چکیده

این مطالعه تأثیر بارندگی را بر زمین لغزش‌های بعدی پس از یک توفان شدید و رابطه بین رویدادهای مختلف بارندگی و وقوع، مقیاس و ویژگی‌های منطقه‌ای زمین لغزش، از جمله لغزش دوم را بررسی می‌کند. علاوه بر این، تأثیر اغتشاش زمین مورد ارزیابی قرار گرفت. شبکه عصبی تطبیقی ​​ژنتیکی در ترکیب با تجزیه و تحلیل بافت سیستم اطلاعات جغرافیایی برای طبقه‌بندی و تفسیر تصاویر ماهواره‌ای برای تجزیه و تحلیل تغییرات کاربری زمین و بازیابی سوابق بلایا و اطلاعات سطحی پس از پنج رویداد بارندگی از طوفان موراکوت (2009) تا طوفان Nanmadol استفاده شد. (2011). نتایج نشان داد که به جز باران‌های شدید موراکوت، هر چه میزان اختلال شیب پس از باران بیشتر باشد، شیب در معرض بیشتر است. بارش شدید باران مشابه حملات موراکوت ممکن است تأثیر بیشتری بر روی زمین برهنه داشته باشد تا اختلال در شیب. همچنین، رابطه بین مساحت زمین بایر و شاخص وضعیت آشفتگی زمین (I LDC ) مثبت است و نسبت مساحت زمین برهنه به مقدار زمین لخت پس از هر بارندگی با I LDC افزایش می یابد . با بارش انباشته موثر بیشتر در شیب در منطقه مورد مطالعه یا اختلال شیب بیشتر، منطقه لغزش در نقطه لغزش دوم تمایل به افزایش داشت.

کلید واژه ها:

زمین لغزش ناشی از بارندگی ؛ زمین لغزش دوم ؛ شبکه عصبی تطبیقی ​​ژنتیکی ; سیستم اطلاعات جغرافیایی

1. مقدمه

تایوان مستعد طوفان و بارندگی شدید است. به دلیل شیب زمین و شرایط نامطلوب زمین شناسی در مناطق کوهستانی تایوان، بارش متمرکز در طول طوفان یا حملات طوفان باران منجر به رانش زمین و جریان آوار می شود [ 1 ]. در چند دهه اخیر، رانش زمین در مقیاس بزرگ، لجن‌زدایی رودخانه‌ها و ریزش سدهای ساحلی ناشی از بارندگی‌های شدید منجر به تغییرات شدید در شرایط محیطی طبیعی حوزه آبخیز شده است. به عنوان مثال، طوفان موراکوت در اوت 2009 با باران شدید تایوان را درنوردید و باعث رانش شدید زمین، جریان آوار و سیل در مناطق جنوبی، مرکزی و شرقی شد [ 2 ، 3 ].]. چنین بارندگی شدیدی که همراه با طوفان است، بلایای مکرری را در مناطق مختلف دامنه تپه ها ایجاد کرده و مردم آن مناطق را تحت تأثیر قرار داده است. چنین بلایایی امنیت جان، مال و محیط زندگی مردم منطقه را به شدت تحت تأثیر قرار می دهد و همچنین ساخت و ساز پروژه های عمومی بزرگ را تهدید می کند. دولت تایوان مبالغ زیادی از بودجه بازسازی را در مناطق آسیب دیده سرمایه گذاری کرده است. با این حال، حتی پس از بازسازی، این مناطق با خطر وقوع بلایای رسوبی مکرر در دامنه ها مواجه هستند. در نتیجه، توسعه کلی اقتصادی و حمل و نقل تحت تأثیر بلایا تهدید می شود. بسیاری از سکونتگاه ها بارها تحت تأثیر بلایای رسوبی قرار گرفته اند. بنابراین شناسایی راهکارهایی برای پیشگیری و درمان بلایای زمین لغزش و بلایای مکرر رسوب ضروری است.
روش‌های طبقه‌بندی تصاویر ماهواره‌ای که معمولاً مورد استفاده قرار می‌گیرند را می‌توان به دو دسته تحت نظارت و بدون نظارت [ 4 ] طبقه‌بندی کرد.]. طبقه‌بندی بدون نظارت بر اساس تعداد طبقه‌بندی‌ها (یعنی تعداد از پیش تعیین‌شده خوشه‌ها) است که توسط تحلیلگر تصویر با استفاده از تحلیل خوشه‌ای برای دستیابی به تعداد از پیش تعیین‌شده طبقه‌بندی تنظیم شده است. در مقابل، در طبقه‌بندی نظارت شده، کاربر ابتدا باید ناحیه نمونه آموزشی را مشخص کند و سپس از توزیع مقادیر طیفی خاکستری ناحیه نمونه آموزشی به عنوان مبنای طبقه‌بندی استفاده کند. تصاویر ماهواره ای مزایایی مانند زمان کوتاه تغییر سطح، پوشش گسترده و هزینه کم را ارائه می دهد و بنابراین برای استفاده در مناطق کوهستانی یا دورافتاده امکان پذیر است. علاوه بر این، داده های به دست آمده را می توان در رایانه و از طریق سیستم اطلاعات جغرافیایی (GIS) تجزیه و تحلیل کرد، که می تواند به تجزیه و تحلیل سریع وضعیت پوشش زمین کمک کند. از این رو،5 ، 6 ].
تصاویر ماهواره ای اخیرا برای تفسیر آسیب زمین لغزش در مقیاس بزرگ استفاده شده است [ 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ]. علاوه بر این، برخی از محققان تحقیقات مربوطه را در مورد کاربرد هوش مصنوعی (AI) در طبقه بندی و تفسیر تصاویر ماهواره ای منتشر کرده اند [ 10 ، 14 ، 15 ، 16 ، 17 ، 18 .]. بافت، جنبه ای از یک تصویر، به تغییرات در سطوح خاکستری پیکسل های مجاور در تصویر، همبستگی فضای رنگی، یا عملکرد بصری خاکستری و تغییرات رنگی تصویر از نظر موقعیت های فضایی، مانند لبه ها، اشاره دارد. اشکال، راه راه، و بلوک های رنگی. بنابراین، تجزیه و تحلیل بافت می تواند به تمایز تصاویر در گروه های مختلف کمک کند [ 19 ]. برخی از محققان از اطلاعات بافت به عنوان اطلاعات کمکی برای تفسیر تصاویر ماهواره ای برای بهبود دقت تفسیر استفاده کرده اند [ 14 ، 20 ، 21 ، 22 ].
به طور کلی، زمین لغزش ها در هر منطقه تحت تأثیر عوامل متعددی از جمله عوامل نهفته (مانند زمین شناسی، خاک، توپوگرافی، هیدرولوژی و کاربری زمین) و انگیزه ها (مانند باران و زلزله) هستند [ 10 ، 14 ، 23 ]. بسیاری از مطالعات مرتبط خطرات زمین لغزش را بررسی و مورد بحث قرار داده اند [ 10 ، 14 ، 24 ، 25 ، 26 ، 27 ]. فعالیت های انسانی از طریق ساخت و سازهای عمرانی و احیای شیب بر پایداری شیب تأثیر گذاشته است. در برخی مناطق خاص، فعالیت های انسانی عامل اصلی تأثیرگذار در زمین لغزش ها هستند [ 28]. حساسیت انواع مختلف کاربری زمین با تجزیه و تحلیل شبیه سازی تغییرات مکانی و زمانی ارزیابی شده و پیشنهاد شده است که کاربری زمین باید به دقت برنامه ریزی شود تا احتمال وقوع بلایا کاهش یابد [ 29 ]. علاوه بر این، برخی از محققان توزیع فضایی زمین لغزش های ناشی از بارندگی و تأثیر عوامل مختلف تأثیرگذار بر محل زمین لغزش ها را مورد مطالعه قرار داده اند [ 14 ، 30 ، 31 ، 32 ]. توزیع مکانی زمین لغزش ها می تواند منعکس کننده وقوع زمین لغزش ها باشد [ 33 ، 34 ، 35 ]. با توجه به توزیع مکانی زمین لغزش ها در دوره های مختلف، سامیه و همکاران. (2017) [ 36] اثرات زمین لغزش های قبلی را بر زمین لغزش های بعدی کمی سازی کرد.
هدف از این تحقیق بررسی تأثیر بارندگی بر زمین لغزش پس از یک توفان فاجعه‌بار، رابطه بین مقیاس‌های مختلف بارندگی و توزیع مکانی زمین لغزش و لغزش دوم و همچنین تأثیر اختلال زمین است. شبکه عصبی مصنوعی (ANN) در ترکیب با تجزیه و تحلیل بافت تصویر در طبقه‌بندی مبتنی بر تصاویر ماهواره‌ای و تفسیر بلایای رسوبی و تغییرات کاربری زمین استفاده شد. الگوریتم‌های ژنتیک، که به‌طور خودکار تکامل می‌یابند، و معماری‌های شبکه عصبی بهینه‌شده را برای به دست آوردن سوابق بلایا و داده‌های سطحی آموزش می‌دهند، مورد استفاده قرار گرفتند. در چند سال گذشته، مزایای شبکه های عصبی مصنوعی (ANN) هوش مصنوعی (AI) در تفسیر تصاویر ماهواره ای ثابت شده است [ 37 ، 38 ]]. ANN اطلاعات پارامتری بیشتری را از طریق قابلیت های یادگیری و تعامل استخراج می کند و توانایی مقابله با روابط خطی و غیرخطی را به طور همزمان دارد [ 39 ]. علاوه بر این، یادگیری ANN تحمل قابل توجهی برای خطا دارد اما نیاز به محاسبات و حافظه نسبتاً کمی دارد [ 40 ]. روش ANN بهتر از برخی طبقه‌بندی‌کننده‌های سنتی، مانند طبقه‌بندی حداکثر درستنمایی [ 41 ، 42 ] عمل می‌کند.
این مطالعه همچنین خطرات بالقوه قرار گرفتن منطقه حوضه مورد مطالعه در معرض خطرات رسوب را با انجام یک تحلیل همبستگی از تاریخچه زمین لغزش، اختلال زمین، و ویژگی‌های محیطی منطقه‌ای بررسی کرد. مکانیسم زمین لغزش دوم در محل زمین لغزش اولیه، مقیاس زمین لغزش و ویژگی های متقابل مکان مورد بررسی قرار گرفت تا مرجعی برای جلوگیری از لغزش های آینده و ایجاد اقدامات متقابل به دست آید.

2. مناطق مطالعه

در آگوست 2009، طوفان موراکوت تایوان را درنوردید که منجر به کشته شدن 704 نفر و ناپدید شدن 22 نفر شد. کوه های جنوب تایوان بیشترین بارندگی انباشته بیش از 2900 میلی متر را تجربه کردند که بیشترین خسارت را در جنوب تایوان ایجاد کرد. بلایای زمین لغزش ناشی از طوفان یا باران شدید در حال افزایش است. بنابراین، پس از ارجاع به داده‌های تاریخی در مورد بلایای جاده‌ای از مرکز ملی علم و فناوری برای کاهش بلایا [ 43 ]، روستای بائولای و روستای جیانشان در ناحیه لیوگوئی و منطقه تائویوان به ترتیب در حوزه رودخانه لائونونگ، جنوب تایوان، قرار گرفتند. به عنوان حوزه های تحقیق انتخاب شده است ( شکل 1). با استفاده از سوابق تصاویر ماهواره ای در مناطق متاثر از طوفان یا باران در منطقه مورد مطالعه، اطلاعات مربوط به حمله طوفان موراکوت 2009 تا سال 2011، پنج رویداد طوفان در طول دوره 3 ساله (2009 Morakot, 2010 Meranti, 2010 Fanapi, 2011) ، و 2011 Nanmadol)، و یک رویداد باران 24 ساعته با بارندگی انباشته بیش از 130 میلی متر (27 ژوئیه 2010) بازیابی شد.

3. روش شناسی

3.1. شبکه عصبی تطبیقی ​​ژنتیکی

یک ANN، یک فناوری هوش مصنوعی، توانایی محاسباتی با سرعت بالا، حافظه بالا و توانایی یادگیری بالا را ارائه می دهد. ANN مزایای زیر را ارائه می دهد: عدم نیاز به هیچ گونه فرضی از نوع معادله از قبل، روش آموزشی ساده، توانایی پردازش مقادیر زیاد داده، دقت بالا و سرعت بالا. این مزایا ANN را برای پردازش مسائل تابع غیرخطی بسیار پیچیده مناسب می کند. در این مطالعه از شبکه پس انتشار (BPN) با گرادیان نزول برای آموزش شبکه عصبی استفاده شد. BPN یکی از معرف ترین و رایج ترین مدل ها در مدل یادگیری شبکه عصبی فعلی است. جزئیات این الگوریتم توسط هاگان و همکاران گزارش شده است. [ 44 ]. بر اساس مطالعات چن و همکاران. [ 18 ، 45]، این مطالعه tansig را به عنوان تابع فعال سازی اتخاذ کرد که به موجب آن مقدار خروجی نرمال شده بین 1- و 1 تنظیم شد.
استفاده از ANN اغلب چالش‌هایی مانند به دست آوردن حداقل‌های محلی به جای حداقل‌های جهانی، آموزش ناکافی یا تمرین بیش از حد و ناتوانی در همگرایی ایجاد می‌کند. برای بهبود عملکرد BPN، بر اساس مطالعه ادلی و هانگ [ 46 ]، این مطالعه از الگوریتم های ژنتیک (GAs) برای به دست آوردن مقادیر بهینه پارامترهای مورد استفاده در چارچوب BPN استفاده کرد. اصل اساسی این است که ماتریس وزنی و سایر پارامترهای شبکه را به عنوان کروموزوم در GAs تنظیم کنید، که همچنین راه حل هدف مورد جستجو است. این مطالعه از شبکه عصبی تطبیقی ​​ژنتیکی (GANN) پیشنهاد شده توسط چن و همکاران استفاده کرد. [ 45 ] و چن و همکاران. [ 18] و تفاوت بین مقدار پیش بینی شده شبکه و مقدار واقعی را به عنوان تابع تطبیقی ​​الگوریتم پذیرفت. یعنی میانگین مربعات خطا به عنوان راهنمای ارزیابی برای سازگاری کروموزوم استفاده شد. مقدار واقعی نشان دهنده طبقه بندی عاملی است که باید تفسیر شود و مقدار پیش بینی شبکه مقدار طیفی هر ورودی منطقه نمونه است. پس از شبیه سازی با GANN، مقدار پیش بینی طبقه بندی به دست آمده به عنوان خروجی در نظر گرفته می شود. در این مطالعه، GAها برای جستجوی راه‌حل بهینه از طریق مجموعه‌ای از پارامترهای شبکه که خطای بین مقادیر پیش‌بینی‌شده و واقعی را به حداقل می‌رساند، مورد استفاده قرار گرفتند.
برای GANN، انواع مختلفی از کدگذاری، متقاطع و جهش برای حوزه های کاربردی مختلف پیشنهاد شده است. در این مطالعه، کدگذاری باینری به عنوان روش کدگذاری برای GA ها به کار گرفته شد و الگوریتم های انتخاب نخبه و جفت گیری یکنواخت استفاده شد. بر اساس مطالعه D’Ambrosio و همکاران. [ 47 ]، این مطالعه همچنین 200 نسل را به عنوان تعداد نسل (تعداد گروه های کروموزوم) در فرآیند محاسبه انتخاب کرد. میزان انتخاب رایج تقریباً 0.10 است و احتمال جفت گیری عمومی عمدتاً بین 0.5 و 0.8 تنظیم می شود. هنگ و همکاران [ 48 ] ​​همچنین پیشنهاد کرد که میزان جهش باید بین 0.1 و 0.001 باشد. بر اساس مطالعه چن و همکاران. [ 10]، این مطالعه میزان جفت گیری و نرخ جهش را به ترتیب 0.6 و 0.1 تعیین کرد. این مطالعه همچنین به مطالعات Chen et al. [ 18 ، 45 ] و بر این اساس حد بالایی لایه های پنهان را 2، حد بالایی تعداد نورون ها را 32، حد بالایی نرخ یادگیری را 3.2 و حد بالایی تعداد دفعات یادگیری را به 15000 تنظیم کنید. . فرآیند تکامل در چن و همکاران به تفصیل شرح داده شده است. [ 10 ، 18 ، 45 ].

3.2. تجزیه و تحلیل بافت

این مطالعه از تجزیه و تحلیل بافت تصویر برای ایجاد و تعیین کمیت ماتریس هم‌وقوع سطح خاکستری (GLCM) تصاویر ماهواره‌ای به‌دست‌آمده از منطقه مورد مطالعه استفاده کرد [ 49 ]. GLCM یک روش آماری مرتبه دوم است و برای تعیین فراوانی هر جفت مقادیر خاکستری که در مکان‌های مربوطه خاص ظاهر می‌شوند و برای محاسبه مقادیر ویژگی‌های بافت استفاده می‌شود. روش محاسبه در رابطه (1) نشان داده شده است:

سیمنjد،θ=پمنjد،θ∑من=0ن∑j=0نپمنjد،θ

جایی که P ij احتمال مشترکی را نشان می‌دهد که مقادیر مقیاس خاکستری i و j در موقعیت‌های نسبی ( d ، θ ) در تصویر ظاهر می‌شوند، d فاصله است، و θ نشان‌دهنده جهت است.

هارالیک و همکاران [ 49 ] استفاده از انواع آمار بافت را برای تعیین کمیت GLCM پیشنهاد کرد. بر اساس مطالعات چن و همکاران. [ 50 ] و Chue و همکاران. [ 14 ]، این مطالعه از فرمول های کمی سازی بافت زیر استفاده کرد و از مقدار حاصل به عنوان ورودی برای GANN در طول آموزش تفسیر تصویر و طبقه بندی استفاده کرد:

اچoمترogهnهمنتیy=∑من=0ن∑j=0ن11+من-j2⋅سیمنjد،θ
سیonتیrآستی=∑من=0ن∑j=0نمن-j2⋅سیمنjد،θ
Dمنسسمنمترمنلآrمنتیy=∑من=0ن∑j=0نمن-j⋅سیمنjد،θ
Enتیroپy=∑من=0ن∑j=0نسیمنjد،θ⋅لog سیمنjد،θ
زاویه ای دومین لحظه=∑من=0ن∑j=0نسیمنj2د، θ

3.3. ارزیابی دقت

پس از تفسیر تصاویر ماهواره ای، در صورتی که نتایج طبقه بندی الزامات را برآورده کند، طبقه بندی تصویر برای نظارت مناسب در نظر گرفته می شود. پس از مراجعه به روش چن و همکاران. [ 10 ]، این مطالعه از ماتریس خطا [ 51 ] برای ارزیابی دقت طبقه بندی تفسیر تصویر استفاده کرد. ماتریس خطا در جدول 1 را به عنوان مثال در نظر بگیرید. جدول چهار دسته را ارائه می دهد. ستون نشان دهنده دسته داده های مرجع، و ردیف نشان دهنده دسته بندی طبقه بندی است. تمام نتایج را می توان از ماتریس استخراج کرد. ماتریس خطا مقوله مرجع منطقه نمونه برداری و تصویر ماهواره ای را در همان فضای نمونه برداری مقایسه می کند تا تفاوت بین نتایج طبقه بندی را توضیح دهد.
E 12 در جدول مقدار داده هایی را نشان می دهد که در واقع به دسته B تعلق دارند اما در نتیجه تفسیر به اشتباه در طبقه A طبقه بندی شده اند. E 21 مقدار داده هایی را نشان می دهد که در واقع به دسته A تعلق دارند، اما در نتیجه تفسیر به اشتباه در دسته B طبقه بندی شده اند. E 11 نشان دهنده تعداد داده های طبقه بندی شده صحیح از نوع A و E 22 نشان دهنده تعداد داده های طبقه بندی صحیح نوع B است.

از مقادیر موجود در ماتریس خطا، چندین شاخص صحت طبقه بندی اولیه و معمول استفاده می شود [ 51 ]. از میان آنها، دقت کلی (OA)، ساده ترین شاخص دقت یک روش، به صورت زیر محاسبه می شود:

Oآ=1ن∑من=1rEمنمن×100%

که در آن N و r به ترتیب تعداد کل طبقه بندی ها و تعداد ردیف های ماتریس را نشان می دهند.

علاوه بر این، دقت طبقه بندی برای یک دسته واحد را می توان با دقت کاربر (UA) و دقت تولید کننده (PA) بیان کرد. UA احتمال اینکه پوشش زمین به درستی طبقه بندی شده است را نشان می دهد و به صورت زیر محاسبه می شود:

Uآ=EمنمنEمن+×100%

که در آن E ii تعداد پیکسل های موجود در یک کلاس مشخص و E i + تعداد پیکسل های طبقه بندی شده به آن کلاس است.

PA اشاره به دقتی دارد که با آن می توان مواد مرجع زمین را به درستی با استفاده از یک روش طبقه بندی مشخص طبقه بندی کرد و به شرح زیر محاسبه می شود:

پآ=EمنمنE+من×100%

علاوه بر این، C [ 52 ] یک کاپا ( ک^) شاخص (معادله (10))، که نشان می دهد تا چه حد نتایج طبقه بندی دقیق تر از نتایج به دست آمده از طبقه بندی تصادفی است. شاخص آماری کاپا تفاوت بین دو نوع سازگاری را در نظر می گیرد: سازگاری بین طبقه بندی خودکار و داده های مرجع و احتمال سازگاری بین نمونه گیری و طبقه بندی مرجع. به طور کلی، ضریب سازگاری (شاخص کاپا) بین 0 تا 1 است. هر چه مقدار کاپا بزرگتر باشد، دقت طبقه بندی بالاتر است. طبق گفته Landis و Koch [ 53 ]، اگر مقدار کاپا بیشتر از 0.8 باشد، دقت طبقه بندی بالا، اگر مقدار کاپا بین 0.4 و 0.8 باشد متوسط ​​و اگر مقدار کاپا کمتر از 0.4 باشد، پایین است.

ک^=ن∑من=1rEمنمن-∑من=1rEمن+×E+منن2-∑من=1rEمن+×E+من×100%

3.4. تجزیه و تحلیل بارش تجمعی

میزان بارندگی توسط باران انباشته موثر (EAR) محاسبه شد که به عنوان مجموع بارندگی مستقیم از بارندگی مداوم و بارندگی دریافتی در دوره قبل تعریف می شود [ 54 ]. سئو و فوناساکی [ 54 ] پیشنهاد کردند که بارش متمرکز زمانی که 24 ساعت قبل و بعد از آن بارندگی وجود نداشته باشد، پیوسته (میدان اصلی باران) در نظر گرفته می شود. بارش مستقیم عبارت است از بارش انباشته از اولین بارندگی برای میدان اصلی باران از زمان وقوع فاجعه زمین لغزش (نقطه زمانی که اولین بارندگی به ≥4 میلی متر می رسد) تا زمان فاجعه زمین لغزش (نقطه حداکثر بارندگی در میدان اصلی باران). بارندگی غیرمستقیم قبلی ( P b) به عنوان مقدار بارندگی برای میدان اصلی باران به مدت 7 روز به عنوان محاسبه شد

پب=∑n=17کnپn

که در آن P n میزان بارندگی (mm) n روز قبل از میدان اصلی باران است. k ضریب کاهشی است. بر اساس مطالعات چن و همکاران. [ 10 ] و Chue و همکاران. [ 14 ]، این مطالعه k را 0.9 تعیین کرد. از آنجا که بارش مستقیم ( Pr ) مستقیماً بر وقوع زمین لغزش تأثیر می گذارد، هیچ کاهشی مجاز نیست. بنابراین، EAR را می توان به صورت زیر محاسبه کرد:

Eآآر=پr+پب

3.5. GIS

در دهه گذشته، GIS به عنوان یک ابزار ضروری برای برنامه ریزی و مدیریت کاربری زمین و بسیاری از کاربردهای دیگر ظاهر شد. GIS مجموعه ای از سیستم های یکپارچه است که اطلاعات جغرافیایی و فناوری کامپیوتر را با هم ترکیب می کند. یک GIS از دو بخش تشکیل شده است: پایگاه داده و سیستم های عملکردی. داده ها عمدتاً از طریق تجزیه و تحلیل اطلاعات و ایجاد تصمیم گیری به دو نوع ویژگی و داده های مکانی تقسیم می شوند. داده های اصلی جغرافیایی را می توان با استفاده از مدل های پیش بینی به اطلاعات تصمیم گیری مکانی تبدیل کرد. در این مطالعه، نقشه های موضوعی مربوط به کاربری زمین و وقوع زمین لغزش برای ساخت یک پایگاه داده فضایی نوع برداری با استفاده از ESRI ArcGIS [ 55 ] استفاده شد.]. ابزارهای مدیریت داده و ابزارهای تبدیل در ArcToolbox ArcGIS به ترتیب برای ایجاد شبکه پایه، پیش پردازش تصویر ماهواره ای و تفسیر استفاده شد. علاوه بر این، از ابزارهای تحلیلگر سه بعدی ArcGIS برای استخراج موقعیت توپوگرافی زمین برهنه استفاده شد.

4. نتایج

4.1. ساخت اطلاعات کارتوگرافی اصلی

برخی از اطلاعات کارتوگرافی اصلی در این مطالعه بر اساس داده های Chue و همکاران بود. [ 14 ]، از جمله نقشه های تصاویر ماهواره ای، نقشه های رقومی ارتفاع (DEMs)، و نقشه های زمین شناسی Formosat-2 (FM2) قبل و بعد از شش طوفان (طوفان) در طول 2009-2011. اطلاعات نقشه‌کشی با GIS ترکیب شد تا ویژگی‌های مرتبط و پایگاه‌های اطلاعاتی مکانی ایجاد شود. تصاویر ماهواره ای ابتدا بر اساس تاریخ وقوع گردباد (طوفان باران) که توسط اداره مرکزی هواشناسی ثبت شده بود، نمایش داده شد. از بین تصاویر نمایش داده شده، مناسب ترین ها برای استفاده (میزان پوشش ابر کم) انتخاب شدند و در نهایت 10 تصویر ماهواره ای برای تفسیر انتخاب شدند. داده ها از [ 14 ] به دست آمده و در جدول 2 نشان داده شده است.

4.2. ایجاد شبکه پایه

DEM مورد استفاده در این تحقیق دارای وضوح 40 × 40 متر مربع است . بنابراین، صرف نظر از تصویر FM2 یا DEM، از برنامه نرم افزاری GIS ArcGIS برای ایجاد یکپارچه یک شبکه پایه 40×40 متر مربع و از تابع ArcGIS Spatial Analyst برای محاسبه شیب متوسط، میانگین ارتفاع هر شبکه استفاده شد. نوع زمین شناسی شبکه

4.3. تفسیر و طبقه بندی تصاویر ماهواره ای

4.3.1. پیش پردازش تصویر ماهواره ای

در این مطالعه، داده های اصلی تصویر ماهواره ای FM2 برای هر باند طیفی به دست آمد. ما ابتدا از تابع ERDAS Imagine [ 56 ] برای ادغام تصاویر باند طیفی مختلف استفاده کردیم و سپس موقعیت مختصات، اندازه وضوح پیکسل و واحدهای اندازه گیری تصاویر ماهواره ای را برای تصحیح مختصات تصویر ماهواره ای وارد کردیم. علاوه بر این، در تفسیر تصاویر ماهواره‌ای، برای جلوگیری از تأثیر پوشش ابر بر نتایج تفسیر، این مطالعه از ArcGIS [ 55 ] در ارتباط با روش ترسیم انتخاب دستی استفاده کرد و از ERDAS Imagine حذف بخش ابری استفاده کرد.
در این مطالعه از GANN فوق الذکر برای تفسیر و طبقه بندی تصاویر ماهواره ای منطقه مورد مطالعه استفاده شد. مقادیر طیفی اصلی تصاویر ماهواره ای در منطقه مورد مطالعه و اطلاعات بافت طیفی آنها به عنوان ورودی آموزش شبکه استفاده شد. در این مطالعه، ArcGIS برای ثبت مقادیر طیفی اصلی نور قرمز R (قرمز)، نور سبز G (سبز)، نور آبی B (آبی)، و نور مادون قرمز نزدیک (NIR) در تصاویر ماهواره‌ای استفاده شد. از ENVI [ 57 ] برای محاسبه همگنی، کنتراست، عدم تشابه، آنتروپی و لحظه دوم زاویه ای اطلاعات بافت استفاده شد.

علاوه بر این، قبل از ترسیم نمودارهای آموزشی، این مطالعه ابتدا مقادیر ورودی آموزش شبکه را استاندارد کرد. فرمول نرمال سازی به شرح زیر است:

اس=ایکس-مترهآnایکسستیدایکس

که در آن S مقدار نرمال شده x است، میانگین ( X ) میانگین و std ( X ) انحراف استاندارد عامل X است.

4.3.2. تفسیر و طبقه بندی تصاویر ماهواره ای
بر اساس مطالعات چن و همکاران. [ 10 ، 13]، این مطالعه از 9 عامل یعنی آب، درختان میوه، ساختمان ها، جنگل ها، مراتع، زمین های بایر، زمین های کشاورزی، جاده ها و رودخانه ها به عنوان عوامل طبقه بندی تفسیری استفاده کرد. قبل از تفسیر تصاویر ماهواره ای، منطقه نمونه آموزشی برای ویژگی های مورد نیاز در این مطالعه باید انتخاب شود. برای انتخاب منطقه نمونه آموزشی، این مطالعه از عکس‌های هوایی به عنوان نقشه پایه همراه با داده‌های فعلی برای انتخاب عوامل مختلف طبقه‌بندی تفسیری مورد استفاده در این تحقیق استفاده کرد. برای هر عامل، یک پلات آموزشی با تقریباً 5 درصد شبکه‌های تصویر (تقریباً 1000 شبکه تصویر) در منطقه مورد مطالعه باید انتخاب شود و پلات‌های انتخاب شده باید به طور مساوی در منطقه مورد مطالعه توزیع شوند.
در این مطالعه، تنظیمات پارامتر GANN مربوطه پس از مراجعه به توصیه‌های Chen و همکاران اصلاح شد. [ 10 ، 45 ]. حد بالایی تعداد لایه‌های پنهان، تعداد نورون‌ها، سرعت یادگیری و تعداد زمان‌های یادگیری به ترتیب 2، 32، 3.2 و 15000 تعیین شد. پس از آموزش GANN ناحیه نمونه، ساختار بهینه شبکه عصبی از طریق آزمایش به دست آمد. این ساختار بهینه برای طبقه بندی تصاویر ماهواره ای در مقیاس کامل استفاده شد. پارامترهای چارچوب بهینه 10 تصویر ماهواره ای به دست آمده پس از آموزش در جدول 3 نشان داده شده است. جدول 3نشان می دهد که میانگین دقت آموزش تفسیر هر تصویر ماهواره ای تقریباً 93 درصد است.
برای تایید صحت نتایج تفسیر، بر اساس مطالعات چن و همکاران. [ 10 ، 13 ]، این مطالعه به طور تصادفی 25 نقطه از تصویر ماهواره‌ای را برای تأیید هر فاکتور تفسیر، تکمیل شده با عکس‌های هوایی یا داده‌های بررسی در محل انتخاب کرد و از روش ارزیابی دقت فوق‌الذکر برای ارزیابی دقت تفسیر و طبقه‌بندی تصویر استفاده کرد. . برای تصاویر ماهواره ای منطقه مورد مطالعه پس از تهاجم موراکوت در سال 2009 (24 اوت 2009)، دقت تفسیر تصویر در جدول 4 نشان داده شده است ، و نتایج تفسیر تصاویر ماهواره ای قبل و بعد از طوفان موراکوت در شکل 2 نشان داده شده است. جدول 4نشان می دهد که ضریب سازگاری (مقدار شاخص کاپا) نتایج تفسیر تصاویر ماهواره ای 0.82 و OA 83.6 درصد بوده است. علاوه بر این، این مطالعه مجموعاً 10 تصویر ماهواره‌ای را قبل و بعد از شش طوفان یا رویداد بارندگی در منطقه مورد مطالعه از سال 2009 تا 2011 تفسیر کرد. همانطور که در جدول 5 نشان داده شده است ، میانگین مقدار شاخص کاپا تقریباً 0.8 بود و OA تفسیر تقریباً 80.1٪، نشان می دهد که نتایج تفسیر و طبقه بندی تصویر دارای درجه بالایی از دقت است.

5. بحث

برای بررسی رابطه بین مکان، مقیاس، و ویژگی‌های توزیع فضایی فاجعه ناشی از زمین لغزش، این مطالعه با استفاده از داده‌های کمی مربوط به زمین لغزش و داده‌های مکان محیط طبیعی، رابطه بین زمین لغزش و ویژگی‌های ناحیه شیب را بررسی کرد. رابطه بین ویژگی های عامل شیب و زمین لغزش در بخش های بعدی توضیح داده شده است.

5.1. رابطه بین تغییر در زمین بایر و موقعیت توپوگرافی

این مطالعه با استفاده از روش های Meunier و همکاران. [ 30 ]، Chue و همکاران. [ 14 ]، و Tseng و همکاران. [ 31 ] که بر اساس نتایج تفسیر تصاویر ماهواره ای قبل و بعد از شش طوفان یا طوفان باران در سال های مختلف بود. ما مکان زمین خالی را استخراج کردیم و فاصله بین بالاترین نقطه محدوده نوردهی و نزدیکترین بالای خط الراس ( dr )، بین پایین ترین قسمت محدوده نوردهی و نزدیکترین فاصله جریان ( ds ) و بین خط الراس را محاسبه کردیم. بالا و فاصله جریان ( dt ). این مطالعه رابطه ( d / dt ) و ( ds / dt ) را ارزیابی کرد) قبل و بعد از شش بارندگی با تغییر اندازه ناحیه لغزش [ 14 ]، و نتایج در شکل 3 a-f نشان داده شده است. اندازه دایره ها در شکل نشان دهنده اندازه ناحیه در معرض دید است.
شکل 3 توزیع نقاط زمین لغزش ناشی از شش رویداد بارندگی را از سال 2009 تا 2011 نشان می دهد. مقایسه تعداد و مساحت مکان های خالی قبل و بعد از هر رویداد بارندگی ( جدول 6 ) نشان داد که پس از هر رویداد بارندگی، صرف نظر از تعداد یا تعداد سطح منطقه در معرض، نقاط زمین لغزش در آن مناطق نسبت به قبل از رویداد بارندگی به طور قابل توجهی افزایش یافته است. تفاوت در توزیع زمین های برهنه قبل از ( شکل 3 الف-چپ) و پس از ( شکل 3 -الف-راست) رویداد بارندگی تایفون موراکوت در سال 2009 بزرگترین بود، با مساحت وسیعی از زمین های برهنه پس از این رویداد. چو و همکاران [ 14] پیشنهاد می کند که قبل از هر رویداد بارندگی، می توان نقاط زمین لغزش را با استفاده از تفاوت در توزیع فضایی زمین برهنه قبل و بعد از رویدادهای بارندگی در سال های مختلف پیش بینی کرد. در فاصله زمانی بین پایان فصل بارانی در یک سال ( شکل 3 الف، سمت راست، شکل 3 د، سمت راست) و آغاز فصل بارانی سال آینده ( شکل 3 ب، سمت چپ، شکل 3 ه، سمت چپ)، مناطق در معرض دامنه در منطقه مورد مطالعه کاهش یافت و احیای پوشش گیاهی آشکار مشاهده شد.
تغییرات در هر نقطه در معرض در شکل 3 نشان داده شده است. همانطور که در شکل 3 الف-راست نشان داده شده است، پس از بارندگی قبل از طوفان موراکوت، ناحیه در معرض دید در منطقه مورد مطالعه بیشتر به سمت جریان توزیع شده است. پس از بارندگی، توزیع کلی زمین برهنه تقریباً یکنواخت است و مساحت بیشتری از زمین برهنه در نزدیکی رودخانه است. شکل 3 ب نشان می دهد که ناحیه کوچک نزدیک به بالای خط الراس زمین برهنه بود. با این حال، پس از باران در 27 ژوئیه 2010، بسیاری از نقاط در نهر مجاور در معرض دید قرار گرفتند و بنابراین، مساحت زمین برهنه افزایش یافت. شکل 3ج، سمت راست همچنین نشان می دهد که پس از طوفان مرانتی، اگرچه مساحت زمین برهنه افزایش یافته است، اما موقعیت زمین برهنه تغییر قابل توجهی نداشته است. همانطور که از توزیع فضایی مناطق در معرض قبل و بعد از طوفان فناپی ( شکل 3 د) مشاهده می شود، پس از بارندگی، مناطق در معرض به سمت بالای خط الراس توزیع شدند. این پدیده مشابه آن چیزی است که پس از طوفان Meari ( شکل 3 e) و پس از طوفان Nanmadol ( شکل 3 f) مشاهده شد. پس از طوفان های Meari و Nanmadol، افزایش مناطق برهنه در نزدیکی رودخانه ایجاد شد.
شکل 4 و شکل 5 رابطه بین میانگین EAR هر میدان از سال 2009 تا 2011 و افزایش تعداد و مناطق زمین لغزش را نشان می دهد. پس از شش بارندگی در منطقه مورد مطالعه، تعداد زمین لغزش ها و منطقه لغزش با افزایش میانگین EAR افزایش یافت. این مطالعه از خطوط روند چند جمله ای برای برازش داده ها استفاده کرد. نتایج نشان داد که ضریب تعیین بین میانگین EAR و افزایش تعداد زمین لغزش ها و بین میانگین EAR و افزایش سطح زمین لغزش به ترتیب 8329/0 و 9171/0 است.

5.2. رابطه بین مساحت لخت، کمیت و بارندگی

میانگین EAR، مساحت زمین برهنه و تعداد زمین های بایر پس از هر بارندگی در جدول 7 نشان داده شده است. علاوه بر بارندگی شدید در طول طوفان موراکوت در سال 2009، این مطالعه میانگین EAR منطقه مورد مطالعه را پس از پنج بارندگی دیگر در محدوده عددی 0-100، 101-200 و 201-300 میلی متر تقسیم کرد و مقادیر را بر اساس نمودار نشان داد. کل منطقه در معرض متناظر، همانطور که در شکل 6 نشان داده شده است. برای برازش داده ها از خط روند رابطه نمایی استفاده شد. نتایج نشان داد که مساحت سطح در معرض در منطقه مورد مطالعه با افزایش میانگین EAR پس از بارندگی‌های مختلف با R2 = 0.98 افزایش یافت:

جمع در معرض حوزه متر2=10+0.6⋅Eایکسپ0.3534 میانگین گوش مرحله

5.3. رابطه بین تعداد و مساحت زمین های بایر پس از هر بارندگی و درجه اختلال شیب

برای بررسی رابطه بین تعداد و مساحت زمین‌های بایر پس از هر بارندگی و میزان اختلال شیب، این مطالعه اطلاعات سطح را از طریق تفسیر و طبقه‌بندی تصاویر ماهواره‌ای فوق‌الذکر به‌دست آورد و به نتایج چن و همکاران اشاره کرد. [ 10 , 13 ] برای ایجاد شاخصی برای وضعیت آشفتگی زمین ( I LDC). ابتدا شش عامل، یعنی میزان پوشش گیاهی (شامل علفزار و جنگل)، زمین زراعی (شالیزار و زمین‌های خشک)، میزان کاشت، نرخ کاشت درختان میوه، تراکم زمین برهنه، تراکم ساختمان و تراکم جاده به عنوان اختلال شیب انتخاب شدند. عوامل موثر بر وقوع زمین لغزش در این تحقیق از تحلیلگر فضایی ArcGIS استفاده شد تا نتایج تفسیر و طبقه‌بندی تصاویر ماهواره‌ای در منطقه مورد مطالعه را در شبکه اصلی وارد کرده و نسبت مساحت اشغال شده توسط هر عامل اختلال شیب در هر شبکه را محاسبه کند تا به عنوان کمی استفاده شود. شاخص های هر عامل اختلال شیب.

بر اساس مطالعات چن و همکاران. [ 10 ، 13 ]، این مطالعه LDC را به صورت زیر تعریف می کند :

منLDسی=∑دبلیوLDسی×آرLDسی،

که در آن W LDC مقدار شاخص ارزیابی ضریب اختلال شیب در هر شبکه اصلی و R LDC نسبت مساحت هر عامل اختلال شیب در ناحیه شبکه اصلی است. ارزش W LDC بر اساس نتایج بدست آمده و اصلاح شده از Chen و همکاران است. [ 10 ] و در جدول 8 ارائه شده است .

پس از بارندگی در هر میدان، رابطه بین I LDC و منطقه در معرض نقطه کلی زمین لغزش، همانطور که در شکل 7 نشان داده شده است. نتایج یک رابطه مثبت بین سطح زمین برهنه و I LDC را نشان داد ، به جز پس از باران شدید تایفون موراکوت. هر چه مقدار I LDC بیشتر باشد، ناحیه در معرض دید بیشتر است. این نتیجه نشان داد که تأثیر بارندگی شدید مشابه آنچه در طول طوفان موراکوت روی منطقه در معرض دید قرار گرفته ممکن است بیشتر از تأثیر اختلال شیب باشد.

آمار کلی اختلال شیب در منطقه مورد مطالعه و مساحت و تعداد زمین های بایر پس از هر بارندگی در جدول 9 نشان داده شده است. شکل 8 نمودار I LDC و نسبت مساحت و تعداد زمین های بایر را پس از شش بارندگی نشان می دهد. برای برازش داده ها از خط روند رابطه نمایی استفاده شد. نتایج نشان داد که نسبت مساحت زمین‌های بایر به تعداد زمین‌های بایر در منطقه مورد مطالعه پس از رویدادهای مختلف بارندگی با افزایش I LDC با R2 = 0.72 افزایش می‌یابد:

برهنه حوزه کیلومتر2عدد از برهنه زمین=1681.2⋅Eایکسپ0.4343⋅منLDسی

5.4. رابطه بین مقیاس زمین لغزش جدید یا دوم، بارندگی و I LDC

پس از بارندگی در هر میدان، مکان‌های لغزش جدیدی مشاهده شد و عوامل مرتبط با آن مانند محل زمین لغزش، مقیاس زمین لغزش (شامل لغزش جدید یا زمین لغزش دوم)، میزان بارندگی و I LDC مورد ارزیابی قرار گرفت.

5.4.1. رابطه بین مکان لغزش و منطقه لغزش مربوطه

با استفاده از تفسیر تصاویر ماهواره ای و استخراج منطقه در معرض، همانطور که در بخش 5.1 توضیح داده شد ، پس از بارندگی در منطقه مورد مطالعه طی سال های 2009-2011، ما فاصله بین بالاترین نقطه منطقه در معرض دید و نزدیکترین خط الراس را محاسبه کردیم. بالا ( dr )، فاصله بین پایین‌ترین نقطه ناحیه لخت و نزدیک‌ترین جریان آن ( ds )، و فاصله بین بالای خط الراس تا نهر ( dt ). همبستگی بین مکان و مقیاس زمین لغزش پس از هر بارندگی توفون مورد ارزیابی قرار گرفت و لغزش‌ها (شامل لغزش جدید و زمین لغزش دوم) ناشی از رویداد بارندگی در منطقه مورد مطالعه ارزیابی شدند، همانطور که در شکل 9 نشان داده شده است.a–e. با نقاط لغزش ناشی از باران های شدید طوفان موراکوت در سال 2009 به عنوان معیار، ما تغییر نقطه لغزش جدید (سمت چپ) را در مقابل نقطه لغزش دوم (سمت راست) از پنج رویداد بارندگی دیگر ترسیم کردیم ( شکل 9 ). در شکل 9 ، اندازه دایره نشان دهنده وسعت منطقه لغزش است و قطعات نشان دهنده دوره 3 ساله از 2009 تا 2011 هستند.
شکل 9 نشان می دهد که تعداد نقاط لغزش دوم به طور قابل توجهی بیشتر از تعداد نقاط جدید زمین لغزش است. این نتیجه حاکی از آن است که نقاط تاریخی زمین لغزش در منطقه مورد مطالعه، رویدادهای بارندگی را در آینده تجربه خواهند کرد و در نتیجه دچار لغزش خواهند شد. علاوه بر این، مقیاس زمین لغزش دوم بیشتر از زمین لغزش جدید است. علاوه بر این، شکل 9 نشان می دهد که بیشتر نقاط لغزش جدید به سمت بالای خط الراس ( d / dt ≈0 ) و نقاط لغزش دوم با مقیاس بزرگتر زمین لغزش به سمت جریان ( ds / dt ≈0) منحرف شده اند.
5.4.2. رابطه بین منطقه لغزش و مکان، بارندگی و اختلال شیب
این مطالعه بر اساس محاسبه فوق الذکر EAR و I LDC انجام شد. رابطه بین EAR، I LDC و منطقه لغزش (شامل زمین لغزش جدید و زمین لغزش دوم) پس از هر بارندگی در منطقه مورد مطالعه در شکل 10 a-f نشان داده شده است. اندازه دایره در شکل نشان دهنده اندازه متغیر منطقه لغزش است. دایره های سیاه و قرمز به ترتیب نشان دهنده نقاط تازه اضافه شده و نقاط لغزش دوم قبل و بعد از هر بارندگی هستند. صرف نظر از بارندگی، زمانی که I LDCبزرگ بود، مقیاس زمین لغزش دوم نیز بزرگ بود. علاوه بر باران شدید تایفون موراکوت، تعداد و مساحت دومین لغزش پس از بارندگی‌ها بیشتر از لغزش جدید بود.
5.4.3. رابطه بین تغییر در مقیاس دوم زمین لغزش، بارندگی و اختلال شیب
رابطه بین EAR، I LDC و تنوع در ناحیه (افزایش سطح زمین لغزش) زمین لغزش دوم پس از هر بارندگی از سال 2009 تا 2011 در شکل 11 a-f نشان داده شده است. در شکل، افزایش سطح زمین لغزش در نقطه لغزش دوم با اندازه دایره نشان داده شده است. نتایج نشان داد که صرف نظر از اینکه مساحت زمین لغزش دوم در نقطه لغزش دوم مربوط به EAR یا I LDC باشد، در کل یک رابطه مثبت مشاهده شد. در محل های لغزش منطقه مورد مطالعه، در یک EAR یا I LDC بزرگ ، مساحت سایت لغزش دوم نیز افزایش یافته است.

6. نتیجه گیری

ما حوضه آبخیز رودخانه Lao-nong در جنوب تایوان را به عنوان منطقه مورد مطالعه هدف قرار دادیم و دوره مورد مطالعه از سال 2009 تا 2011 بود که با تهاجم طوفان موراکوت در سال 2009 شروع شد. در طول دوره مطالعه 3 ساله، منطقه مورد مطالعه شش بارندگی را تجربه کرد. از جمله پنج طوفان و یک باران شدید. این مطالعه از GANN و تجزیه و تحلیل بافت بر روی پلت فرم GIS برای طبقه‌بندی و تفسیر تصاویر ماهواره‌ای برای تجزیه و تحلیل تغییر کاربری زمین، ویژگی‌های منطقه لغزش و مکان لغزش دوم استفاده کرد تا مرجعی برای ابداع اقدامات متقابل پیشگیرانه و واکنشی ارائه کند. علاوه بر این، این مطالعه تأثیر بارندگی بر زمین لغزش دوم را مورد بررسی قرار داد و رابطه بین رویدادهای مختلف بارندگی و وقوع، مقیاس و ویژگی‌های منطقه‌ای زمین لغزش را ارزیابی کرد.
(1)
برای تفسیر و طبقه‌بندی تصاویر ماهواره‌ای با وضوح بالا، این مطالعه از GANN همراه با تحلیل بافت استفاده کرد. مقادیر OA و ضریب سازگاری نتایج تفسیر نشان داد که تفسیر تصاویر ماهواره‌ای قبل و بعد از هر بارندگی در منطقه تحقیقاتی از دقت متوسط ​​تا بالایی برخوردار است.
(2)
مقایسه تعداد و مساحت مناطق در معرض قبل و بعد از شش بارندگی نشان داد که تعداد یا مساحت زمین بایر در منطقه تحقیقاتی در هر مزرعه پس از بارندگی نسبت به قبل از بارندگی به طور قابل توجهی افزایش یافته است. توزیع زمین های برهنه قبل و بعد از طوفان موراکوت بزرگترین بود. علاوه بر این، پس از هر بارندگی، تعداد زمین‌های بایر و زمین‌های بایر با افزایش میانگین EAR افزایش یافت. هنگامی که داده ها با یک خط روند چند جمله ای برازش داده شدند، ضریب تعیین بین میانگین EAR و افزایش تعداد زمین های خالی و ضریب تعیین بین میانگین EAR و افزایش سطح زمین لغزش به ترتیب تقریباً 0.83 و 0.92 بود.
(3)
علاوه بر بارندگی شدید در طول طوفان موراکوت در سال 2009، این مطالعه میانگین EAR را پس از هر بارندگی به ترتیب به سه سطح تقسیم کرد و از خط روند رابطه نمایی برای برازش داده‌های زمین برهنه استفاده کرد. نتایج نشان داد که پس از هر بارندگی در منطقه مورد مطالعه، مساحت زمین بایر با افزایش میانگین EAR افزایش یافته و ضریب تعیین خط روند به 0.98 رسید.
(4)
رابطه بین I LDC و سطح زمین برهنه پس از هر بارندگی نشان داد که به جز باران های شدید موراکوت، هر چه میزان اختلال شیب بعد از باران بیشتر باشد، مساحت شیب در معرض بیشتر است. این نتیجه همچنین نشان داد که هنگامی که بارندگی شدید مشابه تایفون موراکوت اتفاق می‌افتد، تأثیر بارندگی در زمین برهنه ممکن است بیشتر از تأثیر اختلال شیب باشد. علاوه بر این، نتایج مطالعه نقشه‌برداری مشترک پس از بارندگی در هر مزرعه، رابطه مثبتی را بین سطح زمین بایر و I LDC نشان داد .
(5)
رابطه بین I LDC در منطقه مورد مطالعه و نسبت مساحت زمین بایر به مقدار زمین بایر پس از هر بارندگی نشان داد که نسبت مساحت زمین بایر به تعداد زمین‌های بایر پس از هر بارندگی با I افزایش می‌یابد. LDC ;
(6)
نتایج لغزش جدید ناشی از بارندگی و لغزش دوم در هر میدان نشان داد که به جز تعداد نقاط لغزش جدید ناشی از رویداد شدید بارندگی در طول طوفان موراکوت که به طور قابل توجهی بیشتر از تعداد نقاط لغزش دوم بود، برای بقیه نقاط. لغزش های ناشی از بارندگی، تعداد نقاط لغزش دوم بیشتر از نقاط جدید زمین لغزش و مساحت نقطه لغزش دوم نیز بیشتر از نقطه لغزش جدید بود. علاوه بر این، علیرغم بارندگی، هر چه اختلال شیب بزرگتر باشد، مقیاس زمین لغزش دوم نیز بیشتر است. در نتیجه، نقاط لغزش جدید بیشتری به سمت تاج خط الراس متمایل شدند، در حالی که نقاط لغزش دوم با مقیاس‌های لغزش بزرگ‌تر تمایل به توسعه به سمت جریان داشتند.
(7)
پس از بارندگی در هر میدان، رابطه بین EAR در نقطه لغزش دوم، I LDC و افزایش مجدد سطح زمین لغزش نشان داد که در مجموع، رابطه مثبتی بین افزایش سطح زمین لغزش در نقطه لغزش دوم مشاهده شد. و EAR یا I LDC . با افزایش EAR در شیب در منطقه مورد مطالعه یا اختلال شیب، مساحت زمین لغزش در نقطه لغزش دوم نیز تمایل به افزایش داشت.

منابع

  1. دادسون، اس جی. هوویوس، ن. چن، اچ. داد، WB; لین، جی سی. Hsu، ML; Lin، CW; هورنگ، ام جی؛ چن، تی سی؛ میلیمن، جی. و همکاران زلزله باعث افزایش رسوب گیری از یک کمربند کوهستانی فعال شد. زمین شناسی 2004 ، 32 ، 733-736. [ Google Scholar ] [ CrossRef ]
  2. Lin، CW; چانگ، WS; لیو، SH; تسای، تی تی. لی، اس پی; Tsang، YC; شیه، CL; Tseng، CM رانش زمین توسط طوفان موراکوت در 7 اوت 2009 در جنوب تایوان ایجاد شد. مهندس جئول 2011 ، 123 ، 3-12. [ Google Scholar ] [ CrossRef ]
  3. تسو، سی. فنگ، ZY؛ Chigira، M. زمین لغزش فاجعه بار ناشی از طوفان موراکوت، شیائولین، تایوان. ژئومورفولوژی 2011 ، 127 ، 166-178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لیو، جی جی. Mason, PJ Image Processing GIS for Remote Sensing-Techniques Applications , 2nd ed.; جان وایلی و پسران: آکسفورد، بریتانیا، 2016. [ Google Scholar ]
  5. لیو، هی؛ گائو، جی ایکس؛ Li, ZG پیشرفت در کاربرد فناوری سنجش از دور برای مطالعه پوشش زمین و بهره برداری از زمین. سنسور از راه دور. 2001 ، 4 ، 7-12. [ Google Scholar ]
  6. جویس، KE; بللیس، SE; سامسونوف، اس وی؛ مک نیل، اس جی; Glassey, PJ مروری بر وضعیت سنجش از دور ماهواره ای و تکنیک های پردازش تصویر برای نقشه برداری از خطرات و بلایای طبیعی. Prog. فیزیک جئوگ. 2009 ، 33 ، 183-207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. گیلان، جی. پاسکال، جی. ژاک ماری، بی. رابرت، بی. ژان، سی. بنوا، دی. ژان فرانسوا، P. نقشه برداری خودکار خطر زمین لغزش در جزیره تاهاتی بر اساس داده های ماهواره ای دیجیتال. نقشه علمی Remote Sens. 1995 ، 32 ، 59-70. [ Google Scholar ] [ CrossRef ]
  8. چادویک، جی. دورش، اس. گلن، ن. تاکری، جی. شیلینگ، ک. کاربرد تصاویر چندزمانی با وضوح بالا و GPS در مطالعه حرکت یک زمین لغزش لبه دره. ISPRS J. Photogramm. 2005 ، 59 ، 212-221. [ Google Scholar ] [ CrossRef ]
  9. نیکولاکوپولوس، KG; Vaiopoulos، DA; اسکیانیس، جی.آ. سارانتینوس، پ. Tsitsikas، A. استفاده ترکیبی از سنجش از دور، GIS و داده های GPS برای نقشه برداری زمین لغزش. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2005، سئول، کره، 25-29 ژوئیه 2005. صص 5196–5199. [ Google Scholar ]
  10. Chen, YR; چن، جی دبلیو. Shih, SC; Ni, PN کاربرد فناوری سنجش از دور در تفسیر کاربری زمین برای زمین لغزش های ناشی از بارندگی بر اساس الگوریتم های ژنتیک و شبکه های عصبی مصنوعی. IEEE J-STARS 2009 ، 2 ، 87-95. [ Google Scholar ] [ CrossRef ]
  11. Otukei، JR; Blaschke، T. ارزیابی تغییر پوشش زمین با استفاده از درخت های تصمیم، ماشین های بردار پشتیبان و الگوریتم های طبقه بندی حداکثر احتمال. بین المللی J. Appl. زمین Obs. 2010 ، 12 ، S27–S31. [ Google Scholar ] [ CrossRef ]
  12. آکسوی، بی. Ercanoglu، M. شناسایی و طبقه بندی زمین لغزش با تجزیه و تحلیل تصویر مبتنی بر شی و منطق فازی: نمونه ای از منطقه Azdavay (Kastamonu، ترکیه). محاسبه کنید. Geosci. 2012 ، 38 ، 87-98. [ Google Scholar ] [ CrossRef ]
  13. Chen, YR; Ni، PN; Tsai، KJ ساخت یک مدل ارزیابی خطر بلایای رسوبی. محیط زیست علوم زمین 2013 ، 70 ، 115-129. [ Google Scholar ] [ CrossRef ]
  14. Chue، YS; چن، جی دبلیو. ارزیابی ویژگی‌های پتانسیل زمین لغزش و توزیع زمین لغزش شیب ناشی از بارندگی Chen, YR. J. Mar. Sci. تکنولوژی 2015 ، 23 ، 705-716. [ Google Scholar ]
  15. یوشیدا، تی. Omatu، S. رویکرد شبکه های عصبی به نقشه برداری پوشش زمین. IEEE Trans. Geosci. Remote 1994 , 32 , 1103-1109. [ Google Scholar ] [ CrossRef ]
  16. جارویس، CH; استوارت، ن. حساسیت شبکه های عصبی برای طبقه بندی تصاویر سنجش از دور. محاسبه کنید. Geosci. 1996 ، 22 ، 959-967. [ Google Scholar ] [ CrossRef ]
  17. دیموند، جی آر. جسن، MR; Lovell, LR شبیه سازی کامپیوتری زمین لغزش کم عمق در ناحیه تپه نیوزلند. بین المللی J. Appl. زمین Obs. 1999 ، 1 ، 122-131. [ Google Scholar ] [ CrossRef ]
  18. چن، جی دبلیو. Chue، YS; Chen, YR کاربرد شبکه عصبی تطبیقی ​​ژنتیکی در ارزیابی بلایای زمین لغزش. J. Mar. Sci. Technol.-TA 2013 ، 21 ، 442-452. [ Google Scholar ]
  19. Sklansky، J. بخش بندی تصویر و استخراج ویژگی. IEEE Trans. سیستم مرد سایبرن. 1978 ، 8 ، 238-247. [ Google Scholar ] [ CrossRef ]
  20. گوانگرونگ، اس. Apostolos, S. کاربرد تحلیل بافت در طبقه بندی پوشش زمین تصاویر با وضوح بالا. در مجموعه مقالات پنجمین کنفرانس بین المللی سیستم های فازی و کشف دانش، FSKD 2008، شاندونگ، چین، 18 تا 20 اکتبر 2008. جلد 3، ص 513-517. [ Google Scholar ]
  21. لین، WT; لیائو، SA با استفاده از ماشین بردار پشتیبان و تجزیه و تحلیل بافت برای ارزیابی تغییرات زمین لغزش در منطقه چیوفانرشان. J. فن آوری آب خاک. 2009 ، 4 ، 1-8، (در چینی سنتی). [ Google Scholar ]
  22. Chen, YR; لین، WC; Hsieh، SC ساخت یک مدل ارزیابی برای پتانسیل زمین لغزش به دلیل استفاده از زمین: مطالعه موردی Baolai به دنبال طوفان Morakot. J. حفظ آب خاک چین. 2011 ، 42 ، 251-262، (در چینی سنتی). [ Google Scholar ]
  23. سو، کیو. ژانگ، جی. ژائو، اس. وانگ، ال. لیو، جی. Guo, J. ارزیابی مقایسه ای از سه رویکرد غیر خطی برای نقشه برداری حساسیت زمین لغزش در یک منطقه معدن زغال سنگ. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 228. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. Popescu، ME عوامل علت لغزش و گزینه های اصلاحی زمین لغزش. سخنرانی اصلی. در مجموعه مقالات سومین کنفرانس بین المللی زمین لغزش، پایداری شیب و ایمنی زیرساخت ها، سنگاپور، 11-12 ژوئیه 2002. صص 61-81. [ Google Scholar ]
  25. وانگ، HB; Sassa، K. ارزیابی خطر زمین لغزش ناشی از بارندگی با استفاده از شبکه های عصبی مصنوعی. زمین گشت و گذار. روند. 2006 ، 31 ، 235-247. [ Google Scholar ] [ CrossRef ]
  26. لی، سی تی. هوانگ، سی سی; لی، جی اف. پان، KL; Lin، ML; رویکردهای آماری دونگ، JJ برای حساسیت زمین لغزش ناشی از رویداد طوفان. نات سیستم خطر زمین 2008 ، 8 ، 941-960. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. آبای، ا. Barbieri، G. حساسیت زمین لغزش و عوامل ایجاد کننده ارزیابی منطقه لغزش Debresina، در جنوب غربی آفار اسکارپمنت، اتیوپی. J. Earth Sci. مهندس 2012 ، 2 ، 133-144. [ Google Scholar ]
  28. رن، دی. مسیر رو به جلو: رانش زمین در آب و هوای آینده. در زمین لغزش های ناشی از طوفان در اقلیم های گرمتر ؛ Springer: Cham, Switzerland, 2015. [ Google Scholar ]
  29. سندرز، آ. مک لین، دی. مانوئلز، الف. استفاده از زمین و تأثیر تغییر آب و هوا بر مناطق ساحلی شمال هندوراس. در پایداری مدیریت یکپارچه منابع آب ; Setegn, S., Donoso, M., Eds. Springer: Cham, Switzerland, 2015; صص 505-530. [ Google Scholar ]
  30. مونیر، پی. هوویوس، ن. اثرات هاینز، JA توپوگرافی سایت و محل زمین لغزش های ناشی از زلزله. سیاره زمین. Sc. Lett. 2008 ، 275 ، 221-232. [ Google Scholar ] [ CrossRef ]
  31. Tseng، CM; Chen, YR; مقیاس Wu، SM و ارزیابی توزیع فضایی زمین لغزش‌های ناشی از بارندگی در یک حوضه با جاده‌های کوهستانی. نات سیستم خطر زمین 2018 ، 18 ، 687-708. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. کیو، اچ. کوی، ی. یانگ، دی. پی، ی. هو، اس. ما، س. هائو، جی. لیو، زی. توزیع مکانی و زمانی زمین لغزش های غیر لرزه ای در طول 22 سال گذشته در استان شانشی، چین. ISPRS Int. جی. ژئو. Inf. 2019 ، 8 ، 505. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. کیو، اچ. کوی، پی. رژمی، م. هو، اس. وانگ، ایکس. Zhang، Y. اثرات طول شیب و شیب شیب بر توزیع اندازه اسلایدهای لس: مشاهدات و شبیه‌سازی‌های میدانی. ژئومورفولوژی 2018 ، 300 ، 69-76. [ Google Scholar ] [ CrossRef ]
  34. ژانگ، اف. هوانگ، X. روند و توزیع مکانی و زمانی زمین لغزش های مرگبار ناشی از اثرات غیر لرزه ای در چین. زمین لغزش 2018 ، 15 ، 1663-1674. [ Google Scholar ] [ CrossRef ]
  35. خو، ی. آلن، مگابایت؛ ژانگ، دبلیو. لی، دبلیو. او، H. ویژگی های زمین لغزش در فلات لس، شمال چین. ژئومورفولوژی 2020 ، 359 ، 107150. [ Google Scholar ] [ CrossRef ]
  36. سامیا، ج. تم، ا. برگت، آ. والینگا، جی. گوزتی، اف. آردیزون، اف. Rossi, M. آیا زمین لغزش پس از رانش زمین؟ بینش در وابستگی مسیر از یک فهرست زمین لغزش چند زمانی. زمین لغزش 2017 ، 14 ، 547-558. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. میلز، اچ. کاتلر، MEJ; Fairbairn، D. شبکه های عصبی مصنوعی برای نقشه برداری از پوشش گیاهی مرتفع در مقیاس منطقه ای از تصاویر با وضوح فضایی بالا. بین المللی J. Remote Sens. 2006 ، 27 ، 2177-2195. [ Google Scholar ] [ CrossRef ]
  38. آیتکنهد، ام جی. لومزدون، پی. Miller, DR نقشه‌برداری شبکه عصبی مبتنی بر سنجش از دور از آسیب سونامی در آچه، اندونزی. بلایا 2007 ، 31 ، 217-226. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. لی، اس. ریو، جی اچ. برنده، JS; Park, HJ تعیین و کاربرد وزن‌ها برای نقشه‌برداری حساسیت زمین لغزش با استفاده از شبکه عصبی مصنوعی. مهندس جئول 2004 ، 71 ، 289-302. [ Google Scholar ] [ CrossRef ]
  40. Kanungo، DP; آرورا، MK; سرکار، س. گوپتا، RP مطالعه تطبیقی ​​روش‌های وزن‌دهی مرسوم، جعبه سیاه ANN، فازی و ترکیبی عصبی و فازی برای پهنه‌بندی حساسیت زمین لغزش در هیمالیاهای دارجلینگ. مهندس جئول 2006 ، 85 ، 347-366. [ Google Scholar ] [ CrossRef ]
  41. اربک، اس.اف. اوزکان، سی. Taberner, M. مقایسه روش طبقه بندی حداکثر احتمال با الگوریتم های شبکه عصبی مصنوعی نظارت شده برای فعالیت های کاربری اراضی. بین المللی J. Remote Sens. 2004 ، 25 ، 1733-1748. [ Google Scholar ] [ CrossRef ]
  42. دیکسون، بی. Candade، N. طبقه بندی کاربری چندطیفی زمین با استفاده از شبکه های عصبی و ماشین های بردار پشتیبان: یکی یا دیگری، یا هر دو؟ بین المللی J. Remote Sens. 2008 ، 29 ، 1185-1206. [ Google Scholar ] [ CrossRef ]
  43. NCDR (مرکز ملی علم و فناوری برای کاهش بلایا). یوان اجرایی، ROC (تایوان). در دسترس آنلاین: https://den.ncdr.nat.gov.tw/Search (در 15 اکتبر 2017 قابل دسترسی است).
  44. هاگان، MT; Demuth، HB; بیل، طراحی شبکه عصبی MH ; PWS: بوستون، MA، ایالات متحده آمریکا، 1996. [ Google Scholar ]
  45. Chen, YR; حسیه، SC; لیو، CH شبیه‌سازی رفتار تنش-کرنش ماسه اشباع در آزمایش‌های سه محوری زهکشی نشده بر اساس شبکه‌های عصبی تطبیقی ​​ژنتیکی. الکترون. جی.ژئوتک. مهندس 2010 ، 15 ، 1815-1834. [ Google Scholar ]
  46. عادلی، ح. Hung, SL Machine Learning: شبکه های عصبی، الگوریتم های ژنتیک سیستم های فازی ; Wiely: نیویورک، نیویورک، ایالات متحده آمریکا، 1995. [ Google Scholar ]
  47. D’Ambrosio، D. اسپتارو، دبلیو. Iovine، G. الگوریتم‌های ژنتیک موازی برای بهینه‌سازی مدل‌های اتوماتای ​​سلولی پدیده‌های پیچیده طبیعی: برنامه‌ای برای جریان‌های زباله. محاسبه کنید. Geosci. 2006 ، 32 ، 861-875. [ Google Scholar ] [ CrossRef ]
  48. هنگ، ال. کائو، JN; عشق، PE با استفاده از یادگیری ماشین و GA برای حل مشکل مبادله زمان و هزینه. J. Constr. مهندس مدیریت 1999 ، 125 ، 347-353. [ Google Scholar ]
  49. هارالیک، آر.ام. شانموگام، ک. Dinstein, I. ویژگی های بافتی برای طبقه بندی تصویر. IEEE Trans. سیستم مرد سایبرن. 1973 ، 3 ، 610-620. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Chen, YR; Tsai، KJ; حسیه، SC; Ho, YL ارزیابی پتانسیل زمین لغزش به دلیل کاربری زمین در شیب. الکترون. جی.ژئوتک. مهندس 2015 ، 20 ، 4277-4292. [ Google Scholar ]
  51. Verbyla، DL ماهواره سنجش از دور منابع طبیعی ; CRC Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1995. [ Google Scholar ]
  52. کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]
  53. لندیس، جی آر. Koch, GG اندازه گیری توافق ناظر برای داده های طبقه بندی شده. بیومتریک 1997 ، 33 ، 159-174. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. سئو، ک. فوناساکی، م. رابطه بین فاجعه رسوبی (عمدتا آسیب جریان زباله) و بارندگی. بین المللی جی اروس. مهندسی کنترل 1973 ، 26 ، 22-28. [ Google Scholar ]
  55. ESRI. ArcGIS. 2019. در دسترس آنلاین: https://www.esri.com/en-us/home (در 1 سپتامبر 2019 قابل دسترسی است).
  56. ERDAS. راهنمای تور ERDAS IMAGE ; مقر جهانی ERDAS: آتلانتا، GA، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  57. RSI. راهنمای عملی ENVI ; Research Systems, Inc.: Boulder, CO, USA, 2005. [ Google Scholar ]
Ijgi 10 00209 g001 550
شکل 1. حوزه تحقیق.
Ijgi 10 00209 g002 550
شکل 2. نتایج تفسیر و طبقه بندی تصاویر ماهواره ای قبل از ( الف ) و بعد از ( ب ) طوفان موراکوت در منطقه مورد مطالعه.
Ijgi 10 00209 g003a 550 Ijgi 10 00209 g003b 550 Ijgi 10 00209 g003c 550
شکل 3. dr / dt , ds / dt , و تغییر در ناحیه زمین لغزش قبل از (چپ) و بعد از (راست) طوفان موراکوت (2009) ( الف )، باران شدید در 27 ژوئیه 2010 ( b )، طوفان مرانتی (2010) ) ( ج )، طوفان فناپی (2010) ( د )، طوفان Meari (2011) ( e )، و طوفان نانمادول (2011) ( f ) در منطقه مورد مطالعه، داده ها از [ 14 ] به دست آمده است.
Ijgi 10 00209 g004 550
شکل 4. خط رگرسیون افزایش تعداد زمین لغزش ها در برابر میانگین بارندگی انباشته موثر (EAR).
Ijgi 10 00209 g005 550
شکل 5. خط رگرسیون افزایش سطح زمین لغزش در برابر میانگین EAR.
Ijgi 10 00209 g006 550
شکل 6. خط رگرسیون کل سطح در معرض در برابر میانگین EAR.
Ijgi 10 00209 g007 550
شکل 7. قطعه زمین برهنه در برابر I LDC نقطه زمین لغزش کلی پس از هر بارندگی.
Ijgi 10 00209 g008 550
شکل 8. خط رگرسیون نسبت مساحت زمین بایر به تعداد اراضی بایر در برابر I LDC .
Ijgi 10 00209 g009a 550 Ijgi 10 00209 g009b 550
شکل 9. نمودار ds/dt در برابر dr/dt برای زمین لغزش جدید (چپ) و لغزش دوم (راست) پس از ( الف ) بارندگی شدید در 27 ژوئیه 2010، ( ب ) طوفان مرانتی (2010)، ( ج ) تایفون فناپی (2010)، ( د ) طوفان ماری (2011)، و ( ه ) طوفان نانمادول (2011).
Ijgi 10 00209 g010 550
شکل 10. نمودار EAR در برابر I LDC برای هر دو زمین لغزش جدید و لغزش دوم پس از ( الف ) طوفان موراکوت (2009)، ( ب ) بارندگی شدید در 27 ژوئیه 2010، ( ج ) طوفان مرانتی (2010)، (د) طوفان فناپی (2010)، ( ه ) طوفان معاری (2011)، و ( f ) طوفان نانمادول (2011).
Ijgi 10 00209 g011 550
شکل 11. نمودار EAR در برابر I LDC برای نقاط لغزش دوم، با اندازه دایره نشان دهنده افزایش سطح زمین لغزش، پس از ( الف ) طوفان موراکوت (2009)، ( ب ) بارندگی شدید در 27 جولای 2010، ( ج) ) طوفان مرانتی (2010)، ( د ) طوفان فناپی (2010)، ( ه ) طوفان ماری (2011)، و ( f ) طوفان نانمادول (2011).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید