چکیده

پروژه کریدور اقتصادی چین و پاکستان (CPEC) از بزرگراه قراقورام در شمال پاکستان می گذرد که یکی از خطرناک ترین مناطق جهان است. شایع ترین خطرات در این منطقه رانش زمین و جریان آوار است که هر ساله منجر به تلفات جانی و خسارات شدید زیرساختی می شود. این مطالعه خطرات زمین (لغزش‌ها و جریان‌های زباله) را ارزیابی کرد و با در نظر گرفتن چهار رویکرد آماری و یادگیری ماشینی مستقل، یعنی رگرسیون لجستیک (LR)، آنتروپی شانون (SE)، وزن‌های شواهد (WoE) و فرکانس، نقشه‌های حساسیت را توسعه داد. مدل های نسبت (FR). برای این منظور، فهرستی از خطرات زمین با استفاده از تکنیک‌های سنجش از دور با مشاهدات میدانی و مجموعه داده‌های خطر تاریخی تهیه شد. رابطه فضایی سیزده عامل شرطی‌سازی، یعنی شیب (درجه)، فاصله تا گسل‌ها، زمین شناسی، ارتفاع، فاصله تا رودخانه، جهت شیب، فاصله تا جاده، میانگین بارندگی سالانه، شاخص تفاوت نرمال شده پوشش گیاهی، انحنای پروفیل، شاخص توان رودخانه، شاخص رطوبت توپوگرافی و پوشش زمین با توزیع خطر مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که گسل‌ها، زوایای شیب، ارتفاع، سنگ‌شناسی، پوشش زمین و میانگین بارندگی سالانه نقش کلیدی در کنترل توزیع فضایی مخاطرات زمین در منطقه مورد مطالعه دارند. نقشه‌های حساس‌پذیری نهایی در برابر نقاط حقیقت زمین و با رسم منحنی‌های منطقه زیر منحنی مشخصه عملیاتی گیرنده (AUROC) اعتبارسنجی شدند. با توجه به منحنی های AUROC، میزان موفقیت مدل های LR، WoE، FR و SE 85.30٪، 76.00، 74.60٪ و 71.40٪ و نرخ های پیش بینی آنها 83.10٪، 75.00٪، 73.50٪ و 70.10٪ بود. ، به ترتیب؛ این مقادیر عملکرد بالاتر LR را نسبت به سه مدل دیگر نشان می دهد. همچنین 19/11 درصد، 24/9 درصد، 18/10 درصد، 14/39 درصد و 25/30 درصد از مناطق به ترتیب با کلاس‌های حساسیت بسیار زیاد، زیاد، متوسط، کم و خیلی کم مطابقت داشتند. نقشه تهيه شده حساسيت خطرات زمين مي تواند توسط مقامات دولتي مربوطه براي اجراي روان پروژه CPEC در مقياس منطقه اي مورد استفاده قرار گيرد.

کلید واژه ها:

کریدور اقتصادی چین و پاکستان ؛ رانش زمین ؛ جریان زباله ; خطرات زمین ; سنجش از دور

1. مقدمه

کوه هیمالیا-کاراکورام (HKM) در شمال پاکستان یکی از مهم‌ترین رشته‌کوه‌های جهان است که ویژگی‌های توپوگرافی و آب و هوایی در حال تغییر است [ 1 ، 2 ]. توپوگرافی نامنظم این منطقه را در برابر خطرات زمین از جمله زمین لغزش، جریان زباله، فرسایش یخبندان، سیل ناگهانی، برش رودخانه، و عمل اطراف یخبندان بسیار آسیب پذیر می کند [ 3 ، 4 ]. این مخاطرات زمینی خسارات شدیدی به جان انسان ها و زیرساخت ها وارد می کند [ 5 , 6 , 7 , 8]. پروژه کریدور اقتصادی چین و پاکستان (CPEC) از چین تا پاکستان از طریق این رشته کوه گسترش می یابد. این پروژه محرک رشد سریع اخیر مناطق شهری و روستایی در پاکستان بوده است. با این حال، توسعه زیرساخت‌های جدید مورد انتظار در این منطقه با چالش‌های بسیاری مواجه است، زیرا فعالیت‌های بررسی و ارزیابی زمین‌شناسی توسط مخاطرات زمینی با مانع مواجه شده‌اند.
به طور خاص، رانش زمین و جریان آوار مهم ترین خطرات زمینی هستند که بر زندگی انسان ها و زیرساخت ها در این منطقه تأثیر می گذارند. این مخاطرات به عنوان مخاطرات طبیعی فاجعه بار با پتانسیل ایجاد خسارت قابل توجه به جان انسان ها، زیرساخت ها، دام های کشاورزی و رشد جنگل ها در نظر گرفته می شوند. بنابراین، آنها تأثیرات عمیقی بر فعالیت اجتماعی و رشد اقتصادی دارند [ 9 ، 10 ، 11 ]. وقوع این مخاطرات زمینی با توجه به تنظیمات محیطی مختلف، از مناطق کوهستانی تا ساحلی، از نظر زمین ساختی فعال تا مناطق زمین ساختی پایدار و غیر فعال، و مناطق بسیار خشک تا مرطوب متفاوت است [ 12 ، 13 ].]. بنابراین، شناسایی توزیع فضایی این مخاطرات زمینی برای مدیریت بلایا بسیار مهم است.
رویکردهای سیستم اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) برای تعیین توزیع فضایی مخاطرات زمینی مفید هستند که توسعه نقشه‌های حساسیت را تسهیل می‌کنند [ 14 ، 15 ، 16 ، 17 ]. نقشه‌های حساسیت زمین (GHSM) برای تعیین احتمال نسبی وقوع خطر با در نظر گرفتن علل رویدادهای قبلی استفاده می‌شوند. اصطلاح حساسیت را می توان به عنوان احتمال یک خطر خاص در یک منطقه خاص تعریف کرد. در مورد ما، احتمال وقوع زمین لغزش و وقوع جریان زباله در یک منطقه [ 18 ]]. در GHSM ها، یک منطقه بسته به احتمال وقوع رویدادها، مانند شکست شیب و جابجایی های توده، به کلاس های مختلفی تقسیم می شود. با توجه به در دسترس بودن داده ها، GHSM ها را می توان با استفاده از رویکردهای مختلف، از جمله منطق فازی [ 19 ، 20 ، 21 ]، تصمیم گیری چند معیاره (MCDM) [ 22 ]، وزن شواهد (WoE) [ 23 ، ] تهیه کرد. 24 ]، رگرسیون لجستیک (LR) [ 25 ]، ماشین بردار پشتیبان (SVM) [ 26 ]، فازی عصبی [ 27 ]، شبکه های عصبی مصنوعی (ANNs) [ 28 ]، نسبت فرکانس (FR) [ 29 ] و شانون مدل‌های آنتروپی (SE) [ 30]. در میان این مدل‌های فهرست‌شده، LR، FR، WoE و SE دقیق‌تر، آسان‌تر برای پیاده‌سازی و بسیار قابل اعتماد هستند [ 31 ، 32 ، 33 ].
تاکنون، بسیاری از محققین برای توسعه نقشه های حساسیت، آنالیزهای حساسیت زمین شناسی را انجام داده اند. با این حال، تنها احمد و همکاران. [ 34 ] یک مطالعه در سطح منطقه ای در مورد حساسیت شمال پاکستان به مخاطرات زمینی انجام داده اند. آنها از مدل پوشش وزنی (WOM) و روش های منطق فازی استفاده کردند. برخی از مطالعات انفرادی نیز در مناطق با مقیاس کوچکتر در این منطقه انجام شده است: Derbyshire و همکاران. [ 35 ] نوع زمین و فرآیندهای ژئومورفیک بخش 200 کیلومتری بزرگراه قراقورام (KKH) از گیلگیت تا گذرگاه خنجراب را مورد مطالعه قرار داد. کمپ و همکاران [ 36 ] یک نقشه حساسیت زمین لغزش (LSM) با استفاده از ارزیابی چند معیاره (MCE) و روش فرآیند تحلیل سلسله مراتبی (AHP) ایجاد کرد. باچا و همکاران [ 37] با استفاده از مدل‌های WoE و FR یک LSM دقیق از ناحیه Hunza-Nagar ایجاد کرد. اخیرا علی و همکاران. [ 38 ] با استفاده از مدل‌های AHP و WOM، یک LSM از KKH از گذرگاه حسن‌عبدال به خنجراب ایجاد کرد. خان و همکاران [ 39 ] توزیع فضایی زمین لغزش ها را مطالعه کرد و یک LSM را با استفاده از رویکرد FR (دره هاراموش و دره باگروته) توسعه داد.
اگرچه تکنیک‌های زمین‌فضایی پتانسیل‌های زیادی را برای ارزیابی حساسیت خطر نشان داده‌اند، استفاده از آنها در زمینه منطقه مورد مطالعه نسبتاً کم است. علاوه بر این، مدیریت ریسک جامع چند خطر (زمین لغزش و جریان زباله) و نقشه‌برداری حساسیت در مقیاس منطقه‌ای، به ویژه در مناطقی که اغلب تحت تأثیر مخاطرات زمین قرار می‌گیرند، وجود ندارد. قبلا احمد و همکاران. [ 35] با در نظر گرفتن ارتفاع، شیب، جنبه، انحنا، خطرات لرزه ای، ساختار زمین شناسی، بارش (بارش های موسمی)، شبکه زهکشی، و شاخص گیاهی با اختلاف نرمال شده (NDVI) یک LSM برای حوضه ایندوس فوقانی (پاکستان) ایجاد کرد. با این حال، برای ایجاد یک نقشه مخاطرات دقیق، همه عواملی که توزیع فضایی خطرات زمین را کنترل می‌کنند باید در نظر گرفته شوند. افزودن فاکتورهای شرطی بیشتر، دقت و صحت GHSM ها را بهبود می بخشد. اگرچه مطالعات متعددی برای ارزیابی حساسیت به جریان زمین لغزش یا آوار در منطقه مورد مطالعه انجام شده است، هیچ یک از آثار نقش مهمی در کنترل توزیع فضایی مخاطرات زمین در سایت مورد مطالعه گزارش نکرده‌اند. هدف پژوهش حاضر پر کردن این شکاف است. علاوه بر این،
برای پرداختن به این محدودیت ها، سیزده عامل شرطی، یعنی شیب (درجه)، فاصله تا گسل ها، زمین شناسی، ارتفاع، فاصله تا رودخانه ها، جنبه شیب، فاصله تا جاده، میانگین بارندگی سالانه، NDVI، انحنای پروفیل، شاخص توان جریان (SPI) در این مطالعه شاخص شاهد توپوگرافی (TWI) و پوشش زمین (LC) در نظر گرفته شد. علاوه بر این، چهار مدل یادگیری ماشینی و آماری، SE، LR، WoE، و FR اتخاذ شد. اهداف اصلی این تحقیق عبارتند از (1) تجزیه و تحلیل عوامل مؤثر بر توزیع فضایی خطرات زمین (لغزش‌ها و جریان‌های زباله) و (2) مقایسه عملکرد چهار مدل. نتایج این مطالعه نه تنها به سایر محققان در این زمینه، بلکه به سیاستگذاران مربوط می شود، زیرا این مطالعه بینش های مفیدی را برای مدیریت مخاطرات زمین ارائه می دهد.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه در 31°0′ N-38°0′ طول شمالی و 70°0′ E-80°0′ عرض جغرافیایی شرقی واقع شده است و حوضه فوقانی ایندوس (پاکستان) و بخش جنوب غربی دره تاشکورگان (چین) را پوشش می دهد. ( شکل 1). منطقه مطالعاتی فرامرزی بر اساس اهمیت پروژه CPEC انتخاب شد. مسیر اصلی پروژه CPEC (KKH) از مناطق شمالی پاکستان می گذرد و از طریق گذرگاه خنجراب به چین متصل می شود. کانال اصلی در این منطقه رودخانه سند است که در امتداد KKH از شمال به جنوب جریان دارد. این رودخانه از فلات تبت (چین) سرچشمه می گیرد، از طریق جامو کشمیر (سرزمین هند) در منطقه دردستان وارد پاکستان می شود، از هیمالیا می گذرد و در نهایت به دریای عرب می ریزد. این منطقه به دلیل زمین ناهموار، لرزه خیزی بالا و شدت بارندگی موسمی (200 تا 500 میلی متر) که از ژوئیه تا اواسط سپتامبر را در بر می گیرد، بسیار مستعد خطرات زمین، از جمله جریان زباله و رانش زمین است ( https://www. pmd.gov.pk/en/(دسترسی در 2 فوریه 2021)).
از نظر توپوگرافی، منطقه مورد مطالعه بخشی از رشته کوه های هیمالیا، هندوکش و قراقورام (HHK) است. ارتفاع منطقه مورد مطالعه از 160 متر تا 8564 متر از سطح دریا (آسل) با میانگین ارتفاع 3500 متر است. زاویه شیب در این منطقه بین 0 تا 87 درجه است. ویژگی های رایج ژئومورفولوژیکی در پایین دست دره ها مخروط افکنه ها و تراس های سیلابی با تعدادی بادبزن بزرگ است، در حالی که برف و یخچال های طبیعی دامنه ها و قله های بالاتر را می پوشانند.
منطقه مورد مطالعه دارای سازندهای مختلف زمین شناسی در سنین مختلف است که در امتداد رودخانه سند و KKH قرار گرفته اند ( شکل 2 a و جدول 1 ). از نظر تکتونیکی، این منطقه با ویژگی های کوهزایی مشخص می شود که با شروع برخورد هند و اوراسیا (50 میلیون سال) شروع به شکل گیری کرد. گسل های فعال، کوتاه شدن پوسته و فرورانش فرآیندهای در حال انجام با نرخ بالا آمدن 7 میلی متر در سال و نرخ همگرایی 4-5 سانتی متر در سال در امتداد منطقه برخورد هندو اوراسیا هستند [ 40 ، 41 ]. از ویژگی های مهم زمین ساختی این منطقه می توان به رانش مرزی اصلی، رانش گوشته اصلی، رانش اصلی قراقورم، ناحیه برشی کامیلا جل، گسل رایکوت و گسل قراقورم اشاره کرد ( شکل 2 ب) [ 42 ،43 ]. همه این ویژگی های زمین ساختی مسئول لرزه خیزی بالا هستند و در نهایت باعث ایجاد تغییر شکل شکننده در امتداد KKH می شوند. در طول دو قرن گذشته، زمین لرزه های مکرر با بزرگی بیش از 6.5 مگاوات (1897، 1905، 1934، 1950 و 2005) در این منطقه ثبت شده است [ 44 ]. محیط زمین شناسی، ژئومورفولوژیکی و هیدروژئولوژیکی منطقه برای خطرات زمین مساعد است [ 34 ، 45 ، 46 ، 47 ]. تپه‌های دره در حوضه رودخانه ایندوس مقدار زیادی حرکت توده‌ای، بهمن‌های رانش سنگ (حجم‌های > 1 × 10 10 متر مکعب ) و شکست‌های شیب، به‌ویژه در امتداد KKH را نشان می‌دهند [ 48 ، 49 ،50 ]. با توجه به اینکه مسیر اصلی پروژه CPEC از این منطقه بسیار فعال می گذرد، ارزیابی حساسیت خطرات زمین ضروری است.

2.2. جمع آوری داده ها

اولین قدم برای توسعه GHSM ها تعیین عوامل ایجاد کننده است. بر اساس مطالعات قبلی و ویژگی های مخاطرات زمینی در منطقه مورد مطالعه [ 29 ، 34 ، 38 ]، NDVI، TWI، فاصله تا گسل ها، ارتفاع، میانگین بارندگی سالانه، شیب (درجه)، جنبه شیب، انحنای پروفیل، فاصله تا رودخانه ها، فاصله تا جاده، LC، زمین شناسی و SPI به عنوان عوامل شرطی انتخاب شدند ( شکل 3 ). ارتفاع منطقه مورد مطالعه از مدل ارتفاع دیجیتال 30 متری ماموریت توپوگرافی رادار شاتل (SRTM) استخراج شد ( https://earthexplorer.usgs.gov/(دسترسی در 2 فوریه 2021))، و شیب، جنبه شیب، انحنای پروفیل، SPI، TWI و لایه های شبکه زهکشی از نقشه ارتفاع در پلت فرم ArcGIS توسعه داده شد. نقشه میانگین سالانه بارندگی بر اساس 27 ایستگاه هواشناسی (از سال 2000 تا 2015) در منطقه مورد مطالعه، با استفاده از ابزار Inverse Distance Weighted (IDW) در ArcGIS تهیه شد [ 51 ، 52 ]. زمین شناسی و گسل های منطقه مورد مطالعه از نقشه زمین شناسی منطقه ای منطقه مورد مطالعه (در مقیاس 1:1,000,000) جمع آوری شد ( https://gsp.gov.pk و https://en.cgs.gov.cn/ (دسترسی در 2 فوریه 2021)). شرح مختصری از این پارامترهای شرطی سازی در جدول 2 فهرست شده است.

2.3. موجودی خطرات زمین

پس از بازدید میدانی، با استفاده از تفسیر تصاویر ماهواره ای (Landsat 7 و Landsat 8: https://earthexplorer.usgs.gov/ (دسترسی در 2 فوریه 2021)) و تصاویر Google Earth، نقشه موجودی خطرات زمین تهیه شد. طی بررسی میدانی (از 16 اکتبر تا 26 اکتبر 2019)، مختصات مخاطرات زمینی گرفته شد و این نقاط مختصات به صورت چندضلعی دیجیتالی شدند. تعداد کل نقاط نمونه 480 است که 240 نقطه خطر زمین (210 زمین لغزش و 30 رویداد جریان زباله) و 240 نقطه غیرخطر هستند ( شکل 1).). از تمامی این نقاط به عنوان نقاط نمونه برداری استفاده شد. برای هر دو فهرست زمین لغزش و جریان زباله، پیکسل های خطر یک مقدار و پیکسل های غیرخطر 0 اختصاص داده شدند. برای ارزیابی پیش بینی پذیری، داده های تایید شده میدانی به طور بالقوه استفاده شد. در نهایت، کل رویدادهای خطر به طور تصادفی به مدل‌های آموزشی (70 درصد، شامل 168 نقطه خطر) و مدل‌های اعتبارسنجی (30 درصد، شامل 72 نقطه خطر) تقسیم شدند [ 53 ].

2.4. روش شناسی

2.4.1. چند خطی

تحمل (TOL) و ضریب تورم واریانس (VIF) برای آزمایش چند خطی بودن همه پارامترهای شرطی‌سازی استفاده شد، زیرا همخطی بودن خطی در بین پارامترهای شرطی‌سازی، قابلیت پیش‌بینی یک مدل را کاهش می‌دهد [ 66 ]. به طور کلی، TOL کمتر از 0.10 یا VIF بیشتر از 5.0 نشان دهنده چند خطی بودن در بین عوامل شرطی است [ 67 ].
تجزیه و تحلیل چند خطی انجام شد و مقادیر TOL و VIF به ترتیب >0.10 و <5.0 یافت شد که نشان می دهد متغیرها از همخطی عاری هستند ( جدول 3 ).
2.4.2. رگرسیون لجستیک (LR)

LR یک رویکرد آماری چند متغیره است که برای ارزیابی ارتباط بین متغیر وابسته و متغیر مستقل استفاده می شود [ 68 ، 69 ]. مزیت این مدل این است که داده ها نیازی به توزیع نرمال ندارند و متغیرها می توانند به صورت طبقه ای، پیوسته یا ترکیبی از این دو باشند [ 70 ، 71 ]. بیان ریاضی مدل LR در زیر آورده شده است [ 26 ]:

ρ=11+ه-z=1[1+ه{-ل0+ل1×1+ل2×2+…لn×n}]

جایی که ρاحتمال وقوع خطرات یا غیرخطرات است، zترکیب خطی است، nتعداد متغیرهای شرطی را نشان می دهد، ایکسمن ( من=0، 1، 2،…،n) متغیرهای شرطی هستند، ل0رهگیری این مدل است و لمن ( من=0،1،2،…،n) ضرایب رگرسیون برای متغیرهای مستقل مدل LR هستند.

2.4.3. وزن شواهد (WoE)

WoE یک رویکرد کمی “داده محور” است [ 72 ]. این روش ابتدا در زمینه پزشکی مورد استفاده قرار گرفت [ 73 ] و سپس برای شناسایی پتانسیل معدنی [ 74 ] استفاده شد. WoE بر اساس فرضیه بیز – مفهوم احتمال قبلی و بعدی برای پیش‌بینی رابطه بین توزیع فضایی مناطق آسیب‌دیده و عوامل خطر تحلیل شده است که توسط بونهام-کارتر [ 75 ] به شرح زیر گزارش شده است:

دبلیوساعت+=لوگاریتمپبساعتآساعتپبساعتآ¯ساعت
دبلیوساعت-=لوگاریتمپب¯ساعتآساعتپب¯ساعتآ¯ساعت

جایی که پاحتمال وقوع یک رویداد خاص است و ln ثبت طبیعی است. به همین ترتیب، بساعتنشان دهنده وجود یک عامل بالقوه پیش بینی خطر زمین است،  ب¯ساعتعدم وجود یک عامل بالقوه پیش بینی خطر زمین است، آساعتوجود مخاطرات زمینی است و آ¯ساعتبه معنای عدم وجود خطرات زمین است. در معادلات (2) و (3) دبلیوساعت+و دبلیوساعت-رابطه کلاس هر عامل را با وقوع خطر زمین نشان می دهد، که در آن وزن های مثبت برای وقوع خطرات زمین و بالعکس با وزن های منفی نسبت مستقیم دارند. برای محاسبه وزن هر عامل شرطی، از معادلات (4) و (5) استفاده شد [ 76 ]:

دبلیوساعت+=لnنپمنایکس1نپمنایکس1+نپمنایکس2/نپمنایکس3نپمنایکس3+نپمنایکس4
دبلیوساعت-=لnنپمنایکس1نپمنایکس1+نپمنایکس2/نپمنایکس3نپمنایکس3+نپمنایکس4

جایی که نپمنایکس1تعداد پیکسل هایی است که وجود خطرات زمین و عوامل شرطی را نشان می دهد. نپمنایکس2وجود مخاطرات زمینی و عدم وجود عوامل شرطی کننده است. نپمنایکس3عدم وجود خطرات زمین و وجود عوامل شرطی کننده است. نپمنایکس4عدم وجود هر دو خطرات زمین و عوامل شرطی است. وزن نهایی دبلیوساعتسیبا استفاده از معادله زیر برآورد شد:

دبلیوساعتسی=دبلیوساعت+-دبلیوساعت-
2.4.4. نسبت فرکانس (FR)

FR یک رویکرد مبتنی بر احتمال به طور گسترده برای GHSM است. FR به عنوان نسبت احتمال وقوع یک رویداد به احتمال عدم وقوع برای ویژگی های داده شده تعریف می شود [ 75 ، 77 ]. رابطه فضایی بین مکان خطرات زمین و هر پارامتر به دست آمد. برای به دست آوردن مقادیر FR برای هر کلاس از پارامتر شرطی سازی، ترکیبی بین نقشه موجودی خطرات زمین و نقشه عوامل از طریق رابطه (7) ایجاد شد.

افآر=نپمنایکساچایکسمن∕∑من=1مترنپمنایکساچایکسمننپمنایکسنایکسj∕∑j=1nنپمنایکسنایکسj∑

که در آن FR نشان دهنده نسبت فرکانس (FR) کلاس است مناز عامل j; نپمنایکساچایکسمنتعداد پیکسل های دارای خطرات زمین در کلاس است مناز عامل شرطی سازی ایکس;  نپمنایکسنایکسjتعداد پیکسل های موجود در ضریب شرطی سازی است ایکسj; مترتعداد کلاس ها در عامل شرطی است  ایکسمن; nتعداد عوامل در این زمینه است [ 29 ].

برای محاسبه فرکانس نسبی از نسبت فرکانس مشتق شده استفاده شد (معادله (8)). علاوه بر این، نرخ پیش بینی با استفاده از رابطه (9) [ 29 ] محاسبه شد.

آراف=افآرمنj∑من=1مترافآرمنj
پآر= آرافمترآایکس-آرافمترمنn  آرافمترآایکس-آرافمترمنn مترمنn

در نهایت با استفاده از رابطه (10) شاخص حساسیت به خطرات زمین (GHSI) محاسبه شد.

جیاچاسمن=∑پآر×آراف
2.4.5. آنتروپی شانون (SE)

مدل SE بر اساس بی ثباتی، بی نظمی، عدم تعادل و عدم قطعیت یک سیستم است. SE مطلوب ترین کلاس یک متغیر را در یک محیط طبیعی برای وقوع خطر نشان می دهد [ 78 ]. برای محاسبه وزن هدف سیستم شاخص از مقادیر آنتروپی استفاده شد. بیان ریاضی وزن، دبلیوj، برای محاسبه ضریب اطلاعاتی این مدل (به عنوان یک مقدار وزن متغیر کل) به شرح زیر استفاده شد [ 79 ]:

پمنj=افآر∑j=1سjافآر

جایی که، پمنjچگالی احتمال و افآرنسبت فرکانس است. علاوه بر این، بر اساس رابطه (11)، هر طبقه از عامل به رتبه های مختلف تقسیم می شود ( جدول 4 ).

اچj=-∑j=1سjپمنjورود به سیستم2پمنj،    j=1،…..،n

اچjو اچjمترآایکسمقادیر آنتروپی را در معادلات (12) و (13) نشان می دهد.

اچjمترآایکس=ورود به سیستم2سj،    سj-nتومتربهr of جلآسسهس
منj=اچjمترآایکس-اچjاچjمترآایکس    من=0،1،j=1،…،n
دبلیوj=منjپj
منjنشان دهنده ضریب اطلاعات و دبلیوjمقدار وزن نهایی متغیرها به عنوان یک کل است.
2.4.6. اعتبار سنجی مدل
در این مطالعه، نقشه‌های مشتق‌شده با استفاده از نقاط موجودی خطر زمین‌شناسی اعتبارسنجی شدند که به دو دسته داده‌های آموزشی (70 درصد) و داده‌های اعتبارسنجی (30 درصد) تقسیم شدند. رویکرد منطقه تحت ویژگی‌های عملیاتی دریافتی (AUROC) برای ارزیابی عملکرد مدل‌های مستقل برای ارزیابی حساسیت خطرات زمین [ 80 ، 81 ] اتخاذ شد.

3. نتایج و بحث

3.1. کاربرد رگرسیون لجستیک

تجزیه و تحلیل LR مؤثرترین متغیرهای مؤثر بر توزیع خطرات زمین را نشان داد. با سمنg پمقادیر کمتر از 0.05، مؤثرترین متغیرها فاصله تا گسل ها، شیب، ارتفاع، زمین شناسی، LC و بارندگی یافت شد ( شکل 4 ). فاکتورهای شرطی باقی مانده ناچیز و بالاتر بودند سمنg پ(>0.05) مقادیر [ 26 ، 82 ]. علاوه بر این، ضرایب مثبت و منفی LR نشان دهنده سهم آنها در وقوع خطرات زمین است. بر اساس ضرایب به دست آمده، احتمال خطرات زمین با استفاده از رابطه (16) محاسبه شد و GHSM بر این اساس تولید شد.

z=-1.054+(NDVI×0.158)+(TWI×-0.494)+Lسیآ+(بارش باران×-0.388)+(ارتفاع×-0.508)+(گسل×-0.120)+(رودخانه×0.031)+(مشخصات انحنا×-0.038)+جیeologya+(Road×-0.005)+Asپهجتیآ+(SPI×-0.120)+(شیب×1.243)
Lسیآ; جیهoلogyآ; آسپهجتیآمقادیر ضریب رگرسیون لجستیک در جدول 4 فهرست شده است.
در نهایت، GHSI برای LR با استفاده از رابطه (16) محاسبه شد. مقدار احتمال از 0 تا 1 متغیر است [ 25 ]. مقادیر SI نهایی با استفاده از روش شکست طبیعی [ 83 ] به پنج کلاس مجدداً طبقه بندی شدند: بسیار کم، کم، متوسط، زیاد و بسیار زیاد ( شکل 5 ). در این مدل، درصد نواحی حساس بسیار زیاد، زیاد، متوسط، کم و بسیار کم به ترتیب 19/11، 24/9، 18/10، 14/39 و 25/30 درصد است که در شکل 6 نشان داده شده است.

3.2. کاربرد اوزان شواهد

وزن و کنتراست برای هر کلاس از متغیرهای شرطی با استفاده از مدل WoE محاسبه شد. خروجی وزن کل اهمیت هر عامل را همانطور که در جدول 4 نشان داده شده است نشان داد. در این مدل فاصله تا جاده، فاصله تا گسل، زمین شناسی، ارتفاع و شیب بزرگی بیشتری را نشان دادند.  دبلیوساعتسی( شکل 7 ). کلاس فاصله تا جاده با فاصله 0 تا 1000 متر حساسیت بالایی به مخاطرات زمینی نشان داد و پس از آن کلاس با فاصله بین 3000 تا 4000 متر، با دبلیوساعتسیمقادیر 2.663 و 1.912 به ترتیب. وجود جاده می تواند منجر به خطرات زمینی مکرر شود که عمدتاً به دلیل تغییر در پایداری شیب و تنش برشی ناشی از حفاری و برش زیر شیب های شکننده است [ 84 ، 85 ]. در مورد فاصله تا گسل ها، فواصل فاصله از 3000 تا 6000 متر، 9000 تا 12000 متر و 12000 تا 15000 متر وزن را نشان می دهند. دبلیوساعتسی) به ترتیب 0.831، 0.647 و 0.722 که احتمال خطرات زمین را بیشتر نشان می دهد. فواصل ارتفاعی 1000-2000، 2000-3000 و 3000-4000 متر بالا را نشان داد ( دبلیوساعتسی) مقادیر 1.618، 1.892 و 0.468 به ترتیب. بررسی واحدهای سنگ شناسی نشان داد که گروه های Ig و Pzu (متشکل از تخته سنگ، فیلیت و شیل) دارای بالاتری هستند. دبلیوساعتسیمقادیر (2.501 و 2.082) و پس از آن گروه Q، Mzpzi، و Ks (1.124، 0.984 و 0.367). این یافته ها نشان می دهد که واحدهای سنگی با کمترین مقاومت برشی (گنیس، فیلیت، تخته سنگ و شیل) مستعد اتلاف انبوه هستند. مشتق شده دبلیوساعتسیوزن (2.252- تا 1.130) نشان داد که عامل شیب تأثیر قابل توجهی بر وقوع خطرات زمین دارد، که با یافته های مطالعه قبلی [ 70 ] مطابقت دارد. طبقات شیب 30-45 درجه و 45-60 درجه بالاتر را نشان دادند دبلیوساعتسیوزن ها، به ترتیب با مقادیر 1.130 و 0.796. به طور کلی اعتقاد بر این است که شیب های ملایم به دلیل تنش های برشی کمتر و شیب کم، فرکانس پایینی از خطرات زمین را تجربه می کنند [ 86 ]. فاصله تا رودخانه‌هایی با مناطق حائل 0 تا 1000 متر و بیش از 6000 متر، حساسیت بیشتری به مخاطرات زمینی نشان داد. دبلیوساعتسیمقادیر 2.001 و 4.833 به ترتیب. از نظر انحنای پروفیل، سطوح مقعر (انحنای منفی) با بالا دبلیوساعتسیمقادیر (0.567) در مقایسه با سطوح محدب (انحنای مثبت) مستعد خطرات زمین هستند. سطوح مقعر بالاتر هستند دبلیوساعتسیمقادیر بیشتر از سطوح محدب است زیرا سطوح با انحنای منفی نسبت به سطوح با انحنای مثبت آب بیشتری را برای مدت طولانی‌تری پس از بارندگی شدید حفظ می‌کنند [ 29 ]. در نتیجه، سطوح مقعر رطوبت خاک را با دوره‌های اشباع طولانی‌تر افزایش می‌دهند و باعث افزایش فرسایش و کاهش پایداری خاک می‌شوند [ 59 ]. در این مدل وزن های LC، بارندگی، جهت شیب، SPI، TWI و NDVI به دلیل بسیار کم اهمیت کمتری داشتند. دبلیوساعتسیمقادیر (0 یا کمتر از 0) ( جدول 4 ). نقشه نهایی حساسیت به پنج کلاس از خیلی کم تا خیلی زیاد تقسیم شد ( شکل 5 ). درصد این کلاس ها در شکل 6 نشان داده شده است.

3.3. استفاده از نسبت فرکانس

نسبت پیش بینی کننده (PR) به ترتیب از نسبت فرکانس و بسامد نسبی محاسبه شد. NDVI، SPI، LC، TWI و elevation مقادیر نسبتاً بالایی از PR را نشان دادند و به دنبال آن زمین شناسی، فاصله تا گسل ها و بارندگی قرار گرفتند ( شکل 4 ). فاصله تا رودخانه ها، شیب، انحنای پروفیل و فاصله تا جاده تاثیر متوسطی بر پیش بینی وقوع خطرات زمین دارد. در این مدل، جنبه شیب کمترین فاکتور با ارزش روابط عمومی پایین بود. مقادیر PR از 1.00 تا 5.62 متغیر بود، و آنها به طور مستقیم با حساسیت متناسب بودند، با مقادیر بالاتر نشان دهنده حساسیت خطر بالاتر بود. با توجه به NDVI، سطوح بایر ارزش روابط عمومی بسیار بالایی از 5.62 را نشان دادند ( جدول 4). علاوه بر این، این مناطق بسیار فرسایش پذیر هستند و بنابراین مقادیر SPI بالاتری را نشان می دهند. در مقایسه با پوشش گیاهی طبیعی و بوته زارها، مناطق جنگلی حساسیت کمتری به مخاطرات زمینی نشان دادند. TWI منعکس کننده رابطه بین تجمع آب در هر مکان و نیروی گرانشی است که بر روی یک سطح شیب دار به سمت یک جریان پایین شیب عمل می کند [ 56 ]. در این مدل، TWI یک رابطه معکوس با خطرات زمین نشان داد. مقادیر TWI کمتر از پنج نشان دهنده فراوانی بالای خطرات زمین در این منطقه است. کاهش فاصله از رودخانه ها و جاده ها متناسب با حساسیت بود، با فواصل کوتاهتر ارزش روابط عمومی بالاتری را نشان می داد. کانال‌های رودخانه اثرات قابل‌توجهی بر فرآیندهای رودخانه‌ای دارند که بر برش سنگ بستر در رشته‌کوه‌های فعال لرزه‌ای تأثیر می‌گذارند [ 87 ]]. در این مطالعه مشاهده کردیم که بیشتر خطرات زمین در این منطقه در امتداد رودخانه اصلی سند و سرشاخه‌های مرتبط با آن رخ داده است که مطابق با مطالعه احمد، راجرز و اسماعیل است [ 34 ].]. مقادیر PR محاسبه‌شده برای زمین‌شناسی و فاصله تا گسل‌ها بالا بود. رخنمون های در معرض در منطقه مورد مطالعه به دلیل لرزه خیزی به شدت بریده، چین خورده و گسله شدند که در نتیجه حساسیت بالایی به مخاطرات زمینی داشتند. خطرات زمین اغلب در تخته سنگ مسگر و رخنمون آشکار مجموعه ججال در امتداد رودخانه مشاهده شده است. به طور مشابه، ارتفاع و شیب نقش کلیدی در وقوع مخاطرات زمینی دارند. ارتفاعات 2000-3000 متر حساسیت بالاتری را نشان داد. زوایای شیب 45-60 درجه بالاترین ارزش PR (2.03) و به دنبال آن زاویه های شیب 30-45 درجه (2.00) را نشان دادند. پس از تعیین مقادیر PR همه عوامل شرطی، یک GHSM با استفاده از رابطه (10) تهیه شد. نقشه حساسیت نهایی به پنج کلاس (خیلی کم، 20.18٪، کم، 25.34٪، متوسط، 15.97٪، زیاد، 27.16٪، بسیار زیاد، 11) دوباره طبقه بندی شد.26 ]، همانطور که در شکل 5 و شکل 6 نشان داده شده است.

3.4. کاربرد آنتروپی شانون

ما همچنین از مدل SE برای به حداقل رساندن عدم تعادل بین عوامل و به دست آوردن یک وضعیت واقعی از تأثیر آنها بر حساسیت خطرات زمین استفاده کردیم. رابطه بین پارامترهای شرطی سازی و خطرات زمین به دست آمد و مهم ترین عوامل مؤثر بر وقوع خطرات نیز شناسایی شدند. نتایج خلاصه شده در جدول 4 فهرست شده است. با توجه به نتایج SE، زمین‌شناسی، ارتفاع، فاصله تا جاده، فاصله تا گسل‌ها، NDVI و فاصله تا رودخانه‌ها مهم‌ترین عوامل کنترل کننده وقوع و توزیع مخاطرات زمین در این منطقه شکل 4).). بنابراین، این عوامل شرطی‌سازی بهتر می‌تواند نشان‌دهنده وقوع و پراکنش زمین‌خاطرات در منطقه مورد مطالعه باشد. یک GHSM با استفاده از معادله زیر [ 88 ] ایجاد شد:

دبلیوj=نDVمن×0.298+تیدبلیومن×0.164+Lسی×0.240+آرآمنnfآلل×0.186                              +Eلهvآتیمنon×0.571+افآتولتیس×0.372                              +آرمنvهrس×0.286+پrofمنله جتوrvآتیتوrه×0.065                              +جیهoلogy×0.651+آرoآد×0.374+آسپهجتی×0.049                              +اسپمن×0.223+اسلoپه×0.154
بر اساس مدل SE (معادله (11))، هر دسته از عوامل شرطی به رتبه های مختلف تقسیم شدند ( جدول 4 ). همانطور که در شکل 5 و شکل 6 نشان داده شده است، SE-GHSM به پنج کلاس از کلاس های حساسیت بسیار کم تا بسیار زیاد تقسیم شد .
شکل 8مقایسه نتایج مختلف از مشاهدات میدانی، تصاویر هوایی و مدل LR را نشان می دهد. مناطق A، B، C و D حساسیت بسیار بالایی نسبت به خطرات زمین دارند. در دره هونزا، منطقه‌ای نشان‌دهنده فرونشست زمین و لغزش‌های کم عمق است که به رسوبات تثبیت نشده زیرین و پوشاننده (تشکیل‌های تخته سنگی) نسبت داده می‌شود. زمین لغزش تاریخی در عطاباد-هونزا جریان رودخانه را مسدود کرد و 19 کیلومتر از KKH را زیر آب برد و یک سد طبیعی ایجاد کرد. علاوه بر این، کاهش دامنه ها برای بازسازی KKH، حساسیت منطقه را به خطرات زمین افزایش داده است. کل شهر گیلگیت روی یک بادبزن بزرگ قرار گرفته است. مشخصه این بخش دره‌های گرم و خشک با میزان بارندگی کم است و در بازدید میدانی تعدادی بادگیر قدیمی و بزرگ مشاهده شد. 40 ، 89 ، 90 ]. ویژگی های تکتونیکی غالب MMT و گسل Raikot هستند که مسئول لرزه خیزی زیاد و تغییر شکل شکننده سنگ های بستر هستند که در نهایت منجر به حرکت توده ها می شود. بخش داسو در امتداد KKH به شدت تحت تأثیر بارندگی در مقایسه با مناطق مرتفع است.

3.5. اعتبار سنجی نقشه های حساسیت به خطرات زمین

برای اعتبارسنجی نتایج به‌دست‌آمده از منحنی AUROC استفاده شد. منحنی‌های موفقیت و نرخ پیش‌بینی برای مقایسه نتایج GHSM برای مکان‌های خطر موجود ترسیم شدند. عملکرد مدل ها با رسم منحنی های AUROC برای میزان موفقیت ارزیابی شد ( شکل 9 a). مدل های LR، WoE، FR و SE مقادیر AUROC را به ترتیب 85.30، 76.00، 74.60 درصد و 71.40 درصد نشان دادند ( شکل 9 a). از نظر نرخ پیش‌بینی، مقادیر AUROC LR، WoE، FR و SE به ترتیب 83.10، 75.00، 73.50 و 70.10 درصد بود. شکل 9).ب). یافته‌ها نشان داد که GHSM تهیه‌شده با استفاده از مدل LR از قابلیت پیش‌بینی بهتری نسبت به سه مدل دیگر برخوردار است. مطالعات دیگر نیز گزارش کرده اند که مدل LR عملکرد بالاتری دارد و برای تجزیه و تحلیل حساسیت در مقایسه با FR و WoE مناسب تر است [ 68 ، 70 68]. یافته‌های ما با یافته‌های راسید و همکاران مطابقت دارد. [ 70 ] از این نظر که یک مدل LR مستقل از دقت بالایی برخوردار است و برای ارزیابی حساسیت خطر مناسب است. علاوه بر این، Polykretis و Chalkias [ ] حساسیت زمین لغزش را با مقایسه مدل‌های WoE، LR، و ANN انجام دادند و دریافتند که موفقیت و نرخ پیش‌بینی مدل LR بهتر عمل می‌کند (LR = 0.928 و 0.836، ANN = 0.912 و 0.780، WoE = 0.89 و 0.89 = WoE و 0.89). ). در مطالعه دیگری بنچلها و همکاران. [ 91] دریافت که میزان موفقیت و پیش‌بینی LR (91.8% و 91.1%) از مدل ANN (88.6% و 87.7%) بیشتر است. بنابراین، نتیجه گیری می شود که مدل LR بهترین گزینه برای نقشه برداری پتانسیل خطر تحت تنظیمات مشابه است.

3.6. مقایسه نتایج مدل

نتایج مدل برای ارزیابی تغییرات بین نتایج هر GHSM مقایسه شد. پارامترها را می توان در درجه اول بر اساس مقدار مطلق ضریب همبستگی به صورت زیر تفسیر کرد: شباهت های بسیار ضعیف 0-20٪، شباهت های ضعیف تا کم 20-40٪، شباهت های متوسط ​​40-70٪، شباهت های قوی 70-90٪ و شباهت های بسیار قوی 90-100٪ [ 92 ]. ضریب شباهت نقشه های LR در مقابل WoE 70/57% و نقشه های LR در مقابل FR و LR در مقابل SE 40/47% بود. این نشان دهنده شباهت متوسط ​​LR با WoE، و شباهت کم LR با نقشه های FR و SE است. جدول 5). مقدار 0.898 همبستگی قوی بین FR و SE (89.80٪) را نشان می دهد. این همبستگی نشان می‌دهد که نقشه‌های توسعه‌یافته با استفاده از روش‌های LR و WoE شباهت‌های متوسطی دارند و نقشه‌هایی که از مدل‌های FR و SE استفاده می‌کنند شباهت زیادی دارند.

3.7. توزیع فضایی Pixel-Wise مقایسه کلاس حساسیت

برای مقایسه نقشه‌های حساسیت زمین‌شناسی، نقشه‌های طبقه‌بندی شده در پنج گروه بسیار کم، کم، متوسط، زیاد و خیلی زیاد رتبه‌بندی شدند. سپس، آنها با هر یک از نقشه های ساخته شده با استفاده از یک ماتریس ضرب دو بعدی مقایسه شدند [ 93 ، 94 ]. این مطالعه نشان داد که عناصر مورب ماتریس توزیع فضایی یکسانی از کلاس‌های حساسیت را برای هر دو نقشه نشان می‌دهند (LR–WoE، LR–FR، LR–SE، WoE–FR، WoE–SE، و FR–SE). مثلا، شکل 10a نشان می دهد که 39.21٪ از مناطق با شدت خطر یکسان برای دو نقشه حساسیت اشغال شده است، به عنوان مثال، نقشه های حساسیت ایجاد شده از LR و WoE. در همین حال، 60.79 درصد توزیع‌های فضایی تفاوت‌هایی را نشان می‌دهند که در آن توزیع‌های 31.03 درصد (عناصر بالای یک ماتریس مورب) دسته‌های بالاتر حساسیت را توسط نقشه حساسیت زمین‌خطر ساخته شده با استفاده از مدل WoE نشان می‌دهند. در مجموع 29.76٪ (عناصر پایین تر یک ماتریس مورب) توزیع دسته های پایین تر را در مقایسه با نقشه ساخته شده با استفاده از مدل LR نشان می دهد ( شکل 10 a). علاوه بر این، نتایج مقایسه برای سایر مدل‌ها در شکل 10 b–f خلاصه شده است. این تفاوت ها عمدتاً به دلیل تأثیر عوامل در کنترل توزیع فضایی مخاطرات زمینی در مدل های مستقل است.شکل 4 و شکل 5 ) و گزاره کلاس نقشه حساسیت [ 95 ].
مدل‌های LR، WoE، FR و SE همگی اهمیت عامل ایجادکننده را در وقوع خطرات زمین نشان دادند. در مدل LR فاصله تا گسل ها، زاویه شیب، ارتفاع، زمین شناسی، LC و بارش مهم ترین عوامل بودند. نتایج این تحلیل ها با یافته های مطالعات قبلی در این منطقه پشتیبانی می شود. احمد، راجرز و اسماعیل [ 34 ] گزارش کردند که زمین‌شناسی، گسل‌ها، زاویه شیب و بارندگی مهم‌ترین عوامل برای وقوع خطرات زمین‌شناسی در حوضه سند بالایی هستند. رحیم و همکاران [ 96] دریافت که زمین شناسی، گسل ها، زاویه شیب و LC بیشترین تأثیر را بر مخاطرات زمین در این منطقه دارند. طبق مدل WoE، فاصله از گسل ها با فواصل 3000-6000 متر، 9000-12000 متر و 12000-15000 متر دارای وزن هستند. دبلیوساعتسی) به ترتیب 0.831، 0.647 و 0.722 که نشان دهنده همبستگی مثبت با وقوع خطرات زمین است. طبقات شیب 30-45 درجه، 45-60 درجه و > 60 درجه دبلیوساعتسیوزن های 1.130، 0.796 و 0.609 به ترتیب. بررسی زمین‌شناسی نشان داد که گروه‌های Ig، Pzu، Q، Mzpzi و ks که عمدتاً شامل گنیس، فیلیت، تخته سنگ و شیل هستند، حساس‌ترین واحدهای سنگ‌شناسی هستند. ارتفاعات 2000 تا 3000 متر بالا نشان داد دبلیوساعتسی(1.892). نتایج با یافته های سایر مطالعات [ 37 ، 97 ] مطابقت دارد. بر اساس مدل FR، NDVI، SPI، LC، TWI، ارتفاع، زمین شناسی و فاصله تا گسل ها عوامل مهم کنترل کننده مخاطرات زمین در این منطقه هستند. اهمیت این عوامل نیز توسط مطالعات قبلی گزارش شده است [ 29 ، 38 ]. بر اساس مدل SE، زمین شناسی، ارتفاع، فاصله تا جاده، گسل ها، NDVI و رودخانه ها مهمترین عوامل هستند. این یافته ها با یافته های مطالعات قبلی همخوانی دارد [ 29 ، 34 ، 38]. علاوه بر این، منحنی‌های AUROC تأیید کردند که مدل LR عملکرد بالاتری نسبت به سه مدل دیگر دارد، و نشان می‌دهد که مدل LR مناسب‌ترین مدل برای تجزیه و تحلیل سطح منطقه‌ای مخاطرات زمینی تحت تنظیمات مشابه با مناطق مورد مطالعه است. شباهت‌ها در عوامل تأثیرگذار وقوع خطر زمین در میان نقشه‌های توسعه‌یافته ارزیابی شد. مدل‌های LR و WoE نقشه‌هایی با شباهت متوسط ​​ارائه کردند، در حالی که مدل‌های FR و SE نقشه‌های بسیار مشابهی ارائه کردند.

4. نتیجه گیری

در این مطالعه، نقشه‌برداری حساسیت زمین‌خطر در سطح منطقه‌ای از دشت‌های پنجاب (پاکستان) تا دره تاشکورگان (چین) انجام شد. سیزده عامل شرطی در نظر گرفته شد و مقادیر TOL و VIF آنها برای تأیید عدم وجود چند خطی برای هر متغیر محاسبه شد. چهار مدل LR، WoE، FR و SE برای توسعه نقشه‌های حساسیت زمین‌شناسی مورد استفاده قرار گرفت و مناسب بودن هر مدل از طریق منحنی‌های AUROC تایید شد. علاوه بر این، نتایج مدل برای تعیین اهمیت آماری ضرایب و ارتباط فضایی بین مخاطرات زمین و هر طبقه از عوامل شرطی‌سازی مورد تجزیه و تحلیل قرار گرفت. نتایج اصلی مطالعه را می توان به شرح زیر خلاصه کرد:
  • نتایج LR نشان می‌دهد که فاصله تا گسل‌ها، شیب، ارتفاع، زمین‌شناسی، LC و بارندگی مهم‌ترین پارامترهای کنترل کننده وقوع خطرات زمین در منطقه مورد مطالعه هستند.
  • با توجه به منحنی AUROC، مدل LR با مقدار AUROC 85.30 درصد بالاترین دقت را نشان داد، به دنبال آن مدل WoE (76.00٪)، مدل FR (74.60٪) و مدل SE (71.40٪) قرار گرفتند. به همین ترتیب، نرخ پیش‌بینی مدل LR 83.10 درصد بود. بنابراین، مدل LR را می توان دقیق تر از سه مدل دیگر در نظر گرفت.
  • بر اساس مدل LR، به ترتیب 30.25، 39.14، 10.18، 9.24 درصد و 11.19 درصد از منطقه دارای حساسیت بسیار کم، کم، متوسط، زیاد و بسیار زیاد در برابر خطرات زمین هستند.
مناطق حساس به خطرات زمین، که در نقشه های حساسیت خطر به تصویر کشیده شده اند، مکان های مهمی را برای ارزیابی خطرات زمین در منطقه مورد مطالعه نشان می دهند. GHSM تهیه شده با استفاده از مدل LR را می توان به دلیل قابلیت اطمینان و دقت بالاتر واقعی تر و مناسب تر در نظر گرفت. بنابراین، نقشه توسعه‌یافته می‌تواند اطلاعات مفیدی را برای جوامع محلی برای شناسایی و اجتناب از مناطق خطرناک و همچنین برای مقامات دولتی مرتبط برای اجرای اقدامات پیشگیرانه در مناطق با حساسیت بالا تا بسیار بالا فراهم کند.
علاوه بر این، ما معتقدیم که این مقاله برای خوانندگان بین المللی مورد توجه خواهد بود زیرا نقشه ها و رویکرد توسعه یافته توسط افراد یا سازمان های مرتبط درگیر در پروژه های ساختمانی بزرگ در مناطق مستعد بلایای زمین شناسی استفاده خواهد شد. یکی از محدودیت‌های اصلی مطالعه ما فقدان اطلاعات زمین‌خطر تاریخی است. الگوریتم های پیشرفته یادگیری ماشینی به تعداد زیادی مجموعه داده آموزشی نیاز دارند. بنابراین، ما مدل های پیشرفته یادگیری ماشینی و داده محور را برای نگاشت حساسیت با مجموعه داده های دقیق تر در مطالعه آینده در نظر خواهیم گرفت.

منابع

  1. داولینگ، کالیفرنیا؛ Santi، PM جریان های آوار و تلفات آنها بر زندگی انسان: تجزیه و تحلیل جهانی تلفات ناشی از جریان آوار از سال 1950 تا 2011. Nat. خطرات 2014 ، 71 ، 203-227. [ Google Scholar ] [ CrossRef ]
  2. پتلی، دی. الگوهای جهانی تلفات جانی ناشی از رانش زمین. زمین شناسی 2012 ، 40 ، 927-930. [ Google Scholar ] [ CrossRef ]
  3. Hewitt، K. زمین لغزش های فاجعه بار و اثرات آنها بر رودخانه های سند بالایی، قراقورام هیمالیا، شمال پاکستان. ژئومورفولوژی 1998 ، 26 ، 47-80. [ Google Scholar ] [ CrossRef ]
  4. ختک، ج.ا. اوون، لس آنجلس؛ کمپ، یو. هارپ، EL تکامل زمین لغزش های ناشی از زلزله در کشمیر هیمالیا، شمال پاکستان. ژئومورفولوژی 2010 ، 115 ، 102-108. [ Google Scholar ] [ CrossRef ]
  5. کلیتون، ای. استد، دی. کیناکین، دی. Wolter، A. تفسیر ژئومورفولوژیکی مهندسی زمین لغزش نهر میچل، بریتیش کلمبیا، کانادا. زمین لغزش 2017 ، 14 ، 1655-1675. [ Google Scholar ] [ CrossRef ]
  6. Khanal, NR; Watanabe، T. زمین لغزش و جریان زباله در هیمالیا: مطالعه موردی حوضه آبخیز مادی در نپال. هیمال. J. Sci. 2006 ، 2 ، 180-181. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. مک.؛ وو، ایکس. لی، بی. Hu، X. ارزیابی حساسیت چند خطر در منطقه اقتصادی دلتای رودخانه مروارید، چین. نات. خطرات زمین سیستم. علمی بحث و گفتگو. 2018 . [ Google Scholar ] [ CrossRef ]
  8. بازایی، ن.ا. کوی، پی. ژو، کی جی. عبدالله، س. Cui، KF; وانگ، اچ. ژانگ، جی تی. لیو، DZ کاربرد مدل خدمات حفاظت خاک در حوضه های کوچک و متوسط ​​منطقه کوهستانی Heilongjiang، چین. بین المللی جی. محیط زیست. علمی تکنولوژی 2021 ، 1-16. [ Google Scholar ]
  9. شوستر، RL; Highland, L. اثرات اجتماعی و اقتصادی و زیست محیطی زمین لغزش در نیمکره غربی . وزارت کشور ایالات متحده، سازمان زمین شناسی ایالات متحده: دنور، CO، ایالات متحده آمریکا، 2001.
  10. علیمحمدلو، ی. نجفی، ع. Yalcin، A. فرآیند و اثرات زمین لغزش: یک روش طبقه بندی پیشنهادی. کاتنا 2013 ، 104 ، 219-232. [ Google Scholar ] [ CrossRef ]
  11. دل سولداتو، م. دی مارتیره، دی. بیانچینی، اس. توماس، آر. دی ویتا، پی. راموندینی، م. کاساگلی، ن. Calcaterra، D. ارزیابی آسیب ناشی از زمین لغزش به سازه ها: مطالعه موردی زمین لغزش Agnone (جنوب ایتالیا). گاو نر بین المللی دانشیار مهندس جئول 2019 ، 78 ، 2387-2408. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. میگون، پی. کاسپرزاک، م. Traczyk، A. چگونه DEM با وضوح بالا بر اساس LiDAR موجود در هوا به تفسیر مجدد شکل زمین کمک کرد – نمونه هایی از Sudetes، SW لهستان. Landf. مقعدی 2013 ، 22 ، 89-101. [ Google Scholar ] [ CrossRef ]
  13. Sassa, K. اعلامیه 2017 لیوبلیانا در مورد کاهش خطر زمین لغزش و تعهد کیوتو 2020 برای ارتقای جهانی درک و کاهش خطر بلایای زمین لغزش. زمین لغزش 2017 ، 14 ، 1289-1296. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. آیالو، ال. یاماگیشی، H. کاربرد رگرسیون لجستیک مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در کوه‌های Kakuda-Yahiko، ژاپن مرکزی. ژئومورفولوژی 2005 ، 65 ، 15-31. [ Google Scholar ] [ CrossRef ]
  15. اکبر، TA; Ha, SR پهنه‌بندی خطر زمین لغزش در امتداد دره کاغان هیمالیا پاکستان – با ادغام GPS، GIS و فناوری سنجش از دور. زمین لغزش 2011 ، 8 ، 527-540. [ Google Scholar ] [ CrossRef ]
  16. ریس، اس. یالچین، ا. آتاسوی، م. نیسانچی، ر. بایراک، تی. اردوران، م. سانکار، سی. Ekercin، S. سنجش از دور و نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از نسبت فرکانس و روش‌های سلسله مراتبی تحلیلی در استان ریزه (شمال شمالی ترکیه). محیط زیست علوم زمین 2011 ، 66 ، 2063-2073. [ Google Scholar ] [ CrossRef ]
  17. چالکیاس، سی. فرنتینو، م. Polykretis، C. نقشه برداری حساسیت زمین لغزش مبتنی بر GIS در شبه جزیره پلوپونز، یونان. علوم زمین 2014 ، 4 ، 176-190. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. هرواس، جی. Bobrowsky, P. Mapping: Inventory, Susceptibility, Hazard and Risk. که در زمین لغزش – کاهش خطر بلایا ؛ Springer Science and Business Media LLC.: برلین/هایدلبرگ، آلمان، 2008; صص 321-349. [ Google Scholar ]
  19. لیوچی، ال. ملیلی، ال. سوتینو، سی. Ponziani، F. نقش توپوگرافی در توزیع پوسته پوسته شدن مناطق زمین لغزش: یک رویکرد مدل سازی اتوماتای ​​سلولی. ژئومورفولوژی 2017 ، 290 ، 236-249. [ Google Scholar ] [ CrossRef ]
  20. بهاروند، س. رهنامراد، ج. سوری، س. سعادت خواه، ن. پهنه بندی حساسیت زمین لغزش در حوضه آبریز رشته کوه های زاگرس با استفاده از منطق فازی و GIS. محیط زیست علوم زمین 2020 ، 79 ، 1-10. [ Google Scholar ] [ CrossRef ]
  21. پنگ، دی. خو، Q. لیو، اف. سلام.؛ ژانگ، اس. Qi، X. ژائو، ک. Zhang، X. حالت های توزیع و شکست زمین لغزش ها در تراس هیتای، چین. مهندس جئول 2018 ، 236 ، 97-110. [ Google Scholar ] [ CrossRef ]
  22. میردا، ح. برا، س. صدیقی، م. سینگ، ب. تجزیه و تحلیل مدل‌های تصمیم‌گیری آماری دو متغیره و چند معیاره در نقشه‌برداری حساسیت زمین لغزش در دره مانداکینی پایین، هند. GeoJournal 2019 ، 85 ، 681–701. [ Google Scholar ] [ CrossRef ]
  23. گاریانو، اس ال. Guzzetti, F. رانش زمین در آب و هوای متغیر. علوم زمین Rev. 2016 , 162 , 227-252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. سها، ع. ساها، اس. مقایسه کارایی وزن شواهد، ماشین بردار پشتیبان و رویکردهای مجموعه آنها در مدل‌سازی حساسیت زمین لغزش: مطالعه بر روی منطقه Kurseong در دارجلینگ هیمالیا، هند. از راه دور. Sens. Appl. Soc. محیط زیست 2020 ، 19 ، 100323. [ Google Scholar ] [ CrossRef ]
  25. Nefeslioglu، HA; گوکچ اوغلو، سی. Sonmez, H. ارزیابی استفاده از رگرسیون لجستیک و شبکه‌های عصبی مصنوعی با استراتژی‌های نمونه‌گیری مختلف برای تهیه نقشه‌های حساسیت زمین لغزش. مهندس جئول 2008 ، 97 ، 171-191. [ Google Scholar ] [ CrossRef ]
  26. کاوزوغلو، تی. شاهین، EK; Colkesen، I. نگاشت حساسیت زمین لغزش با استفاده از تجزیه و تحلیل تصمیم گیری چند معیاره مبتنی بر GIS، ماشین های بردار پشتیبان و رگرسیون لجستیک. زمین لغزش 2013 ، 11 ، 425-439. [ Google Scholar ] [ CrossRef ]
  27. سگونی، س. رزی، ا. لاگومارسینو، دی. فانتی، ر. Casagli، N. ارتباط مختصر: استفاده از تخمین‌های میانگین رطوبت خاک برای بهبود عملکرد سیستم هشدار زودهنگام زمین لغزش در مقیاس منطقه‌ای. نات. سیستم خطرات زمین. علمی 2018 ، 18 ، 807–812. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. شهری، ع.ا. اسپروس، جی. یوهانسون، اف. لارسون، اس. نقشه خطر حساسیت زمین لغزش در جنوب غربی سوئد با استفاده از شبکه عصبی مصنوعی. Catena 2019 , 183 , 104225. [ Google Scholar ] [ CrossRef ]
  29. آچاریا، تی دی. نقشه‌برداری حساسیت زمین لغزش لی، DH با استفاده از فرکانس نسبی و نرخ پیش‌بینی‌کننده در امتداد بزرگراه آرانیکو. Ksce J. Civ. مهندس 2018 ، 23 ، 763-776. [ Google Scholar ] [ CrossRef ]
  30. شارما، LP; پاتل، ن. Ghose، MK; Debnath، P. تأثیر آنتروپی شانون بر پارامترهای ایجاد زمین لغزش برای مطالعه آسیب‌پذیری و پهنه‌بندی – مطالعه موردی در سیکیم، هند. عرب جی. ژئوشی. 2010 ، 5 ، 421-431. [ Google Scholar ] [ CrossRef ]
  31. Akgun، A. مقایسه نقشه های حساسیت زمین لغزش تولید شده با روش های رگرسیون لجستیک، تصمیم گیری چند معیاره و نسبت احتمال: مطالعه موردی در ازمیر، ترکیه. زمین لغزش 2011 ، 9 ، 93-106. [ Google Scholar ] [ CrossRef ]
  32. وخشوری، و. زارع، م. نقشه‌برداری حساسیت زمین لغزش با مقایسه وزن شواهد، منطق فازی و روش‌های نسبت فرکانس. Geomat. نات. خطر خطرات 2015 ، 7 ، 1731-1752. [ Google Scholar ] [ CrossRef ]
  33. آکگون، ا. داگ، س. Bulut، F. نقشه‌برداری حساسیت زمین لغزش برای یک منطقه مستعد زمین لغزش (Findikli، شمال شرقی ترکیه) با استفاده از نسبت احتمال-فرکانس و مدل‌های ترکیبی خطی وزن‌دار. محیط زیست علوم زمین 2008 ، 54 ، 1127-1143. [ Google Scholar ] [ CrossRef ]
  34. احمد، MF; راجرز، جی دی. اسماعیل، EH مطالعه مقدماتی حساسیت زمین لغزش در سطح منطقه ای حوضه رودخانه سند فوقانی. یورو J. Remote Sens. 2017 ، 47 ، 343-373. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. دربی شایر، ای. فورت، ام. اوون، لس آنجلس خطرات ژئومورفولوژیکی در امتداد بزرگراه قراقورام: گذرگاه خنجراب به رودخانه گیلگیت، شمالی ترین پاکستان (خطرات ژئومورفولوژیکی در بزرگراه قراقوروم: رودخانه خنجرب پس بیس زوم گیلگیت، نوردلیچستس پاکستان). Erdkunde 2001 ، 49-71. [ Google Scholar ] [ CrossRef ]
  36. کمپ، یو. گرولی، بی‌جی؛ ختک، ج.ا. نقشه‌برداری حساسیت زمین لغزش مبتنی بر Owen، LA GIS برای منطقه زلزله 2005 کشمیر. ژئومورفولوژی 2008 ، 101 ، 631-642. [ Google Scholar ] [ CrossRef ]
  37. بچه، ع. شفیق، م. وان در ورف، H. فهرست و مدل‌سازی حساسیت زمین لغزش با استفاده از ابزارهای مکانی، در دره هونزا-ناگر، شمال پاکستان. J. Mt. Sci. 2018 ، 15 ، 1354–1370. [ Google Scholar ] [ CrossRef ]
  38. علی، س. بیرمنز، پی. حیدر، ر. Reicherter، K. نقشه‌برداری حساسیت زمین لغزش با استفاده از یک سیستم اطلاعات جغرافیایی (GIS) در امتداد کریدور اقتصادی چین-پاکستان (بزرگراه Karakoram)، پاکستان. نات. سیستم خطرات زمین. علمی 2019 ، 19 ، 999–1022. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. خان، اچ. شفیق، م. خان، م.ا. باچا، MA; شاه، SU; Calligaris، C. ارزیابی حساسیت زمین لغزش با استفاده از نسبت فراوانی، مطالعه موردی شمال پاکستان. مصر. J. Remote Sens. Space Sci. 2019 ، 22 ، 11-24. [ Google Scholar ] [ CrossRef ]
  40. Zeitler، PK تاریخچه خنک کننده شمال غربی هیمالیا، پاکستان. تکتونیک 1985 ، 4 ، 127-151. [ Google Scholar ] [ CrossRef ]
  41. جید، اس. بهات، بی. یانگ، ز. بندیک، آر. گاور، وی. مولنار، پ. آناند، م. کومار، دی. اندازه‌گیری‌های GPS از لاداخ هیمالیا، هند: آزمایش‌های اولیه تغییر شکل صفحه‌مانند یا پیوسته در تبت. جئول Soc. صبح. گاو نر 2004 ، 116 ، 1385-1391. [ Google Scholar ] [ CrossRef ]
  42. گودی، ا. بروندسدن، دی. والی، دبلیو. کالینز، دی. دربی شایر، ای. ژئومورفولوژی دره هونزا، کوه‌های قراقورام، پاکستان. در پروژه بین المللی قراقورام. کنفرانس بین المللی ؛ انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 1984; صص 359-410. [ Google Scholar ]
  43. دی پیترو، جی. Pogue، KR زیرمجموعه‌های تکتوناستراتیگرافیک هیمالیا: نمایی از غرب. تکتونیک 2004 ، 23 . [ Google Scholar ] [ CrossRef ]
  44. Yeats، RS; لیلی، RJ زمین ساخت معاصر سیستم گسل پیشانی هیمالیا: چین خوردگی ها، رانش های کور و زلزله 1905 کانگرا. جی. ساختار. جئول 1991 ، 13 ، 215-225. [ Google Scholar ] [ CrossRef ]
  45. ایزاز، ع. سو، ال. عامر، ع. مهتاب، ع. لیو، ز. دونگ، ز. حمید، ف. تجزیه و تحلیل عددی ریزش سنگ و پایداری شیب در امتداد بزرگراه قراقوروم در جیجال پاتان. J. Civ. محیط زیست مهندس 2021 ، 43 ، 36-47. [ Google Scholar ]
  46. علی، س. اشنایدرویند، اس. رایچرتر، ک. کنترل ساختاری و اقلیمی جنبش‌های توده‌ای در امتداد بزرگراه قراقورام. در کارگاه انجمن جهانی زمین لغزش ; Springer: Cham, Switzerland, 2017. [ Google Scholar ] [ CrossRef ]
  47. بازایی، ن.ا. کوی، پی. کارلینگ، PA; وانگ، اچ. حسن، ج. لیو، دی. ژانگ، جی. Wen, J. افزایش خطر سیل طغیان دریاچه یخچالی در پاسخ به افزایش یخچال های طبیعی در Karakoram. علوم زمین Rev. 2020 , 103432. [ Google Scholar ] [ CrossRef ]
  48. شرودر، جی. یخبندان کواترنری Karakoram و Nanga Parbat هیمالیا. در دریای هیمالیا ؛ Routledge: لندن، بریتانیا، 1993. [ Google Scholar ]
  49. کاظمی، ق. جان، MQ زمین شناسی و تکتونیک پاکستان ; Graphic Publishers، 1997. در دسترس آنلاین: https://books.google.com.sg/books?id=tImVAAAACAAJ (در 2 فوریه 2021 قابل دسترسی است).
  50. هویت، ک. گوس، جی. بهمن های کلاگ، جی جی راک و سرعت توسعه کواترنر اواخر دره های رودخانه در Karakoram Himalaya. بولتن 2011 ، 123 ، 1836-1850. [ Google Scholar ] [ CrossRef ]
  51. هپدنیز، ک. با استفاده از روش های تحلیل سلسله مراتبی و نسبت فرکانس برای نقشه برداری حساسیت زمین لغزش در بزرگراه Isparta-Antalya (D-685)، ترکیه. عرب جی. ژئوشی. 2020 ، 13 . [ Google Scholar ] [ CrossRef ]
  52. کورادوسنگه، م. کوماران، س. Zennaro، M. پیش‌بینی زمین لغزش ناشی از بارندگی با استفاده از مدل‌های یادگیری ماشینی: مورد ناحیه Ngororero، رواندا. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 4147. [ Google Scholar ] [ CrossRef ]
  53. کاتانی، اف. لاگومارسینو، دی. سگونی، س. توفانی، وی. برآورد حساسیت زمین لغزش با تکنیک جنگل‌های تصادفی: مسائل مربوط به حساسیت و مقیاس‌پذیری. نات. سیستم خطرات زمین. علمی 2013 ، 13 ، 2815-2831. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. لی، ال. باکلانتز، ال. سولانا، سی. کانترز، اف. Kervyn, M. تاریخ یابی جریان های گدازه آتشفشان های گرمسیری با استفاده از مدل سازی فضایی بازیابی پوشش گیاهی. زمین گشت و گذار. روند. Landf. 2018 ، 43 ، 840-856. [ Google Scholar ] [ CrossRef ]
  55. اینتاراویچیان، ن. داساناندا، S. فرآیند سلسله مراتبی تحلیلی برای نقشه‌برداری حساسیت زمین لغزش در حوضه آبخیز مای چام پایین، شمال تایلند. Suranaree J. Sci. تکنولوژی 2010 ، 17 ، 1-16. [ Google Scholar ]
  56. هنگل، تی. رویتر، ژئومورفومتری HI: مفاهیم، ​​نرم افزار، کاربردها . Newnes: بوستون، MA، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  57. Peduzzi، P. زمین لغزش و پوشش گیاهی در زلزله 2005 شمال پاکستان: یک GIS و رویکرد کمی آماری. نات. سیستم خطرات زمین. علمی 2010 ، 10 ، 623-640. [ Google Scholar ] [ CrossRef ]
  58. هرن، GJ; مشارکت ژئومورفولوژیکی هارت، AB در ارزیابی خطر زمین لغزش. توسعه دهید. زمین گشت و گذار. روند. 2011 ، 15 ، 107-148. [ Google Scholar ]
  59. کیاستا، پ. دیتال، م. De Smedt، F. کاربرد فرآیند سلسله مراتبی تحلیلی (AHP) برای نقشه‌برداری حساسیت زمین لغزش: مطالعه موردی از حوزه آبخیز Tinau، غرب نپال. محاسبه کنید. Geosci. 2013 ، 52 ، 398-408. [ Google Scholar ] [ CrossRef ]
  60. گائو، جی. Sang, Y. شناسایی و برآورد خطر فاجعه جریان زمین لغزش-آوار در پردیس‌های مدارس ابتدایی و راهنمایی در یک منطقه کوهستانی در جنوب غربی چین. بین المللی J. کاهش خطر بلایا. 2017 ، 25 ، 60-71. [ Google Scholar ] [ CrossRef ]
  61. میرونیدیس، دی. پاپاژورگیو، سی. Theophanous، S. نگاشت حساسیت زمین لغزش بر اساس تاریخچه زمین لغزش و فرآیند تحلیل سلسله مراتبی (AHP). نات. خطرات 2016 ، 81 ، 245-263. [ Google Scholar ] [ CrossRef ]
  62. دولیدون، ن. هوفر، تی. جانسکی، ال. Sidle، R. آبخیزداری و مدیریت جنگل برای کاهش خطر زمین لغزش. در زمین لغزش-کاهش خطر بلایا ؛ متزلر، جی بی، اد. Springer: برلین/هایدلبرگ، آلمان، 2008; صص 633-649. [ Google Scholar ]
  63. فوربس، ک. برادهد، جی. برادینونی، AD; گری، دی. Stokes, BV Forests and Landslides: نقش درختان و جنگل ها در پیشگیری از زمین لغزش و بازسازی مناطق آسیب دیده زمین لغزش در آسیا ویرایش دوم. انتشارات رپ 2013 ، 2 ، 1-61. [ Google Scholar ]
  64. دای، اف. لی، سی. ویژگی های زمین لغزش و مدل سازی ناپایداری شیب با استفاده از GIS، جزیره لانتائو، هنگ کنگ. ژئومورفولوژی 2002 ، 42 ، 213-228. [ Google Scholar ] [ CrossRef ]
  65. Ortiz، JAV؛ Martínez-Graña، AM یک مدل شبکه عصبی اعمال شده برای تجزیه و تحلیل حساسیت زمین لغزش (Capitanejo، کلمبیا). Geomat. نات. خطر خطرات 2018 ، 9 ، 1106-1128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. توبی، ام. Filho، چند خطی AC در تجزیه و تحلیل مسیر ذرت ( Zea mays L.). J. Cereal Sci. [ CrossRef ]
  67. O’Brien، RM احتیاط در مورد قوانین سرانگشتی برای عوامل تورم واریانس. کیفیت مقدار. 2007 ، 41 ، 673-690. [ Google Scholar ] [ CrossRef ]
  68. پلی کرتیس، سی. Chalkias, C. مقایسه و ارزیابی نقشه های حساسیت زمین لغزش به دست آمده از وزن شواهد، رگرسیون لجستیک و مدل های شبکه عصبی مصنوعی. نات. خطرات 2018 ، 93 ، 249-274. [ Google Scholar ] [ CrossRef ]
  69. شاهین، EK; کولکسن، آی. Kavzoglu, T. ارزیابی مقایسه ای روش های جنگل همبستگی متعارف، جنگل تصادفی، جنگل چرخشی و رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش. Geocarto Int. 2018 ، 35 ، 341-363. [ Google Scholar ] [ CrossRef ]
  70. سان، ایکس. چن، جی. بائو، ی. هان، ایکس. ژان، جی. پنگ، دبلیو. نقشه‌برداری حساسیت زمین لغزش با استفاده از تحلیل رگرسیون لجستیک در امتداد رودخانه جینشا و شاخه‌های آن در نزدیکی شهرستان Derong و Deqin، در جنوب غربی چین. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 438. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  71. راسید، ع. باندری، NP; یاتابه، آر. عملکرد نسبت فرکانس و مدل رگرسیون لجستیک در ایجاد نقشه حساسیت زمین لغزش مبتنی بر GIS در کوه لومپوباتانگ، اندونزی. Geoenviron. Disasters 2016 , 3 , 19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. دنیسون، دی جی؛ هلمز، سی سی; مالیک، BK; اسمیت، روش‌های بیزی AF برای طبقه‌بندی و رگرسیون غیرخطی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2002; جلد 386، ص 1–296. [ Google Scholar ]
  73. Spiegelhalter، دی جی; Knill-Jones، رویکردهای آماری و دانش‌محور RP به سیستم‌های حمایت از تصمیم‌گیری بالینی، با کاربرد در گوارش. JR Stat. Soc. سر. A Gen. 1984 , 147 , 35. [ Google Scholar ] [ CrossRef ]
  74. بونهام-کارتر، GF; آگتربرگ، FP; رایت، DF ادغام مجموعه داده های زمین شناسی برای اکتشاف طلا در نوا اسکوشیا. رقم. جئول Geogr. Inf. سیستم 1989 ، 54 ، 15-23. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. بونهام-کارتر، GF سیستم های اطلاعات جغرافیایی برای دانشمندان زمین شناسی – مدل سازی با GIS. محاسبه کنید. Methods Geosci. 1994 ، 13 ، 398. [ Google Scholar ]
  76. ون وستن، سی. رنگرز، ن. Soeters, R. استفاده از اطلاعات ژئومورفولوژیکی در ارزیابی غیر مستقیم حساسیت زمین لغزش. نات. خطرات 2003 ، 30 ، 399-419. [ Google Scholar ] [ CrossRef ]
  77. شارما، اس. ماهاجان، A. ارزیابی مقایسه ای ارزش اطلاعات، نسبت فرکانس و مدل های فرآیند سلسله مراتبی تحلیلی برای نگاشت حساسیت زمین لغزش حوضه آبخیز هیمالیا، هند. گاو نر مهندس جئول محیط زیست 2019 ، 78 ، 2431-2448. [ Google Scholar ] [ CrossRef ]
  78. یوفنگ، اس. Fengxiang، J. تجزیه و تحلیل پایداری زمین لغزش بر اساس آنتروپی اطلاعات تعمیم یافته. در مجموعه مقالات کنفرانس بین المللی 2009 علوم محیطی و فناوری کاربرد اطلاعات، ووهان، چین، 4 تا 5 ژوئیه 2009. موسسه مهندسین برق و الکترونیک (IEEE): Piscataway, NJ, USA, 2009; جلد 2، ص 83-85. [ Google Scholar ]
  79. میلاگردان، ق. عباسپور، ره. خالصیان، م. ارزیابی اثرات عدم قطعیت بر پیش‌بینی وقوع زمین لغزش با استفاده از نظریه آنتروپی شانون و نظریه دمپستر-شافر. نات. خطرات 2020 ، 100 ، 49-67. [ Google Scholar ] [ CrossRef ]
  80. اوزدمیر، ا. Altural، T. مطالعه مقایسه ای نسبت فراوانی، وزن شواهد و روش های رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش: کوه های سلطان، جنوب غربی ترکیه. J. آسیایی زمین علوم. 2013 ، 64 ، 180-197. [ Google Scholar ] [ CrossRef ]
  81. حسن، ج. چن، ایکس. محمد، س. بازاری، فهرست یخچال های طبیعی سنگ NA، مدل سازی توزیع احتمال یخبندان دائمی و خطرات مرتبط در حوضه رودخانه هونزا، قراقورم غربی، پاکستان. علمی کل محیط. 2021 ، 782 ، 146833. [ Google Scholar ] [ CrossRef ]
  82. Eeckhaut، MVD; وانوالگهم، تی. پوسن، جی. گاورز، جی. ورستراتن، جی. Vandekerckhove، L. پیش بینی حساسیت زمین لغزش با استفاده از رگرسیون لجستیک رویدادهای نادر: مطالعه موردی در آردن فلاندرز (بلژیک). ژئومورفولوژی 2006 ، 76 ، 392-410. [ Google Scholar ] [ CrossRef ]
  83. Wubalem، A. نقشه‌برداری حساسیت زمین لغزش با استفاده از روش‌های آماری در حوضه آبریز Uatzau، شمال غربی اتیوپی. Geoenviron. Disasters 2021 , 8 , 1. [ Google Scholar ] [ CrossRef ]
  84. جریان های کالینز، TK Debris ناشی از شکست شیب های پر: تشخیص زودهنگام، هشدار و پیشگیری از تلفات. زمین لغزش 2008 ، 5 ، 107-120. [ Google Scholar ] [ CrossRef ]
  85. یالچین، A. یک مطالعه ژئوتکنیکی بر روی زمین لغزش در استان ترابزون، شمال شرقی، ترکیه. Appl. Clay Sci. 2011 ، 52 ، 11-19. [ Google Scholar ] [ CrossRef ]
  86. هونگ، ی. آدلر، آر. هافمن، جی. استفاده از داده های سنجش از دور ماهواره ای در نقشه برداری حساسیت زمین لغزش جهانی. نات. خطرات 2007 ، 43 ، 245-256. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  87. Egholm، DL; نادسن، MF; سندیفورد، M. طول عمر رشته‌کوه‌ها با بازخورد بین زمین لغزش و فرسایش توسط رودخانه‌ها مقیاس‌بندی شده است. طبیعت 2013 ، 498 ، 475-478. [ Google Scholar ] [ CrossRef ]
  88. کنستانتین، م. بدناریک، م. ژورچسکو، MC; Vlaicu، M. ارزیابی حساسیت زمین لغزش با استفاده از تجزیه و تحلیل آماری دو متغیره و شاخص آنتروپی در حوضه Sibiciu (رومانی). محیط زیست علوم زمین 2011 ، 63 ، 397-406. [ Google Scholar ] [ CrossRef ]
  89. Tahirkheli, RK منطقه بخیه هند و اوراسیا در شمال پاکستان: سنتز و تفسیر داده های اخیر در مقیاس صفحه. ژئودین. پاک 1979 ، 125-130. [ Google Scholar ]
  90. دی پیترو، جی. حسین، ع. احمد، من. Khan, MA The Main Mantle Thrust in Pakistan: شخصیت و وسعت آن. جئول Soc. لندن. مشخصات انتشار 2000 ، 170 ، 375-393. [ Google Scholar ] [ CrossRef ]
  91. بنچلها، اس. Chennaoui Aoudjehane، H.; حکداویی، م. الحمدونی، ر. منصوری، ح. بنچلها، تی. لیلمام، م. Alaoui، M. نقشه‌برداری حساسیت زمین لغزش در شهرداری اودکا، شمال مراکش: مقایسه بین مدل‌های رگرسیون لجستیک و شبکه‌های عصبی مصنوعی. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2019 ، XLII-4/W12 ، 41–49. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  92. نجمیجر، ر. د هاس، ا. دوست، ر. Budde, P. ILWIS 3.0 Academic: User’s Guide. 2001. در دسترس آنلاین: https://www.itc.nl/ilwis/users-guide/ (در 2 فوریه 2021 قابل دسترسی است).
  93. اسلام، م. سادو، ک. توسعه نقشه های خطر سیل بنگلادش با استفاده از تصاویر NOAA-AVHRR با GIS. هیدرول. علمی J. 2000 , 45 , 337-355. [ Google Scholar ] [ CrossRef ]
  94. اوچی، س. رحمان، ن. Kakiuchi، H. مطالعه ای در مورد ارزیابی خطر سیل در بنگلادش با استفاده از سنجش از دور و GIS. J. Jpn. Soc. فتوگرام از راه دور. Sens. 1991 , 30 , 34-38. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  95. پارک، اس. چوی، سی. کیم، بی. کیم، جی. نقشه‌برداری حساسیت زمین لغزش با استفاده از نسبت فرکانس، فرآیند سلسله مراتب تحلیلی، رگرسیون لجستیک و روش‌های شبکه عصبی مصنوعی در منطقه Inje، کره. محیط زیست علوم زمین 2012 ، 68 ، 1443-1464. [ Google Scholar ] [ CrossRef ]
  96. رحیم، من. علی، س.م. اسلم، M. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از فرآیند تحلیل سلسله مراتبی در ناحیه گیزر، گیلگیت بالتستان پاکستان. جی. ژئوشی. محیط زیست Prot. 2018 ، 6 ، 34-49. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  97. کانوال، س. عاطف، س. شفیق، M. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS از مناطق شمالی پاکستان، مطالعه موردی حوضه‌های شیگر و شیوک. Geomat. نات. خطرات خطرات 2016 ، 8 ، 348-366. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00315 g001 550
شکل 1. موقعیت منطقه مورد مطالعه با خطرات زمین (GHs: geohazards).
Ijgi 10 00315 g002 550
شکل 2. ( الف ) نقشه زمین شناسی منطقه مورد مطالعه ( https://gsp.gov.pk و https://en.cgs.gov.cn/ (دسترسی در 2 فوریه 2021)) و ( ب ) نقشه زمین ساختی با مرکز زمین لرزه های 10 دهه گذشته ( https://gsp.gov.pk و https://en.cgs.gov.cn/ )(دسترسی در 2 فوریه 2021)). Ns = سنگهای رسوبی نئوژن، Pg = سنگهای دگرگونی و آذرین پالئوژن، Q = سنگهای رسوبی چهارتایی، Ts = سنگهای متا رسوبی سوم، Ks = باتولیت میوسن تا کرتاسه و پلوتونها، Tkim = سنگهای میوسن تا کرتاسه متعارض، Tkim = سنگهای میوسن تا کرتاسه سنگهای سوم، Tks = سنگهای دگرگونی میوسن تا کرتاسه، Mz = سنگهای رسوبی ژوراسیک و کرتاسه، Jtr = سنگهای آذرین ژوراسیک و تریاس، Trcs = سنگهای آذرین تریاس زیرین تا کربونیفر بالا = سنگهای آذرین کربونیفر بالا، Trms-Mezoodioic. و سنگهای آذرین و دگرگونی نفوذی پالئوزوئیک، Ig = سنگهای آذرین و دگرگونی پرمین تا کربونیفر، Pzu = سنگهای آذرین پالئوزوئیک بالایی، Cs = سنگهای متا رسوبی و رسوبی کربونیفر، D = سنگهای دونین،
Ijgi 10 00315 g003a 550 Ijgi 10 00315 g003b 550
شکل 3. عوامل شرطی‌سازی مورد استفاده برای نقشه‌های حساسیت به خطرات زمین: ( الف ) NDVI، ( ب ) TWI، ( ج ) فاصله تا گسل‌ها، ( د ) ارتفاع، ( ه ) میانگین سالانه بارندگی، ( f ) شیب، ( گرم ) جنبه شیب ، ( h ) انحنای نمایه، ( i ) فاصله تا رودخانه ها، ( j ) فاصله تا جاده، ( ک ) پوشش زمین، و ( l ) SPI.
Ijgi 10 00315 g004 550
شکل 4. عوامل کنترل کننده توزیع فضایی مخاطرات زمین از طریق مدل های LR، SE و FR به دست آمده است.
Ijgi 10 00315 g005 550
شکل 5. نقشه‌های حساسیت زمین‌خطر توسعه‌یافته با استفاده از: ( الف ) رگرسیون لجستیک، ( ب ) وزن شواهد، ( ج ) نسبت فرکانس، و ( د ) مدل‌های آنتروپی شانون.
Ijgi 10 00315 g006 550
شکل 6. درصد کلاس های حساسیت به خطرات زمین از مدل های رگرسیون لجستیک، وزن شواهد، نسبت فرکانس و آنتروپی شانون.
Ijgi 10 00315 g007 550
شکل 7. عوامل کنترل کننده توزیع فضایی مخاطرات زمینی به دست آمده از طریق مدل WoE.
Ijgi 10 00315 g008 550
شکل 8. مقایسه داده های صحت زمین و مشاهدات میدانی با نتایج مدل رگرسیون لجستیک. ( الف ) نمای کلی دره هونزا: ( Ai ) فرونشست زمین و لغزش های کم عمق، ( A.ii ) اتاباد-هونزا، ( A.iii ) زیر برش دامنه ها، ( A.iv ) نمای هوایی از دره هونزا. ( B ) بخش Gilgit: ( Bi ) نمای هوایی (تصاویر Google Earth)، ( B.ii ) Debris fan. ( ج ) توده نانگا پاربات هاراموش ( نحوهای غربی ) و ( د ) بخش داسو.
Ijgi 10 00315 g009 550
شکل 9. مقایسه مساحت زیر منحنی های عملیاتی گیرنده نقشه های حساسیت زمین. ( الف ) آموزش مدل ها و ( ب ) تست منحنی AUROC.
Ijgi 10 00315 g010 550
شکل 10. مقایسه نقشه های حساسیت با استفاده از یک ماتریس ضرب دو بعدی: ( الف ) LR در مقابل WoE، ( ب ) LR در مقابل FR، ( c ) LR در مقابل SE، ( d ) WoE در مقابل FR، ( e ) WoE در مقابل SE، و ( f ) FR در مقابل SE. VL: بسیار کم، L: کم، M: متوسط، H: زیاد، و VH: بسیار زیاد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید