ارزیابی حساسیت خطر زمین شناسی بر اساس روش ارزش اطلاعاتی تقسیم منطقه ای

ارزیابی سنتی حساسیت مخاطرات زمین‌شناسی معمولاً شامل یک ارزیابی حساسیت جهانی کل منطقه مورد مطالعه است، اما تفاوت‌های بین مناطق محلی ناشی از عدم ایستایی فضایی را نادیده می‌گیرد. با توجه به این موضوع، از مدل رگرسیون وزنی جغرافیایی (GWR) برای تقسیم منطقه مورد مطالعه در مقیاس منطقه ای استفاده شد. هفت ناحیه محلی با همبستگی خودکار فضایی کم هر عامل ارزیابی به دست آمد. علاوه بر این، 11 عامل ارزیابی شامل جنبه، ارتفاع، انحنا، زبری زمین، دامنه تسکین، شیب، سنگ‌شناسی، فاصله از گسل، ارتفاع شیب برش، میانگین بارندگی چند ساله و شاخص گیاهی تفاوت نرمال شده (NDVI) انتخاب شدند. ایجاد سیستم شاخص ارزیابی حساسیت خطر زمین شناسی. برای حذف عوامل ارزیابی با همبستگی بالا از ضریب پیرسون استفاده شد. منطقه جهانی و هفت منطقه محلی برای حساسیت با استفاده از مدل ارزش اطلاعاتی ارزیابی شدند و نتایج ارزیابی حساسیت تقسیم جهانی و منطقه ای به دست آمد. نتایج نشان می دهد که مدل ارزش اطلاعات تقسیم منطقه ای عملکرد پیش بینی بهتری (AUC = 0.893) و دقت بهتری دارد. این مدل به اندازه کافی تأثیر عوامل تأثیر مخاطره زمین شناسی در مناطق مختلف محلی را بر حساسیت خطر زمین شناسی در نظر می گیرد و تأثیر برخی از عوامل را که تأثیر بیشتری در مدل جهانی دارند اما تأثیر کمتری در مناطق محلی بر نتایج ارزیابی دارند، تضعیف می کند. از این رو،

کلید واژه ها:

رگرسیون وزنی جغرافیایی ; مدل ارزش اطلاعات ; خطر زمین شناسی ؛ ارزیابی حساسیت

1. مقدمه

در سال‌های اخیر، با توسعه سریع رایانه، فناوری‌های سنجش از دور و اطلاعات جغرافیایی، قابلیت‌های جمع‌آوری و پردازش داده‌ها در زمینه تحقیقات خطرات زمین‌شناسی افزایش یافته است. تصاویر سنجش از دور بسیار دقیق، مدل‌های رقومی ارتفاع (DEM) و پردازش راحت داده‌ها شرایط بی‌سابقه‌ای را برای مطالعه ارزیابی‌های حساسیت خطرات زمین‌شناسی فراهم کرده‌اند. از دهه 1990، معرفی نظریه‌ها، روش‌ها، آمار، نظریه‌های احتمالات و ریاضیات فازی مختلف در حوزه تحقیقات خطرات زمین‌شناسی، مدل ارزیابی و روش‌های حساسیت به خطرات زمین‌شناسی را غنی‌تر کرده است.

در حال حاضر، تحقیق در مورد ارزیابی حساسیت در مرحله توسعه است و از ارزیابی کیفی سنتی به ارزیابی کمی یا ترکیبی از هر دو کیفی و کمی تغییر می‌کند. روش های ارزیابی کیفی شامل فرآیند تحلیل سلسله مراتبی (AHP) [ 1 ، 2 ، 3 ، 4 ]، روش شاخص جامع [ 5 ] است.] و غیره این روش ها عمدتاً متکی به تجربه تخصصی و منطقی و کاربردی هستند. با این حال، عیب این است که آنها به شدت به تجربه متخصص وابسته هستند، بنابراین بسیار ذهنی هستند و دخالت انسانی قابل توجهی دارند. روش‌های ارزیابی کمی مبتنی بر داده‌ها هستند و می‌توانند احتمال خطرات زمین‌شناسی را به‌طور عینی‌تر استنباط کنند. روش های ارزیابی کمی عمدتاً شامل تحلیل های رگرسیون لجستیک [ 6 ، 7 ، 8 ، 9 ، 10 ]، شبکه های عصبی [ 11 ، 12 ، 13 ]، ماشین های بردار پشتیبان [ 14 ، 15 ، 16 ، 17 ، 18 است.]، جنگل های تصادفی [ 19 ، 20 ]، مدل های ارزش اطلاعاتی [ 21 ، 22 ، 23 ] و غیره تحلیل رگرسیون لجستیک ساده است و از روش حداقل مربعات برای حل ضرایب رگرسیون لجستیک استفاده می کند. فرآیند محاسبه تحت تأثیر عوامل ذهنی قرار نمی گیرد، اما ایجاد عدم قطعیت داده ها در مناطقی با پوشش گیاهی بالا آسان است و در نتیجه نتایج رگرسیون غیرقابل اطمینان حاصل می شود [ 24 ].]. شبکه های عصبی با ویژگی های توزیع آماری مستقل داده ها، خودآموزی و حافظه انجمنی مشخص می شوند. آنها توانایی قابل توجهی در مدیریت داده های ناقص یا ناقص و مسائل غیرخطی و پیچیده دارند، اما معایب آنها، مانند دشواری در انتخاب نمونه های آموزشی، چندین مرحله تکرار و توانایی ضعیف جستجوی جهانی، کاربرد آنها را برای ارزیابی حساسیت محدود می کند [ 12 ].]. مدل‌های ماشین بردار پشتیبان، مدل‌های جنگل تصادفی و سایر مدل‌های یادگیری ماشینی دارای راندمان و قدرت پیش‌بینی بالایی هستند، اما به مقدار زیادی از داده‌های خطر زمین‌شناسی رخ داده به عنوان پشتیبانی آموزشی در مطالعات ارزیابی حساسیت نیاز دارند. بنابراین، آنها در مناطق متوسط یا کوچک که خطرات کمتر است، قابل استفاده نیستند. روش ارزش اطلاعاتی مبتنی بر نقاط فاجعه شناخته شده و عوامل فاجعه‌آمیز است و ارزش اطلاعاتی سهم هر یک از عوامل فاجعه‌آفرین را محاسبه و یک مدل پیش‌بینی ایجاد می‌کند. در مقایسه با روش‌های دیگر، روش اطلاعاتی به تعداد زیادی داده‌های نقطه فاجعه نیاز ندارد و در مناطقی با تعداد تقسیمات واحدهای زیاد، مزایای بیشتری دارد. با این حال، این فقط می تواند احتمال وقوع بلایا را تحت ترکیب خاصی از عوامل مختلف تأثیرگذار منعکس کند. تفاوت در میزان تأثیر هر عامل را نمی توان منعکس کرد [22 ]. بر اساس ارزیابی کیفی، روش ارزیابی ترکیبی کمی-کیفی با استفاده از روش‌های سلسله مراتبی و وزنی بر کاستی‌های ذهنی قوی و دخالت انسان در روش‌های ارزشیابی کیفی غلبه می‌کند. این روشی است که برای مطالعات منطقه ای قابل استفاده است [ 25 ، 26]. بسیاری از محققان تعداد زیادی از مطالعات ارزیابی کمی-کیفی ترکیبی را برای بهبود دقت مدل‌های ارزیابی کمی یا کیفی انجام داده‌اند. به عنوان مثال، در سال 2012، Fan Linfeng و همکاران. ابتدا یک مدل ارزش اطلاعات وزنی بر اساس AHP پیشنهاد کرد. یک تجزیه و تحلیل کیفی از طریق AHP انجام شد، وزن‌هایی به هر عامل ارزیابی اختصاص داده شد و ارزش اطلاعات به‌دست‌آمده از ارزیابی کمی در وزن ضرب شد تا ارزش اطلاعات وزنی به دست آید [ 22 ].]. این مدل ارزش اطلاعات وزن‌دار کیفی-کمی کمبودی را در نظر گرفت که مدل اطلاعات خالص نمی‌توانست تأثیر هر یک از عوامل ارزیابی را بر وقوع بلایای زمین‌شناسی منعکس کند، و نتایج ارزیابی دقیق‌تر و قابل‌اعتمادتر را ایجاد کرد.

اگرچه اهمیت مقیاس در ارزیابی حساسیت خطرات زمین شناسی توسط برخی از محققان مورد توجه قرار گرفته است، برخی از کارهای تحقیقاتی انجام شده است [ 27 ، 28 ، 29 ، 30 ]. با این حال، مطالعات ارزیابی حساسیت فعلی به ندرت تغییرات در رابطه یا ساختار بین عوامل ارزیابی را به دلیل تغییرات در موقعیت جغرافیایی، یعنی غیر ایستایی فضایی در نظر می‌گیرند [ 31 ، 32 ، 33 ، 34 .]. اکثر مدل های ارزیابی بر اساس مقیاس جهانی برای ایجاد رابطه بین حساسیت خطر زمین شناسی و عوامل ارزیابی است. مدل جهانی در ارزیابی حساسیت بر اساس داده های کل منطقه مورد مطالعه برای محاسبه پارامترهای مدل ارزیابی است. رابطه بین عوامل ارزیابی قبل از تجزیه و تحلیل “همسانگرد” فرض می شود، بدون توجه به ویژگی های محلی رابطه بین عوامل ارزیابی، یعنی عوامل ارزیابی یکسان درجات مختلفی از اهمیت در مناطق مختلف محلی دارند که منجر به پدیده می شود. ارزیابی بیش از حد یا کمتر در مناطق محلی. ناهمگونی فضایی قابل توجهی در وقوع مخاطرات زمین شناسی و ارتباط آنها بین عوامل ارزیابی وجود دارد. که با تغییر موقعیت جغرافیایی می تواند تغییر کند. بنابراین، در نظر گرفتن ناهمگونی مکانی هر یک از عوامل ارزیابی و کاهش همبستگی مکانی هر یک از عوامل ارزیابی در فرآیند ارزیابی حساسیت خطرات زمین‌شناسی می‌تواند دقت ارزیابی آن را بهبود بخشد.

برای رسیدگی به این مسائل، یک تقسیم منطقی منطقه ای منطقه مورد مطالعه ضروری است. مدل‌های رگرسیون وزن‌دار جغرافیایی (GWR) را می‌توان برای ترسیم منطقه مورد مطالعه با ایجاد یک معادله رگرسیون محلی در هر نقطه در محدوده مکانی، برای کشف تغییرپذیری فضایی شی مورد مطالعه در یک مقیاس معین و محرک‌های مرتبط و برای پیش‌بینی استفاده کرد. .

به منظور تحقیق در مورد تغییرات در رابطه یا ساختار بین عوامل ارزیابی ناشی از تغییرات موقعیت جغرافیایی، اهمیت عوامل ارزیابی یکسان در مناطق مختلف محلی برای وقوع خطرات زمین‌شناسی برای بهبود دقت خطر زمین‌شناسی ضروری است. ارزیابی حساسیت این مقاله شهرستان Changxing را به عنوان منطقه مورد مطالعه انتخاب کرد و از مدل رگرسیون وزنی جغرافیایی (GWR) برای تقسیم منطقه مورد مطالعه و به دست آوردن مناطق محلی با خود همبستگی فضایی کم برای هر عامل ارزیابی استفاده کرد. بر اساس داده‌های مناطق محلی، مدل‌های محلی با پارامترهای مدل متفاوت برای مناطق مختلف ساخته شد. با استفاده از پلتفرم ArcGIS،

2. منطقه مطالعه

شهرستان چانگ شینگ در استان ژجیانگ بین طول‌های جغرافیایی 119 درجه و 33 دقیقه شرقی و 120 درجه و 06 دقیقه شرقی و عرض‌های جغرافیایی 30 درجه و 43 دقیقه شمالی و 31 درجه و 11 دقیقه شمالی با مساحت کل 1430.48 کیلومتر مربع واقع شده است ⁽ شکل 1).). آب و هوای منطقه مورد مطالعه یک آب و هوای موسمی شمال نیمه گرمسیری شرق آسیا با چهار فصل متمایز است. بارندگی در شهرستان چانگ شینگ فراوان است و به دلیل توپوگرافی به طور نابرابر در منطقه توزیع می شود، با افزایش بارندگی از دشت ها به مناطق تپه ای و کوهستانی در شمال غربی (شهر میشان) و جنوب (شهر هپینگ). منطقه مورد مطالعه دارای برجستگی توپوگرافی مشخصی است که در غرب زمین بالاتر و در شرق پایین تر است، با دامنه ارتفاعی 0 تا 577 متر. از سه طرف به سمت شمال و جنوب غربی توسط کوهها احاطه شده است، عمدتاً بقایای کوههای تیانمو و موگان، و دره ها متقاطع و عمیق هستند. چینه شناسی از سیلورین تا کواترنر در معرض دید است. چهار نوع سازه سنگی اصلی در دامنه های صخره ای منطقه مورد مطالعه وجود دارد، یعنی بلوک، لایه لایه، ساختارهای شکسته و سست ساختارهای بلوکی و لایه ای رایج تر هستند و عمدتاً از سنگ های آتشفشانی و رسوبی کمتر هوازده تشکیل شده اند. ساختار تکتونیکی در ناحیه انتقالی کمربند تاشو پلتفرم جیانگ نان توده یانگ تسه واقع شده است. تحت تأثیر جنبش هندوسین-یانشان و جنبش هیمالیا، شکستگی‌ها ایجاد شد و سنگ‌های ناحیه شکستگی شکسته و از نظر ساختاری سست شدند و آنها را مستعد رانش زمین و ریزش می‌کند. فعالیت‌های مهندسی زیادی وجود دارد که باعث ایجاد خطرات زمین‌شناسی می‌شود، مانند قطع شیب در مناطق کوهستانی، راه‌سازی، استخراج معادن، جنگل‌زدایی و احیای شیب‌های تند. به طور خلاصه، ساختار پیچیده زمین شناسی فوق منجر به خطرات زمین شناسی مکرر شده است.

تا ماه مه 2021، 152 نقطه فاجعه تاریخی در شهرستان چانگ شینگ، از جمله 64 فروریختن و 88 رانش زمین وجود داشت. مقیاس خطرات زمین شناسی عمدتاً در مقیاس کوچک بود که از این تعداد 6 مورد در مقیاس متوسط، 82 مورد در مقیاس کوچک و بقیه ناشناخته بودند. یک زمین لغزش در مقیاس متوسط با حجم ریزش بالقوه حدود 16000 متر مکعب ^، 33 زمین لغزش در مقیاس کوچک با حجم ریزش بالقوه متفاوت از 8 مترمکعب ^تا 4500 مترمکعب ^وجود داشت. پنج زمین لغزش در مقیاس متوسط با حجم لغزش بالقوه 13000 مترمکعب ^تا 244800 مترمکعب ^و صفر زمین لغزش در مقیاس کوچک با حجم لغزش بالقوه 50 مترمکعب ^تا 64600 مترمکعب ^وجود داشت.

3. روش ها و داده ها

در این مطالعه دو مقیاس از مطالعات ارزیابی حساسیت به خطرات زمین برای کل منطقه مورد مطالعه و مناطق محلی انجام شد که مسیر در شکل 2 نشان داده شده است .

3.1. روش های پژوهش

3.1.1. بخش منطقه ای

به منظور بررسی تفاوت در نتایج ارزیابی حساسیت خطر زمین‌شناسی بر اساس مدل ارزش اطلاعاتی در مقیاس‌های فضایی مختلف، یک مدل رگرسیون وزن‌دار جغرافیایی به‌عنوان مدل تقسیم منطقه‌ای برای انجام تحلیل رگرسیون بر روی تأثیر مخاطرات زمین‌شناسی انتخاب شد. عوامل و مخاطرات زمین شناسی رخ داده در منطقه مورد مطالعه.

مدل رگرسیون وزن‌دار جغرافیایی (GWR) یک تکنیک تحلیل فضایی است که توسط فاثرینگهام پیشنهاد شده است، که توسعه‌ای از مدل رگرسیون خطی معمولی است که موقعیت جغرافیایی داده‌ها را در پارامترهای رگرسیون تعبیه می‌کند [ 30 ]. بنابراین، رگرسیون وزن‌دار جغرافیایی یک مدل ریاضی مؤثر برای مقابله با ناایستایی فضایی با عبارات زیر است.

yمن=β0(تومن،vمن)+∑ک=1پβک(تومن،vمن)ایکسمنک+εمن

(1)

جایی که yمنمتغیر وابسته است، ایکسمنکk امین متغیر توضیحی گروه i است، من=1،2،⋯،nتعداد نمونه است، (تومن،vمن)مختصات نقطه نمونه من است (مثلاً مختصات طول و عرض جغرافیایی)، βک(تومن،vمن)پارامتر رگرسیون k برای من نقطه نمونه به عنوان تابعی از موقعیت جغرافیایی و ε _i خطای تصادفی نقطه نمونه من است.

پارامتر رگرسیون β(تومن،vمن)معمولاً با استفاده از روش حداقل مربعات تخمین زده می شود:

β(تومن،vمن)=(ایکستیدبلیو(تومن،vمن)ایکس)-1ایکستیدبلیو(تومن،vمن)Y

(2)

جایی که دبلیو(تومن،vمن)بسته به تابع وزن فضایی انتخابی، ماتریس مورب مرتبه n است. تابع گواس به عنوان تابع وزن فضایی در این مطالعه انتخاب شد.

روش تابع گاوس:

wمنj=انقضا[-(دمنj/ب)2]

(3)

که در آن b پهنای باند و دمنjفاصله بین نقاط نمونه i و j است.

3.1.2. مدل ارزش اطلاعات

مدل ارزش اطلاعاتی یک روش آماری دو متغیره بسیار محبوب با معنای فیزیکی واضح، عملیات ساده و عملی بالا است که می‌تواند ارزیابی کمی خطرات زمین‌شناسی را با عوامل متعددی که تعیین کمیت آنها دشوار است، بهتر حل کند. این یک مدل ارزیابی کمی است که از طریق تجزیه و تحلیل آماری رابطه بین داده‌های خطر زمین‌شناسی تاریخی و هر عامل ارزیابی، میزان مشارکت طبقات مختلف عوامل ارزیابی را در وقوع خطرات زمین‌شناسی نشان می‌دهد. مقدار اطلاعات خطر زمین شناسی I _ij را می توان به صورت زیر بیان کرد:

منمنj=لوگاریتمنمنj/ناسمنj/اس

(4)

در فرمول:

I _ij – مقدار اطلاعات مربوط به وقوع خطرات زمین شناسی تحت کلاس j برای ضریب ارزیابی i

N _ij – تعداد خطرات زمین شناسی رخ داده در زیر کلاس j برای ضریب ارزیابی i

N – تعداد کل خطرات زمین شناسی شناخته شده در منطقه مورد مطالعه

S _ij – مساحت ضریب ارزیابی i در کلاس j

S – مساحت کل منطقه مورد مطالعه

مقدار کل ارزش اطلاعات در واحد ارزیابی با معادله (5) به دست می آید:

من=∑من=1nمنمنj=∑من=1nلوگاریتمنمنj/ناسمنj/اس

(5)

مقدار کل اطلاعات I برای تعیین سطح حساسیت واحد استفاده می شود. هر چه ارزش اطلاعاتی کل عوامل ارزیابی در واحد ارزیابی بیشتر باشد، احتمال وقوع مخاطرات زمین شناسی بیشتر می شود.

3.2. انتخاب عوامل ارزیابی حساسیت

وقوع خطرات زمین شناسی تحت تأثیر ترکیبی از شرایط اساسی زمین شناسی و محیطی (به عنوان مثال، توپوگرافی، ژئومورفولوژی، شرایط زمین شناسی) و عوامل مستعد کننده (به عنوان مثال، زلزله و فعالیت های انسانی) است. در این مطالعه با استناد به نتایج تحقیق مربوطه [ 35 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41] و با در نظر گرفتن وضعیت مخاطرات زمین شناسی در منطقه مورد مطالعه، ابتدا عوامل توپوگرافی و ژئومورفولوژیکی از جمله جهت، ارتفاع، انحنا، ناهمواری زمین، دامنه و شیب را انتخاب کردیم. عوامل زمین شناسی، از جمله سنگ شناسی و فاصله از گسل. و عوامل فعالیت مهندسی انسانی، از جمله ارتفاع شیب برش و سایر عوامل موثر در شاخص تفاوت نرمال شده گیاهی (NDVI) برای میانگین بارندگی چند ساله. در مجموع یازده عامل ارزیابی وجود داشت. به منظور جلوگیری از افزونگی داده ها و تأثیر بر دقت مدل ارزیابی، ضریب همبستگی پیرسون محاسبه شد. ضریب همبستگی پیرسون از -1 تا 1 متغیر است. وقتی مقدار مطلق آن |r| است به 1 نزدیک تر است، یعنی رابطه خطی بین دو عامل بیشتر است. وقتی مقدار مطلق ضریب 1 باشد، این دو عامل را می توان به خوبی با معادله خطی توصیف کرد. رابطه بین ضریب همبستگی پیرسون و همبستگی به سه سطح تقسیم می شود. وقتی 0 ≤ |r| <0.3، این دو عامل همبستگی پایینی دارند. وقتی 0.3 ≤ |r| < 0.8، دو عامل دارای همبستگی متوسط هستند. وقتی 0.8 ≤ |r| <1، این دو عامل همبستگی بالایی دارند. در مطالعات ارزیابی حساسیت، زمانی که همبستگی متوسط یا زیاد وجود دارد، باید یکی از عوامل ارزیابی حذف شود تا همبستگی حذف شود. ضرایب همبستگی پیرسون بین عوامل ارزیابی در نشان داده شده است رابطه بین ضریب همبستگی پیرسون و همبستگی به سه سطح تقسیم می شود. وقتی 0 ≤ |r| <0.3، این دو عامل همبستگی پایینی دارند. وقتی 0.3 ≤ |r| < 0.8، دو عامل دارای همبستگی متوسط هستند. وقتی 0.8 ≤ |r| <1، این دو عامل همبستگی بالایی دارند. در مطالعات ارزیابی حساسیت، زمانی که همبستگی متوسط یا زیاد وجود دارد، باید یکی از عوامل ارزیابی حذف شود تا همبستگی حذف شود. ضرایب همبستگی پیرسون بین عوامل ارزیابی در نشان داده شده است رابطه بین ضریب همبستگی پیرسون و همبستگی به سه سطح تقسیم می شود. وقتی 0 ≤ |r| <0.3، این دو عامل همبستگی پایینی دارند. وقتی 0.3 ≤ |r| < 0.8، دو عامل دارای همبستگی متوسط هستند. وقتی 0.8 ≤ |r| <1، این دو عامل همبستگی بالایی دارند. در مطالعات ارزیابی حساسیت، زمانی که همبستگی متوسط یا زیاد وجود دارد، باید یکی از عوامل ارزیابی حذف شود تا همبستگی حذف شود. ضرایب همبستگی پیرسون بین عوامل ارزیابی در نشان داده شده است در مطالعات ارزیابی حساسیت، زمانی که همبستگی متوسط یا زیاد وجود دارد، باید یکی از عوامل ارزیابی حذف شود تا همبستگی حذف شود. ضرایب همبستگی پیرسون بین عوامل ارزیابی در نشان داده شده است در مطالعات ارزیابی حساسیت، زمانی که همبستگی متوسط یا زیاد وجود دارد، باید یکی از عوامل ارزیابی حذف شود تا همبستگی حذف شود. ضرایب همبستگی پیرسون بین عوامل ارزیابی در نشان داده شده استجدول 1 . ضریب همبستگی پیرسون بین دامنه تسکین و ارتفاع و شیب بیشتر از 0.3 و کمتر از 0.8 با همبستگی متوسط بود. علاوه بر این، شیب عامل مهمی بر پایداری سنگ شیب و توده خاک بود. ارتفاع تا حدودی دامنه تسکین را در منطقه مورد مطالعه منعکس می کند و شیب و ارتفاع معمولاً در اکثر مطالعات برای ارزیابی آسیب پذیری استفاده می شود. بنابراین، دامنه تسکین در نهایت حذف شد و 10 عامل ارزیابی برای ایجاد یک سیستم شاخص ارزیابی حفظ شد. منابع داده در جدول 2 نشان داده شده است.

داده های عامل ارزیابی در این پژوهش شامل انواع پیوسته و گسسته بود. ارتفاع، انحنا، زبری سطح، شیب، NDVI، شیب برش ارتفاع و بارندگی داده‌های پیوسته بودند که توسط بهینه‌سازی شکست طبیعی جنکس طبقه‌بندی شدند. بهینه‌سازی شکست‌های طبیعی Jenks یک روش خوشه‌بندی داده است که برای تعیین بهترین آرایش مقادیر در کلاس‌های مختلف طراحی شده است. این کار با به حداقل رساندن انحراف میانگین هر کلاس از میانگین کلاس انجام می شود، در حالی که انحراف هر کلاس از میانگین گروه های دیگر به حداکثر می رسد. به عبارت دیگر، این روش واریانس درون کلاس ها را کاهش می دهد و واریانس بین کلاس ها را به حداکثر می رساند. علاوه بر این، این جنبه نیز داده های پیوسته بود، اما دارای استاندارد درجه بندی پذیرفته شده در جغرافیا و زندگی واقعی بود که در مجموع در هشت جهت درجه بندی شده بود: شمال، شمال شرق، شرق، جنوب شرق، جنوب، جنوب غرب، غرب و شمال غرب. سنگ شناسی داده های گسسته بود و از گروه بندی طبیعی اصلی برای طبقه بندی استفاده شد. برای فاکتور فاصله از گسل، با توجه به این اصل که هر چه به گسل نزدیکتر باشد، بیشتر در معرض فاجعه زمین شناسی است، یک حائل ایجاد شد و طبقات هر یک از عوامل ارزیابی نشان داده شده است.شکل 3 . در این مطالعه از سلول شطرنجی 200 متر × 200 متر به عنوان سلول ارزیابی استفاده شد. از آنجایی که دو نوع داده وجود داشت، داده های شطرنجی و داده های برداری، همه داده ها باید بر اساس ArcGIS به سلول ارزیابی تقسیم شده تبدیل شوند. ابتدا داده های برداری با استفاده از ابزار چند ضلعی به شطرنجی به سلول های شطرنجی تبدیل شدند. دوم، داده‌های نوع شطرنجی به هر سلول ارزیابی در منطقه مورد مطالعه با استفاده از یک ابزار آمار منطقه‌ای با توجه به تأثیر عوامل ارزیابی بر مخاطرات زمین، همانطور که در جدول 3 نشان داده شده است، اختصاص داده شد .

3.2.1. عوامل توپوگرافی و ژئومورفولوژیکی

جنبه به طور غیر مستقیم بر پایداری شیب تأثیر می گذارد. شیب ها با جنبه های مختلف از نظر زمان نور، شدت نور و بارندگی تفاوت زیادی دارند. بنابراین پوشش گیاهی و رطوبت خاک در بدنه شیب متفاوت است که به نوبه خود بر پایداری شیب تأثیر می گذارد. ارتفاع عامل مهمی است که بر وقوع خطرات زمین شناسی تأثیر می گذارد، میزان نوسانات زمین در منطقه مورد مطالعه را منعکس می کند و تنش موجود در بدنه ژئوتکنیکی در شیب، مقیاس و سرعت خطرات زمین شناسی و اندازه را تعیین می کند. از صورت خالی انحنا برای نشان دادن تغییر تحریف سطح شیب استفاده می شود. اگر انحنای مثبت باشد، شیب محدب است. اگر انحنا منفی باشد، شیب مقعر است. اگر انحنای صفر یا نزدیک به صفر باشد، سطح صاف یا زمین ملایم است. ناهمواری زمین شاخصی است که تغییرات موجی سطح و درجه فرسایش را منعکس می کند. زبری سطح به طور کلی به عنوان نسبت یک عنصر سطح در سطح به منطقه پیش بینی شده آن در صفحه افقی تعریف می شود. هر چه زبری بیشتر باشد، فرسایش شدیدتر و احتمال ایجاد خطرات زمین شناسی بیشتر می شود. تأثیر اصلی شیب بر وقوع خطرات زمین شناسی، تعیین توزیع تنش در بدنه ژئوتکنیکی در شیب، تأثیر بر رواناب سطحی، سطح آب زیرزمینی و تجمع رسوبات شیب سست و تأثیرگذاری بر فعالیت های مهندسی انسانی است. تاثیر بر پایداری شیب ناهمواری زمین شاخصی است که تغییرات موجی سطح و درجه فرسایش را منعکس می کند. زبری سطح به طور کلی به عنوان نسبت یک عنصر سطح در سطح به منطقه پیش بینی شده آن در صفحه افقی تعریف می شود. هر چه زبری بیشتر باشد، فرسایش شدیدتر و احتمال ایجاد خطرات زمین شناسی بیشتر می شود. تأثیر اصلی شیب بر وقوع خطرات زمین شناسی، تعیین توزیع تنش در بدنه ژئوتکنیکی در شیب، تأثیر بر رواناب سطحی، سطح آب زیرزمینی و تجمع رسوبات شیب سست و تأثیرگذاری بر فعالیت های مهندسی انسانی است. تاثیر بر پایداری شیب ناهمواری زمین شاخصی است که تغییرات موجی سطح و درجه فرسایش را منعکس می کند. زبری سطح به طور کلی به عنوان نسبت یک عنصر سطح در سطح به منطقه پیش بینی شده آن در صفحه افقی تعریف می شود. هر چه زبری بیشتر باشد، فرسایش شدیدتر و احتمال ایجاد خطرات زمین شناسی بیشتر می شود. تأثیر اصلی شیب بر وقوع خطرات زمین شناسی، تعیین توزیع تنش در بدنه ژئوتکنیکی در شیب، تأثیر بر رواناب سطحی، سطح آب زیرزمینی و تجمع رسوبات شیب سست و تأثیرگذاری بر فعالیت های مهندسی انسانی است. تاثیر بر پایداری شیب زبری سطح به طور کلی به عنوان نسبت یک عنصر سطح در سطح به منطقه پیش بینی شده آن در صفحه افقی تعریف می شود. هر چه زبری بیشتر باشد، فرسایش شدیدتر و احتمال ایجاد خطرات زمین شناسی بیشتر می شود. تأثیر اصلی شیب بر وقوع خطرات زمین شناسی، تعیین توزیع تنش در بدنه ژئوتکنیکی در شیب، تأثیر بر رواناب سطحی، سطح آب زیرزمینی و تجمع رسوبات شیب سست و تأثیرگذاری بر فعالیت های مهندسی انسانی است. تاثیر بر پایداری شیب زبری سطح به طور کلی به عنوان نسبت یک عنصر سطح در سطح به منطقه پیش بینی شده آن در صفحه افقی تعریف می شود. هر چه زبری بیشتر باشد، فرسایش شدیدتر و احتمال ایجاد خطرات زمین شناسی بیشتر می شود. تأثیر اصلی شیب بر وقوع خطرات زمین شناسی، تعیین توزیع تنش در بدنه ژئوتکنیکی در شیب، تأثیر بر رواناب سطحی، سطح آب زیرزمینی و تجمع رسوبات شیب سست و تأثیرگذاری بر فعالیت های مهندسی انسانی است. تاثیر بر پایداری شیب

3.2.2. عوامل زمین شناسی

توده سنگ و خاک مبنای مادی برای وقوع خطرات زمین شناسی است. انواع مختلف سنگ و توده خاک از نظر مقاومت در برابر هوا و فرسایش متفاوت است که بر میزان توسعه خطرات زمین شناسی در منطقه مورد مطالعه تأثیر می گذارد. بر اساس سنگ شناسی چینه شناسی شهرستان چانگ شینگ، با توجه به درجه سختی سنگ، سنگ ها به پنج دسته (1-5) طبقه بندی می شوند که مربوط به: سنگ هایی است که سخت و از نظر ساختاری دست نخورده هستند. سنگ هایی که نسبتاً سخت هستند و از نظر ساختاری دست نخورده کمتری دارند. سنگ های نسبتا شکسته و دارای ساختار موزاییک. سنگ های شکسته شده و دارای سطوح ساختاری نرم و سنگ هایی که به طور استثنایی شکسته شده اند و دارای سطوح ساختاری نرم پیوسته هستند، همانطور که در شکل 3 F نشان داده شده است.

ساختار زمین شناسی صفحه ساختاری ضعیف را کنترل می کند و شیب های نزدیک به گسل اغلب در توسعه خطرات زمین شناسی متمرکز می شوند. هنگامی که تحت تأثیر عوامل القا کننده قرار می گیرند، خطرات زمین شناسی بیشتر احتمال دارد رخ دهد.

3.2.3. فعالیت های مهندسی انسانی و سایر عوامل موثر

فعالیت های انسانی یکی از عوامل متعددی است که باعث ایجاد خطرات زمین شناسی می شود، از جمله بریدن شیب ها و ساختن جاده ها یا خانه ها. هر چه ارتفاع شیب برش بیشتر باشد، احتمال ناپایداری شیب و بروز خطرات زمین شناسی بیشتر می شود. پوشش گیاهی با تثبیت خاک از طریق سیستم ریشه و افزایش مقاومت برشی خاک می تواند تأثیر بیشتری بر پایداری شیب ها داشته باشد. بارندگی یکی از عوامل مهم تأثیرگذار بر بلایای زمین شناسی است. بارندگی چند ساله پایداری توده سنگ-خاک را تغییر می دهد و در صورت بارندگی شدید یا مداوم در فصل بارندگی، افزایش خود وزنی بدنه شیب و تغذیه آب زیرزمینی می تواند باعث مقاومت برشی بین بستر لغزشی شود. و بدنه زمین لغزش کاهش یابد،

3.3. قضاوت اهمیت عامل ارزیابی

در دهه 1980، J. Moody و C. Darken یک مدل ساختاری برای شبکه های عصبی پیشنهاد کردند که به عنوان شبکه های تابع پایه شعاعی (شبکه های RBF) نیز شناخته می شود، که در آن سه لایه از شبکه های عصبی پیشخور گنجانده شده است. شبکه‌های RBF شبکه‌های تقریبی محلی هستند که مزایای بی‌نظیری از لحاظ ورودی و خروجی ارائه می‌دهند. مدل شبکه RBF همچنین می تواند اهمیت ویژگی ها را با تغییر هر ویژگی به نوبه خود و با پیش بینی نهایی مدل اندازه گیری کند [ 42 ، 43 ].

بنابراین، در این مطالعه، از مدل شبکه عصبی RBF برای اندازه‌گیری اهمیت هر یک از عوامل ارزیابی، همانطور که در شکل 4 نشان داده شده است ، استفاده شد تا اطمینان حاصل شود که عوامل ارزیابی انتخاب‌شده بر وقوع خطرات زمین‌شناسی در ارزیابی تأثیر داشته‌اند. حساسیت به خطرات زمین شناسی نتایج نشان داد که اهمیت هر یک از عوامل بیش از 05/0 است که نشان می دهد عوامل انتخاب شده بر وقوع مخاطرات زمین شناسی در منطقه مورد مطالعه تأثیر داشته اند. هر نه عامل شاخص ارزیابی در مدل ارزیابی آورده شد.

نتایج رتبه‌بندی اهمیت هر یک از عوامل ارزیابی در مقیاس جهانی نشان داد که بعد و NDVI دو عامل برتر ارزیابی هستند. این نشان می دهد که در مقیاس گستره کلی جهانی، پوشش گیاهی و رطوبت خاک شیب های جنبه های مختلف بسیار متفاوت بوده و شیب آفتابی به دلیل سرعت هوازدگی سریع سنگ و بارندگی زیاد بیشتر مستعد خطرات زمین شناسی است. بنابراین، این جنبه حاوی تأثیر بسیاری از عوامل محیطی و زمین‌شناسی بر وقوع مخاطرات زمین‌شناسی بوده و بیشترین تأثیر را داشته است. NDVI دومین عامل مهم ارزیابی بود که پوشش گیاهی سطح را منعکس می کرد. از آنجایی که منطقه مورد مطالعه دارای پوشش گیاهی شدید بود، استحکام برشی خاک و اثر آبشستگی مستقیم بارندگی بر روی بدنه شیب تا حد زیادی تحت تأثیر پوشش گیاهی قرار گرفت. بنابراین پوشش گیاهی تأثیر زیادی بر پایداری بدنه شیب داشت. هشت عامل ارزیابی باقی‌مانده دارای ویژگی‌های منطقه‌ای بیشتری بر روی وقوع خطرات زمین بودند. بارندگی از دشت مرکزی به سمت شمال غربی (شهرستان میشان) و جنوب (شهرک هپینگ) کوه های تپه ای افزایش یافت. گسل ها عمدتاً در شهر میشان، شهر لیجیاکسیانگ و مناطق دیگر توسعه یافته اند. هر چه به گسل نزدیکتر باشد، احتمال وقوع خطرات زمینی بیشتر است. بنابراین، گسل تأثیر کمتری بر گستره جهانی مخاطرات زمینی داشت، اما تأثیر بیشتری بر منطقه محلی داشت. شیب های بریده شده عمدتاً در پای برخی از دامنه ها پراکنده بودند که فقط بر پایداری شیب های خاص تأثیر داشت. از این رو،

4. نتایج

در این مطالعه دو مقیاس ارزیابی حساسیت خطر زمین شناسی در منطقه مورد مطالعه انجام شد. ابتدا یک مدل ارزش اطلاعاتی برای ارزیابی حساسیت خطرات زمین شناسی در کل منطقه مورد مطالعه ساخته شد. دوم، از آنجایی که مخاطرات زمین شناسی یک پدیده طبیعی هستند، وقوع و توزیع آنها با غیر ایستایی فضایی، غیرخطی و عدم قطعیت مشخص می شود. به منظور بهبود دقت ارزیابی حساسیت خطرات زمین شناسی توسط مدل ارزش اطلاعاتی و در نظر گرفتن کاملتر تأثیر عوامل مؤثر بر خطر زمین شناسی در مناطق مختلف محلی بر حساسیت به خطرات زمین شناسی، در این مطالعه از مدل رگرسیون وزنی جغرافیایی برای تجزیه و تحلیل توزیع مکانی عوامل مهم بلایای زمین شناسی استفاده شد. با توجه به نتایج تجزیه و تحلیل خود همبستگی، منطقه مورد مطالعه به مناطق محلی با خود همبستگی فضایی پایین برای هر عامل ارزیابی تقسیم شد. یک مدل ارزش اطلاعاتی برای هر منطقه محلی ایجاد شد و نتایج ارزیابی حساسیت خطر زمین شناسی در هر منطقه محلی برای به دست آوردن نتایج ارزیابی حساسیت خطر زمین شناسی تحت شرایط تقسیم منطقه ای خلاصه شد.

4.1. ارزیابی حساسیت جهانی بر اساس مدل ارزش اطلاعاتی

ارزش اطلاعات ده عامل ارزیابی با استفاده از مدل ارزش اطلاعاتی برای کل منطقه مورد مطالعه شهرستان چانگ شینگ محاسبه شد. ارزش اطلاعات برای به دست آوردن ارزش اطلاعات کل واحد ارزیابی روی هم قرار گرفت ( جدول 3 ) و ارزش کل اطلاعات به عنوان شاخص حساسیت استفاده شد. در نهایت، حساسیت خطر زمین شناسی به پنج کلاس زیر تقسیم شد: بسیار کم، کم، متوسط، زیاد و بسیار زیاد با استفاده از روش طبقه بندی شکست های طبیعی جنکس ( شکل 5 ).

4.2. ارزیابی حساسیت مناطق محلی بر اساس مدل ارزش اطلاعات بخش منطقه ای

ضرایب رگرسیون وزنی جغرافیایی عوامل ارزیابی با استفاده از ماژول رگرسیون وزنی جغرافیایی در نرم افزار ArcGIS به دست آمد. از آنجایی که ضرایب رگرسیون رگرسیون وزنی جغرافیایی تابعی از موقعیت جغرافیایی بود ( شکل 6نتایج تقسیم منطقه ای با خود همبستگی فضایی کم هر یک از عوامل ارزیابی به دست آمد. ضرایب رگرسیون وزن‌دار جغرافیایی هر عامل ارزیابی بر اساس روش طبقه‌بندی شکست‌های طبیعی جنکس طبقه‌بندی شد تا اطمینان حاصل شود که ضرایب رگرسیون وزن‌دار جغرافیایی دسته‌های مختلف بسیار متفاوت است، یعنی خود همبستگی فضایی کم است. به منظور در نظر گرفتن جامع تأثیر عوامل تأثیر خطر زمین شناسی منطقه محلی بر حساسیت خطر زمین شناسی، اصول زیر برای تقسیم منطقه ای اتخاذ شد.

روند تقسیم مناطق محلی اطمینان حاصل کرد که هر منطقه نقاط فاجعه را توزیع کرده است. از لحاظ نظری، نتایج طبقه‌بندی همه عوامل ارزیابی ضرایب رگرسیون وزن‌دار جغرافیایی برای به دست آوردن نتایج تقسیم منطقه‌ای روی هم قرار گرفتند. برای جلوگیری از وضعیت مناطق محلی خیلی ریز و سلول های شطرنجی به عنوان یک منطقه محلی، دو عامل ارزیابی برتر از نظر اهمیت، یعنی جهت شیب و NDVI، به عنوان این عامل تقسیم منطقه ای انتخاب شدند.

هر عامل با استفاده از روش طبقه‌بندی شکست‌های طبیعی جنکس به سه دسته طبقه‌بندی شد و نتایج طبقه‌بندی همه عوامل ارزیابی با پارامترهای رگرسیون وزن‌دار جغرافیایی روی هم قرار گرفتند و به‌صورت دستی برای به دست آوردن نتایج تقسیم منطقه‌ای نهایی تجدید نظر شدند ( شکل 6 ). ارزش کل اطلاعات هر سلول شبکه برای هر منطقه محلی با استفاده از مدل ارزش اطلاعات محاسبه شد ( جدول 3 ). پس از ترکیب نتایج محاسبات برای کل منطقه مورد مطالعه، حساسیت خطر زمین شناسی به پنج کلاس زیر تقسیم شد: بسیار کم، کم، متوسط، زیاد و بسیار زیاد ( شکل 7 ).

تغییرات در مقادیر اطلاعات، منطقه درجه بندی شده هر عامل ارزیابی و توزیع نقاط خطر در سطح جهانی و در هر منطقه محلی در شکل 8 نشان داده شده است. Asp b، Asp c، Asp d، Asp e، Asp f، Asp g، Asp h; الئه اِله ب، الی ج، ایله د، ایله ای; Cur a، Cur b، Cur c، Cur d، Cur e; GR a، GR b، GR c، GR d، GR e; Slo a, Slo b, Slo c, Slo d, Slo e; Lit a، Lit b، Lit c، Lit d، Lit e; DFF a، DFF b، DFF c، DFF d، DFF e; HCS a، HCS b، HCS c، HCS d; NDVIa، NDVIb، NDVIc، NDVId، NDVIe؛ RAIN a، RAIN b، RAIN c، RAIN d، RAIN e، مطابق با هر طبقه بندی عوامل ارزیابی، همانطور که در جدول 3 نشان داده شده است.

4.3. اعتبار سنجی مدل

به منظور ارزیابی دقت و توانایی پیش‌بینی مدل ارزش اطلاعات جهانی و مدل ارزش اطلاعات منطقه‌ای، از منحنی مشخصه عملکرد گیرنده (ROC) برای تأیید صحت دو مدل در این مطالعه استفاده شد. بر اساس ماتریس سردرگمی، نمرات دقت، فراخوان و F1 دو مدل محاسبه شد.

هرچه منحنی ROC به سمت چپ بالا نزدیک‌تر باشد، دقت نتیجه پیش‌بینی بیشتر می‌شود. مساحت منحنی و محور X معمولاً برای اندازه گیری دقت نتیجه پیش بینی استفاده می شود. هر چه مقدار AUC بزرگتر باشد، دقت پیش‌بینی بالاتر است. محور طولی منحنی ROC نشان‌دهنده میزان (حساسیت) مثبت واقعی است و در ارزیابی حساسیت خطرات زمین‌شناسی، درصد تجمعی خطرات زمین‌شناسی واقعی را در هر سطح حساسیت در منطقه مورد مطالعه نشان می‌دهد. محور عرضی نشان دهنده نرخ مثبت کاذب (ویژگی) و در ارزیابی حساسیت به خطرات زمین شناسی، نشان دهنده تجمع به علاوه درصد هر سطح حساسیت در منطقه مورد مطالعه است. از منحنی ROC ( شکل 9) مقادیر AUC مدل اطلاعات جهانی و مدل ارزش اطلاعات تقسیم منطقه ای به ترتیب 852/0 و 893/0 بود. نتایج نشان داد که مدل اطلاعات تقسیم بندی در مقیاس منطقه ای دقت پیش بینی مدل ارزش اطلاعات را بهبود بخشید.

دقت ویژه نتیجه پیش‌بینی‌شده است و نشان‌دهنده احتمال یک نمونه مثبت واقعی از بین تمام نمونه‌های مثبت ارزیابی‌شده است، که نشان‌دهنده دقت پیش‌بینی کلی، از جمله نمونه‌های مثبت و منفی است. در این تحقیق کلیه نقاط خطر تاریخی به عنوان نمونه مثبت و نقاط غیرخطر با تعداد نقاط خطر تاریخی یکسان به صورت تصادفی به عنوان نمونه های منفی بر اساس ابزار انتخاب تصادفی ArcGIS انتخاب شدند. بالاترین سطح حساسیت که در همسایگی 3×3 نمونه مثبت رخ می دهد به عنوان نتیجه پیش بینی این نمونه و کمترین سطح حساسیت که در همسایگی 3×3 نمونه منفی رخ می دهد به عنوان نتیجه پیش بینی این نمونه انتخاب شد. فراخوان برای نمونه اصلی بود، به عنوان مثال، احتمال پیش‌بینی یک نمونه مثبت در یک نمونه مثبت واقعی، و برای اندازه‌گیری اینکه آیا یک نمونه مثبت در نتیجه پیش‌بینی از قلم افتاده است یا خیر، استفاده شد. مقدار F1 میانگین مجموع دقت و فراخوان است که معادل شاخص ارزیابی ترکیبی دقت و یادآوری است. ایده اصلی F1 افزایش دقت و یادآوری تا حد ممکن و همچنین کاهش تفاوت بین این دو تا حد ممکن است. در این مطالعه، دقت، یادآوری و مقادیر F1 مدل اطلاعاتی جهانی و مدل اطلاعات بخش بندی در مقیاس منطقه ای به طور جداگانه محاسبه شد، همانطور که در نشان داده شده است. مقدار F1 میانگین مجموع دقت و فراخوان است که معادل شاخص ارزیابی ترکیبی دقت و یادآوری است. ایده اصلی F1 افزایش دقت و یادآوری تا حد ممکن و همچنین کاهش تفاوت بین این دو تا حد ممکن است. در این مطالعه، دقت، یادآوری و مقادیر F1 مدل اطلاعاتی جهانی و مدل اطلاعات بخش بندی در مقیاس منطقه ای به طور جداگانه محاسبه شد، همانطور که در نشان داده شده است. مقدار F1 میانگین مجموع دقت و فراخوان است که معادل شاخص ارزیابی ترکیبی دقت و یادآوری است. ایده اصلی F1 افزایش دقت و یادآوری تا حد ممکن و همچنین کاهش تفاوت بین این دو تا حد ممکن است. در این مطالعه، دقت، یادآوری و مقادیر F1 مدل اطلاعاتی جهانی و مدل اطلاعات بخش بندی در مقیاس منطقه ای به طور جداگانه محاسبه شد، همانطور که در نشان داده شده است.جدول 4 . نتایج نشان می‌دهد که مدل اطلاع‌رسانی تقسیم‌بندی در مقیاس منطقه‌ای از دقت بالاتر و عملکرد پیش‌بینی بالاتری برخوردار است.

5. بحث

ارزیابی حساسیت خطرات زمین شناسی وظیفه اصلی ادارات مربوطه برای انجام پیشگیری و کنترل خطرات زمین شناسی است. مدل رگرسیون وزن‌دار جغرافیایی می‌تواند یک تقسیم منطقی از منطقه مورد مطالعه را برای مطالعه تأثیر عوامل ارزیابی بر مخاطرات زمین‌شناسی در مناطق مختلف محلی در اختیار محققان قرار دهد. در این تحقیق با توجه به اینکه رگرسیون وزن‌دار جغرافیایی یک روش آماری است، مکانیسم وقوع خطر زمین در نظر گرفته نشده است. بنابراین، لازم بود ارزیابی حساسیت با ترکیب آن با یک مدل ارزش اطلاعاتی یا مدل‌های دیگری که بتواند مکانیسم وقوع خطر را منعکس کند، تکمیل شود. با افزایش منطقه مطالعه، عدم ایستایی فضایی احتمالی قوی تر شد و تقسیم منطقه ای مورد نیاز بود. با کاهش مساحت منطقه مورد مطالعه، عدم ایستایی فضایی هموار بود، همبستگی خودکار همان عامل ارزیابی قوی بود، و میزان تأثیر بر مخاطرات زمین‌شناسی مشابه بود، بنابراین نیازی به تقسیم‌بندی بیشتر نبود. برای حساسیت خطر زمین شناسی در سطح شهر و پایین تر، ارزیابی شیب های فردی برای بهبود دقت ارزیابی حساسیت مورد نیاز است. بنابراین، استفاده از مدل رگرسیون وزن‌دار جغرافیایی در ارزیابی سطح حساسیت خطر زمین‌شناختی برای مناطق تقسیم‌شده در سطح شهر و بالاتر قابل اجرا است. همبستگی خود همبستگی همان عامل ارزیابی قوی بود و میزان تأثیر بر مخاطرات زمین‌شناسی مشابه بود، بنابراین نیازی به تقسیم‌بندی بیشتر نبود. برای حساسیت خطر زمین شناسی در سطح شهر و پایین تر، ارزیابی شیب های فردی برای بهبود دقت ارزیابی حساسیت مورد نیاز است. بنابراین، استفاده از مدل رگرسیون وزن‌دار جغرافیایی در ارزیابی سطح حساسیت خطر زمین‌شناختی برای مناطق تقسیم‌شده در سطح شهر و بالاتر قابل اجرا است. همبستگی خود همبستگی همان عامل ارزیابی قوی بود و میزان تأثیر بر مخاطرات زمین‌شناسی مشابه بود، بنابراین نیازی به تقسیم‌بندی بیشتر نبود. برای حساسیت خطر زمین شناسی در سطح شهر و پایین تر، ارزیابی شیب های فردی برای بهبود دقت ارزیابی حساسیت مورد نیاز است. بنابراین، استفاده از مدل رگرسیون وزن‌دار جغرافیایی در ارزیابی سطح حساسیت خطر زمین‌شناختی برای مناطق تقسیم‌شده در سطح شهر و بالاتر قابل اجرا است. برای بهبود دقت ارزیابی حساسیت، ارزیابی‌های شیب‌ها مورد نیاز است. بنابراین، استفاده از مدل رگرسیون وزن‌دار جغرافیایی در ارزیابی سطح حساسیت خطر زمین‌شناختی برای مناطق تقسیم‌شده در سطح شهر و بالاتر قابل اجرا است. برای بهبود دقت ارزیابی حساسیت، ارزیابی‌های شیب‌ها مورد نیاز است. بنابراین، استفاده از مدل رگرسیون وزن‌دار جغرافیایی در ارزیابی سطح حساسیت خطر زمین‌شناختی برای مناطق تقسیم‌شده در سطح شهر و بالاتر قابل اجرا است.

در این تحقیق منطقه مورد مطالعه بر اساس مدل رگرسیون وزنی جغرافیایی به مناطق محلی تقسیم شد. تغییرات در میزان تأثیر همان عامل ارزیابی بر مخاطرات جغرافیایی منطقه به دلیل تغییرات در موقعیت جغرافیایی به دست آمد. تغییر در اهمیت عوامل ارزیابی برای هر یک از مناطق محلی در شکل 10 نشان داده شده است . بر اساس تغییرات در اهمیت عوامل ارزیابی، از مدل ارزش اطلاعاتی برای ارزیابی حساسیت خطر زمین شناسی در دو مقیاس استفاده شد. با توجه به نتایج ارزش اطلاعاتی نشان داده شده در جدول 3، کلاس با بالاترین ارزش اطلاعات برای هر عامل ارزیابی نیز در مکان های مختلف تغییر کرد. برای مثال، مقدار اطلاعات جنوب غربی در بین طبقات جنبه در مقیاس جهانی بالاترین بود، اما جهت با بالاترین مقدار اطلاعات در بین طبقات جنبه در منطقه 1 به سمت غرب تغییر کرد، به این معنی که در مقیاس جهانی، خطرات زمین شناسی به احتمال زیاد در جهت جنوب غربی رخ می دهد، اما در جهت غرب – مرکزی در منطقه 1. بر اساس تقسیم منطقه ای، تغییر در سهم عوامل ارزیابی و تغییر در مقدار اطلاعات هر طبقه عامل ارزیابی پس از بخش‌های منطقه‌ای با هم ترکیب شدند و با استفاده از ارزیابی حساسیت مقیاس منطقه‌ای تکمیل شدند. تغییرات ناحیه حساسیت نشان داد که سطح حساسیت منطقه کوهستانی در جنوب غربی لیجیاکسیانگ و منطقه کوهستانی در شمال شهرستان میشان کاهش یافته است، در حالی که سطح سطح منطقه حساسیت بسیار بالا در شهرستان شویکو و جیاپو کاهش یافته است. شهرستان افزایش یافت سطح حساسیت برخی از واحدهای شطرنجی در سایر شهرستان‌ها نیز تغییر کرد.

پس از تجزیه و تحلیل آماری، مساحت مناطق حساس و توزیع نقاط خطر در جدول 5 نشان داده شده است.. نتایج پهنه بندی حساسیت مدل ارزش اطلاعاتی تقسیم منطقه ای نشان داد که مساحت اشغال شده توسط مناطق حساس کم و متوسط افزایش یافته است، مساحت اشغال شده توسط مناطق حساس بسیار کم، زیاد و بسیار زیاد کاهش یافته است که نتایج ارزیابی حساسیت را به همراه دارد که مطابقت بیشتری با وضعیت واقعی منطقه مورد مطالعه علاوه بر این، تعداد نقاط پرخطر زمین‌شناسی تاریخی توزیع‌شده در منطقه حساس بسیار بالا به‌طور قابل‌توجهی افزایش یافت، بنابراین پهنه‌بندی حساسیت مدل اطلاعات تقسیم منطقه‌ای با الگوی توزیع نقاط خطر زمین‌شناسی تاریخی در منطقه مورد مطالعه سازگارتر بود که این امر ارزیابی را بهبود بخشید. دقت مدل سنتی اطلاعات جهانی

در این مقاله محدودیت های اصلی به شرح زیر بود. (1) زمین لغزش ها و فروپاشی ها به عنوان خطرات زمین شناسی برای ارزیابی حساسیت یکسان شدند و برای ارزیابی حساسیت زمین شناسی تعمیم یافته بهبود یافتند. تجزیه و تحلیل‌ها بر روی تغییرات در میزان تأثیر عامل ارزیابی یکسان بر وقوع خطرات زمین در مناطق مختلف انجام شد، اما به میزان تأثیر یک عامل ارزیابی روی انواع مختلف خطرات توجهی نکرد. در مطالعات آتی، رابطه بین عوامل ارزیابی، مقیاس های منطقه ای و انواع خطر باید به طور جامع در نظر گرفته شود. (2) تقسیم منطقه ای از طریق مدل GWR به دست آمد و مدل های تقسیم مختلف منجر به اعداد و اشکال مختلف مناطق محلی می شود که بر دقت ارزیابی حساسیت تأثیر می گذارد.

6. نتیجه گیری

(1) با در نظر گرفتن شهرستان چانگ شینگ به عنوان منطقه مورد مطالعه و سلول شطرنجی به عنوان واحد ارزیابی، 9 عامل ارزیابی شامل جنبه، ارتفاع، انحنا، ناهمواری سطح، شیب، سنگ شناسی، فاصله از گسل، ارتفاع شیب برش و شاخص گیاهی تفاوت نرمال شده (NDVI). حساسیت مناطق جهانی و محلی منطقه مورد مطالعه بر اساس پلت فرم ArcGIS با استفاده از مدل ارزش اطلاعاتی ارزیابی شد و دو نتیجه ارزیابی به پنج کلاس حساسیت بسیار کم، کم، متوسط، زیاد و بسیار زیاد تقسیم شدند.

(2) مدل ارزش اطلاعات تقسیم منطقه ای هر عامل ارزیابی در منطقه محلی را با خود همبستگی فضایی کم ارائه کرد. این مدل هر منطقه محلی را مستقل از یکدیگر نشان می‌دهد، یعنی تأثیر هر یک از عوامل ارزیابی بر مخاطرات زمین‌شناسی مستقل از یکدیگر است. این امر تأثیر برخی از عوامل را که در مدل جهانی اهمیت بیشتری داشتند اما در منطقه محلی تأثیر کمتری داشتند، تضعیف کرد. این تفاوت ها در سهم هر یک از عوامل ارزیابی در مناطق مختلف محلی را بهتر منعکس می کند و کاستی های مدل ارزش اطلاعات جهانی را توضیح می دهد. نتایج ارزیابی با تغییرات موقعیت جغرافیایی و شرایط محیطی زمین‌شناسی در منطقه مورد مطالعه سازگارتر بود.

(3) استفاده از مدل ارزش اطلاعات تقسیم منطقه ای و مدل ارزش اطلاعات جهانی برای ارزیابی حساسیت شهرستان چانگ شینگ، استان ژجیانگ، منحنی ROC و توزیع فضایی نقاط خطر تاریخی نشان داد که مدل ارزش اطلاعات تقسیم منطقه ای دقیق تر است. نتایج ارزیابی مقادیر AUC مدل اطلاعات ارزش جهانی و مدل ارزش تقسیم اطلاعات منطقه ای به ترتیب 0.847 و 0.865 بود. مدل ارزش تقسیم اطلاعات منطقه ای دقت ارزیابی مدل اطلاعات سنتی را بهبود بخشید و همچنین از نظر دقت و عملکرد پیش بینی عملکرد بهتری داشت. این برای هدایت مدیریت ریسک و پیشگیری از بلایا و کار کاهش مناسب تر بود.

منابع

Gu، XB; وو، ST; وو، QH; Zhu، YH AHP-روش مبتنی بر مدل ابری معمولی برای ارزیابی ریسک خطرات ریزش سنگ در Laoying Yan. پول جی. محیط زیست. گل میخ. 2021 ، 30 ، 4985-4995. [ Google Scholar ] [ CrossRef ] [ PubMed ]
گوریرو، ال. دی ناپولی، ام. نوولینو، آ. دی مارتیره، دی. ریسپولی، سی. تره فرنگی.؛ زنبور عسل، ای. هریسون، ا. Calcaterra، D. ارزیابی حساسیت چند خطری با استفاده از فرآیند سلسله مراتبی تحلیلی: مطالعه موردی سایت میراث جهانی یونسکو دره دره میلز درونت (بریتانیا). J. Cult. میراث. 2022 ، 55 ، 339-345. [ Google Scholar ] [ CrossRef ]
مصطفی، SSR; العریفی، NS; جعفری، م.ک. نعیم، م. علوادی، EA; Metwaly، MA نقشه ریزپهنه‌بندی لرزه‌ای سطح اول استان المدینه، غرب عربستان سعودی با استفاده از رویکرد سیستم اطلاعات جغرافیایی. محیط زیست علوم زمین 2016 ، 75 ، 251. [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. چن، سی. Huang, Z. ماتریس سه علامتی مدل ارزیابی AHP و کاربرد آن را در حساسیت به خطرات زمین شناسی بهبود می بخشد. Disaster Adv. 2010 ، 3 ، 411-415. [ Google Scholar ]
Anaokar، GS; خمبته، AK; مدل‌سازی بیوگاز کریستین، RA با شاخص جامع فازی فاضلاب و لجن شهری. محیط زیست Prog. حفظ کنید. انرژی 2020 , 40 , e13502. [ Google Scholar ] [ CrossRef ]
Gokceoglu، C. بحث در مورد “ترکیب نقشه های حساسیت زمین لغزش به دست آمده از نسبت فرکانس، رگرسیون لجستیک، و مدل های شبکه عصبی مصنوعی با استفاده از تصاویر ASTER و GIS”. مهندس جئول 2012 ، 129 ، 104-105. [ Google Scholar ] [ CrossRef ]
پرادان، ب. سنجش از دور و تحلیل خطر زمین لغزش مبتنی بر GIS و اعتبارسنجی متقابل با استفاده از مدل رگرسیون لجستیک چند متغیره در سه منطقه آزمایشی در مالزی. Adv. Space Res. 2010 ، 45 ، 1244-1256. [ Google Scholar ] [ CrossRef ]
وو، سی. کوون، اچ. لی، سی. Kim, K. نقشه پیش‌بینی خطر زمین لغزش بر اساس مدل رگرسیون لجستیک برای اعمال در کل کشور کره جنوبی. J. کره ای Soc. خطر میتیگ. 2014 ، 14 ، 117-123. [ Google Scholar ] [ CrossRef ]
خو، سی. خو، X. دای، اف. وو، زی. او، اچ. شی، اف. وو، ایکس. Xu, S. استفاده از فهرست ناقص زمین لغزش، مدل رگرسیون لجستیک و اعتبار سنجی آن برای نقشه برداری حساسیت زمین لغزش مربوط به زلزله ونچوان چین در 12 می 2008. نات خطرات 2013 ، 68 ، 883-900. [ Google Scholar ] [ CrossRef ]
ژائو، ایکس. Chen, W. بهینه سازی مدل های هوش محاسباتی برای ارزیابی حساسیت زمین لغزش. از راه دور. Sens. 2020 , 12 , 2180. [ Google Scholar ] [ CrossRef ]
Quan، HC; لی، نقشه برداری حساسیت زمین لغزش مبتنی بر GIS با استفاده از فرآیند تحلیل سلسله مراتبی و شبکه عصبی مصنوعی در ججو (کره). KSCE J. Civ. مهندس 2012 ، 16 ، 1258-1266. [ Google Scholar ] [ CrossRef ]
تیان، ی. خو، سی. هونگ، اچ. ژو، Q. وانگ، دی. نقشه‌برداری حساسیت زمین لغزش ناشی از زلزله با استفاده از مدل‌های شبکه عصبی مصنوعی (ANN): نمونه‌ای از رویداد 2013 Minxian (چین) Mw 5.9. Geomat. نات خطر خطرات 2018 ، 10 ، 1-25. [ Google Scholar ] [ CrossRef ]
سانگاراتوس، پ. Benardos، A. برآورد حساسیت زمین لغزش از طریق یک طبقه‌بندی شبکه عصبی مصنوعی. نات خطرات 2014 ، 74 ، 1489-1516. [ Google Scholar ] [ CrossRef ]
بین تای، پ. دیو تین، بی. Prakash, I. ماشین‌های بردار پشتیبان مبتنی بر بسته‌بندی برای پیش‌بینی فضایی زمین لغزش. محیط زیست علوم زمین 2018 ، 77 ، 146. [ Google Scholar ]
کومار، دی. تاکور، م. Dubey، CS; Shukla، نقشه برداری و پیش بینی حساسیت زمین لغزش با استفاده از ماشین بردار پشتیبان برای حوضه رودخانه مانداکینی، گارهوال هیمالیا، هند. ژئومورفولوژی 2017 ، 295 ، 115-125. [ Google Scholar ] [ CrossRef ]
اورهان، او. بیلگیلی اوغلو، اس.اس. کایا، ز. Ozcan، AK; Bilgilioglu، H. ارزیابی و نقشه‌برداری حساسیت زمین لغزش با استفاده از روش‌های مختلف یادگیری ماشین. Geocarto Int. 2020 ، 37 ، 2795-2820. [ Google Scholar ] [ CrossRef ]
فام، بی تی؛ پراکاش، آی. چن، دبلیو. لی، H.-B. هو، LS; امیدوار، ای. تران، معاون; Bui، DT یک رویکرد هوشمند جدید از یک ماشین بردار پشتیبان مبتنی بر بهینه‌سازی متوالی برای نقشه‌برداری حساسیت زمین لغزش. پایداری 2019 ، 11 ، 6323. [ Google Scholar ] [ CrossRef ]
یو، ال. کائو، ی. ژو، سی. وانگ، ی. Huo, Z. نقشه‌برداری حساسیت زمین لغزش با ترکیب نسبت به دست آوردن اطلاعات و ماشین‌های بردار پشتیبانی: مطالعه موردی از بخش ووشان در منطقه مخزن سه دره، چین. Appl. علمی 2019 ، 9 ، 4756. [ Google Scholar ] [ CrossRef ]
کیم، جی سی. لی، اس. یونگ، اچ.-اس. لی، اس. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های جنگل تصادفی و درخت تقویت‌شده در پیونگ چانگ، کره. Geocarto Int. 2018 ، 33 ، 1000-1015. [ Google Scholar ] [ CrossRef ]
سان، دی. ون، اچ. وانگ، دی. Xu, J. یک مدل جنگل تصادفی از نگاشت حساسیت زمین لغزش بر اساس بهینه سازی هایپرپارامتر با استفاده از الگوریتم بیز. ژئومورفولوژی 2020 ، 362 ، 107201. [ Google Scholar ] [ CrossRef ]
با، س. چن، ی. دنگ، س. وو، کیو. یانگ، جی. Zhang, J. یک مدل ارزش اطلاعاتی بهبود یافته بر اساس خوشه بندی خاکستری برای نقشه برداری حساسیت زمین لغزش. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 18. [ Google Scholar ] [ CrossRef ]
فن، ال. هو، آر. زنگ، اف. وانگ، اس. Zhang، X. کاربرد مدل حجم اطلاعات وزنی در ارزیابی حساسیت زمین لغزش – یک مثال در شهر انشی، استان هوبی. J. Eng. جئول 2012 ، 20 ، 508-513. [ Google Scholar ]
سینگ، ک. کومار، V. نقشه برداری خطر زمین لغزش در امتداد بزرگراه ملی-154A در هیماچال پرادش، هند با استفاده از مقدار اطلاعات و نسبت فرکانس. عرب جی. ژئوشی. 2017 ، 10 ، 539. [ Google Scholar ] [ CrossRef ]
ژائو، جی اچ. چن، اچ.-ال. یانگ، SF مقایسه مدل‌های ارزیابی خطر زمین لغزش. جی زیران زایهای خوئبائو/جی. نات بلایا 2006 ، 15 ، 128-134. [ Google Scholar ]
لام، NS-N. Quattrochi، DA در مورد مسائل مقیاس، وضوح، و تجزیه و تحلیل فراکتال در علوم نقشه برداری. پروفسور Geogr. 1992 ، 44 ، 88-98. [ Google Scholar ] [ CrossRef ]
سوترز، آر. ون وستن، CJ تشخیص، تحلیل و پهنه‌بندی ناپایداری شیب. بررسی زمین لغزش میتیگ. 1996 ، 247 ، 129-177. [ Google Scholar ]
Cascini, L. کاربرد حساسیت زمین لغزش و پهنه بندی خطر در مقیاس های مختلف. مهندس جئول 2008 ، 102 ، 164-177. [ Google Scholar ] [ CrossRef ]
Flentje، PN; ماینر، ا. ویت، جی. Fell, R. Guidelines for slide-spresiibility, hazard and risk zones for plans use. اوست ژئومک. J. 2007 , 42 , 13-36. [ Google Scholar ]
وی، سی. کیانگ، ایکس. جوشنگ، تی. روش برای ارزیابی حساسیت به زمین لغزش تحت شرایط لرزه ای قوی در مقیاس های ارزیابی مقیاس بزرگ. J. Hunan Univ. علمی تکنولوژی نات علمی اد. 2011 ، 26 ، 32-36. [ Google Scholar ]
شین، نظریه پایه WZ و تحقیقات کاربردی در مورد رگرسیون وزن‌دار جغرافیایی. Ph.D. پایان نامه، دانشگاه Tongji، شانگهای، چین، 2007. [ Google Scholar ]
کوپفر، جی. Farris، CA ترکیب غیر ایستایی فضایی ضرایب رگرسیون در مدل‌های پوشش گیاهی پیش‌بینی‌کننده. Landsc. Ecol. 2006 ، 22 ، 837-852. [ Google Scholar ] [ CrossRef ]
Propastin، PA عدم ایستایی فضایی و وابستگی به مقیاس دقت پیش‌بینی در تخمین از راه دور LAI بر روی یک جنگل بارانی استوایی در سولاوسی، اندونزی. سنسور از راه دور محیط. 2009 ، 113 ، 2234-2242. [ Google Scholar ] [ CrossRef ]
سابکبر، HAF; رودپشتی، ام اس; Tazik، E. نقشه‌برداری حساسیت زمین لغزش با استفاده از تحلیل مؤلفه‌های اصلی وزن‌دار جغرافیایی. ژئومورفولوژی 2014 ، 226 ، 15-24. [ Google Scholar ] [ CrossRef ]
ویندل، ام جی; رز، GA; دیویلر، آر. فورتین، ام.-جی. بررسی عدم ایستایی فضایی داده‌های بررسی شیلات با استفاده از رگرسیون وزن‌دار جغرافیایی (GWR): نمونه‌ای از شمال غربی اقیانوس اطلس. ICES J. Mar. Sci. 2010 ، 67 ، 145-154. [ Google Scholar ] [ CrossRef ]
فن، ز. گو، ایکس. کین، ام. فن، Q. یو، جی. Zhao، J. اطلاعات و مدل های رگرسیون لجستیک مبتنی بر تجزیه و تحلیل جفت برای حساسیت خطرات زمین شناسی. J. Eng. جئول 2018 ، 26 ، 340-347. [ Google Scholar ]
گائو، آر. وانگ، سی. لیانگ، ز. هان، اس. لی، بی. تحقیقی بر روی نقشه‌برداری حساسیت خطرات زمین‌شناسی متعدد در حوضه رودخانه یانزی، چین. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 218. [ Google Scholar ] [ CrossRef ]
چن، اچ. یانگ، جی. Xiang، M. سیستم اطلاعات جغرافیایی و ارزیابی ارزش اطلاعات وزنی از مخاطرات زمین شناسی در شهرستان Maoxian، سیچوان. علمی تکنولوژی مهندس 2021 ، 21 ، 12490-12499. [ Google Scholar ]
لو، اس. وانگ، اس. فو، دی. ارزیابی حساسیت خطرات زمین شناسی ناگهانی در مناطق کوهستانی پکن. چانه. جی. جئول. کنترل خطر 2021 ، 32 ، 126-133. [ Google Scholar ]
ون وستن، سی جی; کاستلانوس، ای. Kuriakose، SL داده های فضایی برای ارزیابی حساسیت زمین لغزش، خطر و آسیب پذیری: یک مرور کلی. مهندس جئول 2008 ، 102 ، 112-131. [ Google Scholar ] [ CrossRef ]
زو، دبلیو. هائو، ز. او، م. Wang, J. تحقیق در مورد روش تقسیم حساسیت بلایای زمین شناسی بر اساس شبکه عصبی BP. منبع. محیط زیست مهندس 2021 ، 35 ، 840. [ Google Scholar ]
ژانگ، ایکس. لیو، ایکس. ژائو، ز. Wu, W. مطالعه مقایسه ای ارزیابی حساسیت خطرات زمین شناسی: محدودیت های مدل رگرسیون لجستیک ارزش اطلاعات + و مدل رگرسیون لجستیک CF +. Geoscience 2018 , 32 , 602. [ Google Scholar ]
هررا، ال. پومارس، اچ. روجاس، آی. گیلن، آ. روبیو، جی. Urquiza، J. مدل سازی جهانی و محلی در شبکه های RBF. محاسبات عصبی 2011 ، 74 ، 2594-2602 . [ Google Scholar ] [ CrossRef ]
نابنی، آموزش کارآمد فناوری اطلاعات شبکه های RBF برای طبقه بندی. بین المللی J. سیستم عصبی. 2004 ، 14 ، 201-208. [ Google Scholar ] [ CrossRef ] [ PubMed ]

شکل 1. موقعیت جغرافیایی و توزیع نقاط فاجعه در شهرستان چانگ شینگ، استان ژجیانگ.

شکل 2. نمودار جریان روش مورد استفاده در این مطالعه.

شکل 3. نمودار طبقه بندی هر عامل ارزیابی.

شکل 4. نمودار رتبه بندی اهمیت عوامل ارزیابی.

شکل 5. نقشه منطقه ارزیابی حساسیت جهانی.

شکل 6. نمودار شماتیک تقسیم منطقه ای.

شکل 7. نقشه منطقه ارزیابی حساسیت مدل ارزش اطلاعات تقسیم منطقه ای.

شکل 8. مقدار ارزش اطلاعات و توزیع نقاط فاجعه در طبقه بندی عوامل ارزیابی.

شکل 9. منحنی ROC.

شکل 10. اهمیت عوامل ارزیابی برحسب منطقه متفاوت است.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. منطقه مطالعه