sensitivity zoning maps has been evaluated. First, the zoning map was prepared via using the first 9 effective parameters in the landfall occurrence including slope, aspect, elevation, land use, lithology, distance from roads, rivers and vegetation index (NDVI). In the next step, the geomorphometric parameters involve in the occurrence of landslide including topographic location index (TPI), surface curvature, curved sections, slope length (LS), Topographic wetness index(TWI), stream flow power (SPI), surface area ration index (SAR), were added to the model and then plotted to the map. In the last step, the zoning maps of the two approaches were evaluated using the ROC curve. For preparing zoning maps, a new hybrid model was used. In order to determine the weight of the criteria, the multivariate regression method was used and the frequency ratio method was used to determine the weight of the classes. Finally, the linear regression relationship of the type of audit analysis was used as the basis of preparation and comparison of landslide sensitivity map and applied to the two approaches without using geomorphometric indices. The findings of this research indicated that geomorphometric indices have a significant effect on increasing the accuracy of the identification of landslide sensitive areas and increasing the accuracy of the zoning map from 0.731 to 0.938. These indices have also increased the resolution of the slip layers. According to the results of the topography location indices parameters, surface curvature and surface ratio have the highest influence on the accuracy of zoning maps. Based on the results of zoning with geomorphometric parameters, 8/68 percent (6737 ha) of the region are at very high risk and 15.3% (11906 ha) have been identified as high-risk areas. Considering the high power of geomorphometric parameters in determining the sensitive areas of slip, it is recommended to use these parameters in landslide zonation.

کلیدواژه‌ها [English]

  • Geomorphometry
  • Validation
  • Zonation
  • Landslide
  • Dezolia Basin
  • Isfahan Province.‎

مقدمه

در ژئومورفولوژی عددی، ویژگی‌های فضایی و آماری و ارتباط ویژگی‌‌های نقطه‌ای مطالعه می‌شوند (شیرانی، 1382: 52؛ شیرانی و همکاران، 1392: 4؛ شیرانی و عرب‌عامری، 1394: 322؛ شیرانی، 1396: 52؛ Evans, 1972: 28). ژئومورفومتری زیرمجموعه‌ای از ژئومورفولوژی است که رویکرد آن، اندازه‌گیری کمی و کیفی عوارض سطح زمین است (Pike et al., 2009: (12 و بر مبنای تجزیه‌و‌تحلیل و تنوع ارتفاع و مشتقات آن و توابع فاصله‌ای بنا شده است. اگرچه ژئومورفومتری فعالیتی صحرایی با دامنه‌ای شامل زمین‌شناسی، ژئومورفولوژی، خاک‌شناسی و جغرافیا در نظر گرفته می‌شود، بخش درخور توجهی از آن شامل روش‌های رایانه‌ای مانند سامانه‌های اطلاعات جغرافیایی و سنجش از دور است. این فناوری جدید کاربردهای بسیاری نظیر تولید نقشه‌های خاک و پوشش گیاهی، حرکت‌های توده‌ای و زمین‌لغزه، مطالعه‌های کشاورزی دقیق و غیره در علوم طبیعی دارد Dikau, 1989: 23)). زمین‌لغزش‌ها در مناطق کوهستانی شایع هستند (Chousianitis et al., 2016: 12; Zhou et al., (2016: 19 و باعث خسارت‌های جدی به اقتصاد، محیط و انسان‌ در سراسر جهان می‌شوند (Hong et al., (2016: 14. زمین‌لغزش‌ها یکی از فرایندهای ژئومورفیکی تأثیرگذار بر چشم‌انداز تکاملی مناطق کوهستانی هستند و اقلیم اختری و چاله‌های برودتی در ایجاد زمین‌نماها و شکل‌زایی روی سطح زمین نقش اساسی دارند (انتظاری و همکاران، 1390: 170؛ انتظاری، 1393: 9؛ یمانی و همکاران، ۱۳۹۱: 16؛ یمانی و همکاران، ۱۳۹6: 22؛ Hong et al., 2015: 14). ارزیابی پتانسیل مناطق نسبت به زمین‌لغزش از راه تهیۀ نقشۀ حساسیت زمین‌لغزش امکان‌پذیر است (Wang et (al., 2015: 17. طی دو دهۀ گذشته، نقشه‌های حساسیت زمین‌لغزش برای ارزیابی خطرهای لغزش بسیار مهم بوده‌اند و به روش مؤثری تبدیل شده‌اند (Zhou and Fang., 2015: 22)؛ نتایج نقشه‌های یادشده برای مدیریت زمین و کاهش خطرهای لغزش استفاده می‌شوند Hong et al., 2015: 45)) و افزایش درستی نقشه‌های حساسیت زمین‌لغزش، اطلاعات دقیق‌تر و کامل‌تری را در این زمینه در اختیار برنامه‌ریزان قرار می‌دهد (Dymond et al., 2006: 16). از‌آنجا‌که حوضۀ دزعلیا در منطقه‌ای کوهستانی واقع شده، زمین‌لغزش یکی از معضل‌های عمدۀ این منطقه است و در نتیجه، ایجاد راهبرد کاربردی برای حفاظت منابع محیطی و اقتصادی و کاهش خسارت‌های ناشی از رخداد زمین‌لغزش بسیار ضروری است. تهیۀ نقشۀ پهنه‌بندی رخداد زمین‌لغزش کمک شایانی به برنامه‌ریزی‌های محیطی منطقۀ مطالعه‌شده می‌کند و شناسایی مناطق حساس به زمین‌لغزش برای اجتناب از خطرهای آن بسیار ضروری است. روش‌های تهیۀ نقشۀ حساسیت زمین‌لغزش به روش‌های کیفی یا دانش‌بنیان (Regmi et al., 2010: 14) و روش‌های کمی (Yilmaz, 2009: 15) طبقه‌بندی می‌شوند: مبنای پهنه‌بندی در روش کیفی، ویژگی‌های ذاتی و طبیعی لغزش‌ها هستند؛ روش‌های کمی نیز بر ارتباط بین عوامل کنترلی و زمین‌لغزش‌ها با بیان عددی استوار هستند و به دو گروه روش‌های جبری و آماری تقسیم می‌شوند (Lee et al., (2004: 23. روش‌های آماری در پهنه‌بندی خطر زمین‌لغزش به دو شکل دومتغیره و چندمتغیره استفاده می‌شوند (Dai and Lee., 2002: 21)؛ روش‌های چندمتغیره بر مبنای تجزیه‌و‌تحلیل آماری در ارتباط با ترکیب متغیرها و زمین‌لغزش‌ها (Chen and Jinfei., (2007: 31 و روش‌های دو‌متغیره، مقایسۀ آماری بین زمین‌لغزش (متغیر وابسته) و عوامل مستقل در ایجاد ناپایداری هستند (Zhou et al., 2016: 43). تاکنون مطالعه‌های بسیاری در زمینۀ زمین‌لغزش با استفاده از روش‌های نسبت فراوانی (Mohammady et al., 2012: 44; Chalkias et al., 2014: 18; Hong et al., 2016: (23 و رگرسیون چندمتغیره (شیرانی، ۱۳۸۲: 23؛ شیرانی و عرب‌عامری، 1394: 322؛ صفاری و همکاران، ۱۳۹2: 12؛ سفیدگری، ۱۳۸1: 14؛ Van Western et al., 2005: 24) و مطالعه‌های معدودی نیز در زمینۀ استفاده از شاخص‌های ژئومورفومتریک انجام شده‌اند(Pourghasemi et al., 2012: 18; Talebi et al., 2007: 31; Costanzo et al., 2012: 44; Zinko et (al., 2005: 16. هدف پژوهش حاضر، ارزیابی کارایی شاخص‌های ژئومورفومتریک در افزایش درستی نقشه‌های حساسیت زمین‌لغزش است؛ به این شکل که ابتدا نقشۀ پهنه‌بندی با استفاده از شاخص‌های اولیۀ مؤثر در وقوع زمین‌لغزش با عنوان رویکرد بدون شاخص‌های ژئومورفومتریک تهیه شد و در گام بعد، شاخص‌های ژئومورفومتریک به شاخص‌های اولیه اضافه شدند و نقشۀ پهنه‌بندی با عنوان رویکرد با استفاده از شاخص‌های ژئومورفومتریک تهیه و در پایان، درستی نقشه‌های پهنه‌بندی با یکدیگر مقایسه شد.

 

موقعیت منطقۀ مطالعه‌شده

حوضۀ دز علیا در حدفاصل طول جغرافیایی `36 °49 تا`19 °50 شرقی و عرض‌ جغرافیایی 37 ˚32 تا `05 ˚33 شمالی قرار دارد. وسعت منطقۀ مطالعه‌شده 77646 هکتار است. موقعیت عمومی حوضه نسبت به مرز سیاسی استان و کشور در شکل (1) نشان داده شده است. شهرستان فریدون‌شهر با ارتفاع میانگین ۲۵۰۰ متر از سطح دریا، منطقه‌ای کوهستانی است که به شکل زبانه‌ای میان استان‌های لرستان، خوزستان و چهارمحال‌و‌بختیاری واقع شده است. این منطقه در بالاترین بخش‌های حوضۀ آبریز دو رودخانۀ بزرگ ایران، زاینده‌رود و کارون، واقع و دارای ۵ دهستان است که عبارتند از: برف انبار، عشایر، پیشکوه موگویی، پشتکوه موگویی و چشمه لنگان که هر کدام شامل تعداد زیادی روستا هستند.

 

 

شکل ۱. موقعیت منطقۀ مطالعه‌شده


روش‌شناسی پژوهش

داده‌های استفاده‌شده در پژوهش حاضر عبارتند از: نقشۀ زمین‌شناسی در مقیاس 1:100000، عکس‌های هوایی در مقیاس 1:40000، نقشۀ توپوگرافی با مقیاس 1:50000 و تصاویر ماهواره‌ای ETM+. متغیرهای استفاده‌شده، ۹ شاخص اولیۀ مؤثر در رخداد زمین‌لغزش شامل ارتفاع، شیب، جهت شیب، فاصله از جاده، گسل و آبراهه، سنگ شناسی، کاربری اراضی و شاخص پوشش گیاهی (NDVI) و ۷ شاخص ژئومورفومتریک شامل انحنای سطح، انحنای مقطع، نسبت مساحت سطح، شاخص موقعیت توپوگرافی، شاخص خیسی توپوگرافی، شاخص توان آبراهه و طول شیب هستند. ابزارهای استفاده‌شده در پژوهش حاضر شامل نرم‌افزارهای ENVI 4.8، ILWIS3.8، ArcGIS10.1 و SAGAGIS 2.1.1 هستند. ابتدا با استفاده از نقشۀ زمین‌شناسی 1:100000 منطقه (سازمان زمین‌شناسی کشور، 1377)، وضعیت زمین‌شناسی منطقه بررسی و نقشۀ زمین‌شناسی با مطالعه و بررسی فتوژئولوژیکی عکس‌های هوایی 1:40000 سازمان نقشه‌برداری کشور (سازمان نقشه‌برداری کشور، 1376) و بررسی‌های میدانی تهیه شد. پس از تهیۀ نقشۀ واحدهای سنگی و خطواره‌ها، به رقومی‌کردن آنها اقدام شد و نقشه‌های لیتولوژی (شکل ۲، چ)، فاصله از آبراهه (شکل ۲، ث)، فاصله از گسل (شکل ۲، ج) و فاصله از جاده (شکل ۲، ت) در محیط ArcGIS تهیه شدند. برای تهیۀ نقشۀ الگوی ارتفاعی رقومی DEM، نقشۀ شیب، جهت شیب و طبقه‌های ارتفاعی و شاخص‌های ژئومورفومتریک از نقشۀ توپوگرافی با مقیاس 1:50000 سازمان جغرافیایی نیروهای مسلح (‏0سازمان جغرافیایی نیروهای مسلح، 1378) استفاده شد. تمام نقاط ارتفاعی و منحنی‌های میزان 100 متری حوضۀ مطالعه‌شده، رقومی و اقدام‌های لازم برای استفاده از این اطلاعات در محیط نرم‌افزار ILWIS3.8[1] انجام شدند. الگوی رقومی ارتفاعی با استفاده از منحنی‌های میزان و نقاط ارتفاعی رقومی‌شده و روش درون‌یابی تهیه شد و پس از ایجاد الگوی رقومی ارتفاعی، نقشۀ شیب (شکل ۲، ب)، جهت شیب (شکل ۲، پ)، ارتفاع (شکل ۲، الف) و شاخص‌های ژئومورفومتریک با دقت ۱۰ در ۱۰ مترمربع تهیه شد. نقشۀ کاربری اراضی منطقه نیز از طریق تصاویر سنجندۀ ETM+ در محیط نرم‌افزار ENVI 4.8 تصحیح و تهیه شد (شکل ۲، ح). نقشۀ NDVI با استفاده از تصاویر IRS با سنسورهای LISS III با قدرت تفکیک (۲۵×۲۵ متر) و پانکروماتیک (۵/۲×۵/۲ متر) استخراج شد. طبقه‌بندی نظارت‌شده و الگوریتم بیشترین شباهت برای استخراج این نقشه طراحی شدند (شکل ۲، د).

 

 

شکل ۲. شاخص‌های اولیۀ مؤثر در لغزش. الف. طبقه‌های ارتفاعی، ب. شیب، پ. جهت شیب، ت. فاصله از جاده،
ث. آبراهه، ج. گسل، چ. لیتولوژی. ح، کاربری اراضی. د، پوشش گیاهی.

 

 

شاخص‌های ژئومورفومتریک استفاده‌شده در پژوهش حاضر شامل انحنای سطح، انحنای مقطع، نسبت مساحت سطح، شاخص موقعیت توپوگرافی، شاخص خیسی توپوگرافی، شاخص توان آبراهه و طول شیب هستند. انحنای سطح[2] (شکل ۳، الف) و انحنای مقطع[3] (شکل ۳، ب) نوع شیب‌ها را توصیف می‌کنند و عوامل مهمی هستند که در وقوع زمین‌لغزش‌ها نقش دارند (Atkinson and Massari, (2011: 14; He et al., 2012: 18. انحنای سطح بیان‌کنندۀ تغییرات جهت در طول منحنی و تأثیر انحنای سطح روی فرایند فرسایش شیب به شکل هم‌گرایی و واگرایی آب در طول جریان سراشیبی است (Ercanoglu and Gokceoglu, 2002: 12; Oh (and Pradhan, 2011: 13. انحنای مقطع معرف اندازۀ تغییر شیب منحنی میزان در طول مسیر جریان است و زمانی که تقعر انحنای سطح در حال افزایش است، مقادیر آن منفی و در حالت برعکس، مقادیر آن مثبت است (Hengl et al. 2003: 65)؛ این شاخص بیان‌کنندۀ سرعت جریان، فرسایش (در مقادیر منفی)، رسوب‌گذاری (در مقادیر مثبت) و همچنین ژئومورفولوژی منطقه است (Yesilnacar, 2005: 29). به علت کنترل تغییر سرعت توده‌هایی که به سمت پایین شیب حرکت می‌کنند، انحنای مقطع مهم است (Talebi et al., 2007: 34). شاخص‌های انحنای سطح و مقطع در محیط AGAGIS 2.1.1 استخراج شدند. نسبت مساحت سطح[4] (شکل ۳، ت) مبنایی برای اندازه‌گیری زبری توپوگرافی چشم‌انداز است. شیب‌های دارای زبری زیاد به علت تغییرات شیب برای نفوذ بارندگی در خاک مساعد هستند و بنابراین افزایش آن موجب افزایش لغزش می‌شود. نسبت مساحت سطح هر منطقه در چشم‌انداز با استفاده از رابطۀ زیر محاسبه می‌شود (Jenness, 2002: 45):

رابطۀ (1)

 

که در آن A: مساحت سطح منطقه و : مساحت پلانیمتریک است. شاخص موقعیت توپوگرافی[5] (شکل ۳، چ) ارتفاع هر پیکسل در الگوی رقومی ارتفاعی را با میانگین ارتفاع پیکسل‌های اطراف آن مقایسه می‌کند (Zinko et al., 2005: 17)؛ این عامل، شرایط طبقه‌بندی چشم‌انداز به کلاس‌های مورفولوژیک را فراهم می‌کند و مقادیر مثبت و منفی آن نشان می‌دهند پیکسل بالاتر و پایین‌تر از پیکسل‌های اطراف است and Jenness, 2008: 12) (Tagil. در پژوهش‌های بسیاری از شاخص‌هایی نظیر شاخص خیسی توپوگرافی[6] (شکل ۳، ج)، شاخص توان آبراهه[7] (شکل ۳، ث) و طول شیب[8] (شکل ۳، پ) به‌عنوان ویژگی‌های توپوگرافی ثانویه برای تهیۀ نقشۀ پهنه‌بندی حساسیت زمین‌لغزش استفاده شده است (Wang et al., 2011: 18; Costanzo et al., 2012; Pourghasemi et al., 2012: 2). شاخص خیسی، شاخص ترکیب پستی و بلندی است که نسبت بین شیب‌ها را در حوضه نمایش می‌دهد و شاخصی از توزیع مکانی رطوبت خاک در طول چشم‌انداز زمین است. شاخص توان آبراهه برای توصیف پتانسیل فرسایش جریان و فرایندهای مرتبط استفاده می‌شود. با افزایش مساحت حوضه و عمق شیب، مقدار آب فراهم‌شده به‌وسیلۀ مناطق پرشیب، شدت جریان آب و در نتیجه، قدرت جریان و پتانسیل فرسایش افزایش می‌یابد. برای محاسبۀ شاخص‌ها از روابط زیر استفاده شده است (Moore and Burch 1986: 118; Moore et al., 1991: 245).

رابطۀ (2)

 

رابطۀ (3)

 

رابطۀ (4)

 

که در آن، AS: مساحت حوضۀ آبخیز و β: گرادیان شیب بر حسب درجه است.

 

 

شکل ۳. شاخص‌های ژئومورفومتریک مؤثر در لغزش. الف. انحنای سطح، ب. انحنای مقطع، پ. طول شیب، ت. نسبت مساحت سطح، ث. شاخص قدرت آبراهه، ج. شاخص خیسی توپوگرافی، چ. شاخص موقعیت توپوگرافی

 

 

برای تهیۀ نقشۀ حساسیت زمین‌لغزش از روشی ترکیبی استفاده شد؛ به این ترتیب که برای تعیین وزن معیارها از روش رگرسیون چندمتغیرۀ تحلیل ممیزی و برای تعیین وزن کلاس‌ها از الگوی نسبت فراوانی استفاده شد. برای درستی‌سنجی نقشه‌های پهنه‌بندی از منحنی ROC استفاده شد. نوآوری پژوهش حاضر، استفاده از شاخص‌های ژئومورفومتریک انحنای سطح، انحنای مقطع، شاخص خیسی توپوگرافی (TWI)، شاخص توان آبراهه (SPI)، طول شیب (LS)، نسبت مساحت سطح (SAR) و شاخص موقعیت توپوگرافی (TPI) در تهیۀ نقشۀ پهنه‌بندی حساسیت زمین‌لغزش و ارزیابی نقش آنها در افزایش درستی نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش و استفاده از روشی ترکیبی در تهیۀ نقشۀ پهنه‌بندی زمین‌لغزش است.

 

روش چندمتغیرۀ خطی

الگوی رگرسیون چند‌متغیره، روشی آماری است که رابطۀ متغیر وابسته و مجموعه‌ای از متغیرهای مستقل را تجزیه‌و‌تحلیل می‌کند (صفاری و همکاران، ۱۳۹۲: ۶۲). روش رگرسیون چندمتغیره ابزاری استنباطی است که برای بررسی روابط میان شاخص‌های مستقل و تأثیر هم‌زمان بر شاخص‌های غیرمستقل استفاده می‌شود (بهشتی‌راد و همکاران، ۱۳۸۹: ۳۴). از‌آنجا‌که پدیده‌های طبیعی نظیر زمین‌لغزش از عملکرد هم‌زمان چند متغیر ناشی می‌شوند، استفاده از این روش‌های چندمتغیره مناسب است. در الگوی رگرسیون چندمتغیرۀ خطی با داشتن مقادیر  معین (متغیر مستقل)، مقادیر  (متغیر وابسته) به شکل خطی برآورد می‌شود. الگوی کلی تابع رگرسیون به شکل رابطۀ 5 است:

رابطۀ (5)

 

که در آن، : تخمین متغیر وابسته، : ضریب ثابت یا عرض از مبدأ، : ضریب متغیر  و : متغیر مستقل است.

 

روش نسبت فراوانی

نسبت فراوانی، ارتباط کمی میان رخداد زمین‌لغزش‌ و متغیرهای مختلف تأثیرگذار در آن را مشخص می‌کند. در تعیین نرخ نسبت فراوانی، نسبت رخداد لغزش در هر کلاس از عوامل تأثیرگذار نسبت به کل لغزش‌ها به دست می‌آید و نسبت سطح هر کلاس نسبت به کل مساحت منطقه محاسبه می‌شود. در پایان، با تقسیم نرخ رخداد لغزش‌ها در هر کلاس بر نرخ مساحت هر کلاس نسبت به کل منطقۀ مطالعه‌شده، نسبت فراوانی کلاس‌های هر عامل محاسبه می‌شود. مراحل محاسبۀ نسبت فراوانی هر کلاس از عوامل مؤثر در لغزش در رابطۀ 6 بیان شده است

                                      رابطۀ (6)

که در آن A: تعداد پیکسل‌های لغزش‌یافته در هر کلاس، B: مجموع پیکسل‌های لغزشی کل حوضه،
C: تعداد پیکسل‌های هر زیرکلاس از عوامل مؤثر در لغزش، D: تعداد کل پیکسل‌های منطقه، E: درصد رخداد لغزش در هر زیرکلاس از عوامل مؤثر و
F: درصد نسبی مساحت هر زیرکلاس از کل مساحت است. برای محاسبۀ شاخص حساسیت به رخداد زمین‌لغزش، نتایج عوامل در محیط GIS با یکدیگر جمع شدند (رابطۀ 7) (Lee and Pradhan., 2007: (34.

    رابطۀ (7)

که در آن LSI: شاخص پتانسیل رخداد زمین‌لغزش، FR: نسبت فراوانی عامل و n: مجموع عوامل ورودی است.

 

یافته‌ها و تجزیه‌و‌تحلیل آنها

در پژوهش حاضر، کارایی شاخص‌های ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش ارزیابی شد؛ به این ترتیب که ابتدا، حساسیت زمین‌لغزش با استفاده از شاخص‌های اولیۀ مؤثر در زمین‌لغزش پهنه‌بندی شد و در گام بعد، شاخص‌های ژئومورفومتریک اضافه شدند و تأثیر آنها در افزایش درستی نقشه‌های زمین‌لغزش ارزیابی شد. برای تهیۀ نقشۀ پهنه‌بندی از روشی ترکیبی استفاده شد؛ به این شکل که برای تعیین وزن شاخص‌ها از روش چندمتغیرۀ خطی و برای تعیین وزن کلاس‌های شاخص‌ها از روش نسبت فراوانی استفاده شد.

 

اجرای الگوی چندمتغیرۀ خطی

در تحلیل خطر زمین‌لغزش، شاخص‌ها در برخی موارد کمی (شیب، بارندگی) و در مواردی نیز کیفی (جهت شیب، لیتولوژی) هستند؛ از‌آنجا‌که روش‌های آماری از داده‌های کمی استفاده می‌کنند، لازم است داده‌های کیفی به کمی تبدیل شوند. نقشۀ واحدهای همگن برای تجزیه‌و‌تحلیل آثار هر کدام از عوامل مؤثر در ایجاد زمین‌لغزش و نیز کمی‌کردن و وزن‌دهی به عوامل در روش رگرسیون چند‌متغیرۀ خطی نیاز است؛ به این شکل که انواع نقشه‌های مربوطه پس از تهیه و با‌توجه‌به متغیرهایی که آثار آنها در وقوع زمین‌لغزش‌ها مدنظر است، با هم مقایسه و نقشه‌های مربوط به این متغیرها همپوشانی و واحدهای همگن حاصل شدند؛ این کار با نرم‌افزار ArcGIS10.2 انجام‌پذیر است. واحدهای همگن، واحدهایی هستند که ویژگی‌های مشترکی ازنظر عوامل مؤثر در وقوع زمین‌لغزش دارند و از واحدهای مجاور خود به‌واسطۀ داشتن اختلاف در یکی از عوامل یادشده متمایز می‌شوند. کمی‌کردن عوامل و وزن‌دهی به طبقه‌های مختلف آنها با‌توجه‌به درصد سطح لغزش‌یافته در واحدهای همگنی انجام می‌شود که ازنظر تمام عوامل در نظر گرفته شده، مشابه و به‌واسطۀ تغییر تنها یکی از عوامل متفاوت باشند. به این منظور، ابتدا نقشۀ واحدهای همگن و نقشۀ پراکنش زمین‌لغزش‌ها همپوشانی می‌شوند و مساحت زمین‌لغزش‌های موجود در هر واحد همگن محاسبه می‌شود. نسبت مساحت لغزش‌ها به مساحت واحد همگن، Y در نظر گرفته می‌شود که بیان‌کنندۀ درصد سطح لغزیده‌شده در هر واحد همگن است و درصد سطح لغزش‌یافته به این علت مدنظر است که می‌توان اثر هر کدام از عوامل کلیدی یا برتر را نسبت به درصد سطح لغزش‌یافته مقایسه کرد؛ در اینجا، Y تابعی از هر کدام از عوامل مؤثر است. در این مرحله، برای وزن‌دهی به کلاس‌های مختلف، امتیاز 10 به کلاسی تعلق می‌گیرد که بیشترین درصد سطح لغزش‌یافته را داراست و به سایر کلاس‌ها به‌طور نسبتی از این کلاس، امتیاز داده می‌شود. پس از دستیابی به نرخ‌های مربوط به طبقه‌های هر یک از عوامل، این اطلاعات برای ۷۲۳۴۲۵ واحد همگن به شکل ۷۲۳۴۲۵ تکرار و ۱۶ تیمار به محیط نرم‌افزار SPSS22 منتقل شد. از بین روش‌های رگرسیون چند‌متغیره، روش Enter با سطح اطمینان بیش از ۹۵ درصد برای هر یک از عوامل انتخاب شد. با‌توجه‌به نتایج تجزیه‌و‌تحلیل رگرسیون چند‌متغیره، ضریب معناداری بیش از 9۸ درصد برای تمام عوامل حاصل شد که نشان‌ می‌دهد از‌نظر آماری، رابطه‌ای قوی با درصد سطح لغزش‌یافته در واحدهای همگن داشته‌اند. رابطۀ 8، نتیجۀ نهایی تجزیه‌و‌تحلیل آماری حاصل با ضریب R برابر 92/0 را نشان می‌دهد. وزن هر یک از شاخص‌های اولیه در جدول (1) و شاخص‌های ژئومورفومتریک در جدول (2) نشان داده شده است.

Y= ۰۹۳/۰ + (Xaltitute × ۳/۰) + (Xslope × ۱۳۵/۰) + (Xaspect × ۲۳۵/۰) + (Xdisfault × ۰۷۵/۰) + (Xdisdrinage × ۰۲۳/۰-) + (Xdisroad × ۰۰۱۳/۰-) + (XNDVI × ۰۴۳۵/۰) + (Xlithology × ۵۰۳/۰) + (Xlanduse × ۰۸۲۳/۰) + (XSPI × 205/۰) + (XLS × ۱۹۸/۰) + (XTWI × -۰۱۳۴/۰) +  (XProfile × -۲۹۵/۰) + (XTPI × ۵۳۱/۰) + (XPlan × ۴۳۲/۰) + (XSAR × ۲۶۲/۰)                  (رابطۀ (8

پس از محاسبۀ وزن شاخص‌ها، وزن کلاس‌های شاخص‌ها با استفاده از روش نسبت فراوانی محاسبه شد؛ به این ترتیب که مقادیر کل سطح هر کلاس تعیین و سطح لغزشی در هر کلاس مشخص و وزن هر کلاس با استفاده از رابطۀ 8 محاسبه شد.


جدول ۱. وزن شاخص‌های اولیۀ مؤثر در لغزش به همراه کلاس‌های آنها

شاخص

کلاس

الگوی نسبت فراوانی

الگوی رگرسیون خطی

مساحت کل (هکتار)

مساحت لغزش (هکتار)

نسبت فراوانی

وزن عامل

معناداری

مساحت

٪

مساحت

٪

 

ارتفاع (متر)

۲۳۴۹-۱۷۷۹

۲۴/۶۵۸۹

۵۴/۱۰

۱۹/۱۲۳

۰۴/۱۰

۹۵۲/۰

۳/۰

۰۰۵/۰

۲۶۱۹-۲۳۴۹

۵۷/۲۱۸۸۴

۰۳/۳۵

۵۴/۴۰۳

۹/۳۲

۹۳۹/۰

۲۸۵۴-۲۶۱۹

۱۹۸۱۵

۷۲/۳۱

۴۲/۲۴۰

۶/۱۹

۶۱۷/۰

۳۱۹۰-۲۸۵۴

۴۷/۹۷۴۵

۶۰/۱۵

۱۱/۲۷۴

۳۵/۲۲

۴۳۲/۱

۴۰۰۰-۳۱۹۰

۴۳/۴۴۲۴

۰۸/۷

۱۸/۱۸۵

۰۹/۱۵

۱۳۱/۲

شیب

(درصد)

۵-۰

۹۲/۲۶۳۸

۳۹/۳

۲۴/۱۸

۱۹/۱

۳۵۲/۰

۱۳۵/۰

۰۰۰/۰

۱۲-۵

۶۰/۶۲۱۲

۸

۲۹/۲۵

۶۵/۱

۲۰۷/۰

۲۵-۱۲

۸۷/۱۶۸۵۴

۷/۲۱

۴۵/۱۹۹

۰۹/۱۳

۶۰۳/۰

۴۰-۲۵

۷/۱۹۳۶۳

۹۳/۲۴

۲۶/۳۱۵

۶۹/۲۰

۸۲۹/۰

۴۰>

۷۸/۳۲۵۷۶

۹۵/۴۱

۳/۹۶۵

۳۵/۶۳

۵۱/۱

جهت شیب

جنوب‌شرق

۵۱/۸۸۱۹

۳۵/۱۱

۵۸/۱۳۶

۹۶/۸

۷۸۹/۰

۲۳۵/۰

۰۰۰/۰

غرب

۶۶/۸۰۹۷

۴۲/۱۰

۶۳/۱۵۸

۴۱/۱۰

۹۹۸/۰

جهت شیب

شرق

۶۳/۷۴۴۱

۵۸/۹

۰۱/۱۷۹

۷۴/۱۱

۲۲/۱

۲۳۵/۰

۰۰۰/۰

جنوب

۸/۱۰۶۹۰

۷۶/۱۳

۴۳/۱۷۹

۷۷/۱۱

۸۵۵/۰

شمال‌غرب

۱۲/۹۰۲۹

۶۲/۱۱

۱۵/۱۹۶

۸۷/۱۲

۱۰/۱

شمال

۵۳/۱۰۲۸۹

۲۵/۱۳

۸۸/۱۹۷

۹۸/۱۲

۹۸۰/۰

شمال‌شرق

۱۸/۱۱۲۶۹

۵۱/۱۴

۹۰/۲۰۲

۳۱/۱۳

۹۱۷/۰

جنوب‌غرب

۴۳/۱۲۰۰۹

۴۶/۱۵

۹۶/۲۷۲

۹۱/۱۷

۱۵/۱

فاصله از گسل (متر)

۵۰۰-۰

۸۹/۹۶۲۹

۴/۱۲

۰۸/۲۱۶

۱۸/۱۴

۱۴/۱

۰۷۵/۰

۰۰۵/۰

۱۵۰۰-۵۰۰

۳۶/۱۵۲۲۶

۶/۱۹

۳۸/۲۶۶

۴۸/۱۷

۸۹۱/۰

۵۰۰۰-۱۵۰۰

۱۱/۳۷۸۸۳

۷۸/۴۸

۵۶/۸۳۵

۸۴/۵۴

۱۲/۱

۵۰۰۰>

۵۱/۱۴۹۰۷

۱۹/۱۹

۵۳/۲۰۵

۴۹/۱۳

۷۰۲/۰

فاصله از آبراهه (متر)

۲۰۰-۰

۳۹/۴۷۱۴۰

۷۱/۶۰

۲۸/۷۶۸

۴۲/۵۰

۸۳۰/۰

۰۲۳/۰-

۰۰۰/۰

۵۰۰-۲۰۰

۳۸/۲۴۶۳۰

۷۲/۳۱

۴۷/۶۵۳

۸۹/۴۲

۳۵/۱

۱۰۰۰-۵۰۰

۵۳/۵۴۹۳

۰۷/۷

۸/۱۰۱

۶۸/۶

۹۴۴/۰

۱۰۰۰>

۵۷/۳۸۲

۴۹۲/۰

۰

۰

۰

NDVI

۳۵/۰- - ۸۷/۰-

۴/۲۱۱۲

۰۱/۳

۰۶/۸۴

۸/۴۹

۸۱/۲

۰۴۳۵/۰

۰۰۵/۰

۰۳/۰- ۳۵/۰-

۵/۲۷۸۷۴

۸/۳۹

۶/۵۰۵

۰۶/۵۱

۲۸/۱

۵۷/۰-۰۳/۰

۷/۴۰۰۳۹

۱۷/۵۷

۳۹/۴۰۰

۴۴/۴۰

۷۰۷/۰

فاصله از جاده (متر)

۵۰۰-۰

۰۵/۳۳۴۵۱

۰۸/۴۳

۳۴/۶۳۰

۳۷/۴۱

۹۶۰/۰

۰۰۱۳/۰-

۰۰۰/۰

۱۰۰۰-۵۰۰

۵۵/۱۷۴۷۲

۵/۲۲

۴۱/۳۷۸

۸۳/۲۴

۱۰/۱

۱۰۰۰>

۲۷/۲۶۷۲۳

۴۱/۳۴

۸/۵۱۴

۷۸/۳۳

۹۸۱/۰

لیتولوژی

شیل و مارن

۷۳/۱۰۹۵

۸۹/۱

۷۲/۱۰

۷۳۴/۰

۳۸۷/۰

۵۰۳/۰

۰۰۵/۰

ادامۀ جدول ۱

پارامتر

کلاس

الگوی نسبت فراوانی

رگرسیون خطی

مساحت کل

مساحت لغزش

نسبت فراوانی

وزن عامل

معناداری

مساحت

٪

مساحت

٪

آبرفت و پادگانه قدیمی

۸۵/۸۲۶۶

۳/۱۴

۶۳/۹۱

۲۷/۶

۴۳۸/۰

آهک مارنی، رسی ماسه‌ای

۳۸/۷۷۶۴

۴۴/۱۳

۳۵/۱۰۳

۰۷/۷

۵۲۶/۰

کنگلومرا و ماسه‌سنگ

۱۳/۱۳۶

۲۳۵/۰

۲۴۷/۰

۹۱/۱۶

۷۸/۷۱

آهک مارنی و ماسه‌سنگی

۳۹/۶۹۸

۲۰/۱

۶۶/۳۴

۳۷/۲

۹۶/۱

آهک سفید، مارنی و دولومیتی

۰۴/۴۳۶

۷۵۴/۰

۷۴/۱۶

۱۴/۱

۵۱/۱

آهک نازک لایه رسی

۰۸/۱۳۱۲۹

۷۲/۲۲

۷۱/۱۸۱

۴۴/۱۲

۵۴۷/۰

آهک ریفی با شیل

۸/۲۱۶۸۰

۵۲/۳۷

۸۰/۵۲۲

۸/۳۵

۹۵۳/۰

آهک اوربیتولین‌دار

۰۷/۸۱۹

۴۱/۱

۷۲/۱۰

۷۳/۰

۵۱۷/۰

آهک دولومیتی

۷۹/۲۳۹۶

۱۴/۴

۹۶/۱۵۲

۴/۱۰

۵۲/۲

رادیولاریت و کنگلومرا

۴/۱۳۴۷

۳۳/۲

۸۸

۰۲/۶

۵۸/۲

کاربری اراضی

کشاورزی

۹۶/۴۲۹۱

۵۲/۵

۲۷/۹۴

۰۱/۶

۰۸/۱

۰۸۲۳/۰

۰۰۰/۰

باغ

۱۶/۶۹۹

۹۰۰/۰

۶۰/۱۹

۲۴/۱

۳۸/۱

مرتع خوب

۰۹/۳۴۵۰

۴۴/۴

۸۳/۱۱۰

۰۶/۷

۵۹/۱

کشاورزی و دیم

۹۹/۳۴۷

۴۴۸/۰

۰

۰

۰

کشاورزی و مرتع خوب

۳۲/۲۲۴۲

۸۸/۲

۸۸/۷۳

۸۸/۷۳

۶۳/۱

کشاورزی و مرتع متوسط

۷۹/۲۳۱۶

۹۸/۲

۰۶/۱۶

۰۲/۱

۳۴۳/۰

مرتع خوب و جنگل پراکنده

۹۲/۳۳۶۲۶

۳/۴۳

۸۵/۳۹۸

۴۲/۲۵

۵۸۷/۰

جنگل متوسط

۵۸/۸۲۰۳

۵۶/۱۰

۶۸/۲۷۶

۶۳/۱۷

۶۶/۱

مرتع متوسط

۹۷/۲۵۳۸

۲۶/۳

۰

۰

۰

مرتع فقیر

۱۷/۹۳۰۱

۹۸/۱۱

۷۸/۳۷۲

۷۶/۲۳

۹۸/۱

صخره

۵۴/۱۰۵۳۴

۵۶/۱۳

۵۸/۲۰۵

۱/۱۳

۹۶۶/۰

شهری

۳۴/۹۳

۱۲۰/۰

۰

۰

۰

جدول ۲. وزن شاخص‌های ژئومورفومتریک و کلاس‌های آنها

شاخص

کلاس

الگوی نسبت فراوانی

رگرسیون خطی

مساحت کل

مساحت لغزش

نسبت فراوانی

وزن عامل

معناداری

مساحت

درصد

مساحت

درصد

SPI

۳۰۰-۰

۰۷/۶۲۰۲۲

۳۱/۹۹

۲/۱۲۱۹

۴۰/۹۹

۰۰۱/۱

۲۰۵/۰

۰۰۰/۰

۶۰۰-۳۰۰

۳۵/۲۳۱

۳۷/۰

۶۸/۲

۲۱۸/۰

۵۸۹/۰

۹۰۰-۶۰۰

۸۶/۹۳

۱۵/۰

۴۸/۳

۲۸۳/۰

۸۸/۱

۱۲۰۰-۹۰۰

۶۰/۶۸

۱۰/۰

۰

۰

۰

۱۵۰۰-۱۲۰۰

۱۷/۳۳

۰۵۳/۰

۰۸/۱

۰۸۸/۰

۶۵۸/۱

۱۵۰۰>

۶۵/۹

۰۱۵/۰

۰

۰

۰

طول شیب (متر)

۱۲/۴-۰

۲۷/۳۵۹۹۷

۰۲/۴۳

۴۸/۵۷۳

۷۵/۴۶

۰۸۶/۱

۱۹۸/۰

۰۰۰/۰

۳۷/۱۲-۱۲/۴

۸۲/۲۳۸۵۸

۵۱/۲۸

۸۱/۵۸۴

۶۸/۴۷

۶۷۱/۱

۰۴/۳۴-۳۷/۱۲

۵۸/۲۳۵۵۵

۱۵/۲۸

۱۸/۶۰

۹/۴

۱۷۴/۰

۵۶/۸۳-۰۴/۳۴

۸۱/۲۰۶

۲۴۷/۰

۹۶/۶

۵۶۷/۰

۲۹۵/۲

۰۶/۲۶۳-۵۶/۸۳

۲۱/۴۰

۰۴۸/۰

۰۱/۱

۰۸۲/۰

۷۱۳/۱

TWI

۱۳/۷-۱۵/۴

۶/۲۵۸۷۹

۳۴/۱۷

۱۲/۷۱۱

۰۳/۲۷

۵۵/۱

۰۲۳۴/۰

۰۰۰/۰

۲۴/۹-۱۳/۷

۱/۲۴۸۲۲

۶۳/۱۶

۹۸/۳۳۲

۶۵/۱۲

۷۶۰/۰

۷۲/۱۲-۲۴/۹

۵/۹۶۳۶۵

۵۹/۶۴

۰۳/۱۵۶۰

۳/۵۹

۹۱۸/۰

۶۷/۲۲-۷۲/۱۲

۳/۲۱۲۰

۴۲۱/۱

۳۵/۲۶

۰۰۱/۱

۷۰۴/۰

انحنای مقطع

۰۰۱/۰- - ۰۲/۰-

۱۸/۱۰۴۶۲

۷۵/۱۶

۶۷/۱۸۸۶

۵۶/۳۳

۰۰۳/۲

۰۱۹۵/۰

۰۰۰/۰

۰۰۱/۰- ۰۰۱/۰-

۵۶/۴۲۷۲۲

۴/۶۸

۲/۷۳۸

۱۳/۱۳

۱۹۲/۰

۰۳/۰-۰۰۱/۰

۹۷/۹۲۷۳

۸۴/۱۴

۵۹/۲۹۹۵

۲۹/۵۳

۵۸۹/۳

TPI

دره

۶۸/۳۶۱۸۷

۹۳/۵۷

۳۸/۵۳۱

۴۳/۴۳

۷۴۹/۰

۵۳۱/۰

۰۰۱/۰

دامنه

۸۴/۱۲۳۷۶

۸۱/۱۹

۱۲/۴۴۱

۰۵/۳۶

۸۱۹/۱

خط الراس

۵۴/۱۳۸۹۳

۲۴/۲۲

۹۵/۲۵۰

۵۱/۲۰

۹۲۲/۰

انحنای سطح

مقعر

۹۴/۱۰۹۸۹

۵۹/۱۷

۹/۲۶۵

۶۸/۲۱

۲۳۲/۱

۴۳۲/۰

۰۰۰/۰

هموار

۸/۳۸۵۵۳

۷۲/۶۱

۷/۶۳۱

۵/۵۱

۸۳۴/۰

محدب

۳/۱۲۹۱۴

۶۷/۲۰

۸/۳۲۸

۸۱/۲۶

۲۹۶/۱

SAR

۰۷/۱-۱

۷۶/۳۸۴۴۸

۷۶/۶۲

۷/۵۴۶

۸۳/۴۴

۷۱۴/۰

۲۶۲/۰

۰۰۱/۰

۲۱/۱-۰۷/۱

۰۳/۱۸۴۵۵

۱۲/۳۰

۸/۵۵۳

۴۱/۴۵

۵۰/۱

۲۴/۲-۲۱/۱

۴۶/۴۳۵۰

۱۰/۷

۸/۱۱۸

۷۴/۹

۳۷/۱

 

 

پس از تعیین وزن ۹ شاخص اولیۀ مؤثر در زمین‌لغزش و ۷ شاخص ژئومورفومتریک با استفاده از روش رگرسیون خطی و ضرب آن در وزن کلاس‌های عوامل یادشده که با استفاده از روش نسبت فراوانی حاصل شده است، نقشه‌های وزنی با هم جمع شدند و نقشۀ نهایی حساسیت زمین‌لغزش رویکرد با استفاده از شاخص‌های ژئومورفومتریک و رویکرد بدون استفاده از شاخص‌های ژئومورفومتریک حاصل شد، سپس نقشه‌های یادشده بر اساس شکست‌های طبیعی (یمانی و همکاران، ۱۳۹۱: 131؛ ۱۳۹۳: 38؛ شیرانی و همکاران، ۱۳۹۲: 6؛ عرب‌عامری و همکاران، ۱۳۹۳: 120؛ عرب‌عامری و حلبیان، ۱۳۹۴: 72؛ عرب‌عامری و شیرانی، ۱۳۹۵: 99؛ شیرانی و عرب‌عامری، ۱۳۹۴: 23) به پنج کلاس بسیار زیاد، زیاد، متوسط، کم و بسیار کم تقسیم‌بندی شدند. نتایج پهنه‌بندی خطر زمین‌لغزش رویکرد همراه با پارامترهای ژئومورفومتریک در شکل (4) و رویکرد بدون شاخص‌های ژئومورفومتریک در شکل (5) و نمونه‌ای از لغزش‌های رخ‌داده در منطقه در شکل (۶) نشان داده شده است.

 

 

 

 

شکل ۴. پهنه‌بندی رویکرد با شاخص‌های
ژئومورفومتریک

شکل 5. پهنه‌بندی رویکرد بدون شاخص‌های ژئومورفومتریک

 

شکل ۶. نمونه‌ای از لغزش‌های منطقۀ مطالعه‌شده

 

 

پس از تهیۀ نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش، برای ارزیابی نقش شاخص‌های ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی، درستی‌سنجی نقشه‌ها با استفاده از منحنی ROC انجام شد. در پژوهش حاضر، درستی روش‌ها با استفاده از منحنی ویژگی عملگر نسبی (ROC) و دقت تفکیک بین طبقه‌ها با استفاده از نسبت فراوانی (FR)[9] و شاخص سطح سلول هسته (SCAI)[10] بررسی و تأیید شد. با‌توجه‌به اینکه برای ارزیابی الگو نمی‌توان از همان لغزش‌هایی استفاده کرد که در پهنه‌بندی استفاده شده‌اند (Constantin et al., 2011: 19)، از بین نقاط لغزشی، 70 درصد برای اجرای الگو و 30 درصد برای ارزیابی الگو استفاده شدند (Guzzetti et (al., 2012: 20. نتایج ارزیابی دقت طبقه‌بندی بر مبنای پهنه‌بندی با شاخص‌های اولیه و بدون شاخص‌های ژئومورفومتریک و پهنه‌بندی به همراه ‌شاخص‌های ژئومورفومتریک با استفاده از شاخص‌های SCAI و FR در جدول (3) و شکل‌های (7) و (8) نشان داده شده‌اند؛ همان‌طور که ملاحظه می‌شود در هر دو نقشۀ پهنه‌بندی، مقادیر نسبت فراوانی (FR) با افزایش حساسیت خطر از بسیار کم به بسیار زیاد، روند صعودی داشته‌اند (شکل ۷)، اما شاخص SCAI روند نزولی درخور توجهی را نشان می‌دهد (شکل ۸) و نشان‌دهندۀ همبستگی زیاد رده‌های خطر لغزش با مناطق لغزشی موجود و بازدیدهای میدانی منطقۀ مطالعه است و از این نظر، ترتیب تفکیک‌پذیری بین طبقه‌ها مناسب ارزیابی شد. در نقشۀ پهنه‌بندی با استفاده از شاخص‌های اولیه به همراه شاخص‌های ژئومورفومتریک، این همبستگی نمود بارزتری بین رده‌های خطر لغزش با مناطق لغزشی دارد. نتایج مساحت زیرمنحنی (AUC) بیان‌کنندۀ اینست که با افزایش شاخص‌های ژئومورفومتریک در فرایند تهیۀ نقشۀ پهنه‌بندی، مقدار AUC افزایش چشمگیری داشته و دقت نقشۀ پهنه‌بندی افزایش یافته است (شکل‌های 9 و 10).


جدول 3. مقادیر نسبت فراوانی و شاخص سطح سلول هستۀ مناطق حساس زمین‌لغزش

الگو

رده‌های خطر لغزش

مساحت فاقد لغزش (هکتار)

مساحت لغزش (هکتار)

درصد مساحت لغزش

مساحت هر ردۀ خطر (هکتار)

درصد مساحت رده

درصد نسبت فراوانی

درصد Seed

SCAI

همراه با شاخص‌ها

بسیار کم

۱/۲۰۵۰۱

۵۲/۷۴

۸۹/۴

۶/۲۰۵۷۵

۵/۲۶

۰۰/۰

۷/۲

۸۱/۹

کم

۲۰۶۲۶

۲۹/۳۱۳

۵۶/۲۰

۳/۲۰۹۳۹

۹۷/۲۶

۰۱/۰

۱/۱۱

۴۲/۲

متوسط

۴/۱۷۱۷۱

۲۸/۳۱۷

۸۲/۲۰

۶/۱۷۴۸۸

۵۲/۲۲

۰۲/۰

۵/۱۳

۶۶/۱

زیاد

۷/۱۱۵۳۱

۳۲/۳۷۴

۵۷/۲۴

۱۱۹۰۶

۳۳/۱۵

۰۳/۰

۴/۲۳

۶۵/۰

بسیار زیاد

۹/۶۲۹۲

۱۳/۴۴۴

۱۵/۲۹

۶۷۳۷

۶۸/۸

۰۷/۰

۱/۴۹

۱۸/۰

بدون شاخص‌‌ها

بسیار کم

۹/۱۷۵۳۷

۰۹/۷۱

۶۷/۴

۱۷۶۰۹

۶۸/۲۲

۰۰۴/۰

۹۲/۲

۷۶/۷

کم

۶/۲۵۳۱۱

۶/۳۹۴

۹/۲۵

۳/۲۵۷۰۶

۱۱/۳۳

۰۱۵/۰

۱۱/۱۱

۹۸/۲

متوسط

۹/۱۸۰۳۶

۹/۳۲۹

۶۶/۲۱

۸/۱۸۳۶۶

۶۵/۲۳

۰۱۸/۰

۱۳

۸۲/۱

زیاد

۱/۱۰۷۸۸

۲/۴۳۲

۳۷/۲۸

۴/۱۱۲۲۰

۴۵/۱۴

۰۳۹/۰

۸۸/۲۷

۵۲/۰

بسیار زیاد

۵/۴۴۴۸

۶/۲۹۵

۴۱/۱۹

۱/۴۷۴۴

۱۱/۶

۰۶۲/۰

۱/۴۵

۱۴/۰

 

   

شکل ۷. روند شاخص نسبت فراوانی

شکل ۸. روند شاخص سطح سلول هسته

 

شکل ۹. مساحت زیرمنحنی بدون شاخص‌های ژئومورفومتریک

          شکل ۱۰. مساحت زیرمنحنی با شاخص‌های ژئومورفومتریک

 


نتیجه‌گیری

ژئومورفومتری، روشی مدرن با رویکرد کارتوگرافیکی - تحلیلی برای نمایش پستی و بلندی‌های سطح زمین با استفاده از ارتفاع زمین در کامپیوتر است. در پژوهش حاضر، کارایی شاخص‌های ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی حساسیت زمین‌لغزش ارزیابی شد. نتایج نشان می‌دهند شاخص‌های ژئومورفومتریک تأثیر زیادی در افزایش دقت شناسایی مناطق حساس به لغزش دارند و با افزایش شاخص‌های ژئومورفومتریک به الگو، دقت آن از ۷۳/۰ به ۹۳/۰ افزایش یافته است؛ به عبارتی، نقشۀ پهنه‌بندی حساسیت زمین‌لغزش حاصل از رویکرد بکارگیری شاخص‌های ژئومورفومتریک به همراه سایر عوامل مؤثر نسبت به رویکرد صرفاً با استفاده از عوامل مؤثر مرسوم و بدون بکارگیری شاخص‌های ژئومورفومتریک، درستی نقشۀ حساسیت زمین‌لغزش را به‌طور معناداری افزایش می‌دهد و با نقشۀ پراکنش زمین‌لغزش‌ها انطباق بهتری دارد. در این میان، شاخص موقعیت توپوگرافی، انحنای سطح و شاخص نسبت مساحت سطح به‌ترتیب با کسب امتیاز ۵۳۱/۰، ۴۳۲/۰ و ۲۶۲/۰ بیشترین تأثیر را در افزایش درستی نقشۀ پهنه‌بندی داشته‌اند و شاخص‌های قدرت جریان آبراهه (SPI)، طول شیب (SL)، شاخص خیسی توپوگرافی (TWI) و انحنای مقطع در رده‌های بعدی قرار دارند. طبق نتایج پهنه‌بندی حساسیت خطر زمین‌لغزش با استفاده از شاخص‌های اولیه و شاخص‌های ژئومورفومتریک، ۶۸/۸ درصد (۶۷۳۷ هکتار) مساحت منطقه در ردۀ خطر بسیار زیاد، ۳۳/۱۵ درصد (۱۱۹۰۶ هکتار) در ردۀ خطر زیاد، ۵۲/۲۲ درصد (۶/۱۷۴۸۸ هکتار) در ردۀ خطر متوسط، ۹۷/۲۶ (۳/۲۰۹۳۹ هکتار) در ردۀ خطر کم و ۵/۲۶ درصد (۶/۲۰۵۷۵ هکتار) در ردۀ خطر بسیار کم قرار دارد. با‌توجه‌به تأثیر شایان توجه شاخص‌های ژئومورفومتریک در افزایش درستی نقشه‌های پهنه‌بندی خطر زمین‌لغزش در منطقۀ مطالعه‌شده، توصیه می‌شود در پژوهش‌های آتی که در زمینۀ پهنه‌بندی زمین‌لغزش انجام می‌شوند، از این شاخص‌ها به‌عنوان شاخص‌های مؤثر در فرایند پهنه‌بندی استفاده شود.

سپاسگزاری

نویسنده مقالۀ حاضر را بر اساس داده‌های رقومی تولیدشده و بخشی از نتایج طرحی پژوهشی در مرکز پژوهش‌ها و آموزش کشاورزی و منابع طبیعی اصفهان اجرا کرده است؛ ازاین‌رو نویسنده از مرکز یادشده و پژوهشکدۀ حفاظت خاک و آبخیزداری کشور برای فراهم‌کردن شرایط اجرای پژوهش حاضر قدردانی می‌کند.



[1] Integrated Land and Water Information System)

[2] Plan Curvature

[3] Profile Curvature

[4] Surface Area Ratio (SAR)

[5] Topographic position index (TPI)

[6] Topography Wetness Index (TWI)

[7] stream power index (SPI)

[8] Length Slope (LS)

[9] Frequency Ratio

[10] Seed Cell Area Index

انتظاری، مژگان؛ رامشت، محمدحسین؛ سیف، عبدالله؛ کورش شیرانی، (1390). تأثیرات سیستم‌های شکل‌زا بر زمین‌لغزش‌های ایران، جغرافیا و توسعه، سال نهم، شمارۀ 24، صص 172-155.

انتظاری، مژگان، (1393). اقلیم اختری (ایده‌ای در حوزۀ دانش ژئومورفولوژی ایران)، جغرافیا و برنامه‌ریزی محیطی، سال بیست و پنجم، پیاپی 53، شمارۀ 1، صص 10-1.

بهشتی‌راد، مسعود؛ فیض‌نیا، سادات؛ سلاجقه، علی؛ حسن احمدی، (۱۳۸۹). پهنه‌بندی خطر زمین‌لغزش با مدل رگرسیون چندمتغیره با استفاده از GIS، جغرافیای طبیعی، سال سوم، صص
۴۰-۳۳.

سازمان جغرافیایی نیروهای مسلح، (1378). نقشه های توپوگرافی 1:50000، چقاگرگ برگ59561V، دره ساری ورقه 5556II، چاله پره ورقه59551V، وهرگان شیت 5955I، فریدون شهر 50551V.

سازمان زمین‌شناسی کشور، (1377). نقشه‌های زمین‌شناسی 1:250000، برگه‌های گلپایگان و شهرکرد.

سازمان نقشه‌برداری کشور، (1376). عکس‌های هوایی 1:40000، منطقۀ پیشکوه فریدون‌شهر.

سفیدگری رضا، (۱۳۸۱). ارزیابی روش‌های پهنه‌بندی خطر زمین‌لغزش در مقیاس ۱:۵۰۰۰۰ (مطالعۀ موردی: حوضۀ دماوند)، پایان‌نامۀ کارشناسی ارشد، دانشکدۀ منابع طبیعی، دانشگاه تهران.

شیرانی، کورش، (۱۳۸۲). ارزیابی مهم‌ترین روش‌های پهنه‌بندی خطر زمین‌لغزش به‌منظور انتخاب روش مناسب برای جنوب استان اصفهان منطقۀ سمیرم در مسیر رودخانه ماربر، گزارش نهایی طرح تحقیقاتی، شمارۀ ثبت ۹۶۱/۸۳. پژوهشکدۀ حفاظت خاک و آبخیزداری.

شیرانی، کورش؛ سیف، عبدالله؛ احمد نصر، (۱۳۹۲). بررسی عوامل مؤثر بر حرکات توده‌ای بر پایۀ تهیۀ نقشه‌های پهنه‌بندی خطر زمین‌لغزش (مطالعۀ موردی: ارتفاعات دنای زاگرس)، علوم زمین، شمارۀ ۸۹، صص ۱۰-۳.

شیرانی، کورش و علی‌رضا عرب‌عامری (۱۳۹۴). پهنه‌بندی خطر زمین‌لغزش با استفاده از روش رگرسیون لجستیک (مطالعۀ موردی: حوضۀ دزعلیا)، مجلۀ علوم و فنون کشاورزی، علوم آب و خاک، شمارۀ ۷۲، ۳۳۵-۳۲۱.

شیرانی، کورش، (1396). مدل‌سازی و ارزیابی پتانسیل حساسیت اراضی نسبت به لغزش با استفاده از مدل‌های احتمالاتی آنتروپی شانون و وزن شاهد تئوری بیزین (مطالعۀ موردی: حوضۀ سرخون کارون)، مجلۀ علوم و فنون کشاورزی، علوم آب وخاک، سال بیست و یکم، شمارۀ 1، صص 68-51.

صفاری، امیر؛ علی‌مرادی، مسعود؛ رامین حاتمی‌فرد، (۱۳۹۲). پهنه‌بندی خطر رخداد زمین‌لغزش به روش رگرسیون چند‌متغیره با استفاده از داده‌های گسسته در حوضۀ رودخانۀ ماربر، پژوهش‌های ژئومورفولوژی کمی، سال دوم، صص ۷۴-۵۹.

عرب‌عامری، علی‌رضا و امیر حسین، حلبیان، (۱۳۹۴). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل آماری دومتغیرۀ وزنی AHP و سیستم اطلاعات جغرافیایی (مطالعۀ موردی: حوضۀ زرند)، جغرافیای طبیعی، شمارۀ ۲۸، صص ۸۶-۶۵.

عرب‌عامری، علی‌رضا و کورش شیرانی، (۱۳۹۵). اولویت‌بندی عوامل مؤثر در زمین‌لغزش و پهنه‌بندی خطر آن با استفاده از تئوری احتمالاتی دمپسترشفر (مطالعۀ موردی: حوضۀ ونک، استان اصفهان)، مهندسی و مدیریت آبخیز، سال هشتم، شمارۀ ۱، صص ۱۰۶-۹۳.

عرب‌عامری، علی‌رضا؛ کلوراژان، عبدالله؛ کرمی، جلال؛ علیمرادی، مسعود؛ کورش شیرانی، (۱۳۹۳). استفاده از شبکۀ عصبی مصنوعی در پهنه‌بندی خطر زمین‌‌لغزش (مطالعۀ موردی: حوضۀ ماربر)، زمین پویا، شمارۀ ۴، صص ۱۲۸-۱۱۲.

یمانی، مجتبی؛ احمدآبادی، علی، غلامرضا زارع، (۱۳۹۱). بکارگیری الگوریتم ماشین‌های پشتیبان بردار در پهنه‌بندی خطر وقوع زمین‌لغزش (مطالعۀ موردی: حوضۀ آبریز درکه)، جغرافیا و مخاطرات محیطی، شمارۀ ۳، صص ۱۴۲-۱۲۵.

یمانی، مجتبی؛ شمسی‌پور، علی‌اکبر؛ گورابی، ابوالقاسم؛ مریم رحمتی، (۱۳۹۳). تعیین مرز پهنه‌های خطر زمین‌لغزش در مسیر آزادراه خرم‌آباد-پل زال با روش تحلیل سلسله‌مراتبی فازی، تحقیقات کاربردی علوم جغرافیایی، شمارۀ ۳۲، صص ۴۴-۲۷.

یمانی، مجتبی؛ حسن‌پور، سیروس؛ مصطفایی، ابوالفضل؛ مجید شادمان رودپشتی، (۱۳۹۱). نقشۀ پهنه‌بندی خطر زمین‌لغزش در حوضۀ آبخیز کارون بزرگ با استفاده از مدل AHP در محیط GIS، جغرافیا و برنامه‌ریزی محیطی، شمارۀ ۴، صص ۵۶-۳۹.

یمانی، مجتبی؛ مقامی‌مقیم، غلام‌رضا؛ عرب‌عامری، علی‌رضا؛ کورششیرانی، (1396). ارائۀ مدل ترکیبی به‌منظور افزایش دقت تهیۀ نقشه‌های حساسیت زمین‌لغزش با تأکید بر مدل رگرسیون وزنی جغرافیایی (GWR) (مطالعۀ موردی: حوضۀ دزعلیا، استان اصفهان)، پژوهش‌های ژئومورفولوژی کمی، سال پنجم، شمارۀ 4، صص 40-19.

Atkinson, P.M. and R. Massari (2011), Autologistic modelling of susceptibility to landsliding in the Central Apennines, Italy, Geomorphology, Vol. 130: 55-64.

Constantin, M., M. Bednarik, M. C. Jurchescu and M. Vlaicu (2011), Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania), Environ. Earth Sci, Vol. 63: 397-406.

Chousianitis, K., V. Del Gaudio, N. Sabatakakis, K. Kavoura, G. Drakatos, G. D. Bathrellos, H. D. Skilodimou (2016), Assessment of earthquake-induced landslide hazard in Greece: from Arias intensity to spatial distribution of slope resistance demand, Bull. Seismol. Soc. Am, Vol. 106: 174-188.

Costanzo, D., E. Rotigliano, C. Irigaray, J. D. Jimenez-Pervarez, J. Chacon (2012), Factors selection in landslide susceptibility modelling on large scale following the gis matrix method: application to the river Beiro basin (Spain), Nat Hazards Earth Syst Sci, Vol. 12: 327-340.

Chen Z. and W. Jinfei (2007), Landslide hazard mapping using logistic regression model in Machenzie Valley, Nat Hazard, Vol. 42: 75-89.

Chalkias, C., M. Ferentinou, C. Polykretis (2014), GIS-based landslide susceptibility mapping on the peloponnese peninsula, Greece, Geosciences Vol. 4: 176-190.

Dai, F. C. and C. F. Lee (2002), Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong, Geomorphology, Vol. 42: 213-228.

Dikau, R. (1989), The application of a digital relief model to landform analysis in geomorphology. In: Raper J. (Ed.), Three Dimensional Applications in Geographical Information Systems, Taylor and Francis, London, 51-77.

Dymond, J. R., A. G. Ausseil, J. D. Shepherd, L. Buettner (2006), Validation of a region-wide model of landslide susceptibility in the Manawatu–Wanganui region of New Zealand, Geomorphology, Vol. 74: 70-79.

Ercanoglu, M. and C. Gokceoglu (2002), Assessment of landslide susceptibility for a landslide-prone area (North of Yenice, NW Turkey) by fuzzy approach, Environ Geol, Vol. 41, 720-730.

Evans, I. S. (1972), General geomorphology, derivatives of altitude and descriptive statistics, In: R. J. Chorley (Ed.) Spatial Analysis in Geomorphology, 17-90

Guzzetti F., A. C. Mondini, M. Cardinali, F. Fiorucci, M. Santangelo, K.T. Chang (2012), Landslide inventory maps: New tools for an old problem. Earth-Science Reviews, Vol. 112: 42-66.

He, S., P. Pan, L. Dai, H. Wang, J. Liu (2012), Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China, Geomorphology, Vol. 171-172: 30-41.

Hengl, T., S. Gruber, D. P. Shrestha (2003), Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Observation Enschede, Netherlands, 62p.

Hong, H., B. Pradhan, M. N. Jebur, D. T. Bui, C. Xu, A. Akgun (2015), Spatial prediction of landslide hazard at the Luxi area (China) using support vector machines, Environ. Earth Sci. Vol. 75(40): 245-256.

Hong, H., W. Chen, C. Xu, A. M. Youssef, B. Pradhan, D. Tien Bui (2016), Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor, and index of entropy. Geocarto. Int. Vol. 23(4): 223-2464.

Hong, H., B. Pradhan, C. Xu, D. Tien Bui (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, Vol. 133: 266-281.

Jenness, J. (2002), Surface Areas and Ratios from Elevation Grid, Jenness Enterprises, 216p.

Lee, S., J. H Ryu, J. S. Won, H. J. Park (2004), Determination and application of the weights for landslide susceptibility mapping using an artificial neural network, Engineering Geology, Vol. 71, 289-302.

Lee, S. and B. Pradhan (2007), Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models, Landslides, Vol. 4: 33-41.

Mohammady, M., H. R. Pourghasemi, B. Pradhan (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, Vol. 61, 221-236.

Moore, I. D. and G. J. Burch (1986), Sediment transport capacity of sheet and rill flow: application of unit stream power theory, Water Res, Vol. 22, 1350-1360

Moore, I. D., R. B. Grayson, A. R. Ladson (1991), Digital terrain modeling: a review of hydrological, geomorphological, and biological applications, Hydro Process, Vol. 5: 3-30.

Oh, H. J. and B. Pradhan (2011), Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area, Comput Geosci, Vol. 37(9): 1264-1276.

Pourghasemi, H. R., M. Mohammady, B. Pradhan (2012), Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Catena, Vol. 97: 71-88.

Pike, R. J., I. S Evans, T. Hengl (2009), Geomorphometry: A Brief Guide, Developments in Soil Science, Vol. 33(1): 225-244.

Regmi, N. R., J. Giardio, J. Vitek (2010), Modeling susceptibility to landslides using the weight of evidence approach: Western Colorado, USA, Geomorphology, Vol. 115: 172-187.

Talebi, A., Uijlenhoet, R., Troch, P. A. (2007), Soil moisture storage and hillslope stability, Nat Hazards Earth Syst Sci, Vol. 7: 523-534.

Tagil, S. and J. Jenness (2008), GIS-based automated landform classification and topographic, land cover and geologic attributes of landforms around the Yazoren Poje, Turkey. J Appl Sci, Vol. 8, No. 6: 910-921.

Van Western, C. J., T. H. Van Asch, R. Soeters (2005), Landslide Hazard and Risk Zonation: Why is it Still so Difficult, Bulletin of Engineering Geology and the Environment, Vol. 2: 176-184.

Wang, Q., D. Wang, Y. Huang, Z. Wang, L. Zhang, Q. Guo, W. Chen, W. Chen, M. Sang (2015), Landslide susceptibility mapping based on selected optimal combination of landslide predisposing factors in a large catchment, Sustainability, Vol. 7: 16653-16669.

Wang, H. B., S. R. Wu, J. S. Shi, B. Li (2011), Qualitative hazard and risk assessment of landslides: a practical framework for a case study in China, Nat Hazards. doi:10.1007/s11069-011-0008-1.

Yesilnacar, E. K. (2005), The application of computational intelligence to landslide susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of Melbourne, 423 p.

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, No 35: 1125-1138.

Zhou, S., G. Chen, L. Fang, Y. Nie (2016), GIS-Based Integration of Subjective and Objective Weighting Methods for Regional Landslides Susceptibility Mapping, Sustainability, Vol. 8: 334-343.

Zhou, S. and L. Fang, L. (2015), Support vector machine modeling of earthquake-induced landslides susceptibility in central part of Sichuan province, China, Geoenviron. Disasters, Vol. 2(2): 234-243.

Zinko, U., J. Seibert, M. Dynesius, C. Nilsson (2005), Plant species numbers predicted by a topography-based groundwater flow index, Ecosystems, Vol. 8: 430-441