رتبه بندی دارایی ها معرض خطر زمین لغزش: یک پیشنهاد GIS

رتبه بندی دارایی ها با توجه به قرار گرفتن آنها در معرض خطر زمین لغزش: یک پیشنهاد GIS

خلاصه

نیاز به حفاظت از زیرساخت‌های حیاتی (به اختصار دارایی‌ها در این مقاله نامیده می‌شوند) به دلیل خطراتی که در معرض آنها قرار دارند، ایجاد می‌شود. در این مقاله، خطر با رانش زمین نشان داده شده است. بخش اول مقاله یک روش علمی قوی برای شناسایی دارایی‌های N بالا پیشنهاد می‌کند که می‌توانند به عنوان «نقاط» (عمدتا ساختمان‌ها) مدل شوند. روش توسعه‌یافته شیب زمین، فاصله خروجی زمین لغزش و مسیر آن را در نظر می‌گیرد. دومی تقریباً از طریق مفهوم خط رگرسیون خطی تخمین زده می شود. این روش برای یک مورد واقعی برای انجام اعتبار سنجی اولیه آن اعمال می شود. در بخش دوم مقاله، مشکل محاسبه رتبه بندی دارایی هایی که می توانند به عنوان “خطوط” مدل شوند (به عنوان مثال، بزرگراه ها، خطوط برق، خطوط لوله، خطوط راه آهن، و غیره، که از یک قلمرو معین عبور می کنند).

مشکل در سه مرحله حل می‌شود: (الف) بخش‌بندی (هر مسیر را به بخش‌هایی «برش می‌دهد»، (ب) نمونه‌برداری (از هر بخش امتیاز استخراج می‌کند) و (ج) محاسبه (مقدار نوردهی را به هر بخش استخراج‌شده مرتبط می‌کند. نقطه و سپس نوردهی بخش های مختلف تشکیل دهنده مسیرها را محاسبه می کند). محاسبه نوردهی برای نقاط با استفاده از روش قسمت اول مقاله انجام می شود. هر دو رتبه‌بندی می‌توانند توسط مدیران محلی به‌عنوان ابزاری مفهومی برای محدود کردن یک مشکل جهانی به مناطق جغرافیایی کوچک‌تر، با مواجهه بالاتر، که در آن مدیریت خطر حیاتی است، استفاده شود. و (ج) محاسبه (مقدار نوردهی را به هر نقطه استخراج شده مرتبط می کند و سپس نوردهی بخش های مختلف تشکیل دهنده مسیرها را محاسبه می کند). محاسبه نوردهی برای نقاط با استفاده از روش قسمت اول مقاله انجام می شود. هر دو رتبه‌بندی می‌توانند توسط مدیران محلی به‌عنوان ابزاری مفهومی برای محدود کردن یک مشکل جهانی به مناطق جغرافیایی کوچک‌تر، با مواجهه بالاتر، که در آن مدیریت خطر حیاتی است، استفاده شود. و (ج) محاسبه (مقدار نوردهی را به هر نقطه استخراج شده مرتبط می کند و سپس نوردهی بخش های مختلف تشکیل دهنده مسیرها را محاسبه می کند). محاسبه نوردهی برای نقاط با استفاده از روش قسمت اول مقاله انجام می شود. هر دو رتبه‌بندی می‌توانند توسط مدیران محلی به‌عنوان ابزاری مفهومی برای محدود کردن یک مشکل جهانی به مناطق جغرافیایی کوچک‌تر، با مواجهه بالاتر، که در آن مدیریت خطر حیاتی است، استفاده شود.

کلید واژه ها:

خطر ; ساختمان ها ; خطوط جاده ؛ خطوط راه آهن ؛ خطوط لوله ؛ رانش زمین ؛ قرار گرفتن در معرض رتبه بندی ; GIS

1. معرفی

در سال های اخیر، بسیاری از کشورها در سراسر جهان اهمیت فزاینده حفاظت از زیرساخت های کلیدی خود (مانند نیروگاه ها، پل ها، بزرگراه ها، فرودگاه ها و غیره) را درک کرده اند. به عنوان مثال، در سال 2008، شورای اروپا دستورالعمل 2008/114/EC را صادر کرد که طبق آن کشورهای عضو ملزم به شناسایی زیرساخت های حیاتی اروپا و ارزیابی نیازهای حفاظت از آنها شدند. این دستورالعمل «زیرساخت حیاتی» را اینگونه تعریف می‌کند: دارایی، سیستم یا بخشی از آن واقع در کشورهای عضو که برای حفظ عملکردهای حیاتی اجتماعی، سلامت، ایمنی، امنیت، رفاه اقتصادی یا اجتماعی مردم، و اختلال یا اختلال ضروری است. که تخریب آن در نتیجه عدم حفظ آن وظایف، تأثیر قابل توجهی در یک کشور عضو خواهد داشت. ستولا و همکاران [ 1] گزارشی به روز از ابتکارات چندین دولت در مورد حفاظت و انعطاف پذیری زیرساخت های حیاتی خود ارائه می دهد.

حفاظت از زیرساخت‌های حیاتی ایالات‌متحده تمرکز مقاله حاضر است، جایی که آنها دارایی نامیده می‌شوند. نیاز به حفاظت از دارایی ها به دلیل خطرات متعدد (مثلاً زلزله، سیل، رانش زمین) که در معرض آنها قرار می گیرند، بوجود می آید [ 2 ]. در پژوهش حاضر، توجه به زمین لغزش‌ها که نقش بسیار مهمی در بسیاری از کشورهای جهان دارند، معطوف شده است [ 3 ]. در ایتالیا رانش زمین مکرر است و خسارات قابل توجه و تلفات زیادی را در هر سال ایجاد می کند [ 4 ، 5 ]. با توجه به نتیجه یک مطالعه انجام شده توسط Jaedicke و همکاران. [ 6 ]، “ایتالیا دارای بالاترین تعداد افرادی است که در معرض خطر رانش زمین در بین کشورهای اروپایی قرار دارند.”

زمین لغزش زمانی که با عناصر به اصطلاح در معرض خطر برخورد می کند به خطر تبدیل می شود. ارزیابی اثرات جانبی ناشی از زمین لغزش معمولاً به عنوان ارزیابی خطر شناخته می شود. از نظر ریاضی، ریسک را می توان به صورت [ 6 ] محاسبه کرد:

R i s k = H یک z a r d \times V u l n e r a b i l i t y \times E l e m e n t s A t R i s k

(1)

H a z a r d

S u s c e p t i b i l i t y

T r i g g e r

. پوشش گیاهی، رطوبت خاک، شیب، و سنگ شناسی عوامل حساسیت معمول هستند، در حالی که بارش عامل محرک برجسته است. آسیب پذیری نشان دهنده وسعت آسیب به یک عنصر در معرض خطر است که در مقیاسی از 0 (بدون آسیب) تا 1 (تخریب کلی) بیان می شود. تعیین کمیت پارامتر خطر ناشی از زمین لغزش یک کار پیچیده است. مرجع [ 6 ] روشی را برای تعیین آن پیشنهاد می کند.

انتشارات زیادی در مورد ارزیابی آسیب پذیری عناصر در معرض خطر (به عنوان مثال، [ 7 ، 8 ، 9 ])، و همچنین در مورد ارزیابی خطر ناشی از زمین لغزش (به عنوان مثال، [ 6 ، 10 ، 11 ، 12 ]). در تمام پیشنهادات، شناسایی عناصر در معرض خطر زمین لغزش با محاسبه تقاطع هندسه‌های مدل‌سازی دارایی‌ها و منطقه خطر انجام می‌شود (به عنوان مثال، [ 13 ]]). نتیجه این است که عناصر در منطقه مورد مطالعه به دو دسته مجزا تقسیم می شوند: یکی شامل عناصری است که در معرض خطر زمین لغزش قرار دارند، در حالی که دیگری شامل موارد باقی مانده است. توجه داشته باشید که عناصر در دسته قبلی با توجه به “سطح قرار گرفتن در معرض خطر زمین لغزش” “ex-aequo” هستند.

وقتی تعداد دارایی‌هایی که باید نظارت شوند زیاد باشد (برای مثال، در ایتالیا 72355 مدرسه در 43643 ساختمان مجزا واقع شده‌اند، در حالی که تعداد کل ساختمان‌های عمومی بسیار بیشتر است)، رتبه‌بندی دارایی‌ها به دست اندرکاران کاهش خطر بازمی‌گردد. آنها مسئول هدایت آنها در اولویت بندی کنترل های میدانی هستند. در واقع، در آن سناریو، آنها ممکن است ارزیابی دقیق ریسک را به دارایی‌هایی با ارزش مواجهه بالاتر از یک آستانه معین محدود کنند (به طور خلاصه دارایی‌های بالای N). به این ترتیب زمان پردازش کلی مورد نیاز برای محاسبه آسیب‌پذیری و در نتیجه ریسک، به طور چشمگیری کاهش می‌یابد.

مطالعه حاضر بر دارایی‌های مدل‌سازی شده هم به عنوان نقاط (به عنوان مثال، ساختمان‌ها، از هر نوع)، و هم به عنوان خطوط (به عنوان مثال، جاده‌ها، بزرگراه‌ها، خطوط راه‌آهن، خطوط لوله، خطوط برق) تمرکز دارد. تا حد مقدماتی و لزوماً بالا انتزاع، مسائلی که مورد مطالعه قرار می گیرند را می توان به شرح زیر بیان کرد. با توجه به یک قلمرو مرجع (به عنوان مثال یک منطقه ایتالیایی) و:

مجموعه ای از ساختمان های یک دسته بندی معین (به عنوان مثال ایستگاه های راه آهن)، رتبه بندی خود را با توجه به سطح قرار گرفتن در معرض خطر زمین لغزش برمی گرداند.
مجموعه خطوطی (مثلاً خطوط راه‌آهن) که از آن عبور می‌کنند، برای هر یک از آنها رتبه‌بندی امتداد خود را با توجه به سطح قرار گرفتن در معرض خطر زمین لغزش برمی‌گردانند.

در مرجع [ 14 ]، نویسندگان قرار گرفتن در معرض لغزش ساختمان ها را مورد مطالعه قرار دادند. با شروع از داده های برداری در مورد عناصر در معرض خطر، آنها داده های شطرنجی را استخراج می کنند. دومی برای خروجی یک نقشه نوردهی چند لایه در مورد نقاط بالقوه برای تجزیه و تحلیل عمیق آسیب پذیری و خطرات متعاقب آن استفاده می شود. عیب این روش این است که امکان رتبه بندی هات اسپات وجود ندارد. مشکل رتبه‌بندی منشأ در حوزه بازیابی اطلاعات است، در حالی که روش‌هایی برای رتبه‌بندی ساختمان‌ها اخیراً پیشنهاد شده‌اند. برای مثال، در [ 15 ]، روشی برای ساختن رتبه بندی ساختمان ها با توجه به خطر آتش سوزی پیشنهاد شده است، در حالی که [ 16 ]] روشی را برای رتبه بندی ساختمان های غیرقانونی واقع در نزدیکی رودخانه ها رسمیت می دهد. روش دیگری برای رتبه‌بندی ساختمان‌ها با توجه به عملکرد محیطی آن‌ها را می‌توان در [ 17 ] یافت. تا جایی که ما می دانیم، Refs. [ 18 و 19 ] اولین تلاش برای معرفی روشی برای رتبه بندی ساختمان های موجود در یک قلمرو بزرگ با توجه به سطح قرار گرفتن در معرض خطر زمین لغزش است.

برای هر دو مشکل مورد مطالعه، موارد زیر ارائه شده است: (الف) یک راه حل نظری، (ب) پیاده سازی آن با نرم افزار متن باز GIS، (ج) آزمایش از طریق مطالعات موردی، (د) اعتبار سنجی اولیه روش های پیشنهادی و در نهایت ، (ه) بحث در مورد نتایج. رسمی کردن دو روش جدید سهم واقعی مقاله حاضر است.

نسخه خطی در دو بخش ساخته شده است که هر کدام به تنهایی یک مقاله است. اولین مورد ( بخش 2 ، بخش 3 و بخش 4 ) بر دارایی های مدل سازی شده به عنوان نقاط تمرکز دارد، در حالی که صفحات باقیمانده مربوط به دارایی هایی است که به عنوان خطوط مدل شده اند. بخش‌های مربوط به دارایی‌ها که به‌عنوان نقاط مدل‌سازی شده‌اند، مقاله قبلی [ 20 ] را با افزودن رسمی‌سازی روش برای محاسبه رتبه‌بندی و اعتبارسنجی آن گسترش می‌دهند.

به طور مفصل، بخش 2.1 مربوط به رسمی کردن تعاریف و نشانه‌هایی است که بر اساس آن روش محاسبه رتبه‌بندی ساختمان‌های واقع در قلمرو مرجع، با توجه به سطح خطر بالقوه برخورد توسط زمین لغزش، مبتنی است. بخش 2.2 معادلات را برای محاسبه سطح قرار گرفتن در معرض خطر زمین لغزش ساختمان های واقع در منطقه مورد مطالعه پیشنهاد می کند. بخش 2.3روش اجرای نظریه را لمس می کند. جزء اصلی راه حل، سیستم مدیریت پایگاه داده مجهز به پسوند فضایی (به طور خلاصه Spatial DBMS) است. علاوه بر این، این بخش جداول پایگاه داده فضایی (به طور خلاصه SpatialDB) و نام توابع تعریف شده توسط کاربر که روش پیشنهادی را پیاده سازی می کنند، فهرست می کند.

بخش 3 یک مطالعه موردی در مورد 114 ایستگاه راه آهن در منطقه آبروزو (ایتالیا) ارائه می کند.

بخش 4 به اعتبار سنجی نتایج مطالعه موردی و در نتیجه ارزیابی اولیه روش مربوط می شود.

بخش 5 بر مساله محاسبه رتبه بندی دارایی ها با توجه به خطر زمین لغزش که از طریق “خط” اولیه هندسی مدل شده است، تمرکز دارد.

مطالعه موردی اتخاذ شده برای آزمایش روش پیشنهادی ( بخش 6 ) مربوط به 9 خط راه آهنی بود که از منطقه آبروزو عبور می کردند.

بخش 7 مقاله را با ایجاد تعادل بین اهداف اولیه و نتایج می بندد.

2. مواد و روش ها برای دارایی های مدل سازی شده به عنوان امتیاز

2.1. تعاریف و نمادها

در ادامه تعاریف و نشانه‌هایی که روش رتبه‌بندی این دسته از دارایی‌ها بر اساس آن‌ها است، ذکر می‌شود.

تعریف 1.

GeoArea. این اصطلاح به قلمرو مرجع اشاره دارد. GeoArea می تواند یک منطقه یا یک ایالت باشد. GeoArea به عنوان تاپل تعریف می شود

〈 ID, description, boundary 〉

، جایی که ID یک کد شناسایی است، توضیحات رشته ای است که نام قلمرو مرجع را مشخص می کند و در نهایت، مرز هندسه مرز قلمرو فوق الذکر را نشان می دهد.

تعریف 2.

Z

(مناطق)

= {z_{k} (k = 1, 2, \dots) | z_{k}

یک منطقه در GeoArea} است. کارت(

Z

) نشان دهنده اصلی بودن مجموعه است

Z

. عناصر در

Z

یک پارتیشن کامل از GeoArea ایجاد کنید. منطقه عمومی (یعنی

z_{k}

) را می توان به عنوان یک “چند ضلعی ساده” مدلسازی کرد، همانطور که در OpenGIS Abstract Specification [ 21 ] آمده است. هر عنصر از

Z

توسط تاپل تعریف می شود

〈 ID, boundary of z_{k},

Szk〉، شناسه بودن یک کد شناسایی است.

S z_{k}

یک مقدار عددی است که احتمال (مکانی) آن را کمی می کند

z_{k}

زمین لغزش ایجاد می کند. ارزش

S z_{k}

از 0 تا 1 متغیر است. Brabb [ 3 ]، اصطلاح حساسیت را برای نشان دادن چنین تخمین کمی معرفی کرد.

ارزیابی و نقشه‌برداری حساسیت زمین لغزش یک GeoArea یک مسئله مرتبط بوده است، به عنوان مثال، [ 22 ، 23 ، 24 ، 25 ، 26 ]. در کاغذ،

z_{k}

یک نماد اضافه بار است زیرا نشان دهنده آن است

I D

یک منطقه و آن

g e o m e t r y

همچنین. زمینه تفسیر صحیح را پیشنهاد می کند. مناطق ما واحدهای شیب در [ 26 ] هستند، زیرا آنها واحدهای اساسی برای ارزیابی زمین لغزش هستند. این فرض اساسی مقاله حاضر است. مدل سازی GeoArea به عنوان پارتیشن از واحدهای شیب تضمین می کند که نتایج ارزیابی بیشتر به واقعیت پایبند است. این نتیجه با پذیرش به عنوان واحدهای نقشه تضمین نمی شود، به عنوان مثال،

g r i d

c e l l s

. در این انتخاب اخیر، در واقع، GeoArea به شبکه‌های معمولی تقسیم می‌شود. محدودیت این روش پارتیشن بندی این است که یکپارچگی شیب ها را از بین می برد. هر چه شیب شیب بیشتر باشد، مقدار آن بزرگتر است

S z_{k}

. تنظیم

Z

مجموعه داده ورودی از دو مسئله مورد مطالعه در این مقاله است. بنابراین، بحث الگوریتم ساخت واحدهای شیب که GeoArea را پارتیشن بندی می کنند، خارج از محدوده است. مرجع [ 26 ] یک مرجع اخیر در مورد این موضوع است.

تعریف 3.

B

(ساختمان ها)

= {b_{i} (i = 1, 2, \dots) | b_{i}

ساختمانی است در داخل مرز GeoArea}. در ادامه، زیرنویس i همیشه به عنوان مخفف عنصر استفاده می شود

b_{i}

مجموعه

B

. کارت

(B)

نشان دهنده اصلی بودن مجموعه است

B

. هر ساختمان در

B

توسط تاپل تعریف می شود

〈 ID, description, geom, exposure 〉

I D

به طور منحصر به فرد ساختمان را شناسایی می کند. توصیف رشته ای است که ساختمان را توصیف می کند. geom ردپایی از

b_{i}

در برخی از سیستم های مرجع؛ در نهایت، نوردهی یک مقدار عددی مثبت است که نشان دهنده سطح قرار گرفتن در معرض (مکانی) است

b_{i}

به خطر زمین لغزش

تعریف 4.

H a z a r d A r e a_{i}

. روشی که ما قصد داریم برای محاسبه ارزش قرار گرفتن ساختمان ها در معرض زمین لغزش ها معرفی کنیم، بر اساس این حدس است که تنها مناطق اطراف ممکن است تهدیدی برای آنها باشد. این حدس از قانون اول جغرافیای توبلر [ 27 ] الهام گرفته شده است: “همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند.” در این مقاله، یک ناحیه دایره‌ای به شعاع r، با مرکزیت مرکز هندسی

b_{i}

، این ایده را رسمی می کند. ما آن را صدا می زنیم

H a z a r d A r e a_{i}

( شکل 1 ). یک r انتزاعی می تواند بی نهایت باشد، اما برای مسئله مورد نظر مقدار آن محدود است.

تعریف 5.

E X P

(قرار گرفتن در معرض بیماری)

= {e x p_{i} (i = 1, \dots, card (B)) | e x p_{i}

ارزش نوردهی ساختمان است

b_{i}

}. تنظیم

E X P

مقادیر نوردهی تمام ساختمان ها را جمع آوری می کند

B

تعریف 6.

NZ

(نزدیک ترین مناطق)

= {n z_{i, j} (i = 1, \dots, card (B)), (j = 1, \dots, card (NZ)) | n z_{i, j} \in Z \cap H a z a r d A r e a_{i}

یک منطقه واقع در داخل است

H a z a r d A r e a_{i}

n z_{i, j}

می تواند یک منطقه کامل یا بخشی از آن را در نتیجه تقاطع با

H a z a r d A r e a_{i}

( شکل 2 الف).

n z_{i, j}

یک نماد اضافه بار است زیرا هم شناسه نزدیکترین منطقه و هم هندسه آن را نشان می دهد.

تعریف 7.

c n z_{i, j}

(مرکز از

n z_{i, j})

مرکز هندسی را نشان می دهد

n z_{i, j}

. موقعیت زمین این نقطه با مختصات جغرافیایی آن توصیف می شود. شکل 2 ب، با نقاط سبز، مرکزهای را نشان می دهد

n z_{1, j}

از شکل 2 الف.

تعریف 8.

CL

= {c l_{p} (p = 1, 2, \dots) | c l_{p}

یک خط کانتور از GeoArea} است. خط کانتور منحنی است که نقاطی را در همان ارتفاع نسبت به سطح دریا به هم می پیوندد.

c l_{p}

توسط تاپل توصیف شده است

〈 ID, elevation, geometry 〉

. ID به طور منحصر به فرد منحنی، ارتفاع ارتفاع نسبی و هندسه شکل آن را مشخص می کند.

تعریف 9.

NCL

(نزدیکترین خطوط کانتور)

= {n c l_{i, o} (i = 1, \dots, card (B)), (o = 1, \dots, card (CL)) | n c l_{i, o} \in CL \cap H a z a r d A r e a_{i}

نزدیکترین خط کانتور در داخل است

H a z a r d

A r e a_{i}

n c l_{i, o}

نمایانگر یک خط کامل یا بخشهایی از آن است (به عنوان نتیجه تقاطع با

H a z a r d A r e a_{i}

n c l_{i, o}

یک نماد اضافه بار است زیرا هم شناسه نزدیکترین خط خطوط و هم هندسه آن را نشان می دهد. شکل 3 چهار نزدیکترین خط کانتور را پیشنهاد می کند

n c l_{i, o}

تعریف 10.

ZF

(قطعات منطقه)

= {z f_{i, j, t} (i = 1, \dots, card (B), j = 1, \dots, card (NZ), (t = 1, \dots)) | z f_{i, j, t}

یک قطعه منطقه در داخل نزدیکترین منطقه است

n z_{i, j}

با تقسیم به دست می آید

n z_{i, j}

با نزدیکترین خطوط خطوطی که از آن عبور می کنند}.

ZF

مجموعه ای از قطعات زون است که با شکافتن ایجاد می شود

n z_{i, j} \in NZ

بر خلاف

n c l_{i, o} \in CL

. شکل 4 الف سه قطعه زون را نشان می دهد که در آنها

n z_{1, 6}

توسط عملیات تقسیم در برابر دو خط کانتوری که از آن عبور می کنند، تکه تکه می شود. از نظر بصری، آن قطعات زون مناطقی هستند که توسط آنها محدود شده است

n z_{1, 6}

و بخشی از نزدیکترین خطوط خطوطی که از آن عبور می کنند.

تعریف 11.

c z f_{i, j, t}

(مرکز از

z f_{i, j, t})

را نشان می دهد

g e o m e t r i c

مرکز از

z f_{i, j, t}

که موقعیت آن با مختصات جغرافیایی آن توصیف می شود که به صورت زیر نشان داده می شود:

(c z f x_{i, j, t}

c z f y_{i, j, t})

. شکل 4 ب سه مرکز (نقاط سبز) قطعات زون را نشان می دهد

z f_{1, 6, t}

از شکل 4 الف.

تعریف 12.

$LR$ (رگرسیون خطی) $= {l r_{i, j} (i = 1, \dots, card (B)), (j = 1, \dots, card (NZ)) | l r_{i, j}$ نشان دهنده خط رگرسیون خطی نزدیکترین منطقه است $n z_{i, j}$ }. $l r_{i, j}$ از مرکز می گذرد ( $c n z_{i, j}$ ) از $n z_{i, j}$ و دارای ضریب زاویه ای m است به طوری که با توجه به t مرکز ( $c z f x_{i, j, t}, c z f y_{i, j, t}$ ) از قطعات زون $z f_{i, j, t}$ ، مجموع مجذور باقیمانده آنها حداقل است. خط $l r_{i, j}$ با معادله ( 2 ) توصیف می شود، در حالی که معادلات ( 3 ) و ( 4 ) شرایط را در مورد مجموع مجذورات باقیمانده ها مشخص می کنند.

y - c n z y من ، ج = m (x - c n z ایکس من ، ج)

(2)

اس (m, q) = \sum i = 0 n (m * c z f ایکس j ، t + q - c z f y j ، t) 2

(3)

جایی که q = c n z y من ، ج - m * c n z ایکس من ، ج

(4)

خط رگرسیون خطی برای تخمین جهت ریزش زمین لغزش های ناشی از مناطق واقع در نزدیکی دارایی ها استفاده می شود.

تعریف 13.

BLR

(رگرسیون خطی بافر)

= {b l r_{i, j} (i = 1, \dots, card (B)), (j = 1, \dots, card (NZ))

\forall l r_{i, j} \in

LR

b l r_{i, j}

هندسه ای است که توسط عملیات بافر خط باز می گردد

l r_{i, j}

b l r_{i, j}

پی زمین لغزش را مدل می کند

n z_{i, j}

، در صورت وقوع چنین اتفاق ناگواری. نتیجه عملیات بافر ساختن یک “راهرو” (سمت

2 \times l

) در اطراف خط رگرسیون خطی

l r_{i, j}

( شکل 5 ).

تعریف 14.

LS

(لغزش زمین)

= {l s_{i, j} (i = 1, \dots, card (B)), (j = 1, \dots, card (LS))}

با

LS \subseteq BLR

، به طوری که

LS = (BLR \cap g e o m_o f_b_{i}) \neq \emptyset

. عناصر مجموعه

LS

تنها هستند

b l r_{i, j}

که هندسه ساختمان را قطع می کنند

b_{i}

، یعنی تنها زمین لغزشی که می تواند برخورد کند

b_{i}

در صورت وقوع یک رویداد محرک راهرو قرمز در شکل 6 یک رگرسیون خطی بافر را نشان می دهد که بر ساختمان (فقط تا حدی قابل مشاهده) تأثیر می گذارد. در حالی که راهرو سبز تهدیدی برای همان ساختمان نیست.

تعریف 15.

LSZ

(مناطق لغزش زمین)

= {l s z_{i, j} (i = 1, \dots, card (B)), (j = 1, \dots, card (LSZ))}

با

LSZ \subseteq NZ

به طوری که

LSZ

مجموعه ای از

n z_{i, j}

که می تواند زمین لغزشی ایجاد کند که به طور بالقوه می تواند به ساختمان ضربه بزند

b_{i}

l s z_{i, j}

بیانگر منطقه ای است که زمین لغزش از آن سرچشمه می گیرد

l s_{i, j}

. از آنجا که

LSZ

زیر مجموعه ای از مجموعه است

NZ

، نتیجه می شود که عنصر

l s z_{i, j}

توسط همین تاپل توصیف شده است

〈 ID, boundary,

Szi، j〉 of

n z_{i, j}

2.2. روش رتبه بندی

مشکلی که باید حل شود به شرح زیر است:

با توجه به یک قلمرو مرجع (GeoArea – برای مثال یک منطقه ایتالیایی) و مجموعه ای از دارایی هایی که می توانند به عنوان نقاط قرار داده شده در آن مدل شوند (مجموعه

B

– برای مثال ایستگاه‌های راه‌آهن)، رتبه‌بندی آنها را با توجه به سطح قرار گرفتن در معرض خطر زمین لغزش محاسبه کنید.

به طور کلی، قرار گرفتن در معرض در ارتباط با یک سناریوی بالقوه بدون توجه به احتمال وقوع خطر طبیعی در نظر گرفته شده ارزیابی می شود [ 2 ] ]. در این مقاله، قرار گرفتن در معرض با در نظر گرفتن یک سناریو تعریف شده توسط مسیر زمین لغزش های بالقوه ارزیابی می شود.

در جزئیات، روش توسعه‌یافته، گرادیان ناحیه، فاصله خروجی زمین لغزش [ 10 ] و مسیر حرکت آن را در نظر می‌گیرد. گرادیان از طریق ثبت می شود

S z_{k}

(به تعریف 2 مراجعه کنید). فاصله خروجی زمین لغزش با محدود کردن محاسبه سطح نوردهی ساختمان ها با بررسی تنها مناطقی که زمین را قطع می کنند اجرا می شود.

H a z a r d A r e a_{i}

(تعریف 4). در نهایت، مسیر زمین لغزش ها از طریق مفهوم خط رگرسیون خطی (تعریف 12) ثبت می شود. مسیر زمین لغزش ها با در نظر گرفتن خطوط خطوطی که خطوط را قطع می کنند محاسبه می شود.

H a z a r d A r e a_{i}

، این نزدیکترین خطوط کانتور است (

NCL

، تعریف 9). دومی اجازه می دهد تا مناطقی که منطقه را قطع می کنند بیشتر تقسیم کنند

H a z a r d A r e a_{i}

به قطعاتی که مرکز آنها مبنای محاسبه خط رگرسیون است. پس از به دست آوردن خط مستقیم (

l r_{i, j}

) که مسیر زمین لغزش نزدیکترین منطقه را تخمین می زند

n z_{i, j}

، باید مشخص شود که آیا ممکن است به ساختمان برخورد کند یا خیر

b_{i}

تعریف 16.

$I I l s_{i, j}$ (Impact Index) یک مقدار اعشاری در بازه است $(0, 1]$ به عنوان نسبت بین مساحت نتیجه هندسی عملیات تعریف می شود ( $g e o m_o f_b_{i} \cap l s_{i, j}$ ) و مساحت $g e o m_o f_b_{i}$ ، (معادله ( 5 )). $I I l s_{i, j} = 1$ اگر دالان لغزش تمام هندسه ساختمان را پوشش دهد $b_{i}$ . تعریف مجموعه $LS$ دلالت دارد $I I l s_{i, j} > 0$ .

من من ل س من ، ج = A r e a ( g e o m _ o f _ ب من \cap ل س من ، ج ) A r e a ( g e o m _ o f _ ب من )

(5)

شکل 7 دو نوع تاثیر زمین لغزش بر ساختمان را نشان می دهد

b_{i}

. شاخص تاثیر

I I l s_{i, j}

نباید با بزرگی ضربه (در صورت وجود) زمین لغزش اشتباه گرفته شود

l s_{i, j}

در مقابل ساختمان

b_{i}

که ما قادر به محاسبه آن نیستیم زیرا دومی به سرعت مصالح زمین لغزش و مصالح ساختمانی بستگی دارد، عواملی خارج از محدوده مقاله حاضر.

سطح قرار گرفتن در معرض بالقوه ساختمان

b_{i}

خطر زمین لغزش برابر است با مجموع مقادیر قرار گرفتن در معرض جزئی

p_e x p_{i, j}

(تعریف 17) قابل انتساب به هر یک از (دیدنی ترین مناطق که (seelandslides)

l s_{i, j}

به طور بالقوه ممکن است ضربه بزند

b_{i}

تعریف 17.

p_e x p_{i, j}

(نور جزئی)،

(i = 1, \dots, card (B)), (j = 1 \dots, card (LSZ))

، مقدار نوردهی جزئی ساختمان است

b_{i}

به زمین لغزش

l s_{i, j}

معادله ( 6 ) مقدار نوردهی جزئی را محاسبه می کند، جایی که $A r e a_{l s z_{i, j}}$ ، $S z_{i, j}$ ، و $I I l s_{i, j}$ به ترتیب گسترش ناحیه منطقه لغزش را نشان می دهد $l s z_{i, j}$ ، ارزش حساسیت از $l s z_{i, j}$ و مقدار شاخص تاثیر.

p_e x پ من ، ج = A r e آ l s z من ، ج \times اس z من ، ج \times من من ل س من ، ج

(6)

معادله ( 7 ) مقدار کل سطح نوردهی ساختمان را محاسبه می کند $b_{i}$ ، جایی که $n = C a r d$ $(LSZ)$ .

e x پ من = \sum j = 1 n p_e x پ من ، ج

(7)

الگوریتم 1 ( $C o m p u t e B u i l d i n g E x p o s u r e$ ) مراحل محاسبه نوردهی یک ساختمان عمومی را فهرست می کند ( $b_{i}$ ).

الگوریتم 1: ComputeBuildingExposure

رسمی کردن مسئله و راه حل ارائه شده در این مقاله، ادغام آنچه در [ 18 ، 19 ] پیشنهاد شده است، است. تحکیم با در نظر گرفتن تکامل ارتفاعی قلمرو مرجع به دست می آید.

2.3. پایگاه داده های مکانی و پیاده سازی روش

PostgreSQL/PostGIS فناوری نرم افزاری است که ما برای اجرای تئوری توسعه یافته انتخاب کرده ایم. مرجع [ 28 ] مزایای متعددی را که فناوری DBMS های فضایی در پردازش داده های جغرافیایی ارائه می دهد، فهرست می کند.

طراحی SpatialDB در دو مرحله معمول بیان شد: طراحی مفهومی و طراحی منطقی. چهار جدول SpatialDB در زیر نشان داده شده است. مشخصه underlined نشان دهنده کلید اصلی جدولی است که به آن تعلق دارد.

GeoArea ( id , geom ) ;
مناطق ( id , Szk , geom ) ;
ContourLines ( id ، elevation، geom) ؛
ساختمان ها ( شناسه ، نام، ژئوم، نوردهی) .

اجرای تئوری با استفاده از زبان PL/pgSQL PostgreSQL برای نوشتن توابع تعریف شده توسط کاربر انجام شد. شش UDF نوشته شده است: _NearestZonesFinder() ; _NearestContourLinesFinder() ; _ZoneFrangmentFinder() ; _BufferedLinearregressionFinder() ; _LandSlideFinder() ; و _ContributionOfLandSlide() . اجرای آنها به ترتیب مقدار پارامتر نوردهی را برای ساختمان فعلی و ذخیره آن به ستون نوردهی جدول ساختمان‌ها در SpatialDB برمی‌گرداند.

3. مطالعه موردی: ایستگاه های راه آهن آبروزو

در [ 19 ]، دی فلیس و همکاران. روش رتبه بندی خود را بر روی مدارس دولتی در منطقه آبروزو آزمایش کرده اند. در اثر حاضر تصمیم گرفته شد که در مرزهای آبروزو باقی بمانیم، اما به دسته دیگری از ساختمان‌های عمومی اشاره کنیم: ایستگاه‌های راه‌آهن. برای دستیابی به ارائه موثر و کامل نتایج با استفاده از نقشه، یک نرم افزار GIS را در کنار PostgreSQL/PostGIS قرار دادیم. انتخاب بر روی QuantumGIS افتاد. سازگاری کامل با PostGIS را تضمین می کند.

3.1. داده های ورودی

GeoArea. منطبق با مرز منطقه آبروزو است. مساحتی به مساحت 10800 کیلومتر مربع ^و 1330000 نفر جمعیت دارد.

تنظیم $B$ . شکل 8 نقشه 114 ایستگاه راه آهن در منطقه آبروزو را نشان می دهد.

$CL$ . شکل فایل خطوط کانتور قلمرو آبروزو (از طریق QGIS) از داده‌های شطرنجی چنین منطقه‌ای تولید شده است. سپس خطوط کانتور (بازگردانده شده توسط QGIS) با هندسه مرز منطقه آبروزو (GeoArea) قطع شده است.

$Z$ . مجموعه $Z$ از یک شکل فایل با حسن نیت ارائه شده از منطقه آبروزو می آید. در زیر، آنچه را که با خواندن فراداده در مورد چنین شکل فایلی آموخته ایم، خلاصه می کنیم. از 22121 رکورد (مناطق ما) با مساحت متوسط 0.49 کیلومتر مربع ^تشکیل شده است. در اصطلاح علمی، این شکل فایل نشان دهنده حساسیت زمین لغزش منطقه آبروزو است. با اجرای مراحل روش طبقه بندی آماری ارائه شده توسط گوزتی و همکاران انجام شد. [ 23] و برای آماده سازی حساسیت زمین لغزش برای منطقه مورد مطالعه Collazzone (در منطقه Umbria ایتالیا) اعمال شد. داده های مورد استفاده برای تولید شکل فایل مربوط به فهرست زمین لغزش آبروزو (پایگاه داده ای در مورد توزیع و ویژگی های 3236 زمین لغزش رخ داده در منطقه از سال 1946 تا 2018) و مجموعه ای از عوامل تأثیرگذار بر زمین لغزش است. دسته بندی عوامل ایجاد کننده عبارتند از: زمین شناسی (مانند سنگ شناسی)، ژئومورفولوژیکی (مثلاً درجه شیب، طول شیب، ارتفاع)، محیطی (مثلاً کاربری زمین)، و هیدرولوژیکی (مثلاً فاصله از رودخانه ها).

شکل فایل با ارزش سه معیار مختلف ارائه می شود که توانایی آن را برای طبقه بندی زمین لغزش های جمع آوری شده در پایگاه داده موجودی می سنجد. معیارها شاخص کاپا کوهن، مثبت واقعی و منفی واقعی هستند. مقادیر آنها به ترتیب: 0.66 (محدوده: (

- \infty

، 1])، 0.76 (محدوده: [0، 1]) و 0.81 (محدوده: [0، 1]). این مقادیر مشابه مقادیر بدست آمده توسط Guzzetti و همکاران است. با توجه به مدل حساسیتی که آنها برای تهیه نقشه حساسیت منطقه Collazzone پیشنهاد و اتخاذ کردند [ 23 ]. منابع [ 25 ، 29 ] گزارش می دهند که روش های نسبت فرکانس قادر به تولید فایل های حساسیت زمین لغزش بهتری هستند. اما در زمان نگارش، این نوع شکل فایل برای منطقه آبروزو در دسترس نبود.

مقدار r را می توان به اندازه دلخواه تنظیم کرد، اما این بر زمان CPU تأثیر می گذارد. ما r = 500 متر را با توجه به گزارش کوناگای و همکارانش در مورد یک زمین لغزش در سال 2001 در السالوادور، که مسافت 500 متری را طی کرد، به عنوان نقطه شروع تعیین کردیم [ 30 ]. برآورد حداقل گسترش شعاع ( r ) از $H a z a r d A r e a_{i}$ (تعریف 4) به دلیل انواع مختلف زمین لغزش ها سخت است (برای مثال [ 31 ] را ببینید) و متغیرهای فیزیکی و محیطی زیادی که در چنین رویدادهایی دخیل هستند.

3.2. نتایج

نقشه شکل 9 نتایج به دست آمده با اجرای کد PL/pgSQL پیاده سازی شده را نشان می دهد. در کنار نمادی که هر ایستگاه را نشان می دهد، می توانید مقدار نوردهی را ببینید. جدول 1 رتبه بندی 114 ایستگاه راه آهن آبروزو را نشان می دهد. برای اختصار، ایستگاه ها با شناسه داخلی SpatialDB به جای نامشان شناسایی می شوند. نتایج به دست آمده توسط روش پیشنهادی در کلاس‌های مواجهه گروه‌بندی می‌شوند: زیاد، متوسط و کم، که از یک روش گسترده برای مطالعات طبقه‌بندی ریسک الهام می‌گیرد (به عنوان مثال، [ 32 ]). این سه کلاس به ترتیب با رنگ قرمز، زرد و سبز مطابقت دارند. معیارهای مورد استفاده برای گروه بندی 114 مقدار عددی جدول 1در سه کلاس به شرح زیر است: دارایی هایی که قرار گرفتن در معرض آنها بالاتر از 1.0 است به کلاس High می روند، دارایی هایی که قرار گرفتن در معرض آنها کمتر از 0.4 است به کلاس Low می روند، همه دارایی های باقی مانده به طبقه متوسط می روند.

نقشه برداری از یک رتبه بندی (مثلاً در مورد مقادیر نوردهی) به کلاس ها (مثلاً بالا، متوسط و پایین) یک موضوع مهم در هر حوزه ای است. به عنوان مثال، در [ 33 ]، یک نظرسنجی وب برای رتبه بندی و طبقه بندی مجلات مالی بر اساس کیفیت و اهمیت استفاده می شود. در تعریف کلاس های مجله، کوری و پاندر اتخاذ می کنند

t h r e s h o l d s

که با رویه تثبیت شده و مطالعات قبلی در مورد ارزیابی مجلات مطابقت دارند. متأسفانه، در مورد ما هیچ آستانه مشخصی در دسترس نیست، بنابراین هر تعریفی از فواصل مشکوک است. با این حال، این ارزش مطالعه ای را که تمرکز اصلی آن بر خود رتبه بندی است، بی اثر نمی کند. همانطور که در بخش 1 ذکر شددر دسترس بودن یک رتبه بندی در مورد دارایی های استراتژیک در داخل یک GeoArea امکان غلبه بر ارزیابی های فشرده داده در آن مقیاس را فراهم می کند. در واقع، به ویژه زمانی که تعداد دارایی‌هایی که باید نظارت شوند زیاد است، با بازگشت به دست اندرکاران کاهش ریسک، رتبه‌بندی دارایی‌هایی که آنها مسئولیت آن‌ها را بر عهده دارند، آنها را در اولویت‌بندی کنترل‌های میدانی راهنمایی می‌کند. در اصل، آن‌ها ممکن است ارزیابی دقیق ریسک را به دارایی‌هایی با ارزش مواجهه بالاتر از یک آستانه معین (یعنی دارایی‌های بالای N) محدود کنند. دو دلیل انگیزه نگاشت ارزش های رتبه بندی به کلاس ها را فراهم می کند. یکی از دلایل مربوط به تولید نقشه‌های نوردهی رنگی است که برای ذینفعان درگیر در برنامه‌های حفاظت از محیط زیست کاربرد عملی زیادی دارد (به عنوان مثال، [ 14 ] را ببینید.]). دلیل دیگر مربوط به اعتبار سنجی الگوریتم طبقه بندی اتخاذ شده است. بخش 4 در مورد این نکته است.

در بین ایستگاه ها، Sant’Ilario با بالاترین مقدار پارامتر نوردهی (1.75) مشخص می شود. سه نقشه شکل 10 توضیح بصری چنین نتیجه ای را ارائه می دهد. در [ 34 ]، دی فلیس در مورد مطالعه موردی مشابهی گزارش می دهد، اما با استفاده از روش در [ 19 ] انجام شده است. بر اساس چنین رتبه بندی، ایستگاه در جایگاه اول Quadri است، در حالی که Sant’Ilario در جایگاه سوم قرار دارد. سه نقشه شکل 11 مربوط به ایستگاه Quadri است. مقایسه بصری نقشه‌های شکل 10 و نقشه‌های شکل 11 ثابت می‌کند که نتیجه جدید بسیار محتمل‌تر از قبلی است. ناسازگاری به این دلیل به وجود می آید که روش در [ 19] ارتفاع زمین را در نظر نمی گیرد.

رتبه بندی که توسط روش پیشنهادی برگردانده شده است، پشتیبانی می کند:

به تکنیک های تجزیه و تحلیل با هدف ارزیابی سطح آسیب پذیری دارایی ها؛
برای شناسایی سریع ساختمان‌هایی که بیشتر در معرض خطر زمین لغزش قرار دارند، در میان ساختمان‌هایی که در منطقه جغرافیایی قرار دارند.
تنظیم طرحی از اقدامات با هدف حفاظت/تخلیه ساختمان هایی که عمدتاً به دلیل هشدار اضطراری هواشناسی در معرض خطر هستند.

4. اعتبار سنجی روش برای رتبه بندی دارایی های مدل شده به عنوان امتیاز

در حوزه یادگیری ماشین، مفهوم «ماتریس سردرگمی» (که «جدول احتمالی» نیز نامیده می‌شود) برای ارزیابی عملکرد یک الگوریتم طبقه‌بندی با توجه به برخی داده‌های آزمایشی معرفی شد. این یک ماتریس دو بعدی است که در یک بعد توسط کلاس واقعی یک شی و در بعد دیگر توسط کلاسی که طبقه‌بندی کننده اختصاص می‌دهد نمایه می‌شود [ 35 ].

ساده‌ترین راه برای اعتبارسنجی الگوریتم رتبه‌بندی پیشنهادی، کاهش مشکل طبقه‌بندی مقادیر تجربی به جداول احتمالی باینری است. یعنی به حالتی که در هر زمان فقط یک کلاس درگیر باشد. بنابراین، مشکل اعتبار سنجی را می توان به صورت زیر فرموله کرد.

n مقدار داده شده (

v_{1}

v_{2}

,…,

v_{n}

) و یک کلاس ( C )، جدول اقتضایی باینری را ایجاد می کند که نحوه طبقه بندی آن مقادیر را هم در دنیای واقعی و هم طبق الگوریتمی که می خواهیم اثربخشی آن را “اندازه گیری” تخمین زده است، خلاصه می کند.

v_{1}

ممکن است در C بیفتد یا نه، همین امر نیز صدق می کند

v_{2}

,…,

v_{n}

قطر اصلی جدول اقتضایی دارای تعداد عناصری است که به درستی پیش بینی شده است. تعداد کل عناصر متعلق به یک کلاس واقعی برابر است با مجموع مقادیر موجود در ردیف مربوط به جدول. تعداد کل عناصر موجود در مجموعه درگیر در عملیات طبقه بندی برابر است با مجموع کل کل.

جدول 2 ساختار یک جدول احتمالی باینری عمومی را نشان می دهد. در زیر اصطلاحات مثبت واقعی، مثبت کاذب، منفی درست و منفی کاذب تعریف شده است (اعداد صحیح مثبت هستند):

مثبت واقعی (TP). این کمیت مواردی را نشان می دهد که الگوریتم طبقه بندی به درستی متعلق به کلاس تشخیص داده است.
مثبت کاذب (FP). این مقدار موارد طبقه بندی اشتباه را نشان می دهد. از نظر عملی، مثبت کاذب یک هشدار نادرست است.
منفی های واقعی (TN). این کمیت مواردی را نشان می دهد که الگوریتم به درستی تشخیص داده است که به کلاس تعلق ندارند.
منفی های کاذب (FN). این کمیت مواردی را نشان می دهد که الگوریتم کلاسی را که یک عنصر به آن تعلق دارد اشتباه گرفته است. در چارچوب این مقاله، مواردی از عدم هشدار است. خطای گرانش پتانسیل بسیار زیاد.

4.1. معیارهای اعتبارسنجی

معیارهای بسیاری برای قضاوت در مورد خوب بودن الگوریتمی که واقعیت مشاهده شده را بازسازی می کند، پیشنهاد شده است (مرجع [ 36 ] منبع معتبری در مورد این موضوع است). رایج ترین آنها در زیر ذکر شده است. مقدار معیارها یک احتمال حاشیه ای را بین 0 و 1 بیان می کند.

نرخ مثبت واقعی (TPR، که اغلب به نام Recall نامیده می شود) به عنوان درصد موارد مثبت که به درستی به عنوان چنین تشخیص داده می شوند (با روش طبقه بندی اتخاذ شده) تعریف می شود. در فرمول ها:

تی پ R = تی پ تی پ + اف ن

(8)

نرخ منفی واقعی (TNR) نشان دهنده درصد منفی های واقعی است که به درستی به عنوان چنین شناسایی شده اند. در فرمول ها:

تی ن R = تی ن ن = تی ن اف پ + تی ن

(9)

دقت (P) به صورت زیر تعریف می شود:

پ = تی پ تی پ + اف پ

(10)

دقت (Acc) به صورت زیر تعریف می شود:

A c c = تی پ + تی ن پ + ن = تی پ + تی ن ( تی پ + اف ن ) + ( تی ن + اف پ )

(11)

4.2. رتبه مورد انتظار

114 ایستگاه راه آهن مطالعه موردی، با توجه به سطح قرار گرفتن در معرض خطر زمین لغزش، با بهره‌برداری از درجه بالایی از جزئیات قلمرو ارائه شده توسط Google، طبقه‌بندی شدند. ساختمان‌های واقع در زمین‌های شیب‌دار در طبقه بالا و در طبقه پایین ساختمان‌هایی که در زمین‌های هموار واقع شده‌اند قرار گرفتند. در حالی که کلاس Medium به موقعیت های ترکیبی نسبت داده شد ( جدول 3 ). در جدول 3 ، ایستگاه ها با شناسه داخلی SpatialDB شناسایی می شوند. مطابقت بین شناسه و نام در جدول 4 برای شش ایستگاهی که در کلاس نوردهی بالا قرار دارند نشان داده شده است.

نقشه شکل 12 114 ایستگاه و سطح قرار گرفتن آنها (با رنگ مشخص شده) در معرض خطر زمین لغزش را نشان می دهد. در مقایسه این نقشه با آگاهی از ارتفاع زمین منطقه آبروزو، اولین تاییدی است که انتظار می رود معقول باشد، یعنی ایستگاه های واقع در قسمتی از منطقه که رو به دریای آدریاتیک واقع شده اند، هیچ گونه لغزشی ندارند. خطر و این به دلیل صاف بودن زمین است. علاوه بر این، از این نقشه متوجه می‌شویم که تعداد ایستگاه‌های پرمخاطب کم است (6 ایستگاه از 114) و همانطور که قابل پیش‌بینی بود، در مناطق داخلی منطقه قرار دارند که کوهستانی است و در نتیجه در معرض رانش زمین در طول باران های طولانی مدت

4.3. ارزیابی رتبه بندی ایستگاه ها

جدول احتیاطی 3 کلاسه جدول 5 نتیجه مقایسه بین رتبه بندی دستی ( جدول 3 ) با الگوریتم طبقه بندی پیشنهادی ( جدول 1 ) را خلاصه می کند. به طور کلی، 13 مورد (از 114 مورد) عدم تطابق طبقه بندی از مقایسه ناشی می شود. به طور مفصل، از جدول 5 چنین بر می آید که الگوریتم پیشنهادی:

64 ایستگاه (از 72 ایستگاه) را به درستی به عنوان متعلق به کلاس Low واقعی طبقه بندی می کند، در حالی که هشت ایستگاه باقی مانده را به کلاس متوسط اختصاص می دهد.
31 ایستگاه (از 36) را به درستی به عنوان متعلق به کلاس واقعی متوسط طبقه بندی می کند، در حالی که دو ایستگاه را در کلاس Low و سه ایستگاه را در کلاس High قرار می دهد.
شش ایستگاه متعلق به کلاس واقعی High را به درستی طبقه بندی می کند.

از جدول 5 می توان اقتضای دودویی جدول 6 ، جدول 7 و جدول 8 و از آنها جدول 9 استخراج کرد. دومی ارزیابی کمی از خوب بودن نتایج برگردانده شده توسط روش رتبه بندی پیشنهادی را که توسط معیارهای بخش 4.1 بیان شده است، گزارش می کند .

مقدار TPR متریک برای کلاس های Low و Medium بسیار خوب و برای کلاس High بهینه است. مقدار متریک TNR نیز برای سه کلاس بسیار خوب است. Precision برای کلاس Low بسیار رضایت بخش است، در حالی که برای دو کلاس دیگر کاهش می یابد. کمترین مقدار Precision ( p = 0.667) برای کلاس High رخ می‌دهد، اگرچه در آن حالت تعداد False Positives بالاترین بین سه کلاس نیست. این اثر با این واقعیت مشخص می شود که ایستگاه های پرمخاطب بسیار کمتر از ایستگاه های طبقه بندی شده در کلاس های Low و Medium هستند (به ترتیب شش در مقابل 72 و شش در مقابل 36).

طبق معمول، در پیشنهاد ما نیز نتیجه مرحله اعتبار سنجی به این بستگی دارد

h o w

مقادیر عددی در کلاس ها گروه بندی می شوند. به عنوان مثال، فرض کنید معیارهای گروه بندی 114 مقدار عددی جدول 1 به صورت زیر اصلاح می شود: دارایی هایی که قرار گرفتن در معرض آنها بالاتر از 1.10 است به کلاس High می روند، دارایی هایی که قرار گرفتن آنها زیر 0.4 است به کلاس Low می روند، همه. دارایی های باقی مانده به کلاس متوسط می رود. جدول 10 نشان می دهد که چگونه جدول احتیاطی کلاس 3 ( جدول 5 ) تحت تأثیر معیارها قرار می گیرد. اکنون 10 مورد (از 114 مورد) عدم تطابق طبقه بندی به وجود می آید. مهم ترین موضوع این واقعیت است که هیچ چیز مثبت کاذبی در مورد دارایی های طبقه عالی وجود ندارد. جدول 11 مقادیر چهار معیار را بر اساس مقادیر جدول 10 نشان می دهد. از مقایسه دو جفت جدول (یعنیجدول 10 در مقابل جدول 5 و جدول 11 در مقابل جدول 9 ) به نظر می رسد که فرضیه دوم طبقه بندی بهتر از فرضیه قبلی است. متأسفانه، با توجه به یک مطالعه موردی عمومی، نمی‌توان از قبل دانست که بهترین معیار طبقه‌بندی مورد استفاده چیست. تجربه ما پیشنهاد می کند که به مقادیر فاصله در مورد کلاس بالا توجه کنید. این به این دلیل است که وضعیت مثبت کاذب نسبت به منفی کاذب برای دارایی‌های در جایگاه‌های بالای رتبه‌بندی مطلوب‌تر است، زیرا مثبت کاذب به معنای هشدار نادرست است، در حالی که منفی کاذب به معنای هشدار گمشده است.

5. مواد و روش ها برای دارایی های مدل سازی شده به عنوان خطوط

رسمی‌سازی مسئله محاسبه رتبه‌بندی دارایی‌هایی که می‌توان با استفاده از خط هندسی اولیه مدل‌سازی کرد و پیشنهاد یک روش حل، تلفیقی از مقاله دی فلیس و همکاران را تشکیل می‌دهد. [ 37 ]. ادغام با در نظر گرفتن تکامل ارتفاعی GeoArea و گسترش روش رتبه بندی به روشی آسان به دست آمد که در قسمت اول این مقاله رسمی، اجرا و اعتبارسنجی شد. در ابتدا لازم است تعاریف و نمادهای جدیدی ارائه شود.

5.1. تعاریف و نمادها

تعریف 18.

R

(مسیرها)

= {r_{k} (k = 1, \dots, c a r d (R) | r_{k}

مسیری است که از GeoArea} عبور می کند. مسیر یک خط عمومی است (به عنوان مثال، یک خط راه آهن، یک بزرگراه، یک خط برق، یک خط لوله، و غیره) که توسط تاپل توصیف شده است.

〈 I D, n a m e, g e o m e t r y 〉

. یک مسیر را می توان به عنوان یک “خط ساده” مدل کرد، به عنوان مثال، به عنوان یک منحنی با دو نقطه پایانی جدا شده، که بیش از یک بار از یک نقطه عبور نمی کند [ 21 ].

تعریف 19.

RS

(بخش های مسیر)

= {r s_{k, s} (k = 1, \dots, c a r d (R)), (s = 1, \dots, c a r d (RS)) | r s_{k, s}

بخشی از مسیر است

r_{k}

}. بخش مسیر

r s_{k, s}

توسط تاپل توصیف شده است

〈 I D, r o u t e_I D, g e o m e t r y, e x p o s u r e 〉

تعریف 20.

RSP

(نقاط بخش مسیر)

= {r s p_{k, s, p} (k = 1, \dots, c a r d (R)), (s = 1, \dots, c a r d (RS)), (p = 1, \dots, c a r d (RSP)) | r s p_{k, s, p}

یک نقطه قطعه مسیر است

r s_{k, s}

}. یک ژنریک

r s p_{k, s, p}

توسط تاپل توصیف شده است

〈 I D, s e g m e n t_I D, g e o m e t r y, e x p o s u r e 〉

5.2. روش رتبه بندی

روش محاسبه مقادیر نوردهی بخش های مسیر هر مسیری که از GeoArea عبور می کند از سه مرحله تشکیل شده است که در زیر مورد بحث قرار می گیرد.

مرحله اول (به نام Segmentation) هر مسیر را “برش” می دهد $r_{k}$ در قطعات طول v . تعداد بخش ها (نشان داده می شود $m_{k}$ ) با معادله ( 12 ) به دست می آید. $m_{k}$ = $c a r d (RS)$ .

متر ک = ⌈ (L e n g تی ساعت ( r ک ) v) ⌉

(12)

شکل 13 نمونه ای از عملیات “برش” یک مسیر است. پاره ها دارای طول v هستند به استثنای قسمت آخر که ممکن است کوتاهتر باشد.

مرحله دوم (به نام نمونه برداری) نقاط ( $r s p_{k, s, p}$ ) از هر بخش $r s_{k, s}$ ; که در آن q (به نام مرحله نمونه برداری) نشان دهنده حداکثر فاصله بین دو نقطه متوالی از همان بخش است: $q < < v$ . تعداد نقاط برگردانده شده توسط عملیات نمونه برداری از بخش $r s_{k, s}$ با معادله ( 13 ) به دست می آید. $n_{k, s}$ = $c a r d (RSP)$ .

n k s_= ⌈ (L e n g t h ( r س k s _ ) q) ⌉

(13)

شکل 14 نمونه ای از عملیات “نمونه برداری” از یک بخش است.

مرحله سوم و آخر (محاسبه نامیده می شود) یک مقدار نوردهی را به هر نقطه استخراج شده از مرحله قبل مرتبط می کند و سپس نوردهی بخش های مختلف که مسیرها را تشکیل می دهند را محاسبه می کند.

محاسبه نوردهی برای نقاط

r s p_{k, s, p}

با استفاده از همان روش بخش 2.2 انجام می شود .

معادله ( 14 ) مقدار نوردهی بخش عمومی را محاسبه می کند $r s_{k, s}$ از مسیر $r_{k}$ . در معادله، $e x p_r s p_{k, s, p}$ مقدار نوردهی نقطه را نشان می دهد $r s p_{k, s, p}$ .

e x p_r س k s_= 1 n k s _(\sum p = 1 n k s_e x p_r s پ k, s, p)

(14)

5.3. گسترش پایگاه داده مکانی به مسیرها

در زیر مطابقت بین تعاریف در بخش 5.1 و نام نهادهای طرحواره ER نشان داده شده است که با بخش 2.3 ادغام می شود .

مسیرها ↔ $R$ ;
RouteSegments ↔ $RS$ ;
RoutePoints ↔ $RSP$ .

جداول زیر SpatialDB بخش 2.3 را ادغام می کند .

مسیرها ( شناسه ، نام، geom) ;
RouteSegments( id , route_id, geom, exposure) ;
RoutePoints ( id ، segment_id، geom، exposure) .

6. مطالعه موردی: خطوط راه آهن آبروزو

شبکه راه آهن آبروزو شامل نه خط است که مجموعاً حدود 685 کیلومتر است ( جدول 12 ).

داده‌های مربوط به راه‌آهن‌های آبروزو از صفحه اصلی منطقه به‌عنوان فایل‌های شکل گرفته به دست آمد. سپس آنها اعتبارسنجی، فیلتر و در جدول PostgreSQL Routes ذخیره شدند .

6.1. رتبه بندی خطوط راه آهن: خلاصه ای از نتایج

9 خط راه آهن به 460 امتداد 1500 متری تقسیم شدند که به نوبه خود با یک پله 300 متری نمونه برداری شدند که منجر به 2740 نقطه شد. برای نقاط: (0 <= نوردهی <= 2.66)، در حالی که برای بخش ها: (0 <= نوردهی <= 2.43).

نقشه های شکل 15 یک نمای کلی از نتایج در مورد سطح قرار گرفتن در معرض خطر زمین لغزش (که از طریق رنگ ها مشخص شده است) خطوط راه آهن آبروزو را پیشنهاد می کند. سه طبقه نوردهی ساختمان ها یکسان هستند (بالا، متوسط و کم).

از آنجایی که روشی که مسیرها را رتبه‌بندی می‌کند، از روش رتبه‌بندی ساختمان‌ها استفاده می‌کند، روشی که قبلاً با نتایج رضایت‌بخش تأیید شده است ( بخش 4 )، انجام اعتبارسنجی آن ضروری نیست.

نتایج تأییدی است بر آنچه انتظار می‌رفت، یعنی خطوط راه‌آهن واقع در امتداد بخشی از منطقه که رو به دریای آدریاتیک است، خطر لغزش ندارد و این به این دلیل است که زمین تقریباً صاف است. یافته دیگری که از بررسی نقشه‌های شکل 15 به دست می‌آید این است که تعداد بخش‌های پرمخاطب در 9 خط راه‌آهن کم است و همانطور که قابل پیش‌بینی بود، در پس‌زمینی منطقه قرار دارند که کوهستانی است و بنابراین، در معرض رانش زمین در دوره های باران های طولانی مدت.

جدول 13 و جدول 14 به ترتیب داده هایی را در مورد توزیع بخش های 9 خط راه آهن آبروزو و نقاط نمونه گیری مربوطه در سه کلاس نوردهی ارائه می دهند. این داده‌های جهانی تصویری کلی درباره بخش‌هایی از شبکه منطقه ایجاد می‌کنند که بیشتر در معرض خطر زمین لغزش هستند. اعداد داخل جدول 13 و جدول 14 با پرس و جو از SpatialDB استخراج شدند.

6.2. رتبه بندی خطوط راه آهن: تحلیل تفصیلی

جدول 15 چهار خط راه آهن آبروزو را نشان می دهد که دارای بخش هایی با ارزش نوردهی در کلاس بالا هستند. جدول شامل، برای هر خط، طول نسبی (بر حسب کیلومتر)، تعداد بخش هایی است که بیشتر در معرض خطر زمین لغزش قرار دارند، طول کل (به کیلومتر) این بخش ها و در نهایت، مقدار درصد طول بخش ها. با توجه به تمام طول خط راه آهن که به آن تعلق دارند. خطوط Sulmona-Carpinone، Roma-Pescara و Rieti-L’Aquila-Sulmona حدود 94٪ از بخش های در معرض دید را دارند. این خطوط از داخل منطقه آبروزو عبور می کنند، جایی که بیشترین ویژگی های زمین را در خود جای داده است.

در زیر، بینش هایی برای خط راه آهن Rieti-L’Aquila-Sulmona ارائه شده است. این شامل 13 بخش پرمخاطب ( جدول 15 ) است که یکی از آنها دارای حداکثر مقدار پارامتر نوردهی (2.43) است. از بررسی مشترک دو نقشه شکل 16 ، درمی یابیم که اوج نوردهی مطابق با قطعه ای است که از کیلومتر 13.5 تا کیلومتر 15 می رود.

با بررسی روند ارتفاعی قلمرو آبروزو در متناظر با بخش پرمخاطب (نقشه شکل 17 را ببینید )، تأیید بیشتری از صحت تشخیص ارائه شده توسط روش پیشنهادی وجود دارد. در واقع، آنها نشان می دهند که این بخش از خط Rieti–L’Aquila–Sulmona از یک دره با دو دیوار نسبتاً شیب دار عبور می کند.

با پرس و جو از SpatialDB، دانستن مختصات جغرافیایی نقاط پایانی برای هر یک از بخش‌های در معرض دید بیشتر خطوط راه‌آهن نیز آسان است. چنین داده‌هایی زمانی اساسی هستند که در دوره‌های باران طولانی در GeoArea، حرکت از “اتاق کنترل” به قلمرو برای بازرسی پایداری بخش‌های راه‌آهن که در معرض بالاترین سطح خطر زمین لغزش قرار دارند، ضروری می‌شود.

7. نتیجه گیری

هدف مقاله محاسبه رتبه بندی دارایی های موجود در یک قلمرو بزرگ با توجه به سطح قرار گرفتن آنها در معرض خطر زمین لغزش بود. دارایی هایی که می توانند به عنوان نقاط و خطوط مدل شوند در نظر گرفته شدند. برای هر دو مشکل مورد مطالعه، یک روش اصلی برای حل پیشنهاد شد. حل مسئله اول گام مهمی برای حل مشکل دوم است. هر دو پیشنهاد بهبودی از آنچه قبلاً در ادبیات این موضوع شناخته شده است را تشکیل می دهند.

کار با مطالعه وضعیت هنر آغاز شد، سپس با رسمی کردن دو مسئله با استفاده از معادلات، تبدیل آنها به الگوریتم و اجرای بعدی آنها ادامه یافت. سپس، مرحله آزمایشی در مقیاس جغرافیایی انجام شد که امکان اعتبارسنجی اولیه روش‌های پیشنهادی را فراهم می‌کرد. رتبه بندی بدست آمده توسط روش های پیشنهادی به طور چشمگیری تحت تأثیر کامل بودن و کیفیت مجموعه است $Z$ . به عبارت ساده، اگر برای منطقه مورد علاقه، مجموعه داده ای در دسترس نباشد، رتبه بندی چندان منطقی نیست $Z$ برای مثال در [ 26 ] بر حسب واحدهای شیب ساخته شده است . در آینده نزدیک، ما قصد داریم مطالعات موردی بیشتری را انجام دهیم، به محض اینکه سایر مناطق ایتالیا فایل shapefile را در دسترس قرار دهند. $Z$ مجموعه داده هدف نهایی، اعتبارسنجی دقیق دو روش پیشنهادی است.

رویکرد ما ضرب المثل “با کمتر بیشتر انجام دهید” را اجرا می کند، که برای ادارات دولتی که سال هاست با انقباضات بودجه مواجه هستند، شناخته شده است. به نظر می‌رسد فهرست دارایی‌های بالای N که بیشتر در معرض خطر زمین لغزش قرار دارند، تنها راه کارآمد برای این دولت‌ها برای ایجاد نیاز به ایمنی همزمان با مهار زمان کنترل‌ها و وقفه‌ها در ارائه خدمات و بنابراین، با هزینه‌های پرداخت شود.

توانایی استفاده از نتایج ارائه شده توسط روش هایی مانند آنچه در این مقاله ارائه شده است برای شرکت های خصوصی مسئول ایمنی در مقیاس ملی نیز مورد توجه است. به عنوان مثال، شرکت راه آهن ایتالیا یک شبکه راه آهن به طول 16734 کیلومتر و بیش از 3000 ایستگاه واقع در سراسر کشور (301340 کیلومتر مربع ⁾ را اداره می کند. اجرای طرح تجاری پیشگیری دوره ای برای هر ایستگاه و هر کیلومتر از شبکه ریلی غیرعملی به نظر می رسد.

کار آینده بر ادغام GIS و فناوری شبکه حسگر بی سیم برای ایجاد یک چارچوب همکاری برای نظارت بر خطوط متمرکز خواهد بود. با انجام این کار، رتبه بندی سطح خطر زمین لغزش نقاط داغ، به دنبال رویدادهای محیطی در زمان واقعی، پویا خواهد شد.

منابع

ستولا، آر. لوئیجف، ای. Theocharidou, M. زیرساخت های حیاتی، حفاظت و انعطاف پذیری. در مدیریت پیچیدگی زیرساخت های حیاتی ; Setola, R., Rosato, V., Kyriakides, E., Rome, E., Eds. مطالعات در سیستم ها، تصمیم گیری و کنترل. Springer: Cham, Switzerland, 2016; جلد 90. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Eidsvig، UMK; کریستنسن، ک. Vangelsten، BV ارزیابی خطرات ناشی از خطرات طبیعی برای زیرساخت ها. نات. سیستم خطرات زمین. علمی 2017 ، 17 ، 481-504. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
براب، EE; Harrod, BL (Eds.) زمین لغزش: وسعت و اهمیت اقتصادی ; مجموعه بین‌المللی مونوگراف‌های فیزیک؛ Balkema ناشر: روتردام، هلند، 1989; پ. 385. [ Google Scholar ]
گوزتی، اف. استارک، CP; سالواتی، ص. ارزیابی خطر سیل و رانش زمین برای جمعیت ایتالیا. محیط زیست مدیریت 2005 ، 36 ، 15PP36. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تریگیلا، ا. ایدانزا، سی. Spizzichino، D. ارزیابی کیفیت فهرست زمین لغزش ایتالیا با استفاده از پردازش GIS. زمین لغزش 2010 ، 7 ، 455-470. [ Google Scholar ] [ CrossRef ]
جیدیک، سی. ون دن ایکهات، ام. ندیم، ف. هرواس، جی. کالسنس، بی. Vangelsten، BV; اسمیت، جی تی. طوفانی، وی. سیوریان، آر. زمستان، MG شناسایی خطر لغزش و نقاط پرخطر در اروپا. گاو نر مهندس جئول محیط زیست 2014 ، 73 ، 325-339. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فوکس، اس. کوهلیکه، سی. مایر، V. آسیب پذیری در برابر خطرات طبیعی. چالش ادغام نات. خطرات 2011 ، 58 ، 609-619. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فوکس، اس. بیرکمن، جی. گلید، تی. ارزیابی آسیب‌پذیری در تجزیه و تحلیل مخاطرات طبیعی و ریسک: رویکردهای فعلی و چالش‌های آینده. نات. خطرات 2012 ، 64 ، 1969-1975. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گالی، م. Guzzetti، F. معیارهای آسیب پذیری زمین لغزش: مطالعه موردی از آمبریا، ایتالیا مرکزی. محیط زیست مدیریت 2007 ، 40 ، 649-664. [ Google Scholar ] [ CrossRef ]
دای، اف سی؛ لی، سی اف; Ngai، YY ارزیابی و مدیریت خطر زمین لغزش: یک مرور کلی. مهندس جئول 2002 ، 64 ، 65-87. [ Google Scholar ] [ CrossRef ]
ارنر، ا. Düzgün، HSB ارزیابی ریسک کمی در مقیاس منطقه ای برای لغزش: مورد حوضه آبخیز Kumluca در Bartin، ترکیه. زمین لغزش 2013 ، 10 ، 55-73. [ Google Scholar ] [ CrossRef ]
ورازناشویلی، او. تسرتلی، ن. امیرانشویلی، ع. تسرتلی، ای. الیزباراشویلی، ای. دولیدزه، ج. قلدانی، ل. سالوقوادزه، م. آدامیا، اس. آروادزه، ن. و همکاران آسیب پذیری، خطرات و ارزیابی ریسک چندگانه برای گرجستان. نات. خطرات 2012 ، 64 ، 2021-2056. [ Google Scholar ] [ CrossRef ]
فوکس، اس. کیلر، ام. Zischg، A. ارزیابی قرار گرفتن در معرض چند خطر فضایی-زمانی بر اساس داده‌های دارایی. نات. سیستم خطرات زمین. علمی 2015 ، 15 ، 2127-2142. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پروپر، سی. Glade، T. نقشه‌های نوردهی چندلایه به عنوان مبنایی برای ارزیابی آسیب‌پذیری منطقه‌ای برای لغزش‌ها: در Waidhofen/Ybbs، اتریش اعمال شد. نات. خطرات 2016 ، 82 ، S111–S127. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ام. Lo, SM; هو، بی کیو; ژائو، سی ام در استفاده از ارزیابی مصنوعی فازی و طبقه بندی بهینه برای محاسبه رتبه بندی خطر آتش سوزی ساختمان ها. محاسبات عصبی Appl. 2009 ، 18 ، 643-652. [ Google Scholar ] [ CrossRef ]
Di Felice، P. رتبه‌بندی ساختمان‌های غیرقانونی نزدیک به رودخانه‌ها: یک پیشنهاد، اجرای آن و اعتبارسنجی اولیه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 510. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پری، جی. Rizzo، G. طبقه بندی کلی ساختمان های مسکونی: نقش احتمالی طرح جایزه Ecolabel اتحادیه اروپا توریستی. ساختن. محیط زیست 2012 ، 56 ، 151-161. [ Google Scholar ] [ CrossRef ]
Di Felice, P. ادغام داده های توصیفی و مکانی برای رتبه بندی ساختمان های عمومی بر اساس قرار گرفتن در معرض خطر زمین لغزش. در مجموعه مقالات پنجمین کنفرانس بین المللی اطلاعات یکپارچه، IC-ININFO 2015، میکونوس، یونان، 21-24 سپتامبر 2015. صص 713-717. [ Google Scholar ] [ CrossRef ]
دی فلیس، پی. بوفالینو، آ. کاروکی، سی. دی جوزپه، ال. جنتیل، م. رنالی، ع. سالینی، الف. رتبه‌بندی ساختمان‌ها در یک منطقه جغرافیایی بزرگ توسعه‌یافته بر اساس مواجهه آنها با خطر زمین لغزش. یورو جی. جئوگر. 2016 ، 7 ، 6-24. [ Google Scholar ] [ CrossRef ]
دی فلیس، پی. پومانته، ال. دی فلیس، الف. ایمنی دارایی‌های فیزیکی: روش رتبه‌بندی و پیاده‌سازی GIS آن. در کنفرانس بین المللی علوم محاسباتی و کاربردهای آن ; Springer: Cham, Switzerland, 2018. [ Google Scholar ] [ CrossRef ]
کنسرسیوم فضایی باز باز کردن مشخصات پیاده سازی GIS برای اطلاعات جغرافیایی، دسترسی به ویژگی های ساده، قسمت 2: گزینه SQL . گزارش فنی NCGIA 91-7 و گزارش فنی NCGIA 94-1، OGC05-134. کنسرسیوم فضایی باز: Welland، MA، ایالات متحده آمریکا، 2005. [ Google Scholar ]
فال، آر. کرومیناس، جی. بونارد، سی. کاسینی، ال. لروی، ای. Savage, W. Guidelines for slide-spresiability, hazard and risk zones for programme use. مهندس جئول 2008 ، 102 ، 99-111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گوزتی، اف. رایشنباخ، پ. آردیزون، اف. کاردینالی، م. گالی، م. برآورد کیفیت مدل های حساسیت زمین لغزش. ژئومورفولوژی 2006 ، 81 ، 166-184. [ Google Scholar ] [ CrossRef ]
ماگلیولو، پی. دی لیزیو، آ. Russo, F. مقایسه روش‌های مبتنی بر GIS برای ارزیابی حساسیت زمین لغزش. Geoinformatica 2009 ، 13 ، 253-265. [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; مرادی، HR; عقدا، اس.اف. گوکچ اوغلو، سی. پرادان، ب. نقشه‌برداری حساسیت زمین لغزش مبتنی بر GIS با نسبت احتمال احتمالی و مدل‌های ارزیابی چند معیاره فضایی (شمال تهران، ایران). عرب جی. ژئوشی. 2013 ، 7 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، اف. خو، پی. وانگ، سی. وانگ، ن. جیانگ، ن. کاربرد یک روش واحد شیب مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در امتداد رودخانه لونگزی، فلات جنوب شرقی تبت، چین. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 172. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Tobler, W. یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
دی فلیس، پی. فینوکیو، ال. لئومبرونی، دی. Muttillo, V. پیشنهادی برای گسترش جامعه کاربرانی که قادر به پردازش داده های بارش تاریخی با استفاده از کتابخانه های منبع باز موجود امروزی هستند. جی. کامپیوتر. Inf. تکنولوژی 2014 ، 22 ، 1-19. [ 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 2007 ، 4 ، 33-41. [ Google Scholar ] [ CrossRef ]
کوناگای، ک. یوهانسون، جی. مایورکا، پی. یاماموتو، تی. میاجیما، م. اوزوکا، آر. پولیدو، NE; دوران، اف سی؛ ساسا، ک. زمین لغزش فوکوکا، اچ. لاس کولیناس ناشی از زلزله 13 ژانویه 2001 در سواحل السالوادور. J. Jpn. دانشیار زمین مهندس 2002 ، 2 ، 1-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Cruden، DM; انواع و فرآیندهای لغزش وارنس، دی جی . گزارش ویژه هیئت تحقیقات حمل و نقل; آکادمی ملی علوم: واشنگتن، دی سی، ایالات متحده آمریکا، 1996; جلد 247، صص 36–75. [ Google Scholar ]
گو، دی. گرلند، پی. پلتیه، اف. کوهن، ب. خطرات قرار گرفتن در معرض و آسیب پذیری در برابر بلایای طبیعی در سطح شهر: یک مرور کلی . بخش جمعیت، مقاله فنی شماره 2015/2; سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2015. [ Google Scholar ]
کوری، RR; Pandher، رتبه بندی مجلات مالی GS: ارزیابی فعال محقق مورد بازبینی مجدد قرار گرفت. جی. بانک. مالی 2020 , 111 , 105717. [ Google Scholar ] [ CrossRef ]
دی فلیس، پی. نظارت انتخابی بر ایمنی ساختمان های راه آهن. در بازاریابی نوآورانه استراتژیک ؛ Kavoura, A., Sakas, DP, Tomaras, P., Eds. Springer: Cham, Switzerland, 2017; ص 489-494. [ Google Scholar ] [ CrossRef ]
تینگ، ماتریس سردرگمی KM. در دایره المعارف یادگیری ماشین و داده کاوی ; Sammut, C., Webb, GI, Eds. Springer: Boston, MA, USA, 2017; پ. 260. شابک 978-1-4899-7687-1. [ Google Scholar ] [ CrossRef ]
قدرت ها، D. ارزیابی: از دقت، یادآوری و اندازه گیری F تا ROC، اطلاعات، نشانه گذاری و همبستگی. جی. ماخ. فرا گرفتن. تکنولوژی 2011 ، 2 ، 37-63. [ Google Scholar ]
دی فلیس، پی. دی فلیس، آ. اوانجلیستا، م. فراتیچلی، آ. Venturoni، L. شناسایی نقاط پرخطر در امتداد خطوط راه آهن. در کنفرانس بین المللی علوم محاسباتی و کاربردهای آن ; Springer: Cham, Switzerland, 2017; صص 317-331. [ Google Scholar ] [ CrossRef ]

شکل 1

H a z a r d A r e a_{i}

اطراف ساختمان

b_{i}

(که ردپای آن به عنوان پنج ضلعی فوشیا نشان داده می شود). رنگ شدیدتر از

z o n e

با مقدار بیشتری از آن مطابقت دارد

S z_{k}

شکل 2. نزدیکترین مناطق (

n z_{i, j}

) درون

H a z a r d A r e a_{i}

در مورد ساختمان

b_{i}

( الف ) و مرکز آنها (نقاط سبز) ( ب )؛ (

i = 1

j = 1.7

شکل 3. نزدیکترین خطوط کانتور (

n c l_{i, o}

;

o = 1.4

-خطوط نقطه چین) تا ساختمان

b_{i}

شکل 4. قطعات زون (

z f_{1, 6, t}

) نزدیکترین منطقه

n z_{1, 6}

( a ) و مرکز آنها (

c z f_{1, 6, t}

) ( ب )؛

t = 1.3

شکل 5. نمایش خروجی عملیات خط بافر از

l r_{i, j}

c n z_{1, 6}

(نقطه آبی) مرکز نزدیکترین منطقه است (

n z_{1, 6}

) جایی که خط از آن عبور می کند.

شکل 6. دو نمونه از رگرسیون خطی بافر . قرمز یک زمین لغزش است. فلش ها جهت حرکت زمین لغزش را در صورت فعال شدن نشان می دهند.

شکل 7. نمایش دو نوع برخورد زمین لغزش بر ساختمان.

شکل 8. ایستگاه های راه آهن در امتداد خطوط راه آهن منطقه آبروزو.

شکل 9. نمایش تصویری از رتبه بندی 114 ایستگاه راه آهن آبروزو.

شکل 10. سه تصویر از زمین اطراف ایستگاه Sant’Ilario. از چپ به راست: یک نقشه دو بعدی که خطوط کانتور نزدیک ایستگاه را نشان می دهد. یک نقشه سه بعدی بالا و یک نقشه سه بعدی جلویی.

شکل 11. سه تصویر از زمین اطراف ایستگاه Quadri. از چپ به راست: یک نقشه دو بعدی که خطوط خطوط نزدیک ایستگاه را نشان می دهد. یک نقشه سه بعدی بالا و یک نقشه سه بعدی جلویی.

شکل 12. ایستگاه‌های راه‌آهن آبروزو و سطح مورد انتظار قرار گرفتن در معرض خطر زمین لغزش.

شکل 13. تقسیم بندی یک مسیر (

{Unknown node type: font}_{Unknown node type: font}

شکل 14. نمونه برداری از یک قطعه (

Unknown node type: font {Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font}

شکل 15. دو نمای متفاوت از سطح نوردهی خطوط راه آهن آبروزو.

شکل 16. چند بخش از خط Rieti–L’Aquila–Sulmona ( چپ ) و مقادیر نوردهی مرتبط ( راست ).

شکل 17. رندر سه بعدی از بخش های شکل 16 .

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

رتبه بندی دارایی ها با توجه به قرار گرفتن آنها در معرض خطر زمین لغزش: یک پیشنهاد GIS

رتبه بندی دارایی ها با توجه به قرار گرفتن آنها در معرض خطر زمین لغزش: یک پیشنهاد GIS

خلاصه

کلید واژه ها:

1. معرفی

2. مواد و روش ها برای دارایی های مدل سازی شده به عنوان امتیاز

2.1. تعاریف و نمادها

2.2. روش رتبه بندی

2.3. پایگاه داده های مکانی و پیاده سازی روش

3. مطالعه موردی: ایستگاه های راه آهن آبروزو

3.1. داده های ورودی

3.2. نتایج

4. اعتبار سنجی روش برای رتبه بندی دارایی های مدل شده به عنوان امتیاز

4.1. معیارهای اعتبارسنجی

4.2. رتبه مورد انتظار

4.3. ارزیابی رتبه بندی ایستگاه ها

5. مواد و روش ها برای دارایی های مدل سازی شده به عنوان خطوط

5.1. تعاریف و نمادها

5.2. روش رتبه بندی

5.3. گسترش پایگاه داده مکانی به مسیرها

6. مطالعه موردی: خطوط راه آهن آبروزو

6.1. رتبه بندی خطوط راه آهن: خلاصه ای از نتایج

6.2. رتبه بندی خطوط راه آهن: تحلیل تفصیلی

7. نتیجه گیری

منابع

قبلیمواجهه بصری رخنمون های سنگ در زمینه شبیه سازی شیوع بیماری جنگلی بر اساس مدل ارتفاع تاج و اطلاعات طیفی به دست آمده توسط یک وسیله نقلیه هوایی بدون سرنشین

بعدیبهینه ترین تخمین جزر و مد نجومی با استفاده از تخمینگر حداکثر احتمال با هیبریداسیون مدل های اقیانوسی چندگانه

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب