استفاده از الگوریتم فازی ممدانی برای ارزیابی حساسیت چند خطر در یک شهرک در حال توسعه شهری (ماماک، آنکارا، ترکیه)

خلاصه

مناطق شهری ممکن است تحت تأثیر خطرات متعدد قرار گیرند و برای انتخاب مکان و برنامه ریزی مناسب به نقشه های یکپارچه حساسیت خطر نیاز است. علاوه بر این، پارامترهای زمین شناسی-ژئوتکنیکی، هزینه های ساخت و ساز، و توزیع فضایی زیرساخت های موجود باید برای این منظور در نظر گرفته شود. نقشه‌های به‌روز کاربری و پوشش زمین (LULC) و همچنین نقشه‌های حساسیت خطرات طبیعی را می‌توان اغلب از حسگرهای ماهواره‌ای با وضوح بالا به‌دست آورد. در این مطالعه، ارزیابی حساسیت خطر یکپارچه برای یک سکونتگاه شهری در حال توسعه (منطقه ماماک شهر آنکارا، ترکیه) با در نظر گرفتن پتانسیل زمین لغزش و سیل انجام شد. نقشه حساسیت به سیل شهر آنکارا در مطالعه قبلی با استفاده از رویکرد فرآیند تحلیل سلسله مراتبی اصلاح شده (M-AHP) تهیه شده است. نقشه حساسیت زمین لغزش با استفاده از تکنیک رگرسیون لجستیک در این تحقیق تهیه شد. تصاویر Sentinel-2 برای تولید داده های LULC با روش طبقه بندی جنگل تصادفی استفاده شد. مشتقات توپوگرافی به‌دست‌آمده از یک مدل رقومی ارتفاعی با وضوح بالا و پارامترهای سنگ‌شناسی برای تولید نقشه‌های حساسیت زمین لغزش استفاده شد. برای ارزیابی حساسیت خطر یکپارچه، الگوریتم فازی ممدانی در نظر گرفته شد و نتایج در مطالعه حاضر مورد بحث قرار گرفته است. نتایج نشان می‌دهد که نقشه‌های ارزیابی حساسیت چند خطر برای برنامه‌ریزی شهری را می‌توان با ترکیب مجموعه‌ای از روش‌های یادگیری مبتنی بر متخصص و گروهی به‌دست آورد. تصاویر Sentinel-2 برای تولید داده های LULC با روش طبقه بندی جنگل تصادفی استفاده شد. مشتقات توپوگرافی به‌دست‌آمده از یک مدل رقومی ارتفاعی با وضوح بالا و پارامترهای سنگ‌شناسی برای تولید نقشه‌های حساسیت زمین لغزش استفاده شد. برای ارزیابی حساسیت خطر یکپارچه، الگوریتم فازی ممدانی در نظر گرفته شد و نتایج در مطالعه حاضر مورد بحث قرار گرفته است. نتایج نشان می‌دهد که نقشه‌های ارزیابی حساسیت چند خطر برای برنامه‌ریزی شهری را می‌توان با ترکیب مجموعه‌ای از روش‌های یادگیری مبتنی بر متخصص و گروهی به‌دست آورد. تصاویر Sentinel-2 برای تولید داده های LULC با روش طبقه بندی جنگل تصادفی استفاده شد. مشتقات توپوگرافی به‌دست‌آمده از یک مدل رقومی ارتفاعی با وضوح بالا و پارامترهای سنگ‌شناسی برای تولید نقشه‌های حساسیت زمین لغزش استفاده شد. برای ارزیابی حساسیت خطر یکپارچه، الگوریتم فازی ممدانی در نظر گرفته شد و نتایج در مطالعه حاضر مورد بحث قرار گرفته است. نتایج نشان می‌دهد که نقشه‌های ارزیابی حساسیت چند خطر برای برنامه‌ریزی شهری را می‌توان با ترکیب مجموعه‌ای از روش‌های یادگیری مبتنی بر متخصص و گروهی به‌دست آورد. برای ارزیابی حساسیت خطر یکپارچه، الگوریتم فازی ممدانی در نظر گرفته شد و نتایج در مطالعه حاضر مورد بحث قرار گرفته است. نتایج نشان می‌دهد که نقشه‌های ارزیابی حساسیت چند خطر برای برنامه‌ریزی شهری را می‌توان با ترکیب مجموعه‌ای از روش‌های یادگیری مبتنی بر متخصص و گروهی به‌دست آورد. برای ارزیابی حساسیت خطر یکپارچه، الگوریتم فازی ممدانی در نظر گرفته شد و نتایج در مطالعه حاضر مورد بحث قرار گرفته است. نتایج نشان می‌دهد که نقشه‌های ارزیابی حساسیت چند خطر برای برنامه‌ریزی شهری را می‌توان با ترکیب مجموعه‌ای از روش‌های یادگیری مبتنی بر متخصص و گروهی به‌دست آورد.

کلید واژه ها:

چند خطری ؛ نقشه برداری حساسیت ; توسعه سکونتگاه های شهری ; رانش زمین ; سیل ؛ رگرسیون لجستیک ; الگوریتم فازی ممدانی ; M-AHP

1. معرفی

بهبود مدیریت بلایا یک تمرکز مهم در سطح محلی و جهانی برای کاهش خسارات ناشی از بلایای طبیعی است [ 1 ]. اثرات مضر مخاطرات طبیعی بر زندگی و اقتصاد انسان با برنامه ریزی نامناسب کاربری زمین در کشورهای در حال توسعه افزایش می یابد. زیرساخت‌های واقعی و کاربری زمین باید در برنامه‌ریزی شهری در نظر گرفته شوند که اغلب مورد غفلت قرار می‌گیرند [ 2]. برنامه ریزی شهری رویه ای پیچیده است که نیاز به در نظر گرفتن زیرساخت های موجود، کاربری انسانی و مخاطرات طبیعی دارد. پیشرفت‌های اخیر در فناوری‌های اطلاعات جغرافیایی برای جمع‌آوری و تجزیه و تحلیل داده‌ها، مانند فتوگرامتری، سنجش از دور، سیستم‌های اطلاعات جغرافیایی سه‌بعدی (3D)، Web-GIS، اطلاعات جغرافیایی داوطلبانه (VGI) و روش‌های پیشرفته تحلیل فضایی، می‌تواند از این رویه حمایت کرده و ابزارهای ضروری برای توسعه یک رویکرد ترکیبی را فراهم می کند.

در میان مخاطرات طبیعی مرتبط با زمین شناسی و آب و هوا (یعنی رانش زمین، سیل، زلزله، خشکسالی، آتش سوزی، گردباد، فوران آتشفشانی و بهمن) [ 3 ]، مناطق شهری بیشتر تحت تأثیر رانش زمین و سیل قرار دارند. زمین لغزش یکی از شایع ترین خطرات طبیعی با گسترش جهانی است و ممکن است به ساختمان ها، زیرساخت ها و سایر تاسیسات در مناطق شهری آسیب برساند [ 4 ]. بین سال های 1950 تا 2018، 23041 زمین لغزش در ترکیه مشاهده شد [ 5 ]. اگرچه حجم وسیعی از تحقیقات در مورد ارزیابی حساسیت زمین لغزش در ادبیات وجود دارد (به عنوان مثال، منابع [ 6 ، 7 ، 8 ، 9 ، 10])، بیشتر مطالعات در زمین های باز و جنگل ها بود. ارزیابی حساسیت زمین لغزش در مناطق شهری به دلیل ساخت و ساز متراکم و ساختمان هایی که توپوگرافی را تغییر داده و تا حد زیادی پوشش می دهند، دشوار است. علاوه بر این، به دلیل پیچیدگی مشکل، و همچنین فهرست‌های ناقص و موقتی زمین لغزش، تحقیقات بیشتری مورد نیاز است [ 11 ]. تولید نقشه های حساسیت زمین لغزش منطقه ای به دلیل نیاز به داده های واقعی می تواند دشوار باشد. چنین نقشه هایی برای برنامه ریزی شهری و تلاش های کاهش بلایا توسط دولت ها ضروری است.

اگرچه پارامترهای شرطی سازی زمین لغزش را می توان چندین برابر کرد، محدودیت اصلی برای تعداد عوامل به کار گرفته شده برای تولید نقشه های حساسیت زمین لغزش، در دسترس بودن داده ها است. به طور کلی، پارامترهای ژئومورفولوژیکی (به عنوان مثال، توپوگرافی، هیدرولوژیکی و غیره)، زمین شناسی (به عنوان مثال، سنگ شناسی)، و کاربری زمین و پوشش زمین (LULC) برای این منظور باید در نظر گرفته شوند [ 4 ]. یک مدل زمین دیجیتال متراکم (DTM) می تواند برای توصیف ژئومورفولوژی با جزئیات در یک منطقه شهری استفاده شود. در مقایسه با LULC، ویژگی های زمین شناسی و ژئومورفولوژیکی به آرامی تغییر می کند. از آنجایی که داده های LULC برای ارزیابی حساسیت زمین لغزش بسیار مهم هستند [ 12]، داده های واقعی برای نشان دادن LULC برای به دست آوردن دقت بالا مورد نیاز است. علاوه بر پارامترهای شرطی‌سازی، موجودی زمین لغزش موجود در مدل‌های ارزیابی حساسیت استفاده می‌شود. از سوی دیگر، استخراج فهرست زمین لغزش در مناطق سکونتگاهی و سایت‌های ساخت‌وساز سنگین نیز به دلیل توپوگرافی سرپوشیده یا اصلاح‌شده که به طور قابل‌توجهی دید لغزش‌ها را مسدود می‌کند، دشوار است.

سیل همچنین یکی از متداول ترین و مخرب ترین مخاطرات طبیعی در جهان را تشکیل می دهد که بیشترین تعداد تلفات را نیز به همراه دارد [ 13 ، 14 ]. بر اساس آمار [ 15 ]، تعداد فزاینده ای از حوادث سیل در ترکیه مشاهده می شود. بسته به تغییرات آب و هوایی و شهرنشینی سریع، این تعداد در دهه آینده در ترکیه همچنان افزایش خواهد یافت. نقشه های حساسیت به سیل همچنین حاوی اطلاعات ضروری برای تلاش های کاهش است و باید توسط تصمیم گیرندگان در نظر گرفته شود [ 16 ، 17 ، 18 ]. ارزیابی حساسیت سیل برای شهر آنکارا توسط Sozer و همکاران تهیه شد. [ 19 ، 20] با استفاده از یک سیستم پشتیبانی تصمیم گیری مبتنی بر متخصص به نام فرآیند تحلیل سلسله مراتبی اصلاح شده (M-AHP) [ 21 ]. بخش کوچکی از نقشه حساسیت به سیل که منطقه مورد مطالعه را پوشش می‌دهد در اینجا برای ارزیابی حساسیت چند خطر استفاده شد. لازم به ذکر است که حساسیت به سیل باید در سطح منطقه ای که شامل وسعت حوضه است، ارزیابی شود، زیرا استفاده از داده های تنها یک منطقه کوچک با وسعت ارتفاع محدود منجر به داده های ناقص و تفسیر نادرست می شود.

از سوی دیگر، زمین لغزش ها و سیل ها اغلب در مناطق مشابهی موثر هستند زیرا در مناطقی با شرایط ژئومورفولوژیکی و آب و هوایی مشابه رخ می دهند. بارش های شدید هم باعث سیل و هم رانش زمین می شود که یکی پس از دیگری رخ می دهد. بنابراین، مناطقی که مستعد سیل و رانش زمین هستند باید با هم ارزیابی شوند تا اثرات ترکیبی هر دو درک شود.

هدف اصلی این مطالعه توسعه یک روش تحلیل فضایی برای پیش‌بینی سطح حساسیت سیل و لغزش ترکیبی در یک سکونتگاه شهری در حال توسعه بود که می‌تواند به عنوان مبنایی برای برنامه‌ریزی کاربری زمین مورد استفاده قرار گیرد. بخشی از منطقه ماماک در آنکارا ترکیه به عنوان منطقه مورد مطالعه برای این منظور انتخاب شد، زیرا منطقه ماماک یک منطقه سکونت گاه برنامه ریزی نشده در آنکارا است.

در مرحله اولیه مطالعه، نقشه حساسیت زمین لغزش با استخراج و استفاده از داده‌های به‌روز LULC از تصاویر ماهواره‌ای Sentinel-2، DTM با وضوح بالا و داده‌های سنگ‌شناسی به‌دست‌آمده از پایگاه‌های جغرافیایی موجود [ 4 ] تولید شد. از آنجایی که نقشه های حساسیت به سیل باید در سطح منطقه ای یعنی حوضه ها تهیه شود، بخشی از نقشه تولید شده توسط Sozer at al. [ 19 ، 20 ] مجدداً طبقه بندی شد و برای اهداف این مطالعه استفاده شد. برای ارزیابی سطح حساسیت چند خطر (MHSL)، یک الگوریتم فازی ممدانی توسعه داده شد و نتایج در بخش‌های بعدی ارائه و مورد بحث قرار می‌گیرد. این اولین کاربرد الگوریتم فازی ممدانی برای ترکیب دو نقشه حساسیت در ادبیات بین‌المللی است.

2. پیشینه ارزیابی چند خطر

بسیاری از انواع مخاطرات طبیعی بر سکونتگاه های شهری تأثیر می گذارد. برای کاهش اثرات مخاطرات طبیعی آینده، تمام خطرات احتمالی در یک منطقه باید ارزیابی شود. مدل‌های ارزیابی چند خطر را می‌توان با ادغام چندین نقشه ارزیابی حساسیت که به انواع مختلف خطرات طبیعی برای یک منطقه خاص تعلق دارد، تولید کرد. علاوه بر این، استفاده از اطلاعات چند لایه رویکرد قابل اعتمادتر و موثرتری برای پیشگیری از بلایا است [ 22 ]. انواع مختلف نقشه های حساسیت ایجاد شده با استفاده از پارامترها و عوامل مختلف را می توان با روش های مختلفی مانند AHP که بر اساس نظر متخصصان تهیه شده است ترکیب کرد. با استفاده از AHP، یک نقشه تناسب را می توان با ضرایب وزن و عدم قطعیت برای هر خطر تعیین کرد [ 23 ، 24 ، 25]. فورلان و همکاران [ 26 ] یک تجزیه و تحلیل تدریجی از تمام اجزای مؤثر در خطر در یک سایت خاص ارائه کرد. این روش شامل ارزیابی خطر، قرار گرفتن در معرض، آسیب پذیری و خطر بود. در این تحلیل، از آنجایی که مجموعه داده ورودی بزرگ و ناهمگن بود، از روش تحلیل تصمیم چند معیاره (MCDA) برای ارزیابی پارامترها استفاده شد [ 27 ]. در تمامی این مطالعات، نمرات و اوزان ارائه شده توسط متخصصان اهمیت زیادی داشت و توسط محققین بیان شد که بر صحت نتایج تأثیرگذار بوده است. چن و همکاران [ 28] جریان زباله و سیلابی رودخانه و ناگهانی را در یک منطقه رایج می دانست. این انواع خطر در چهار سناریو (رویدادهای عمده، متوسط، جزئی و مکرر) مورد بررسی قرار گرفت. در این رویکرد ابتدا خسارات ناشی از هر خطر به صورت جداگانه محاسبه شد. پس از آن، احتمال فضایی عنصر در معرض خطر، آسیب‌پذیری فیزیکی، و کمیت عناصر در معرض خطر چند برابر شد. اثرات انواع خطر بر اساس نتایج مقایسه شد.

همچنین گنجاندن ابعاد اجتماعی و اقتصادی در روش های ارزیابی چند خطر مهم است [ 29 ]. شاخص خطر بلایا در چین برای 31 استان با استفاده از چهار نوع عامل محاسبه شد: قرار گرفتن در معرض (جمعیت در معرض زلزله، سیل، خشکسالی، دمای پایین/برف و تگرگ/تگرگ)، حساسیت (بر اساس زیرساخت های عمومی، سلامت درآمد، و اقتصادی). وضعیت)، ظرفیت مقابله (بر اساس حکمرانی، مراقبت های پزشکی و امنیت مادی)، و ظرفیت سازگاری (مربوط به رویدادهای طبیعی آینده) [ 30]. علاوه بر این عوامل، پارامتر مواجهه به عنوان قرار گرفتن در معرض خطر و کاهش خطر تجزیه و تحلیل شد. قرار گرفتن در معرض خطر به وجود دارایی ها و ارزش هایی اشاره دارد که ممکن است در مناطق خطرناک تحت تأثیر نامطلوب قرار گیرند. زیان خطر با میزان آسیب فیزیکی، ضرر مالی، زیان انسانی و زیان اقتصادی تعریف شد. در همان زمان، دامنه سایر پارامترها گسترش یافت [ 31]. با استفاده از روش رگرسیون خطی چندگانه، عوامل مؤثر بر تاب‌آوری جامعه محاسبه شد. همچنین بیان شد که با استفاده از دانش تخصصی و آنتروپی می توان این مدل را برای به کارگیری طرح وزنی متفاوت توسعه داد. علاوه بر این، برای روش های ارزیابی جامع چند خطر، پیشنهاد شد که فرآیندهای انسان زایی باید در رابطه با بلایای طبیعی مورد استفاده قرار گیرد و ذکر شد که محیطی که در آن خطرات طبیعی تجربه می شود توسط فعالیت های انسانی شکل می گیرد. ایده اصلی گنجاندن این رابطه در فرآیند ارزیابی چند خطر [ 32 و 33 ] بود. علاوه بر این، گالینا و همکاران. [ 33 ] و بشیر احمد و پاندی [ 22] خاطرنشان کرد که چشم انداز تغییر اقلیم یک قطعه فراموش شده است که باید در ارزیابی چند ریسکی سیستم های طبیعی و انسانی مورد ارزیابی قرار گیرد.

Barrantes [ 34 ] یک مدل ارزیابی طبیعی چند خطر را پیشنهاد کرد که می تواند هنگام کار با داده های محدود مورد استفاده قرار گیرد. این مدل الگوریتمی را پیشنهاد می‌کند که همپوشانی فضایی مقادیر هر ریسک و تعامل بالقوه بین ریسک‌های طبیعی مختلف و فرکانس‌های زمانی را در نظر می‌گیرد. در این الگوریتم، تمامی ترکیبات ریسک مورد ارزیابی قرار گرفت و تعاملات بالقوه بین ماتریس خطرات طبیعی شکل گرفت. خطرات بالقوه چند خطر با مجموعه ای از تقاطع های همه ترکیب ها به وجود آمد. لیو و همکاران [ 35] از روش MmhRisk-HI (مدل ارزیابی ریسک چند خطر با در نظر گرفتن تعامل خطر) برای ارزیابی ریسک چند خطر استفاده کرد. این روش دارای دو جزء اصلی بود. مؤلفه اول رابطه بین محیط خطرناک و مخاطرات را تجزیه و تحلیل کرد و احتمال وقوع چندین خطر را نشان داد. در این مولفه، احتمالات با توابع استفاده شده با توجه به سطوح رابطه (مستقل، موتکس، موازی، سری) بین مخاطرات طبیعی محاسبه شد. مؤلفه دوم با استفاده از شبکه بیزی خسارات احتمالی و میزان تلفات را محاسبه کرد. در برنال و همکاران. [ 36]، یک مدل ریسک چند خطر کاملاً احتمالی برای خطر، قرار گرفتن در معرض، آسیب‌پذیری و ضرر با استفاده از مجموعه‌های رویداد تصادفی خاص ارزیابی شد. میانگین و حداکثر زیان سالانه با این مدل محاسبه شد. رویکردهای کمی نیز در برخی از ارزیابی‌های ریسک منطقه‌ای استفاده شد [ 37 ]. مطالعه ارزیابی کمی ریسک چند خطر با استفاده از عناصر در معرض خطر، قرار گرفتن در معرض آنها و آسیب پذیری آنها می تواند نمونه هایی برای ارزیابی چند خطر منطقه ای باشد. در یک رویکرد کمی دیگر، رابطه متقابل بین خطرات به دو صورت مورد بررسی قرار گرفت: خطرات آبشاری و خطرات ترکیبی. این روابط با سه رویکرد مدل‌سازی رابطه متقابل خطر (تصادفی، تجربی، مکانیکی) ارزیابی شدند [ 38]. هنگامی که نتایج با استفاده از پارامترهای مدل مختلف در هر رویکرد مورد ارزیابی قرار گرفت، مشاهده شد که روش کوپولای افراطی در رویکرد تصادفی، روش رگرسیون خطی در رویکرد تجربی و مدل‌های هیدرودینامیکی در رویکرد مکانیکی بیشترین شیوع را داشتند. همانطور که گفته شد، استفاده از روش‌های مکانیکی و تصادفی در خطرات چند پارامتری (بیش از دو)، محدودیت‌های خاصی مانند عدم قطعیت‌های ناشی از مفروضات آماری (مثلاً توزیع، انتخاب مدل وابستگی) یا تأثیر کیفیت داده‌های مورد استفاده برای اعتبارسنجی را تحمیل می‌کند. مدل های مکانیکی [ 38 ].

ارزیابی خطرات متعدد در مناطق شهری و پیش‌بینی خطرات آتی می‌تواند به تصمیم گیرندگان در اولویت‌بندی اقدامات و مدیریت ریسک‌ها کمک کند [ 32 ، 39 ، 40 ، 41 ]. اگر چه اثرات مخاطرات طبیعی بر ناحیه شهری به صورت جداگانه مورد بررسی قرار گرفت و نتایج به صورت بصری با هم مقایسه شدند، رویکرد کمی از فرآیند ارزیابی مشترک خطرات در چانگ و همکاران وجود نداشت. [ 39 ] و جیکوبز و همکاران. [ 42]. ارزیابی ترکیبی و کمی از خطرات نتایج دقیق تری نسبت به ارزیابی های فردی و مقایسه بصری ارائه می دهد. با این حال، انتخاب پارامترها و وزن آنها و همچنین کیفیت داده ها نیز مهم است. انتخاب استفاده از رویکرد کیفی، نیمه کمی یا کمی ممکن است بسته به هدف متفاوت باشد [ 43 ]. در امیدوار و کریمی [ 44 ] از روشی استفاده شد که با استفاده از نظریه احتمال و منطق بولی توسعه یافت. این مطالعه برای اندازه‌گیری قابلیت اطمینان چند خطر با توجه به داده‌های شهری موجود انجام شد. قابلیت اطمینان چند خطر با عملیات بر روی ترکیبات مختلف خطرات پدیدار شد.

روش های یادگیری ماشینی نیز برای ارزیابی ریسک چند خطر موجود است. در مرجع [ 45 ]، تجزیه و تحلیل ریسک برای هر نوع خطر طبیعی با اصلاح وزن هر پارامتر با توجه به نوع خطر با استفاده از روش جنگل تصادفی (RF) انجام شد. پس از آن، با ترکیب نتایج، یک نقشه چند خطر تولید شد. دقت مدل 96.70% از سودمندی یادگیری ماشین در ارزیابی خطرات چندگانه پشتیبانی می کند. میرزایی و همکاران [ 46 ] از تکنیک ترتیب اولویت بر اساس شباهت به راه حل ایده آل (TOPSIS) به عنوان یک مدل تصمیم گیری چند معیاره استفاده کرد. این با شاخص های شباهت نقشه های خطر کار کرد و ارزیابی چند خطر را نشان داد. در شیخ و همکاران. [ 47]، روش های فاصله TOPSIS–Mahalanobis، TOPSIS و وزن افزودنی ساده (SAW) ترکیب شدند. اگرچه روش TOPSIS به دلیل استفاده از فاصله هندسی مورد انتقاد قرار گرفت، اما اشاره شد که نتایج واضح تری برای مخاطرات طبیعی به دست می دهد.

همچنین مطالعات دیگری در ادبیات وجود دارد که در آنها از روش های مختلف تصمیم گیری چند معیاره در ارزیابی ریسک استفاده شده است. در پورقاسمی و همکاران. [ 48 ]، نقشه های ریسک با استفاده از روش تحلیل نسبت ارزیابی گام به گام وزن (SWARA) که یک روش متخصص گرا است، و همچنین روش سیستم استنتاج عصبی فازی تطبیقی (ANFIS) که شامل یک FIS (سیستم استنتاج فازی) است، ایجاد شد. ) و بهینه سازی گرگ خاکستری (GWO) برای یافتن راه حل بهینه. در تجزیه و تحلیل چند خطر، میزان وقوع ترکیبات ریسک با استفاده از تحلیل همپوشانی وزنی نقشه‌های ریسک توسط Mukhopadhyay و همکاران تعیین شد. [ 27]. علاوه بر این، با استفاده از مدل سازی فازی، استانداردسازی مستقیم چند شاخص، تجمیع و استخراج تاثیر امکان پذیر است. با استفاده از مدل همپوشانی فازی گاما، رابطه بین معیارهای ورودی چندگانه مورد بررسی قرار گرفت [ 49 ]. کپس و همکاران [ 50 ] بر اهمیت ارزیابی چند خطر تاکید کرد و مشکلات را هنگام تجزیه و تحلیل چند خطر جمع آوری کرد. در نتیجه، پژوهش حاضر با استفاده از الگوریتم استنتاج فازی ممدانی، تولید یک نقشه چند خطر برای یک منطقه استقرار را معرفی می‌کند.

3. مواد و روشها

منطقه ماماک یک منطقه به سرعت در حال توسعه است که در بخش شرقی آنکارا، ترکیه واقع شده است. مانند بسیاری از شهرهای بزرگ دیگر ترکیه، آنکارا نیز تحت تأثیر گسترش شهری است و ماماک یکی از مراکز توسعه این گسترش است. حدود 640 هزار نفر در این منطقه زندگی می کنند. از آنجایی که ماماک در مسیر شرق ترکیه قرار دارد، زیرساخت های حمل و نقل قابل توجهی وجود دارد. همچنین سد بایندیر که در حال حاضر به عنوان یک منطقه تفریحی مورد استفاده قرار می گیرد نیز در اینجا قرار دارد. بخشی از منطقه مامک که مستعد زمین لغزش و سیل است به عنوان منطقه مورد مطالعه انتخاب شد، زیرا دارای توسعه مستمر شهری و زیرساخت است ( شکل 1 ). منطقه حدودا 30 کیلومتر مربع ^و حداقل و حداکثر ارتفاع به ترتیب 924 متر و 1284 متر است.

نقشه حساسیت زمین لغزش منطقه مورد مطالعه با اعمال رگرسیون لجستیک (LR) به داده های LULC (منبع از تصاویر Sentinel-2)، ویژگی های ژئومورفولوژیکی (منبع از DTM)، و داده های سنگ شناسی [ 4 ] تولید شد. تصاویر Sentinel-2 به صورت رایگان توسط آژانس فضایی اروپا (ESA) توزیع می شود. مشخص شد که داده‌های واقعی استفاده از زمین را می‌توان از تصاویر Sentinel-2 تولید کرد، که از نظر هندسی تصحیح شده‌اند (به‌عنوان مثال، L2A تصحیح شده‌اند) و به طور منظم در گستره جغرافیایی بزرگی توسط ESA به‌دست می‌آیند [ 51 ]. آنها همچنین داده های چند باندی (در مجموع 13 باند) را در وضوح های فضایی 10 متر، 20 متر و 60 متر ارائه می دهند. صورت فلکی ماهواره همچنین فرکانس انتقال بالایی دارد [ 52 ] و بنابراین، به طور گسترده در ارزیابی خطرات طبیعی استفاده می شود.53 ]. تصاویر Sentinel-2 را می توان به راحتی توسط افراد غیر متخصص از طریق ابزار Sentinel Application Platform (SNAP) از ESA استفاده کرد. LR یک روش نسبتا ساده است و می تواند پارامترهای غیر عددی مانند انواع مختلف LULC را در نظر بگیرد. احتمالات خروجی به صورت کم، متوسط و زیاد طبقه بندی شدند. نقشه حساسیت آنکارا به سیل در مطالعه قبلی توسط Sozer و همکاران تهیه شده است. [ 19 ] برای شهر آنکارا و در اینجا به همان سه کلاس (یعنی کم، متوسط و زیاد) طبقه بندی شد تا در مدل ارزیابی حساسیت چند خطر استفاده شود. گردش کار مطالعه در شکل 2 نشان داده شده است . جزئیات بیشتر در مورد داده های ورودی و روش در بخش های فرعی زیر ارائه شده است.

3.1. مجموعه داده های ورودی برای تولید نقشه حساسیت زمین لغزش

یک DTM با وضوح 5 متر از اداره کل نقشه برداری (GDM)، ترکیه به دست آمد. پارامترهای ژئومورفولوژیکی مانند ارتفاع، شیب، انحنای عمومی، انحنای پلان و پروفیل، شاخص رطوبت توپوگرافی (TWI)، شاخص توان جریان (SPI)، فاصله تا شبکه‌های کانال و خطوط برآمدگی از DTM به دست آمدند. تصاویر ماهواره ای Sentinel-2 از 23 مارس 2019 برای طبقه بندی LULC با استفاده از روش RF استفاده شد. داده‌های سنگ‌شناسی با استفاده از داده‌های پورتال WebGIS اداره کل تحقیقات و اکتشافات معدنی (GDMRE/MTA)، ترکیه [ 54 ] به شکل برداری دیجیتالی شدند.]، و به داده های شطرنجی با فاصله شبکه 5 متری تبدیل می شود. نقشه LULC نیز برای انجام تکنیک LR به داده های شبکه 5 متری نمونه برداری شد. منابع داده و تفکیک های مکانی در جدول 1 خلاصه شده است.

برای آموزش روش LR، چندضلعی های مرزی هشت زمین لغزش را پوشش می دهند. 2000 نقطه شبکه به صورت دستی توسط متخصص با استفاده از DTM و تصاویر ماهواره ای مشخص شد. نقشه محدوده ارتفاعی و فهرست زمین لغزش که با چند ضلعی های قرمز نشان داده شده است در شکل 3 نشان داده شده است.. به منظور استفاده در فرآیند تخمین مدل LR، نقشه موجودی زمین لغزش برداری با فاصله شبکه 5 متر شطرنجی شد. زمین لغزش های شناسایی شده در منطقه مورد مطالعه در شیست ها و واحدهای آتشفشانی رخ داده است. این واحدها در برابر عوامل جوی و رانش زمین بسیار حساس هستند. ویژگی های اصلی زمین لغزش ها دایره ای بود و عمق سطوح شکست توسط ضخامت مناطق هوازده کنترل می شد. علاوه بر این، خسارت وارده به ساختمان‌های منطقه مورد مطالعه مشاهده شد و مشخص است که علت اصلی خسارت رانش زمین در منطقه است. اما ترسیم مرزهای زمین لغزش به دلیل شهرنشینی در دامنه ها غیرممکن است.

3.2. مشخصات ژئومورفولوژیکی منطقه مورد مطالعه

به منظور درک توپوگرافی، می توان از برخی از اسکالرها مانند مشتقات اولیه و ثانویه یک DTM استفاده کرد. ویژگی های اولیه (به عنوان مثال، شیب، جنبه، انحنا) از ارتفاعات محاسبه می شوند، در حالی که ویژگی های ثانویه (مانند SPI، TWI) از مشتقات دوم ارتفاعات به دست می آیند [ 55 ]. این مشتقات را می توان با استفاده از ابزارها و نرم افزارهای تحلیل فضایی محاسبه کرد. در اینجا، SAGA GIS از انجمن گروه کاربر SAGA، آلمان [ 56 ] و ArcGIS از ESRI Inc.، Redlands، CA، USA [ 57 ] برای این منظور استفاده شد. خلاصه آماری داده های ارتفاعی و مشتقات آن در جدول 2 آورده شده است. آمارهای مشابهی برای نمونه های زمین لغزش مثبت (~2000 نقطه شبکه) به دست آمد و درجدول 3 .

ارتفاع، اندازه های ارتفاعی یک منطقه را نشان می دهد [ 58 ]. گرادیان شیب نشان دهنده تغییر در ارتفاعات [ 58 ] است ( شکل 4 ). در اینجا، شیب ها برای ارتباط تغییرات توپوگرافی با تشکیل زمین لغزش استفاده شد. این جنبه به عنوان زاویه از شمال برای نشان دادن جهت شیب محاسبه شد. پارامتر جنبه برای درک اینکه کدام شیب (شمال، جنوب و غیره) بیشتر بر زمین لغزش ها تأثیر می گذارد استفاده شد [ 58 ]. مقادیر ابعاد نیز در شکل 4 نشان داده شده است.

انحنای محاسبه شده از DTM تغییرات شیب و جنبه را نشان می دهد ( شکل 5 ). پارامتر انحنا را می توان به عنوان پلان و پروفیل طبقه بندی کرد و نیاز به تجزیه و تحلیل جداگانه دارد. مولفه پلان سنجی بر اساس میزان تغییرات شیب در امتداد خطوط کانتور است و جزء پروفیل در امتداد شیب محاسبه می شود تا میزان تغییر شیب شیب را تعیین کند [ 58 ]. انحناهای منفی، مثبت و صفر به ترتیب سطوح مقعر، محدب و مسطح را منعکس می کنند [ 59 ]. انحناهای پلان و پروفیل ناحیه مورد مطالعه در شکل 6 آورده شده است.

SPI شاخصی برای قدرت فرسایشی آب جاری است [ 60 ]. SPI روی زمین لغزش ها موثر است و انرژی فرسایش بالقوه را نشان می دهد [ 61 ]. TWI موقعیت و اندازه مناطق اشباع از آب [ 55 ] را نشان می دهد ( شکل 7 ). از فواصل تا کانال ها برای درک تأثیر شبکه زهکشی بر زمین لغزش استفاده شد. فواصل عمودی تا کانال ها از داده های ارتفاعی محاسبه شد و بنابراین، شبکه شکل گرفت [ 62 ]. احتمال زمین لغزش و فواصل تا پشته ها همبستگی منفی داشتند [ 59 ]. برجستگی ها با استفاده از DTM محاسبه شدند، و مقادیر فاصله تا برجستگی ها و شبکه های کانال درشکل 8 .

3.3. استخراج کاربری و پوشش زمین از تصاویر Sentinel-2

استفاده از داده های به روز LULC برای ارزیابی خطرات طبیعی و تلاش های کاهش بلایا ضروری است. در این مطالعه، داده‌های LULC از تصاویر ماهواره‌ای نوری Sentinel-2 با وضوح فضایی 10 متر استخراج شد. هفت کلاس LULC همانطور که در شکل 9 نشان داده شده است از باندهای قرمز-سبز-آبی (RGB) با استفاده از نرم افزار SNAP استخراج شدند. روش RF برای طبقه بندی با جمع آوری داده های آموزشی روی تصاویر استفاده شد. با استفاده از روش RF، طبقه بندی با مجموعه ای از درختان تصمیم ایجاد شده با استفاده از نمونه های آموزشی و متغیرها [ 63 ] انجام می شود. در درخت‌های تصمیم، پیکسل‌های دارای بیشترین امتیاز از همه درختان جنگل طبقه‌بندی می‌شوند. به دلیل دقت بالاتر در مقایسه با سایر روش های یادگیری ماشین، به طور گسترده ای برای طبقه بندی تصاویر استفاده می شود.64 ، 65 ، 66 ، 67 ]. همانطور که در مطالعه Lim et al. [ 68 ] در تصاویر Sentinel-2، روش RF می تواند با دقت بالایی در طبقه بندی تصاویر کار کند. طبقه بندی کننده RF دو پارامتر اصلی دارد: تعداد درختان (T) و تعداد متغیرها (M) [ 69 ].

در این مطالعه، فرآیند طبقه‌بندی با ایجاد 10 درخت با استفاده از چهار باند، یعنی قرمز، سبز، آبی و پارامتر لحظه دوم زاویه‌ای ماتریس هم‌وقوع سطح خاکستری (GLCM-ASM) با استفاده از 2077 نمونه آموزشی تکمیل شد. از آنجایی که جدا کردن واحدهای صنعتی از جاده‌ها تنها با اطلاعات RGB دشوار بود، GLCM تصاویر نیز محاسبه شد و به طبقه‌بندی پیشنهادی Stumpf و Kerle [ 70 ] اضافه شد و پارامتر GLCM-ASM مشخص شد. به ویژه در مطالعه حاضر مفید است. توزیع نمونه های آموزشی به طبقات در جدول 4 نشان داده شده است. هنگامی که دقت طبقه‌بندی با روش اعتبارسنجی متقاطع محاسبه شد، درصد پیش‌بینی صحیح 93.73 درصد، دقت طبقه‌بندی 92.01 درصد و مقدار کاپا 97.13 درصد بود ( جدول 4 ). همانطور که در جدول 4 مشاهده می شود ، دقت طبقه بندی همه باندها با گنجاندن پارامتر GLCM-ASM بهبود یافته است، به جز واحدهای صنعتی که برای هر دو نسخه بالا باقی ماندند. علاوه بر این، به صورت بصری تأیید شد که این پارامتر به ویژه برای جداسازی کلاس‌های واحد جاده‌ای و صنعتی مفید است.

3.4. ویژگی های سنگ شناسی منطقه مورد مطالعه

علاوه بر داده های LULC و ارتفاع، نوع سنگ شناسی برای ارزیابی خطرات طبیعی بسیار مهم است [ 71 ]. نوع سنگ شناسی و تفاوت های ساختاری به طور کلی بر استحکام و نفوذپذیری سنگ ها و خاک ها تأثیر می گذارد [ 72 ]. نقشه سنگ شناسی از پورتال علوم زمین (Yer Bilimleri Portali) GDMRE/MTA به دست آمده است. نقشه سنگ شناسی در شکل 10 نشان داده شده است و توضیحات مفصل در جدول 5 ارائه شده است. این نقشه برداری برای تبدیل به داده های شطرنجی با فاصله شبکه ای 5 متری از قبل پردازش شده است.

3.5. تهیه نقشه حساسیت به زمین لغزش با روش رگرسیون لجستیک

برای تولید نقشه های حساسیت زمین لغزش، می توان از روش های مختلف ریاضی و یادگیری ماشین استفاده کرد. بسیاری از مطالعات در مورد ارزیابی حساسیت زمین لغزش با استفاده از رگرسیون لجستیک در ادبیات منتشر شد (به عنوان مثال، منابع [ 73 ، 74 ، 75 ، 76 ، 77 ، 78 ]). در این مطالعه از LR چند متغیره برای استخراج توزیع حساسیت زمین لغزش منطقه استفاده شد. LR یک مدل آماری است و در اینجا برای پیش‌بینی مناطق بالقوه زمین لغزش استفاده شد زیرا برای اهداف ارزیابی حساسیت زمین لغزش سریع و دقیق است [ 9 ، 59 ، 79 ]]. LR یک روش نظارت شده است و از متغیرهای وابسته (یعنی عوامل شرطی سازی زمین لغزش) و مستقل (یعنی موجودی واقعی زمین لغزش) استفاده می کند. متغیر وابسته یک مقدار باینری است که وقوع/عدم وقوع رویداد را نشان می‌دهد [ 62 ]. متغیرهای مستقل ۱۱ عامل شرطی‌سازی بودند که به‌عنوان لایه‌های داده ورودی در اینجا مورد استفاده قرار گرفتند (به عنوان مثال، داده‌های ارتفاع، شیب، جنبه، LULC، و غیره). در مرحله تخمین مدل، رابطه بین متغیرها با استفاده از نمونه‌های زمین لغزش مثبت (یعنی داده‌های موجودی) و تعدادی از نمونه‌های غیرزمین لغزشی به‌طور تصادفی انتخاب شد. از معادلات (1) و (2) برای محاسبه روش رگرسیون لجستیک استفاده شد.

Y _i = β ₀ + β ₁ X _i

(1)

P _i = (Y = 1|X _i ) = 1/(1 + e^(−Y _i ))

(2)

که در آن Y _i نشان دهنده متغیرهای وابسته، x _i نشان دهنده متغیرهای مستقل، β ₀ یک ثابت است، β _i نشان دهنده ضریب رگرسیون i-ام، و P احتمال وجود زمین لغزش است [ 59 ] . در Vorpahl و همکاران [ 80 ] و پارک و همکاران [ 81 ]در مطالعات انجام شده، یکی از دقیق ترین نتایج در بین نقشه های حساسیت زمین لغزش ایجاد شده با پارامترهای مشابه مورد استفاده در این مطالعه، با استفاده از روش LR نسبت به سایر روش ها به دست آمد. پس از محاسبه پارامترهای مدل LR، نقشه حساسیت زمین لغزش برای کل منطقه تهیه شد. نسبت نمونه های زمین لغزش مثبت و منفی (غیر لغزش) 1:2 بود.

3.6. نقشه حساسیت به سیل منطقه مورد مطالعه

نقشه حساسیت به سیل شهر آنکارا از مطالعه قبلی [ 19 ، 20 ] ( شکل 11 ) با روش M-AHP [ 21 ] با استفاده از تجمع جریان، شیب، ارتفاع توپوگرافی، فاصله تا رودخانه دائمی، فاصله تا زهکشی خشک، به دست آمده است. پوشش زمین، شاخص رطوبت توپوگرافی، و پارامترهای سنگ شناسی. هر یک از پارامترها با روش M-AHP بر اساس نظر کارشناسان وزن‌دهی شد و بالاترین امتیاز هر پارامتر به صورت پیشینی تعیین شد. نقشه حساسیت به سیل خروجی با تقسیم مقادیر احتمال حاصل به سه کلاس با فواصل مساوی مجدداً طبقه بندی شد و آنها برای منطقه مورد مطالعه برش داده شدند ( شکل 12).). نقشه اولیه حساسیت به سیل توسط Sozer و همکاران به پنج کلاس مساوی تقسیم شد. [ 19 ]. با این حال، مطابق با هدف مطالعه، از سه طبقه از نقشه حساسیت به سیل در مطالعه حاضر استفاده شد. هیستوگرام های تهیه شده برای پنج کلاس و سه کلاس در شکل 13 آورده شده است. کلاس‌های حساسیت خروجی به‌عنوان کم، متوسط و زیاد طبقه‌بندی شدند و برای ارزیابی حساسیت چندخطری با روش فازی ممدانی استفاده شدند.

3.7. ارزیابی حساسیت چند خطر با روش فازی ممدانی

نقشه ارزیابی حساسیت چند خطر با ارزیابی ترکیبی از نتایج حساسیت سیل و لغزش با استفاده از روش فازی ممدانی، که برای اولین بار توسط ممدانی و آسیلیان [ 82 ] توسعه یافت، به دست آمد. این روش می‌تواند عدم قطعیت‌ها را در حین حل مسائل پیچیده با استفاده از قواعد «اگر–آنگاه» کاهش دهد. مراحل یک FIS ممدانی فازی سازی، ارزیابی قوانین، تجمیع و فازی سازی [ 82 ] است. سیستم های استنتاج فازی (FIS) با استفاده از تئوری مجموعه های فازی، خروجی واضحی را برای ورودی های واضح عرضه شده تولید می کنند [ 83 ]. ساختار کلی یک FIS ممدانی را می توان در چندین کتاب و نشریه یافت (به عنوان مثال، مراجع [ 84 ، 85 ، 86 ، 87 )]). اسنا و همکاران [ 87 ] یک ابزار یکپارچه برای ساخت یک FIS ممدانی برای نرم افزار Netcad، Netcad، آنکارا، ترکیه توسعه داد. با عملگر منطق فازی ممدانی [ 88 ] در Netcad، حساسیت زمین لغزش و سیل را می توان با هم در منطقه مورد مطالعه ارزیابی کرد. الگوریتم فازی ممدانی قبلاً برای نقشه برداری حساسیت زمین لغزش استفاده می شد [ 86 ، 87 ، 89 ]، اما مطالعه حاضر اولین تلاش در ترکیب دو نقشه حساسیت برای به دست آوردن یک نقشه حساسیت چند خطر است.

ورودی‌های مدل فازی ممدانی ساخته‌شده در این مطالعه، نقشه‌های حساسیت زمین لغزش و حساسیت به سیل بود، در حالی که خروجی، سطح حساسیت چند خطر (MHSL) بود. به طور سنتی، یک مدل فازی با استفاده از دانش تخصصی در قالب قواعد زبانی ساخته می‌شود. سه تابع عضویت یعنی کم، متوسط و زیاد برای هر ورودی و خروجی در ممدانی FIS که در اینجا پیاده سازی شده است، تعریف شد. توابع عضویت در شکل 14 نشان داده شده است که مرحله فازی سازی سیستم را نیز تشکیل می دهد. در شکل 14، محورهای عمودی نمودارها درجه عضویت را نشان می دهند و محورهای افقی سطوح حساسیت را نشان می دهند که از 0 تا 1 برای لغزش زمین و 8 تا 66 برای سیل متغیر است. در ادبیات، روش‌های زیادی مانند شهود، ترتیب رتبه، مجموعه‌های فازی زاویه‌ای، الگوریتم‌های ژنتیک، استدلال استقرایی، تقسیم‌بندی نرم و غیره برای تخصیص ارزش عضویت وجود دارد (به عنوان مثال، منابع [ 90 ، 91 ، 92]). اگرچه می توان توابع عضویت را به روشی خاص سایت یا هدف گرا یا غیرخطی انتخاب کرد، یک رویکرد عمومی در اینجا برای اثبات قابلیت استفاده رویکرد ترجیح داده شد. در این تحقیق، مدل فازی ساخته شده از دو ورودی و یک خروجی با استفاده از سه تابع عضویت استفاده کرده و فازی شدن اعداد واضح و درجه عضویت هر ورودی واضح در این مرحله محاسبه شد. یکی از ویژگی‌های اساسی FIS ممدانی، قواعد اگر-آنگاه زبانی، یعنی ارزیابی قوانین را تشکیل می‌دهد. در مطالعه حاضر، قواعد اگر – آنگاه توسط متخصص (آخرین نویسنده) ایجاد شد، که مانع از فرآیند تجزیه و تحلیل اطلاعات جامع شد. تعداد کل قواعد زبانی تولید شده توسط متخصص 9 نفر بود ( جدول 6). خروجی فازی نهایی مدل با تجمیع تمام نتایج محلی از قوانین فازی ایجاد شده در مرحله ارزیابی قوانین [ 87 ] تولید شد. در ممدانی FIS ساخته شده در اینجا ( شکل 15 )، حداکثر عملگر برای تجمع در نظر گرفته شد، همانطور که توسط مرجع [ 87 ] پیشنهاد شده است. در نهایت از مرکز ثقل برای فازی سازی استفاده شد. با استفاده از FIS ممدانی ساخته شده، نقشه های حساسیت زمین لغزش و سیل به عنوان ورودی مورد استفاده قرار گرفت و نقشه MHSL مطابق با ارائه شده در بخش زیر تهیه شد.

4. نتایج و بحث

4.1. حساسیت زمین لغزش و نقشه های MHSL

نقشه حساسیت زمین لغزش خروجی در شکل 16 نشان داده شده است . اگرچه مقادیر احتمال وقوع زمین لغزش از 1٪ تا 99٪ (یعنی از 0-1، همانطور که در نمودار عضویت حساسیت زمین لغزش در شکل 14 نشان داده شده است ) متغیر بود، این مقادیر به سه دسته (کم، متوسط و زیاد) طبقه بندی شدند. با استفاده از طبقه بندی بازه های مساوی برای تفسیر آسان. این مقادیر در مرحله بعد در مدل ارزیابی فازی نیز مورد استفاده قرار گرفت. این نقشه پتانسیل خطر زمین لغزش موجود را به ویژه در بخش های غربی منطقه نشان می دهد. مشاهدات میدانی متخصص از یافته های نتایج به دست آمده از مطالعه حمایت می کند.

دقت نقشه خروجی برای درک کیفیت نتایج ارزیابی شد. عواملی که بر دقت تأثیر می گذارند، کیفیت داده ها، روش های اعمال شده، تعداد پارامترهای ورودی مورد استفاده در فرآیند و رویکرد تولید نقشه [ 72 ] است. منحنی ROC (ویژگی عملکرد گیرنده) که معیاری از قابلیت مدل فعلی در طبقه بندی [ 93 ] است، برای ارزیابی دقت استفاده شد ( شکل 17 ). شکل نشان می دهد که مناطق دارای و بدون حساسیت زمین لغزش با دقت 96 درصد طبقه بندی شده اند.

در مطالعه حاضر، یک روش معقول و عملی برای ترکیب نقشه های مختلف حساسیت پیشنهاد شده است. از الگوریتم فازی ممدانی استفاده شد و نقشه MHSL به دست آمد ( شکل 18 ). نتایج نشان می دهد که برخی از دامنه ها و دره ها دارای پتانسیل چند خطری بالایی هستند. برای به حداقل رساندن خسارات ناشی از زمین لغزش و سیل، مناطق حساس چند خطری بالا نشان داده شده در شکل 18 باید به دقت بررسی شوند و اقدامات مهندسی لازم در مرحله ساخت و ساز انجام شود.

4.2. بحث

محدوده مورد مطالعه به دلیل سکونت گاه های بی برنامه مشمول پروژه های تحول شهری می باشد. طرح تحول شهری مامک در بخشی از محدوده مورد مطالعه اجرا شد که حدوداً حدوداً در بر می گیرد. 7.4 کیلومتر ^مربع . محل پروژه در شکل 19 نشان داده شده است . این به 11 مرحله تقسیم شد و توسط TOKI (Toplu Konut Idaresi Baskanligi) که یک سازمان دولتی است که کارهای ساخت و ساز در مقیاس بزرگ برای خانه های جدید را در شهرداری متروپولیتن آنکارا و شهرداری ماماک انجام می دهد، انجام شد. هدف اصلی این پروژه تبدیل زاغه ها یعنی مناطق سکونتگاهی برنامه ریزی نشده با امکانات و زیرساخت های ناکافی و نوسازی این مناطق بود [ 94 ].]. در حالی که تعداد اولیه زاغه ها 13662 بود، تعداد زاغه های تخریب شده تا سال 2019 در طول پروژه 8389 بود. در مجموع 30000 واحد مسکونی در فاز بعدی پروژه احداث می شود. با توجه به پتانسیل خطر طبیعی و خطرات مرتبط در منطقه مورد مطالعه، نقشه MHSL می تواند برای تجزیه و تحلیل آسیب پذیری برنامه های توسعه و تحول شهری آینده استفاده شود.

DTM بافت شده با تصویر Sentinel-2 RGB ( شکل 20 )، نقشه حساسیت به زمین لغزش ( شکل 21 )، نقشه حساسیت به سیل ( شکل 22 ) و نقشه MHSL ( شکل 23 ) منطقه مورد مطالعه به صورت سه بعدی با نرم افزار QT Modeler از Applied Imagery، Chevy Chase، MD، USA [ 95 ] برای تفسیر نتایج.

شکل 23 مکان مکان های موجود و مکان های تغییر شهری برنامه ریزی شده را نشان می دهد. منطقه پروژه موجود (دایره بنفش در شکل 23 ) شامل مناطق با خطر چند خطر است. زمانی که ریسک ها به صورت جداگانه ارزیابی می شوند، خطر زمین لغزش در این منطقه کم است، اما بیش از حد خطر سیل نیز قابل توجه است. در این راستا می توان بررسی تاب آوری پروژه در برابر خطرات مخاطره طبیعی را مد نظر قرار داد.

مناطق زاغه‌ای (دایره‌های آبی در شکل 23 ) وجود دارد که مکان‌های بالقوه دگرگونی شهری را نشان می‌دهند. تصمیمات استفاده از زمین در این مناطق باید به طور مفصل تهیه شود. بهتر است با انعقاد تفاهم نامه با مالکان، این مناطق را با حساسیت بالا ارزیابی کرد و از آنها به عنوان مناطق سبز شهری استفاده کرد. همچنین ساختمان های تازه ساخته شده (دایره سبز تیره در شکل 23 ) در غرب منطقه مامک وجود دارد. همانطور که مشاهده می شود، مناطق متعددی با خطرات چندگانه وجود دارد. وضعیت ساختمان های جدید در این مناطق باید بررسی شود. کیفیت ساخت و مقاومت در برابر لغزش این سازه ها می تواند به عنوان معیاری برای اندازه گیری دقت تحول جزئی شهری قبلی در این منطقه مورد استفاده قرار گیرد.

با توجه به رویکرد روش‌شناختی مورد استفاده در اینجا، دقت روش LR برای اهداف مطالعه کافی بود. اگرچه تعداد نمونه های آموزشی در مناطق زمین لغزش مشخص شده به صورت دستی کم بود، استفاده از نسبت 1:2 برای نمونه های زمین لغزش/غیر لغزش کارآمد بود. نقشه MHSL تولید شده معرف اهداف مطالعه بود و می توان از آن به عنوان نقشه پایه برای اهداف برنامه ریزی شهری و تحول استفاده کرد. روش‌های گروهی (یعنی LR) و روش‌های مبتنی بر متخصص (یعنی M-AHP) برای تولید نقشه‌های حساسیت خطر فردی مفید بودند و الگوریتم فازی ممدانی قادر به مدیریت پیچیدگی مسئله بود.

5. نتیجه گیری ها

در این مطالعه، یک مدل فازی برای ارزیابی حساسیت چند خطر یکپارچه توسعه داده شد. علاوه بر این، قابلیت استفاده از تصاویر Sentinel-2 در به دست آوردن داده های به روز LULC در مناطق توسعه شهری برای تولید نقشه های حساسیت زمین لغزش مورد ارزیابی قرار گرفت. روش طبقه‌بندی RF برای تولید کلاس‌های LULC از تصاویر Sentinel-2 RGB استفاده شد و پارامتر GLCM-ASM برای تشخیص مناطق صنعتی از جاده‌ها به طبقه‌بندی اضافه شد. یک DTM با وضوح بالا و داده‌های سنگ‌شناسی در نقشه حساسیت زمین لغزش ادغام شدند و روش LR برای این منظور استفاده شد. نقشه MHSL با استفاده از الگوریتم فازی ممدانی تهیه شد. نقشه MHSL تولید شده می تواند به عنوان داده های ضروری برای طرح های توسعه و تحول شهری مورد استفاده قرار گیرد.

مشکل اصلی که در طول مطالعه با آن مواجه شد، تهیه نقشه کامل فهرست زمین لغزش به دلیل شهرنشینی بود. با این حال، یک روش ترکیبی برای به دست آوردن نقشه MHSL توصیف و با موفقیت اعمال شد. مناطق حساس چند خطر بالا باید قبل از ساخت و ساز به دقت بررسی شوند. به طور متناوب، در صورت امکان، باید از این مناطق با توجه به اهداف ساخت و ساز اجتناب شود تا تلفات ناشی از مخاطرات طبیعی به حداقل برسد. این نقشه‌ها برای مراحل برنامه‌ریزی بسیار مفید هستند و اگر در مرحله برنامه‌ریزی به این نقشه‌ها توجه شود، می‌توان به مزایای جدی رسید.

روش معرفی شده در مطالعه حاضر برای تولید حساسیت چند خطر اولین بار در ادبیات بین المللی است. استفاده از یک سیستم استنتاج فازی مبتنی بر خبره برای ترکیب دو نقشه حساسیت که خطرات طبیعی مختلف را به تصویر می‌کشد، نتایج بسیار امیدوارکننده‌ای را به همراه داشت. این مطالعه نشان داد که سیستم استنتاج فازی نوع ممدانی رویکرد مناسبی برای تهیه نقشه حساسیت چندخطری است. استفاده از این رویکرد برای ترکیب چندین نقشه حساسیت چند خطر ممکن است امکانات جدیدی را برای تلاش‌های انتخاب مکان مناسب فراهم کند. با این حال، هیچ روشی برای ارزیابی دقیق نقشه حساسیت چند خطری موجود نیست. به همین دلیل، منطقه مورد مطالعه انتخاب شده نسبتا کوچک و از یک منطقه شناخته شده بود. در نتیجه،

به عنوان نتیجه گیری نهایی، الگوریتم فازی پیشنهادی برای ترکیب مخاطرات طبیعی مختلف، یک رویکرد مدل سازی انعطاف پذیر و شفاف است. از این رو، زمانی که اطلاعات جدید به دست می آید، مدل را می توان به راحتی تنظیم یا بازسازی کرد. به عنوان یک توصیه آینده، برخی از تلاش‌ها برای ارزیابی عملکرد نقشه‌های حساسیت چند خطر باید انجام شود و برخی شاخص‌های عددی برای ارزیابی دقت و عملکرد باید توسعه یابد.

منابع

کوکامن، س. انبار اوغلو، بی. گوکچ اوغلو، سی. آلتان، او. مروری بر کاربردهای علم شهروندی (CitSci) برای مدیریت بلایا. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات کنفرانس اطلاعات جغرافیایی برای مدیریت بلایا (Gi4DM)، استانبول، ترکیه، 18 تا 21 مارس 2018 . ISPRS: هانوفر، آلمان، 2018؛ جلد XLII-3/W4، ص 301-306. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Mulero، DL; نجا، او. فرناندز، CL مدیریت ریسک زمین لغزش در توسعه شهری ساندنس (نروژ). در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات کنفرانس اطلاعات جغرافیایی برای مدیریت بلایا (Gi4DM)، استانبول، ترکیه، 18 تا 21 مارس 2018 ؛ ISPRS: هانوفر، آلمان، 2018؛ جلد XLII-3/W4، صص 327-334. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوکامن، س. Gokceoglu، C. در مورد استفاده از citsci و VGI در ارزیابی خطرات طبیعی. در آرشیو بین‌المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات سمپوزیوم میان‌مدت ISPRS TC V فن‌آوری مکانی – پیکسل به مردم، دهرادون، هند، 20–24 نوامبر 2018 . ISPRS: هانوفر، آلمان، 2018؛ جلد XLII-5، صص 69-73. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانار، ت. کوکامن، س. Gokceoglu، C. در مورد استفاده از تصاویر نگهبان-2 و DTM با وضوح بالا برای نقشه برداری حساسیت زمین لغزش در یک سکونتگاه شهری در حال توسعه (ماماک، آنکارا، ترکیه). در آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، مجموعه مقالات اطلاعات جغرافیایی برای مدیریت بلایا (Gi4DM)، پراگ، جمهوری چک، 3 تا 6 سپتامبر 2019 ؛ ISPRS: هانوفر، آلمان، 2019؛ جلد XLII-3/W8، صفحات 469-476. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
AFAD. Afet ve Acil Durum Yönetimi Başkanlığı. در دسترس آنلاین: https://www.afad.gov.tr/ (دسترسی در 1 دسامبر 2019).
Nefeslioglu، HA; San، BT; گوکچ اوغلو، سی. Duman، TY ارزیابی در مورد استفاده از داده های Terra ASTER L3A در نقشه برداری حساسیت زمین لغزش. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 14 ، 40-60. [ Google Scholar ] [ CrossRef ]
فام، بی تی؛ شیرزادی، ع. تین بوی، دی. پراکاش، آی. Dholakia، M. یک رویکرد مجموعه یادگیری ماشین ترکیبی مبتنی بر شبکه عصبی تابع پایه شعاعی و جنگل چرخشی برای مدل‌سازی حساسیت زمین لغزش: مطالعه موردی در منطقه هیمالیا، هند. بین المللی J. Sediment Res. 2018 ، 33 ، 157-170. [ Google Scholar ] [ CrossRef ]
گوروم، تی. Gonencgil، B. گوکچ اوغلو، سی. Nefeslioglu، HA اجرای واحدهای ژئومورفولوژیکی بازسازی شده در نقشه برداری حساسیت زمین لغزش: تنگه ملن (NW ترکیه). نات. خطرات 2008 ، 46 ، 323-351. [ Google Scholar ] [ CrossRef ]
رایشنباخ، پ. روسی، ام. Malamud، BD; میهیر، م. Guzzetti، F. مروری بر مدل‌های حساسیت زمین لغزش مبتنی بر آمار. علوم زمین Rev. 2018 , 180 , 60-91. [ Google Scholar ] [ CrossRef ]
سوگن، ای. کوکامن، س. Nefeslioglu، HA; Gokceoglu، C. یک رویکرد ارزیابی عملکرد جدید با استفاده از تکنیک‌های فتوگرامتری برای نقشه‌برداری حساسیت زمین لغزش با رگرسیون لجستیک، ANN و جنگل تصادفی. Sensors 2019 , 19 , 3940. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کوکامن، س. Gokceoglu، C. یک برنامه CitSci برای جمع آوری داده های زمین لغزش. رانش زمین 2019 ، 16 ، 611-615 . [ Google Scholar ] [ CrossRef ]
چن، ال. گوا، ز. یین، ک. Shrestha، DP; جین، اس. تأثیر کاربری زمین و تغییر پوشش زمین بر حساسیت زمین لغزش: مطالعه موردی در شهر ژوشان، شهرستان ژوانن (هوبئی، چین). نات. سیستم خطرات زمین. علمی بحث 2019 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ادیکاری، پ. هونگ، ی. داگلاس، KR؛ Kirschbaum، DB; گورلی، جی. آدلر، آر. Brakenridge، GR فهرست دیجیتالی سیل جهانی (1998-2008): گردآوری و نتایج اولیه. نات. خطرات 2010 ، 55 ، 405-422. [ Google Scholar ] [ CrossRef ]
CRED. بلایای طبیعی 2017. موجود به صورت آنلاین: https://cred.be/sites/default/files/adsr_2017.pdf (در 1 دسامبر 2019 قابل دسترسی است).
گوکچه، او. اوزدن، ش. Demir, A. Türkiye’de Afetlerin Mekansal ve İstatistiksel Dağılımı Afet Bilgileri Envanteri ; Bayındırlık ve İskân Bakanlığı: آنکارا، ترکیه، 2008. [ Google Scholar ]
پروکا، ال پی. Angilieri، YE توصیف مورفومتریک حوضه دل مول برای ارزیابی خطر سیل ناگهانی، دپارتمان ایگلسیا، سان خوان، آرژانتین استفاده شد. کوات. بین المللی 2011 ، 233 ، 81-86. [ Google Scholar ] [ CrossRef ]
شوئر، اس. هاس، دی. Meyer, V. به سوی هستی شناسی ارزیابی خطر سیل – ادغام دانش در یک رویکرد ارزیابی ریسک چند معیاره. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 37 ، 82-94. [ Google Scholar ] [ CrossRef ]
کونا، ن. مگاله، م. دومینگوس، تی. آبرو، م. Küpfer, C. رویکرد مورفولوژی زمین برای نقشه برداری خطر سیل: یک برنامه کاربردی برای پرتغال. جی. محیط زیست. مدیریت 2017 ، 193 ، 172-187. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سوزر، بی. کوکامن، س. Nefeslioglu، HA; فیرات، او. گوکچ اوغلو، سی. تحقیقات مقدماتی بر روی نقشه‌برداری حساسیت سیل در آنکارا (ترکیه) با استفاده از فرآیند تحلیل سلسله مراتبی اصلاح‌شده (M-AHP). بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 42 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
سوزر، بی. کوکامن، س. Nefeslioğlu، HA; فرات، او. Gökçeoğlu، C. Değiştirilmiş AHP (M-AHP) yöntemi kullanilarak ankara için taşkin duyarlilik haritasi üretimi. هاریت. Derg. 2019 ، 162 ، 12-24. [ Google Scholar ]
Nefeslioglu، HA; سزر، EA; گوکچ اوغلو، سی. Ayas, Z. یک رویکرد فرآیند تحلیل سلسله مراتبی اصلاح شده (M-AHP) برای سیستم های پشتیبانی تصمیم در ارزیابی خطرات طبیعی. محاسبه کنید. Geosci. 2013 ، 59 ، 1-8. [ Google Scholar ] [ CrossRef ]
بشیر احمد، KK; Pandey، A. ارزیابی مبتنی بر ژئوانفورماتیک از آسیب پذیری چند خطر ساحلی در امتداد ساحل شرقی هند. تف کردن Inf. Res. 2019 ، 27 ، 295–307. [ Google Scholar ] [ CrossRef ]
باترلوس، جی. اسکیلودیمو، اچ. چوسیانیتیس، ک. یوسف، ع. پرادان، ب. برآورد مناسب برای توسعه شهری با استفاده از نقشه ارزیابی چند خطر. علمی کل محیط. 2017 ، 119-134. [ Google Scholar ] [ CrossRef ]
اسکیلودیمو، اچ. باترلوس، جی. چوسیانیتیس، ک. یوسف، ع. پرادان، ب. مدل‌سازی ارزیابی چند خطر از طریق تحلیل چند معیاره و GIS: مطالعه موردی. محیط زیست علوم زمین 2019 ، 78. [ Google Scholar ] [ CrossRef ]
بنی مصطفی، ط. زنگ، ز. زیو، ای. Vasseur, D. چارچوبی برای تجمیع ریسک چند خطر با در نظر گرفتن سطوح بلوغ مدل ریسک. در مجموعه مقالات دومین کنفرانس بین المللی IEEE در مورد قابلیت اطمینان و ایمنی سیستم (ICSRS)، میلان، ایتالیا، 20-22 دسامبر 2017. ص 429-433. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فورلان، ای. تورسان، اس. کریتو، آ. مارکومینی، الف. رویکرد خطر صریح فضایی برای ارزیابی و مدیریت چند خطر در محیط‌زیست دریایی: مطالعه موردی دریای آدریاتیک. علمی کل محیط. 2017 ، 618 ، 1008-1023. [ Google Scholar ] [ CrossRef ]
موخوپادحیای، ع. حضره، س. میترا، دی. هاتون، سی. چاندا، ا. موکرجی، اس. مشخص کردن چند ریسک با توجه به خطرات طبیعی قابل قبول در سواحل بالاسور، اودیشا، هند: ارزیابی تجزیه و تحلیل چند معیاره (MCA). نات. خطرات 2016 ، 80 ، 1495-1513. [ Google Scholar ] [ CrossRef ]
چن، ال. ون وستن، سی جی; حسین، ح. Ciurean، RL; ترکینگتون، تی. چاوارو-رینکن، دی. Shrestha، DP ادغام نظرات متخصص با مدل سازی برای ارزیابی کمی خطر چند خطر در کوه های آلپ شرقی ایتالیا. ژئومورفولوژی 2016 ، 273 ، 150-167. [ Google Scholar ] [ CrossRef ]
هلن، م. وارگاس، V. چند خطر، چند زیرساخت، تحلیل سناریوی اقتصادی. محیط زیست سیستم تصمیم می گیرد. 2013 ، 33 ، 60-75. [ Google Scholar ] [ CrossRef ]
ژو، ی. لیو، ی. وو، دبلیو. نینگ، L. ارزیابی ریسک یکپارچه چند خطر در چین. نات. خطرات 2015 ، 78 ، 257-280. [ Google Scholar ] [ CrossRef ]
تیان، سی. ییپینگ، اف. یانگ، ال. ژانگ، سی. تحلیل مکانی-زمانی تاب‌آوری جامعه در برابر خطرات چندگانه در حوضه رودخانه آنینگ، جنوب غربی چین. بین المللی J. کاهش خطر بلایا. 2019 ، 39 ، 101144. [ Google Scholar ] [ CrossRef ]
گیل، جی. Malamud، B. فرآیندهای انسانی، مخاطرات طبیعی، و تعاملات در یک چارچوب چند خطر. علوم زمین Rev. 2017 , 166 , 246-269. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گالینا، وی. تورسان، اس. کریتو، آ. اسپروتو، ا. گلید، تی. مارکومینی، A. مروری بر روش‌های چند ریسکی برای مخاطرات طبیعی: پیامدها و چالش‌ها برای ارزیابی تأثیر تغییرات آب و هوا. جی. محیط زیست. مدیریت 2015 ، 168 ، 123-132. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Barrantes، G. مدل چند خطر برای کشورهای در حال توسعه. نات. خطرات 2018 ، 92 ، 1081-1095. [ Google Scholar ] [ CrossRef ]
لیو، بی. Siu، YL; میچل، جی. یک مدل کمی برای تخمین ریسک ناشی از مخاطرات طبیعی متقابل چندگانه: کاربرد در شمال شرقی ژجیانگ، چین. استوک. محیط زیست Res. ارزیابی ریسک 2016 ، 31 ، 1319-1340. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برنال، جی. سالگادو-گالوز، م. زولوآگا رومرو، دی. تریستانچو، جی. گونزالس، دی. Cardona، O. ادغام ارزیابی ریسک احتمالی و چند خطر در برنامه ریزی توسعه شهری و آمادگی و پاسخ اضطراری: کاربرد در Manizales، کلمبیا. بین المللی J. Disaster Risk Sci. 2017 ، 8 ، 270-283. [ Google Scholar ] [ CrossRef ]
میکو، ام. ژورچسکو، ام. میکو، دی. زارع، ر. زومپانو، وی. Bălteanu، D. بینش مورفوژنتیک به تجزیه و تحلیل چند خطر: سد زمین لغزش Bâsca Mare. زمین لغزش 2014 ، 11 ، 1131-1139. [ Google Scholar ] [ CrossRef ]
تیلوی، ا. ملامود، بی. زمستان، اچ. Joly-Laugel، A. مروری بر روش های کمی سازی برای روابط متقابل چند خطر. علوم زمین Rev. 2019 , 196 , 102881. [ Google Scholar ] [ CrossRef ]
چانگ، اس. ییپ، جی. Tse، W. اثرات توسعه شهری بر خطر چند خطر آینده: مورد ونکوور، کانادا. نات. خطرات 2018 ، 98 ، 251-265. [ Google Scholar ] [ CrossRef ]
مافی غلامی، د. زنر، ای. جعفری، ع. ریاحی بختیاری، HR; Tien Bui, D. ارزیابی آسیب پذیری چند خطری سواحل جنوبی ایران. جی. محیط زیست. مدیریت 2019 ، 252 ، 109628. [ Google Scholar ] [ CrossRef ] [ PubMed ]
فال، آر. جوردی، سی. کریستف، بی. لئوناردو، سی. اریک، ال. راهنمای ویلیام، ZS برای حساسیت زمین لغزش، منطقه بندی خطر و خطر برای برنامه ریزی کاربری زمین. مهندس جئول 2008 ، 102 ، 85-98. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جیکوبز، ال. میس، جی. مرتنز، ک. سکاجوگو، جی. تیری، دبلیو. لیپزیگ، ن. پوسن، جی. کروین، ام. دیویت، او. بازسازی یک رویداد سیل ناگهانی از طریق رویکرد چند خطر: تمرکز بر کوه‌های رونزوری، اوگاندا. نات. خطرات 2016 ، 84 ، 851-876. [ Google Scholar ] [ CrossRef ]
کپس، ام. پاپاتوما-کوهل، ام. کیلر، ام. ارزیابی آسیب‌پذیری فیزیکی برای چند خطر با استفاده از روش‌شناسی مبتنی بر شاخص. Appl. Geogr. 2012 ، 32 ، 577-590. [ Google Scholar ] [ CrossRef ]
امیدوار، بی. کریمی، ح. تحلیل احتمال شکست چند خطری خطوط لوله گاز برای لرزش زمین لرزه، شکست زمین و آتش سوزی متعاقب زلزله. نات. خطرات 2016 ، 82 ، 703-720. [ Google Scholar ] [ CrossRef ]
لیو، ک. وانگ، ام. کائو، ی. زو، دبلیو. یانگ، جی. حساسیت سیستم راه‌آهن چینی موجود و برنامه‌ریزی‌شده در معرض خطرات چندگانه ناشی از بارندگی. ترانسپ Res. بخش A سیاست سیاست. 2018 ، 117 ، 214-226. [ Google Scholar ] [ CrossRef ]
میرزایی، گ. سلطانی، ع. سلطانی، م. دارابی، م. یک رویکرد یکپارچه داده کاوی و تصمیم گیری چند معیاره برای رتبه بندی اشیاء مبتنی بر خطر با تمرکز بر زمین لغزش و سیل. محیط زیست علوم زمین 2018 ، 77 ، 581. [ Google Scholar ] [ CrossRef ]
شیخ، وی. کورنژادی، ع. Ownegh, M. کاربرد فاصله TOPSIS-mahalanobis جفت شده برای مدیریت چند خطری مناطق هدف استان گلستان، ایران. نات. خطرات 2019 ، 96 ، 1335-1365. [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; گاین، ا. پناهی، م. رضایی، ف. Blaschke, T. ارزیابی و نقشه‌برداری احتمال چند خطر در ایران. علمی کل محیط. 2019 ، 692 ، 556-571. [ Google Scholar ] [ CrossRef ]
آرایا مونوز، د. متزگر، ام. استوارت، ن. ویلسون، ا. کارواخال، دی. یک رویکرد منطق فازی فضایی برای ارزیابی اثرات چند خطر شهری در Concepción، شیلی. علمی کل محیط. 2017 ، 576 ، 508-519. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کپس، ام اس؛ کیلر، ام. فون الورفلد، ک. Glade, T. Challenges of Analysis risk multi-hazard: a review. نات. خطرات 2012 ، 64 ، 1925-1958. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ESA Sentinel-2. در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 (در 27 ژانویه 2019 قابل دسترسی است).
ESA Sentinel-2 Coverage Map. در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/revisit-coverage (در 27 ژانویه 2019 قابل دسترسی است).
پورسانیدیس، د. Chrysoulakis، N. سنجش از دور، خطرات طبیعی و مشارکت ماموریت های نگهبان ESA. Remote Sens. Appl. Soc. محیط زیست 2017 ، 6 ، 25-38. [ Google Scholar ] [ CrossRef ]
آکباش، بی. آکدنیز، ن. آکسای، ا. آلتون، İ. بالچی، وی. بیلگینر، ای. بیلگیچ، تی. دورو، م. ارکان، تی. گدیک، İ. و همکاران Diğerleri Türkiye Jeoloji Haritasi ; Maden Tetkik ve Arama Genel Müdürlüğü Yayını: آنکارا، ترکیه، 2002; در دسترس آنلاین: https://yerbilimleri.mta.gov.tr/ (دسترسی در 20 ژوئیه 2018).
مور، شناسه; گریسون، RB; Ladson، مدل‌سازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
SAGA GIS. سیستم تجزیه و تحلیل خودکار زمین شناسی. در دسترس آنلاین: www.saga-gis.org (در 20 ژوئیه 2019 قابل دسترسی است).
ESRI. Environmental Systems Research Institute, Inc. موجود به صورت آنلاین: https://www.esri.com/ (دسترسی در 20 جولای 2018).
ویلسون، جی پی؛ Gallant, JC Terrain Analysis: Principles and Applications ; John Wiley and Sons, Inc.: Ottawa, ON, Canada, 2000. [ Google Scholar ]
بودیمیر، م. اتکینسون، پی. Lewis, H. مدل‌سازی خطر زمین لغزش و قرار گرفتن در معرض لرزه‌ای در جنوب کالیفرنیا بر اساس رویداد زلزله 1994 نورتریج، کالیفرنیا. زمین لغزش 2014 ، 12 ، 1-16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ذاکری نژاد، ر. Maerker, M. ارزیابی تلفیقی از دینامیک فرسایش خاک با تاکید ویژه بر فرسایش خندقی در حوضه مزایجان، جنوب غربی ایران. نات. خطرات 2015 ، 79 ، 25-50. [ Google Scholar ] [ CrossRef ]
کاکمبو، وی. Xanga، WW; Rowntree، K. آستانه های توپوگرافی در توسعه خندق در دامنه های مناطق مشترک در شهرداری محلی Ngqushwa، کیپ شرقی، آفریقای جنوبی. ژئومورفولوژی 2009 ، 110 ، 188-194. [ Google Scholar ] [ CrossRef ]
سامیا، ج. تم، ا. برگت، آ. والینگا، جی. گوزتی، اف. آردیزون، اف. Rossi, M. خصوصیات و کمیت وابستگی مسیر در حساسیت زمین لغزش. ژئومورفولوژی 2017 ، 292 ، 16-24. [ Google Scholar ] [ CrossRef ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامه‌ها و جهت‌های آینده. ISPRS J. Photogramm. Remote Sens. 2016 ، 114 ، 24–31. [ Google Scholar ] [ CrossRef ]
استفانسکی، جی. مک، بی. Waske، O. بهینه سازی تجزیه و تحلیل تصویر مبتنی بر شی با جنگل های تصادفی برای نقشه برداری پوشش زمین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 ، 6 ، 2492-2504. [ Google Scholar ] [ CrossRef ]
یو، سی. هان، دی. من، جی. Bechtel, B. مقایسه بین شبکه‌های عصبی کانولوشن و جنگل تصادفی برای طبقه‌بندی مناطق آب و هوایی محلی در مناطق شهری بزرگ با استفاده از تصاویر Landsat. ISPRS J. Photogramm. Remote Sens. 2019 , 157 , 155–170. [ Google Scholar ] [ CrossRef ]
ما، ال. لی، ام. ما، ایکس. چنگ، ال. دو، پ. Liu, Y. مروری بر طبقه‌بندی تصویر پوشش زمین مبتنی بر شیء نظارت شده. ISPRS J. Photogramm. Remote Sens. 2017 ، 130 ، 277-293. [ Google Scholar ] [ CrossRef ]
لیم، جی. کیم، ک. طبقه‌بندی گونه‌های درختی Jin، R. با استفاده از داده‌های hyperion و sentinel-2 با یادگیری ماشین در کره جنوبی و چین. بین المللی J. Geo Inf. 2019 ، 8 ، 150. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گوا، ال. چهاتا، ن. مالت، سی. Boukir، S. ارتباط داده‌های تصویر چند طیفی و لیدار هوابرد برای طبقه‌بندی صحنه شهری با استفاده از جنگل‌های تصادفی. ISPRS J. Photogramm. Remote Sens. 2011 ، 66 ، 56-66. [ Google Scholar ] [ CrossRef ]
استامف، ا. Kerle، N. نقشه برداری شی گرا زمین لغزش با استفاده از جنگل های تصادفی. سنسور از راه دور محیط. 2011 ، 115 ، 2564-2577. [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; Kerle، N. جنگل‌های تصادفی و ارزیابی حساسیت زمین لغزش مبتنی بر تابع باور شواهد در استان مازندران غربی، ایران. محیط زیست علوم زمین 2016 ، 75. [ Google Scholar ] [ CrossRef ]
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 ]
لی، اس. کاربرد مدل رگرسیون لجستیک و اعتبار سنجی آن برای نگاشت حساسیت زمین لغزش با استفاده از GIS و داده های سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 1477-1491. [ Google Scholar ] [ CrossRef ]
دومان، TY; کان، تی. گوکچ اوغلو، سی. Nefeslioglu، HA; Sonmez، H. کاربرد رگرسیون لجستیک برای پهنه بندی حساسیت زمین لغزش منطقه چکمه، استانبول، ترکیه. محیط زیست جئول 2006 ، 51 ، 241-256. [ Google Scholar ] [ CrossRef ]
وانگ، HB; Sassa، K. ارزیابی مقایسه ای حساسیت زمین لغزش در منطقه Minamata، ژاپن. محیط زیست جئول 2005 ، 47 ، 956-966. [ Google Scholar ] [ CrossRef ]
بای، S.-B. وانگ، جی. Lü, G.-N.; ژو، پی.-جی. Hou, S.-S.; خو، S.-N. رگرسیون لجستیک مبتنی بر GIS برای نگاشت حساسیت زمین لغزش بخش Zhongxian در منطقه Three Gorges، چین. ژئومورفولوژی 2010 ، 115 ، 23-31. [ Google Scholar ] [ CrossRef ]
داس، من. سهو، س. ون وستن، سی. استین، ا. هک، R. ارزیابی حساسیت زمین لغزش با استفاده از رگرسیون لجستیک و مقایسه آن با یک سیستم طبقه بندی توده سنگ، در امتداد یک بخش جاده در شمال هیمالیا (هند). ژئومورفولوژی 2010 ، 114 ، 627-637. [ Google Scholar ] [ CrossRef ]
Nefeslioglu، HA; گوکچ اوغلو، سی. ارزیابی خطر احتمالی در مقیاس متوسط برای جریان‌های زمینی ناشی از بارندگی: حوضه آبریز کاتاکلی (Cayeli، Rize، ترکیه). ریاضی. مشکل مهندس 2011 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، اس. پرادان، ب. نقشه‌برداری خطر زمین لغزش در سلانگور، مالزی با استفاده از مدل‌های نسبت فرکانس و رگرسیون لجستیک. زمین لغزش 2006 ، 4 ، 33-41. [ Google Scholar ] [ CrossRef ]
وورپهل، پ. السنبیر، اچ. مرکر، ام. شرودر، ب. چگونه مدل های آماری می توانند به تعیین عوامل محرک زمین لغزش کمک کنند؟ Ecol. مدل. 2012 ، 239 ، 27-39. [ Google Scholar ] [ CrossRef ]
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 ]
ممدانی، ه.ح. Assilian، S. آزمایش در سنتز زبانی با یک کنترل کننده منطق فازی. بین المللی جی. من ماخ. گل میخ. 1975 ، 7 ، 1-13. [ Google Scholar ] [ CrossRef ]
Zadeh, LA Fuzzy sets. Inf. کنترل 1965 ، 8 ، 338-353. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گریما، کارشناسی ارشد مدل سازی عصبی-فازی در زمین شناسی مهندسی ; AA Balkema: روتردام، هلند، 2000; پ. 244. در دسترس آنلاین: https://books.google.com.tr/books/about/Neuro_fuzzy_Modeling_in_Engineering_Geol.html?id=PJ6VQgAACAAJ&source=kp_cover&redir_esc=y (در 17 فوریه 2020 قابل دسترسی است).
گوکچ اوغلو، سی. زورلو، ک. یک مدل فازی برای پیش‌بینی مقاومت فشاری تک محوری و مدول الاستیسیته یک سنگ مشکل‌ساز. مهندس Appl. آرتیف. هوشمند 2004 ، 17 ، 61-72. [ Google Scholar ] [ CrossRef ]
آکگون، ا. سزر، EA; Nefeslioglu، HA; گوکچ اوغلو، سی. پرادان، ب. یک برنامه آسان برای استفاده MATLAB (MamLand) برای ارزیابی حساسیت زمین لغزش با استفاده از یک الگوریتم فازی ممدانی. محاسبه کنید. Geosci. 2012 ، 38 ، 23-34. [ Google Scholar ] [ CrossRef ]
اسنا، تی. سزر، EA; Akgun، A. GeoFIS: یک ابزار یکپارچه برای ارزیابی حساسیت زمین لغزش. محاسبه کنید. Geosci. 2014 ، 66 ، 20-30. [ Google Scholar ] [ CrossRef ]
سزر، EA; Nefeslioglu، HA; Osna, T. یک ماژول نقشه برداری حساسیت زمین لغزش مبتنی بر متخصص (LSM) که برای نرم افزار Netcad Architect توسعه یافته است. محاسبه کنید. Geosci. 2017 ، 98 ، 26-37. [ Google Scholar ] [ CrossRef ]
اوزر، BC; موتلو، بی. نفسلی اوغلو، اچ. سزر، ای. روایی، م. دکایر، ع. Gokceoglu، C. در مورد استفاده از سیستم های استنتاج فازی سلسله مراتبی (HFIS) در نقشه برداری حساسیت زمین لغزش مبتنی بر متخصص: بخش مرکزی کوه های ریف (مراکش). گاو نر مهندس جئول محیط زیست 2020 ، 79 ، 551-568. [ Google Scholar ] [ CrossRef ]
زاده، LA منطقی برای کنترل فازی. جی. دین. سیستم Meas. کنترل ترانس ASME 1972 ، 94 ، 3-4. [ Google Scholar ] [ CrossRef ]
هادیپریونو، اف. Sun، K. مدل های مجموعه فازی زاویه ای برای مقادیر زبانی. مدنی مهندس سیستم 1990 ، 7 ، 148-156. [ Google Scholar ] [ CrossRef ]
کار، CL; Gentry، EJ کنترل فازی pH با استفاده از الگوریتم ژنتیک. IEEE Trans. سیستم فازی 1993 ، 1 ، 46-53. [ Google Scholar ] [ CrossRef ]
پرلیچ، سی. پروست، اف. Simonoff، J. القای درخت در مقابل رگرسیون لجستیک: تجزیه و تحلیل منحنی یادگیری. جی. ماخ. فرا گرفتن. Res. 2003 ، 4 ، 211-255. [ Google Scholar ] [ CrossRef ]
Belediyesi, M. Mamak Belediyesi 2018 Yılı İdare Faaliyet Raporu. در دسترس آنلاین: https://www.mamak.bel.tr/wp-content/uploads/2017/03/2018-faaliyet.pdf (دسترسی در 20 ژوئیه 2019).
مدل ساز QT. در دسترس آنلاین: https://appliedimagery.com/ (در 29 دسامبر 2019 قابل دسترسی است).

شکل 1. موقعیت منطقه مورد مطالعه و نمای کلی تصویر Sentinel-2 قرمز-سبز-آبی (RGB) مورد استفاده در مطالعه (مختصات سمت چپ بالا: 32°56’51.372″ E، 39°56’27.108″ شمالی ؛ مختصات پایین سمت راست: 33°0′57.578″ شرقی، 39°53′41.689″ شمالی).

شکل 2. گردش کار کلی مطالعه.

شکل 3. نقشه ارتفاع و زمین لغزش های ترسیم شده به صورت دستی (چند ضلعی های قرمز).

شکل 4. نقشه شیب شیب ( چپ ) و جهت ( راست ) منطقه مورد مطالعه.

شکل 5. نقشه انحنای عمومی منطقه مورد مطالعه.

شکل 6. نقشه های انحنای پلان ( چپ ) و پروفیل ( راست ) منطقه مورد مطالعه.

شکل 7. نقشه های SPI (شاخص قدرت جریان، در سمت چپ) و TWI (شاخص رطوبت توپوگرافی، در سمت راست) از منطقه مورد مطالعه.

شکل 8. فواصل تا کانال ها ( سمت چپ ) و خطوط برآمدگی ( راست ).

شکل 9. نقشه کاربری و پوشش اراضی منطقه مورد مطالعه.

شکل 10. نقشه سنگ شناسی منطقه مورد مطالعه [ 54 ].

شکل 11. نقشه حساسیت به سیل تهیه شده توسط Sozer et al. [ 19 ] (منطقه مستطیل شکل در شرق منطقه مورد مطالعه انتخاب شده است).

شکل 12. نقشه حساسیت به سیل منطقه مورد مطالعه (اصلاح شده پس از مرجع [ 19 ]).

شکل 13. هیستوگرام کلاس های حساسیت به سیل برای پنج کلاس ( سمت چپ ) و سه کلاس ( راست ).

شکل 14. توابع عضویت هر ورودی. محورهای عمودی در هر دو نمودار نشان دهنده درجه عضویت هستند، در حالی که محورهای افقی محدوده سطح حساسیت را برای لغزش زمین ( سمت چپ ) و سیل ( راست ) منعکس می کنند.

شکل 15. ساختار کلی سیستم استنتاج فازی ممدانی (FIS) ساخته شده است.

شکل 16. نقشه حساسیت به زمین لغزش منطقه مورد مطالعه.

شکل 17. منحنی های مشخصه عملکرد گیرنده (ROC) نقشه حساسیت زمین لغزش.

شکل 18. نقشه سطح حساسیت چند خطری منطقه مورد مطالعه.

شکل 19. بخشی از پروژه تحول شهری در محدوده مورد مطالعه [ 91 ].

شکل 20. DTM (مدل زمین دیجیتال) منطقه مورد مطالعه با تصویر Sentinel-2 بافت شده است.

شکل 21. DTM منطقه مورد مطالعه با نقشه حساسیت زمین لغزش بافت (خروجی رگرسیون لجستیک).

شکل 22. DTM منطقه مورد مطالعه با نقشه حساسیت به سیل بافت شده است (به سه کلاس پس از Sozer و همکاران [ 19 ] اصلاح شده است).

شکل 23. DTM منطقه مورد مطالعه با نقشه MHSL (سطح حساسیت چند خطری) بافت شده است. دایره ها مناطق کانونی مهمی را برای برنامه ریزی شهری در شمال غرب و جنوب مامک که در بالا ذکر شد نشان می دهد.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی