Sentinel-1، Sentinel-2 و GNSS نقشه برداری زمین لغزش

کاربرد داده های Sentinel-1، Sentinel-2 و GNSS برای نقشه برداری حساسیت زمین لغزش

خلاصه

در این مطالعه، ما از داده‌های Sentinel-1 و Sentinel-2 برای ترسیم زمین لغزش‌های پس از زلزله در یک تحلیل تصویر مبتنی بر شی (OBIA) استفاده کردیم. ما از نقشه موجودی زمین لغزش به‌دست‌آمده برای آموزش مدل داده‌محور نسبت فرکانس (FR) برای مدل‌سازی و نقشه‌برداری حساسیت زمین لغزش با در نظر گرفتن یازده عامل شرطی‌کننده نوع خاک، زاویه شیب، فاصله تا جاده‌ها، فاصله تا رودخانه‌ها، بارندگی، تفاوت نرمال‌شده استفاده کردیم. شاخص پوشش گیاهی (NDVI)، جنبه، ارتفاع، فاصله تا گسل ها، پوشش زمین، و سنگ شناسی. یک فرآیند تحلیل سلسله مراتبی فازی (FAHP) نیز برای نگاشت حساسیت با استفاده از دانش خبره استفاده شد. سپس، مدل مبتنی بر داده FR را با مدل مبتنی بر دانش FAHP ادغام کردیم تا عدم قطعیت مرتبط در هر رویکرد را کاهش دهیم. ما نقشه فهرست زمین لغزش حاصل را بر اساس 30 درصد از نقاط سیستم موقعیت یابی جهانی (GPS) از یک بررسی میدانی گسترده در منطقه مورد مطالعه تأیید کردیم. 70 درصد باقیمانده از نقاط GPS برای اعتبارسنجی عملکرد مدل‌های کاربردی و نقشه‌های حساسیت زمین لغزش حاصل با استفاده از منحنی‌های مشخصه عملکرد گیرنده (ROC) استفاده شد. نقشه فهرست زمین لغزش ما دقت 94% داشت و AUCs (منطقه زیر منحنی) نقشه‌های حساسیت به ترتیب 83%، 89% و 96% را برای F-AHP، FR و مدل یکپارچه نشان داد.

روش معرفی شده در این مطالعه را می توان در کاربرد داده های سنجش از دور برای فهرست زمین لغزش و نقشه برداری حساسیت در سایر مناطقی که زلزله به عنوان عامل اصلی زمین لغزش در نظر گرفته می شود، استفاده کرد. 70 درصد باقیمانده از نقاط GPS برای اعتبارسنجی عملکرد مدل‌های کاربردی و نقشه‌های حساسیت زمین لغزش حاصل با استفاده از منحنی‌های مشخصه عملکرد گیرنده (ROC) استفاده شد. نقشه فهرست زمین لغزش ما دقت 94% داشت و AUCs (منطقه زیر منحنی) نقشه‌های حساسیت به ترتیب 83%، 89% و 96% را برای F-AHP، FR و مدل یکپارچه نشان داد. روش معرفی شده در این مطالعه را می توان در کاربرد داده های سنجش از دور برای فهرست زمین لغزش و نقشه برداری حساسیت در سایر مناطقی که زلزله به عنوان عامل اصلی زمین لغزش در نظر گرفته می شود، استفاده کرد. 70 درصد باقیمانده از نقاط GPS برای اعتبارسنجی عملکرد مدل‌های کاربردی و نقشه‌های حساسیت زمین لغزش حاصل با استفاده از منحنی‌های مشخصه عملکرد گیرنده (ROC) استفاده شد. نقشه فهرست زمین لغزش ما دقت 94% داشت و AUCs (منطقه زیر منحنی) نقشه‌های حساسیت به ترتیب 83%، 89% و 96% را برای F-AHP، FR و مدل یکپارچه نشان داد. روش معرفی شده در این مطالعه را می توان در کاربرد داده های سنجش از دور برای فهرست زمین لغزش و نقشه برداری حساسیت در سایر مناطقی که زلزله به عنوان عامل اصلی زمین لغزش در نظر گرفته می شود، استفاده کرد. نقشه فهرست زمین لغزش ما دقت 94% داشت و AUCs (منطقه زیر منحنی) نقشه‌های حساسیت به ترتیب 83%، 89% و 96% را برای F-AHP، FR و مدل یکپارچه نشان داد. روش معرفی شده در این مطالعه را می توان در کاربرد داده های سنجش از دور برای فهرست زمین لغزش و نقشه برداری حساسیت در سایر مناطقی که زلزله به عنوان عامل اصلی زمین لغزش در نظر گرفته می شود، استفاده کرد. نقشه فهرست زمین لغزش ما دقت 94% داشت و AUCs (منطقه زیر منحنی) نقشه‌های حساسیت به ترتیب 83%، 89% و 96% را برای F-AHP، FR و مدل یکپارچه نشان داد. روش معرفی شده در این مطالعه را می توان در کاربرد داده های سنجش از دور برای فهرست زمین لغزش و نقشه برداری حساسیت در سایر مناطقی که زلزله به عنوان عامل اصلی زمین لغزش در نظر گرفته می شود، استفاده کرد.

کلید واژه ها:

داده های نوری ؛ رادار دیافراگم مصنوعی (SAR) ؛ تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) ؛ نسبت فرکانس (FR) ; فرآیند تحلیل سلسله مراتبی فازی (FAHP)

1. معرفی

خطرات طبیعی جابجایی انبوه، مانند رانش زمین، آسیب های زیادی به محیط زیست و زیرساخت های اجتماعی وارد می کند و توسعه شهری و کاربری زمین را به شدت تحت تاثیر قرار می دهد. رانش زمین که جان و مال مردم محلی را تهدید می کند، به عنوان یکی از مضرترین مخاطرات زمین شناسی تعریف می شود که اغلب در مناطق کوهستانی رخ می دهد. زمین لغزش ها به عنوان حرکات توده ای زمین، آوار و سنگ به دلیل تاثیر گرانش شناخته می شوند [ 1 ]. آنها همیشه در اندازه ها و شکل های مختلف رخ می دهند و با معیارهای مختلفی مانند بارندگی، زلزله، فرسایش شیب ها و فوران های آتشفشانی تحریک می شوند [ 2 ]. در این منطقه مورد مطالعه، زمین لرزه شدید عامل محرک اصلی زمین لغزش های بزرگ و کوچک بود.

نقشه برداری حساسیت به عنوان رویکرد اولیه برای هر تحلیل زمین لغزش در نظر گرفته می شود. بنابراین، محققان از نگاشت حساسیت زمین لغزش (LSM) به عنوان یک رویکرد تحلیل عملی برای به دست آوردن بینش بهتر در مورد این پدیده استفاده کرده اند [ 3 ]. LSM همچنین بهترین راه برای شناسایی مناطق با ناپایداری شیب بالقوه است. در این راستا، داده های سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) به طور گسترده برای مطالعات LSM مورد استفاده قرار گرفت [ 4 ].

داده های تداخل سنجی رادار دیافراگم مصنوعی دیفرانسیل (DInSAR) برای نظارت بر حرکات جرم، به ویژه برای تغییر شکل های سطحی قابل توجه ناشی از زلزله مناسب هستند. چندین مطالعه قبلی از داده های DInSAR برای تجزیه و تحلیل تغییر شکل های سطح استفاده کردند [ 5 ]. به عنوان مثال، Casagli و همکاران. (2016) [ 5 ، 6 ] از رادار دیافراگم مصنوعی تداخل سنجی (InSAR) و تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) استفاده کرد و موارد نمونه را در ایتالیا، اتریش، اسلواکی و تایوان مورد بحث قرار داد. دبیری و همکاران (2020) [ 7 ] از داده های Sentinel-1 و Sentinel-2 برای ارزیابی تغییرات ژئومورفولوژیکی ناشی از زمین لغزش در دره هیتاردالور، ایسلند استفاده کرد. در یکی از جدیدترین آثار بررسی زلزله کرمانشاه، گورابی (1398) [ 8]] نقشه های انسجام باند Sentinel-1A,B,C را برای شناسایی زمین لغزش های ناشی از زلزله ارزیابی کرد. همچنین طیف گسترده ای از مطالعات قبلی وجود دارد که از OBIA برای تشخیص زمین لغزش استفاده می کردند، مانند Hölbling و همکاران. (2008) [ 9 ] که یک رویکرد مبتنی بر شی را برای تشخیص حرکات توده به کار برد. نتایج مطالعه آنها با استفاده از معیارهای تداخل سنجی پراکنده پایدار بر اساس داده های ERS1/2، RADARSAT-1، ENVISAT ASAR و نقشه فهرست زمین لغزش که از دو منبع مختلف به دست آمده است، اعتبارسنجی شد. شیروانی و همکاران (2019) [ 10 ] OBIA را به همراه یک مدل یادگیری ماشینی جنگل تصادفی برای تشخیص زمین لغزش های قدیمی و جدید با استفاده از داده های Sentinel-1 و -2 اعمال کرد. توکلی پیرالیلو و همکاران. (2019) [ 11] همچنین OBIA را با چندین مدل یادگیری ماشین برای تشخیص زمین لغزش در یک تجزیه و تحلیل تصویر چند مقیاسی یکپارچه کرد. آنها منطقه آسیب دیده زمین لرزه گورخا (با بزرگی 7.8 M، آوریل 2015) را در هیمالیاهای بالاتر مطالعه کردند. متعاقباً، آنها نقشه‌های تشخیص زمین لغزش در مقیاس‌های مختلف را با استفاده از تئوری Dempster-Shafer برای کاهش خطاهای تشخیص یکپارچه کردند. مطالعات اخیر همچنین رویکردهای یادگیری عمیق و شبکه‌های عصبی کانولوشنال را به‌ویژه برای تشخیص زمین لغزش اعمال کرده‌اند [ 12 ، 13]]. با این حال، رویکردهای یادگیری عمیق به نمونه های آموزشی گسترده از تصاویر سنجش از راه دور برچسب زده شده نیاز دارند تا اولویت خود را نسبت به سایر رویکردها نشان دهند. علاوه بر این، عملکرد ادغام داده‌های DInSAR همراه با داده‌های نوری در رویکردهای یادگیری عمیق هنوز نامشخص است. بر اساس بررسی ادبیات ما، می‌توان نتیجه گرفت که هم DInSAR و هم OBIA را می‌توان به عنوان رویکردهای پیچیده ژئودزی فضایی برای تشخیص خطرات تغییر شکل زمین و به‌ویژه لغزش‌ها در نظر گرفت. پوشش فضایی گسترده داده‌های DInSAR و حساسیت آن به تغییر شکل‌های سطحی در هر دو جهت عمودی و افقی، آن را به روشی عملی برای تشخیص حرکات توده‌های عظیم تبدیل می‌کند [ 14 ].

برای مدل‌سازی حساسیت هر گونه خطر تغییر شکل زمین، و به‌ویژه LSM، مجموعه داده‌های ورودی به خوبی آماده‌شده، مانند داده‌های DInSAR، برای مدل‌سازی فضایی در GIS ضروری هستند. ادغام مدل های مختلف تجزیه و تحلیل فضایی GIS برای شناسایی مناطق زمین لغزش های احتمالی آینده از طریق LSM مبتنی بر GIS یک رویکرد پذیرفته شده برای کاهش خطر است [ 15 ]. چنین رویکردهایی منجر به افزایش دقت نتایج نهایی می شود که برای هر مدیر برنامه ریزی زیست محیطی برای کاهش پیامدهای نامطلوب ضروری است [ 16 ]. LSM یک رویکرد محبوب برای شناسایی مناطق مستعد زمین لغزش است. مدل‌های تلفیقی که مجموعه‌ای از عوامل زمین لغزش مرتبط را ترکیب می‌کنند، نتایج LSM قابل قبولی را تولید کرده‌اند [ 17]]. استفاده همزمان از داده‌های DInSAR و GIS، همراه با یک مدل متخصص مناسب مبتنی بر دانش یا داده‌محور، یا ادغام این دو، نتایج بسیار موفقی را برای نظارت بر تغییر شکل‌های زمین ایجاد می‌کند [18 ] . چندین مطالعه اخیر LSM با استفاده از مدل های مبتنی بر دانش انجام شده است. از نظر فنی، این مطالعات طیف وسیعی از مدل‌ها را اجرا کردند، مانند فرآیند تحلیل سلسله مراتبی (AHP). AHP LSMهای عمومی نسبتاً خوبی تولید کرده است، به ویژه در مقیاس های کوچک و متوسط، که در آن ما به مجموعه داده های موجودی مناسب دسترسی نداریم [ 19]]. مدل فرآیند تحلیلی شبکه (ANP) یک شکل کلی از AHP است که در زمینه شبکه‌های وابسته به هم توسعه داده شد تا برای مشکلات فضایی پیچیده‌تر و به حداقل رساندن عدم دقت مدل‌های سنتی استفاده شود [20 ] . اگرچه ANP برای حل مسائل پیچیده فضایی مفید است، اما برای سازماندهی ماتریس های مقایسه زوجی، مشابه روش AHP، به دانش تخصصی نیاز دارد. بنابراین، LSMهای حاصل از هر دو مدل ANP و AHP به شدت به دانش و ترجیحات متخصص وابسته هستند [ 21 ]. بنابراین، چندین مطالعه تلاش کرده اند تا دقت سیستم های پشتیبانی تصمیم گیری فضایی را با ادغام آنها با مدل های دیگر، از جمله منطق فازی، بهبود بخشند [ 20 ، 22] .]، روش های تقاطع بولی، مانند میانگین وزنی مرتبه (OWA) و ترکیب خطی وزنی (WLC) [ 23 ، 24 ]، تجزیه و تحلیل عدم قطعیت و حساسیت [ 25 ، 26 ]، حساب بازه [ 27 ، 28 ]، و همچنین برخی از داده ها مدل های هدایت شده، مانند نسبت فرکانس (FR) [ 29 ].

بررسی ادبیات نشان می دهد که برخی از مطالعات بر روی تشخیص زمین لغزش با استفاده از منابع داده و رویکردهای مختلف متمرکز شده اند. علاوه بر این، برخی مطالعات دیگر مدل‌های مختلفی را برای LSM بر اساس دانش تخصصی و/یا مجموعه داده‌های فهرست زمین لغزش اعمال کردند. مطالعات LSM کنونی نشان می دهد که چندین مفهوم مختلف ریاضی به طور موثر با مدل های مبتنی بر دانش ترکیب شده اند تا مدل را بهینه کنند و دقت کلی نگاشت حساسیت خطرات طبیعی را افزایش دهند. ترکیب مدل های مختلف یک رویکرد رایج برای به دست آوردن نتایج LSM قابل اطمینان تر است. با این حال، رویکردهای تشخیص زمین لغزش و مدل‌های LSM در یک مطالعه جامع در یک ترکیب هم افزایی اعمال نشدند. برای این منظور، هدف ما استفاده از داده‌های منابع مختلف Sentinel-1A و -2B، یک بررسی میدانی از داده‌های سیستم موقعیت‌یابی جهانی (GPS) است. و تصاویر Google Earth™، همراه با DInSAR و OBIA برای تشخیص وقوع زمین لغزش در منطقه مورد مطالعه ما. علاوه بر این، ما می خواهیم از مدل های AHP و FR فازی به طور جداگانه و به صورت یکپارچه برای ایجاد LSM های دقیق تر استفاده کنیم. بنابراین، در این مطالعه، ابتدا فهرست زمین لغزش های ناشی از زلزله در مقیاس منطقه ای با استفاده از تصاویر Sentinel 1 و 2 به همراه OBIA ایجاد شد. ادغام تصاویر نوری و راداری برای کاربرد شناسایی زمین لغزش به ندرت برای نقشه برداری زمین لغزش در مقیاس منطقه ای انجام می شود. با استفاده از موجودی تولید شده، ما یک مدل جدید حساسیت زمین لغزش را با ترکیب FR مبتنی بر داده و رویکردهای AHP فازی مبتنی بر دانش آموزش دادیم. این دو رویکرد در حال حاضر به عنوان روش های مستقل به خوبی تثبیت شده اند. استفاده از گروه برای بهبود نتایج نیز به طور گسترده در سراسر رشته ها استفاده می شود. ما نشان دادیم که مدل یکپارچه ما بهتر از مدل های پایه عمل می کند و نتایج قانع کننده به نظر می رسند. همه خروجی‌های ما با امتیازهای تولید شده از نظرسنجی GPS تأیید شدند.

https://gisland.org/

2. مروری بر منطقه مورد مطالعه

زمین لرزه کرمانشاه یک زمین لرزه برگردان مایل به بزرگی Mw 7.3 بود که در 12 آبان 1396 روی داد. کانون زلزله کرمانشاه در عرض جغرافیایی 34.905 درجه شمالی و 45.956 درجه طول شرقی در مرز شمالی [30] واقع شده است . ایران و عراق، در حدود 350 کیلومتری شمال بغداد، در عمق 33.9 کیلومتری. این زلزله بیش از 600 کشته برجای گذاشت و تنها در ایران 8000 نفر مجروح شدند [ 8 ]. این زمین لرزه به طور گسترده در مناطق دورتر از غرب ایران و در کشورهای دیگر مانند ترکیه و کویت احساس شد [ 31 ]. از نظر زمین شناسی، زمین لرزه در گسل زاگرس مرتفع (HZF) و گسل جبهه کوهستانی (MFF) در شمال غربی (NW) رشته کوه های زاگرس واقع شده است [ 32] .]، نزدیک به مرز بین صفحات عربی و اوراسیا. گسل راندگى در دامنه كوههاى زاگرس شمال غربى [ 33 ] عامل اصلى زلزله كرمانشاه بود. صفحه عربستان حدود 2.5 سانتی متر در سال ^-1 در جهت شمال/شمال شرقی به سمت صفحه اوراسیا حرکت می کند [ 31 ]. موقعیت زمین ساختی این منطقه به طور کامل توسط مک کواری (2004) [ 34 ] توضیح داده شد.

تحرکات دسته جمعی به ویژه رانش زمین که بلافاصله در اثر زمین لرزه و پس لرزه های قابل توجه آن ایجاد شد، تمامی مناطق کوهستانی این استان را تحت تأثیر قرار داد [ 8 ]. این منطقه از غرب با مرز عراق محدود می شود ( شکل 1 )، اما از آنجایی که ما به داده های مورد نیاز منطقه واقع در عراق دسترسی نداریم، قاب تصویر را در امتداد مرز ایران برش می دهیم. منطقه مورد مطالعه شامل شش شهر و 470 روستا و جمعیتی در حدود 269588 نفر است (سرشماری و مرکز ایران 1395). ارتفاعات این منطقه از 237 متر در دشت تا 2566 متر در مناطق کوهستانی متغیر است. دامنه شیب های منطقه مورد مطالعه از شیب کمتر از 2 درصد در قسمت های غربی تا شیب بیش از 70 درصد در مناطق کوهستانی متغیر است. منطقه مورد مطالعه بسیار مستعد خطر زمین لغزش است [8 ] که منجر به خسارات اقتصادی قابل توجهی می شود که بر زیرساخت ها تأثیر بگذارد. شکل 1 چندین نمونه از زمین لغزش های مشاهده شده در طول مشاهده میدانی را نشان می دهد.

3. گردش کار

3.1. روش شناسی کلی

روند کار پژوهش حاضر به شرح زیر است:

▪: تولید فهرست زمین لغزش: ما از تصاویر Sentinel-1A و Sentinel-2B برای شناسایی زمین لغزش های ناشی از زلزله با استفاده از تداخل DInSAR و OBIA استفاده کردیم.
▪: نقشه‌برداری حساسیت زمین لغزش: الف) ما همه عوامل شرطی‌سازی را برای تحلیل‌های حساسیت بیشتر جمع‌آوری و آماده کردیم. ب) مدل های FR و AHP فازی (FAHP) را برای LSM با استفاده از موجودی زمین لغزش حاصل و دانش تخصصی به ترتیب به کار بردیم. ج) وزن های حاصل از مدل FAHP را برای هر عامل شرطی با مدل FR برای هر کلاس از هر عامل شرطی ادغام کردیم تا یک LSM جدید تولید کنیم.
▪: ارزیابی دقت: ما نقاط GPS را در یک بررسی میدانی گسترده جمع‌آوری کردیم و به‌طور تصادفی نقاط را به ترتیب به 30 درصد و 70 درصد برای اعتبارسنجی مجموعه داده‌های موجودی زمین لغزش و عملکرد هر مدل تقسیم کردیم.

شکل 2 به صورت شماتیک این گردش کار را نشان می دهد و بخش های زیر حاوی توضیحات مفصل و توضیحات بیشتر است. در نهایت، بخش بحث به تشریح نتایج تجربی و بحث‌های مربوط به تأثیر یکپارچه‌سازی مدل‌های FR و FAHP می‌پردازد.

3.2. تولید مجموعه داده فهرست زمین لغزش

داده‌های موجودی زمین لغزش اطلاعات جغرافیایی کلیدی را در مورد مکان و توزیع زمین لغزش‌ها و مناطق آسیب‌دیده در مناطق مستعد زمین لغزش ارائه می‌دهد. این داده های موجودی برای اعتبار سنجی نقشه های حساسیت زمین لغزش مبتنی بر GIS حیاتی است [ 25]]. نقشه های موجودی زمین لغزش های قابل اطمینان، اطلاعات جغرافیایی در مورد شکست های شیب و جابجایی های موثر بر حرکت توده ها ارائه می دهد. مجموعه داده‌های موجودی زمین لغزش معمولاً شامل انواع مختلفی از حرکات زمین است که نحوه جابجایی مواد زمین لغزش (سنگ یا خاک یا هر دو) را نشان می‌دهد، مانند لغزش‌ها (شامل لغزش سنگ‌ها و زمین لغزش)، شکست‌ها، گسترش سقوط، واژگونی، و جریان. این انواع مختلف زمین لغزش را می توان بر اساس شکل آنها مشخص کرد. به عنوان مثال، برای نوع سقوط، قسمت تجمعی زمین لغزش معمولاً مخروطی شکل است و در قسمت اسکارپ، سنگ بستر مشخص است، در حالی که لغزش های پشتی مشخصه رایج لغزش ها هستند. نوع زمین لغزش جریان ها، و به ویژه جریان های زباله، بیشتر در سراسر جریان ها رخ می دهد [ 35]. با این حال، زمین لغزش ها معمولا در بیش از یک نوع حرکت، مانند جریان سنگ لغزش-آوار یا سقوط-لغزش شکل می گیرند. در منطقه مورد مطالعه ما، هشت جابجایی سطح عظیم بر اساس بررسی میدانی ما ثبت شد. بزرگترین آنها منجر به یک حرکت 90 سانتی متری عمودی و 50 سانتی متری به سمت غرب با لغزش حدود 3 متر شد که توسط [ 36 و 37 ] گزارش شده است. اگرچه انواع مختلف حرکت زمین وجود داشت، اما بیشتر ترکیبی از انواع زمین لغزش شناسایی شد. اشکال ترکیبی مشاهده شده زلزله کرمانشاه بر اساس طبقه بندی زمین لغزش راهنمای کنسرسیوم بین المللی زمین لغزش (ICL) (https://icl.iplhq.org) عمدتاً روان- لغزش همراه با مقداری سقوط-لغزش کوچک در مناطق شیب دار بوده است .). از آنجایی که تمایز فعال‌سازی مجدد انواع مختلف زمین لغزش‌های پس از زلزله یک کار مشکل‌ساز بود، مجموعه داده‌های موجودی زمین لغزش ما بر اساس حرکات عمدتاً عظیم و آشکار زمین تهیه شد. امروزه با استفاده از داده های سنجش از دور می توان خطرات جابجایی انبوه مانند رانش زمین را پایش کرد. بخش 3.2.1 و بخش 3.2.2 فرآیند تولید نقشه فهرست زمین لغزش را خلاصه می کند.

3.2.1. تداخل سنجی رادار دیافراگم مصنوعی دیفرانسیل (DInSAR)

داده‌های رادار دیافراگم مصنوعی (SAR) برای شناسایی زمین لغزش‌هایی که پس از زلزله رخ داده‌اند استفاده شد. این تصاویر به تغییرات در پوشش گیاهی حساس هستند، به همین دلیل است که یک جفت تصویر SAR که در زمان‌های پوشش گیاهی متفاوت به دست می‌آیند، حتی زمانی که در عرض یک ماه به دست می‌آیند، ممکن است نامنسجم باشند [18] .]. با این حال، این مشکل جدی برای این مطالعه ایجاد نمی کند، زیرا پوشش گیاهی تقریباً در کل منطقه مورد مطالعه کمیاب است. پایگاه داده فهرست زمین لغزش مناطق تحت تأثیر زلزله با استفاده از تداخل DInSAR ایجاد شد. در این مطالعه، حالت نوار عریض تداخل سنجی تصاویر Sentinel-1A برای پردازش بیشتر مورد استفاده قرار گرفت. برنامه پایش محیط زیست اروپایی کوپرنیک، ماهواره را در سال 2014 پرتاب کرد. برای مطالعه خود، فریم های 108 و 109 Sentinel-1A را انتخاب کردیم که منطقه وسیعی را تحت تأثیر جنبش های توده ای پوشش می دهد. در این مطالعه، ما از سه مجموعه داده SAR با گذر تکرار با حداقل خط پایه عمودی، که توسط Sentinel-1A به دست آمده است، به عنوان ورودی اصلی برای عملیات ثبت و بازکردن برای تولید نقشه‌های جابجایی سطح زمین استفاده کردیم. دو مورد از تصاویر قبل از زلزله (30 اکتبر و 11 نوامبر 2017) و سومی کمتر از یک هفته پس از این رویداد (17 نوامبر 2017) به دست آمد. تمام پیکسل های تصویر برده برای تراز کردن با تمام پیکسل های تصویر اصلی [38 ]. در این مرحله، بردارهای وضعیت مدار دقیق و مدل ارتفاعی رقومی (DEM) را مشترکاً ثبت کردیم و آنها را به همان سیستم مختصات تصویر تبدیل کردیم [ 39 ]. تفاوت های کوچک در انفجارهای همپوشانی به استخراج حرکت افقی سطح زمین به موازات مسیر ماهواره کمک می کند [ 40 ]. فرآیند ترک‌زدایی برای حذف ناحیه مرزبندی بین دو انفجار مورد استفاده قرار گرفت. سپس از پشته‌های شکسته‌زدایی حاصل از فرآیند قبلی برای تفریق فاز توپوگرافی استفاده کردیم.

نسبت سیگنال به نویز تصویر اینترفروگرام را می توان با حفظ ویژگی های سیگنال و کاهش تعداد نقاط باقیمانده با انحراف تصویر تداخلی با چندین ضریب فیلتر (مانند Boxcar، GAMMA، Gaussian و Goldstein) به طور قابل توجهی بهبود بخشید. در این مطالعه، ما نتایج مرحله قبل را با فیلتر گلدشتاین [ 41 ] برای بهبود نسبت سیگنال به نویز ترکیب کردیم. این فیلتر یک روش وزن دهی فرکانس غیر خطی است که در چندین مطالعه استفاده شده است [ 37 ]. فیلتر گلدشتاین یک رویکرد فیلتر پایین گذر است که می تواند به سرعت شدت تکه های تبدیل شده فوریه تصویر تداخلی همپوشانی را صاف کند [ 42] .]. بنابراین، این فیلتر برای کاهش نویز فاز قبل از فرآیند باز کردن، کاربردی است. منبع خطای اصلی موثر بر فاز تداخل سنجی در چنین تغییر شکل بزرگی در مطالعه موردی ما خطای همبستگی است. فاز تداخل سنجی در مناطق تحت تاثیر زمین لغزش به دلیل خطای همبستگی به طور قابل توجهی کاهش یافت. کاربرد اندازه‌گیری‌های تداخل سنجی مشتق‌شده از اکتساب‌های Sentinel-1A و مشکلات نسبی به‌طور کامل توسط وجدیان و همکاران توصیف شده‌اند. (2018) [ 32 ] برای همان زلزله، در شمال منطقه مورد مطالعه ما، در منطقه بین مرزهای ایران و عراق.

علاوه بر این، اطلاعات انسجام حاصل از انسجام SAR اکتساب های Sentinel-1A به عنوان یکی از منابع داده ورودی برای نقشه برداری موجودی زمین لغزش در این مطالعه استفاده می شود. انسجام پایین بین دو تصویر در مناطق آسیب دیده زمین لغزش همراه با داده های اپتیکی و توپوگرافی تأثیر مثبتی بر حاشیه نویسی این ویژگی ها دارد. از دست دادن انسجام بیشتر به عنوان اطلاعات کمکی برای مناطق آسیب دیده زمین لغزش که با استفاده از داده های ورودی دیگر، به عنوان مثال، داده های نوری شناسایی نشده اند، در نظر گرفته می شود. مشکل انسجام کم موجود با مناطق پوشش گیاهی نیز با استفاده از آستانه شیب مناسب و داده‌های شاخص تفاوت نرمال شده گیاهی (NDVI) در روش OBIA حل می‌شود (به بخش 3.2.2 مراجعه کنید ).

3.2.2. تجزیه و تحلیل تصویر مبتنی بر شی (OBIA)

رصد زمین حیاتی ترین عامل در تشخیص و پایش زمین لغزش برای کمک به تجزیه و تحلیل خطر است [ 9 ]. در این مطالعه، OBIA برای حمایت از رویکرد DInSAR در شناسایی زمین لغزش و آماده سازی موجودی استفاده شد ( شکل 3 را ببینید ). در این مطالعه، بخش‌بندی چند وضوح (MRS) برای تقسیم‌بندی داده‌های ورودی ما استفاده شد. ما یک رویکرد نیمه خودکار را بر اساس ویژگی های طیفی و فضایی زمین لغزش ها توسعه دادیم. در این زمینه، ما تقسیم بندی را برای توسعه بخش های اولیه برای نقشه برداری زمین لغزش مبتنی بر شی اعمال کردیم.

ما با استفاده از تخمین پارامترهای مقیاس (ESP2) ابزار و اعتبار متقاطع، تقسیم‌بندی را با مقیاس 15، شاخص شکل 0.6 و فشردگی 0.4 توسعه دادیم. بر این اساس، ویژگی های مبتنی بر شی کارآمد بر اساس تحقیقات قبلی به دست آمد (به عنوان مثال، [ 10 ، 43 ]). این کارهای قبلی مشخص کردند که NDVI، روشنایی، شاخص شکل، جهت جریان متوسط، و انحنا – همراه با تجزیه و تحلیل بافت بر اساس مقادیر ماتریس هم‌وقوع سطح خاکستری (GLCM) (به عنوان مثال، همبستگی GLCM، میانگین GLCM _،_انحراف استاندارد _GLCM ، GLCM _{کنتراست و}_{آنتروپی} GLCM)- کارآمدترین ویژگی های مبتنی بر شی برای شناسایی و ترسیم زمین لغزش ها هستند. در این مطالعه، تنها پیش پردازش Sentinel-2B تصحیح اتمسفر بود. سپس، ویژگی‌های مبتنی بر شی را برای شناسایی و ترسیم زمین لغزش‌ها با استفاده از باندهای 3، 4، و 2 Sentinel-2B و باندهای 4 و 8 برای NDVI، انسجام SAR از Sentinel-1A، و یک DEM، و همچنین آن اعمال کردیم. مشتقات، از جمله، جنبه، شیب، جهت جریان، و انحنا. شکل 4 برخی از ویژگی های مبتنی بر شی را نشان می دهد که ما برای تشخیص و ترسیم زمین لغزش استفاده کردیم. برای این هدف، این ویژگی های مبتنی بر شی و مقادیر آستانه به دست آمده برای هر ویژگی با در نظر گرفتن پنج نقطه لغزش شناخته شده به عنوان داده های نمونه اعمال شد ( جدول 1 را ببینید.). بنابراین، ما از خواص طیفی و توپوگرافی و همچنین تولیدات DInSAR برای تشخیص زمین لغزش در محیط مبتنی بر شی استفاده کردیم. بنابراین، اولین گام طبقه‌بندی مناطق با انسجام کم به عنوان مناطق لغزش در سطح تقسیم‌بندی اولیه بود ( شکل 4 را ببینید ). بر این اساس، ما از مقادیر آستانه به‌دست‌آمده برای هر ویژگی ( جدول 1 ) به عنوان مبنای طبقه‌بندی نزدیک‌ترین همسایه فازی استفاده کردیم. متعاقباً، نتایج هر دو رویکرد DInSAR و OBIA به صورت دستی با استفاده از تصاویر Google Earth™ بهبود یافتند تا یک مجموعه داده فهرست لغزش قابل اعتماد برای تجزیه و تحلیل های بیشتر ایجاد شود. تفکیک زمین لغزش موجودی ایجاد شده در این مطالعه بر اساس قدرت تفکیک Sentinel-2 NIR و باند قرمز 10 متری بود.

از آنجایی که ادبیات ارزیابی دقت را به عنوان گامی حیاتی برای ارزیابی هر نقشه طبقه بندی شده بر اساس تصاویر ماهواره ای سنجش از دور [ 44 ] می شناسد، هدف ما اعتبارسنجی نتایج خود با استفاده از نقاط لغزش شناخته شده جمع آوری شده توسط GPS در یک عملیات میدانی بود. بر اساس نقاط لغزش شناخته شده، ارزیابی دقت با استفاده از ضریب کاپا و ماتریس خطا استخراج شد. ضریب کاپا محاسبه‌شده ما 0.97 بود و دقت کلی به‌دست‌آمده 94 درصد بود که نشان‌دهنده یک نتیجه بسیار معتبر برای زمین لغزش‌های شناسایی‌شده بود.

3.3. نقشه برداری حساسیت زمین لغزش

3.3.1. عوامل تهویه

ما یازده عامل تهویه زمین لغزش را در منطقه مورد مطالعه خود انتخاب کردیم، از جمله عوامل توپوگرافی، مانند ارتفاع، زاویه شیب، و جنبه. بنابراین، ما از یک مدل ارتفاعی دیجیتال (DEM) ماموریت توپوگرافی رادار شاتل (SRTM) ( https://www2.jpl.nasa.gov/srtm/ ) با وضوح مکانی 30 متر به عنوان مبنای اطلاعات جنبه و شیب استفاده کردیم. لایه های. در تحقیقات قبلی، توافق نظر وجود دارد که شیب حیاتی ترین عامل برای ارزیابی حساسیت زمین لغزش در هر مطالعه LSM است [ 15 ]. تخریب در مناطق کوهستانی که با توپوگرافی شیب دار مشخص می شود، به ویژه در بالای تپه ها و قله ها بسیار بیشتر است. این پدیده در مجموعه داده موجودی نشان داده شده در شکل 5 بسیار آشکار است. بر اساس مطالعات قبلی در یک منطقه مشابه، لایه‌های شیب را به پنج طبقه طبقه‌بندی کردیم. علاوه بر این، مطالعات قبلی نشان می دهد که ارتفاع یکی دیگر از عوامل ضروری برای LSM است. یکی از عوامل شرطی سازی موثر در زمین لغزش های ناشی از زلزله می باشد. بنابراین، حساسیت زمین لغزش به شدت با دره ها و قله های مناطق کوهستانی همبستگی دارد. فرآیندهای ژئومورفولوژیکی و زمین‌شناسی نیز تحت‌تاثیر ارتفاع [ 45 ] قرار می‌گیرند که ما از آن برای تعریف برجستگی محلی منطقه مورد مطالعه استفاده کردیم. طبقات امدادی نشان دهنده تنوع مقادیر ارتفاعی منطقه مورد مطالعه ما است، از پایین ترین ارتفاع در بستر رودخانه ها تا بالاترین ارتفاع در مناطق کوهستانی [ 46] .]. برای بررسی تعداد وقوع زمین لغزش در طبقات مختلف امدادی، پنج کلاس ارتفاعی تهیه کردیم. جنبه شیب در ادبیات به عنوان یکی از عوامل شرطی سازی حیاتی برای هر رویداد زمین لغزش در نظر گرفته می شود. برخی از عوامل هواشناسی از جمله میزان متوسط تابش آفتاب و جهت بارندگی نیز حساسیت زمین لغزش را تعیین می کنند [ 47 ]. عامل شرطی سازی جنبه به طور غیرمستقیم بر پایداری شیب از طریق فرآیندهای هیدرولوژیکی مانند بارش تأثیر می گذارد و بر روند هوازدگی تأثیر می گذارد [ 48]]. در این مطالعه، لایه جنبه را به 9 کلاس طبقه بندی کردیم، از جمله تخت (0°)، شمالی (0°-22.5°؛ 337.5°-360°)، شمال شرقی (22.5°-67.5°)، شرقی (67.5°-112.5 درجه). درجه، جنوب شرقی (112.5°-157.5°)، جنوب (157.5°-202.5°)، جنوب غربی (202.5°-247.5°)، غرب (247.5°-292.5 درجه)، و شمال غربی (292.5°-337.5 درجه) (نگاه کنید به شکل 5 ).

عوامل زمین شناسی شامل سنگ شناسی، فاصله تا گسل ها و نوع خاک در شکل 6 نشان داده شده است . ما عوامل شرطی‌سازی زمین‌شناسی کاربردی را از نقشه‌های زمین‌شناسی 1:100000 موجود استخراج کردیم. واحدهای سنگ شناسی مختلف و انواع خاک نقش متفاوتی در کنترل زمین لغزش دارند. بدلند بیش از 60 درصد خاک منطقه مورد مطالعه را تشکیل می دهد. واحدها و سازندهای سنگ شناسی بیشتر از مواد معدنی سخت تر، امواج ضربه ای ضعیف تر در سطح و آسیب های شدید کمتر ناشی از زلزله در یک منطقه معین تشکیل شده اند. علاوه بر این، شکاف ها و شکاف های موجود در سازندهای زمین شناسی یک منطقه جایی است که امواج ضربه ای از مرکز زمین لرزه به سطح منتقل می شوند [ 49] .]. فاصله تا گسل‌ها مهم است، به‌ویژه برای مطالعه ما که در آن مناطق نزدیک‌تر به گسل‌ها بیشتر مستعد اثرات زلزله هستند [ 50 ]. فاصله گسل نقش مهمی در تاب آوری یک منطقه در برابر اثرات تخریب ناشی از قدرت انتقال امواج زلزله دارد، زیرا نزدیکی به گسل ها باعث ایجاد خطر لرزه ای و تخریب بالایی می شود. فاصله بیشتر از خطاها می تواند خطر را کاهش دهد. اگرچه برخی از مطالعات قبلی، مانند [ 51 ] فاکتور فاصله تا خطاها را در مدل‌سازی حساسیت بی‌اثر می‌دانستند، ما همچنان آن را در روش‌های LSM خود در نظر گرفتیم. در مطالعه حاضر، عناصر سنگ شناسی به چهار گروه اصلی که در جدول 2 توضیح داده شده است، گروه بندی شدند. اکثر نقاط GPS مجموعه داده فهرست زمین لغزش در گروه های A و B قرار می گیرند. گروه A حاوی سنگ آهک های فسیلی با بستر متوسط تا عظیم خاکستری و قهوه ای است. گروه B شامل گروه بنگستان تقسیم نشده، عمدتاً سنگ آهک و شیل، آلبین تا کامپینی است.

عوامل هیدرولوژیکی شامل فاصله تا نهرها و بارندگی است. نهرها و رودخانه ها نیز به عنوان عوامل ایجاد کننده زمین لغزش در اثر فرسایش در نظر گرفته می شوند، زیرا مواد موجود در قسمت پایینی دره ها را اشباع می کنند و دامنه ها را فرسایش می دهند. نهرها ماسه آبرفتی پس از یخبندان تولید می کنند که یکی از علل اصلی ارتعاش سطحی و روانکاری است [ 52 ]. لایه بارندگی به عنوان عامل محرک اصلی شکست شیب ها شناخته می شود و عامل مهمی در LSM در برخی مناطق کوهستانی مانند اتریش است [ 48] .]. مقدار و واریانس مکانی بارندگی می تواند بسته به فصل و ویژگی های توپوگرافی متفاوت باشد. در این مطالعه، ما فاکتور اطلاعات بارش سالانه را به پنج کلاس، یعنی 0-424 میلی متر، 424-451 میلی متر، 451-476 میلی متر، 476-502 میلی متر و > 502 میلی متر طبقه بندی کردیم.

عوامل مردم شناسی شامل طبقات کاربری زمین و فاصله تا جاده ها می باشد. ساخت و ساز جاده علت اصلی کاهش بار در توپوگرافی است [ 53 ، 54 ]. داده های ماهواره ای لندست ( https://www.usgs.gov/ ) به عنوان پایه لایه کاربری زمین ما استفاده شد که دارای تفکیک مکانی 30 متر است. برای تولید نقشه کاربری اراضی، از طبقه بندی نظارت شده و الگوریتم حداکثر احتمال استفاده شد [ 55] و پنج کلاس کاربری اراضی مانند باغ/جنگل کشاورزی آبیاری و چمنزار تهیه شد. در نهایت، ما شاخص گیاهی تفاوت نرمال شده (NDVI) را به عنوان عامل پوشش گیاهی خود در نظر گرفتیم. ما مقدار NDVI را با استفاده از فرمول NDVI = (NIR – Red)/(NIR + Red) محاسبه کردیم، که در آن NIR و Red نوارهای نزدیک به فروسرخ و قرمز طیف الکترومغناطیسی Landsat 8 هستند (در 11 فوریه 2013 راه اندازی شد). از آنجایی که منطقه مورد مطالعه ما دارای پوشش گیاهی کم است، ما این عامل را تنها به چهار کلاس طبقه بندی کردیم ( شکل 7 را ببینید ). با توجه به تأثیر لایه‌های تهویه‌کننده فردی، نقشه‌ای با اندازه پیکسل 30 متر برای تجزیه و تحلیل بیشتر آماده کردیم. تعداد کلاس ها در هر عامل و فواصل فواصل بر اساس مطالعات ذکر شده در بررسی ادبیات در بخش مقدمه است.1 ، 4 ، 17 ، 22 ، 24 ، 25 ].

3.3.2. نسبت فرکانس (FR)

مدل FR یک رویکرد آماری دو متغیره مفید است که می تواند به طور موثر برای مسائل جغرافیایی اعمال شود. نتایج مدل FR احتمال وجود یا عدم وجود زمین لغزش و توزیع آنها را برای هر دسته از عوامل شرطی‌کننده زمین لغزش نشان می‌دهد [ 56 ]. طبقات در نظر گرفته شده برای هر عامل را می توان به راحتی بر اساس نسبت زمین لغزش ها در هر طبقه، تقسیم بر تعداد کل زمین لغزش ها در کل منطقه مورد مطالعه وزن و رتبه بندی کرد [ 52 ]. مدل FR یک ابزار ارزیابی جغرافیایی موثر برای یافتن همبستگی های فضایی بین نقشه موجودی و هر دسته از عوامل در نظر گرفته شده است [ 24] .]. در واقع، مدل FR به عنوان نسبت منطقه ای که در آن زمین لغزش ها رخ می دهد (داده های موجودی زمین لغزش تولید شده) به کل منطقه مورد مطالعه تعریف می شود. در این مطالعه، وزن‌های FR را با محاسبه نسبت‌های هر دسته از عوامل در نظر گرفته شده نسبت به منطقه مورد مطالعه با استفاده از مجموعه داده‌های فهرست زمین لغزش، که با استفاده از داده‌های DInSAR تولید کردیم، محاسبه کردیم. ابتدا، مجموعه داده موجودی، از جمله چند ضلعی های لغزش را شطرنجی کردیم و سپس خروجی را با لایه فاکتورهای شرطی پوشش دادیم. سپس نقشه حساسیت نهایی را با استفاده از یک فرمول ترکیبی خطی ساده (به معادله (1) مراجعه کنید) از وزن‌های FR حاصل برای همه عوامل LSM در نظر گرفته تولید کردیم.

LSM _FR = FR ₁ + FR ₂ + … + FR _n

(1)

که در آن n تعداد فاکتورها را نشان می دهد و FR امتیاز هر عامل است. LSM تولید شده با توجه به وزن های FR در بخش نتایج ارائه شده است.

3.3.3. AHP فازی

منطق فازی در روشی که عدم قطعیت را مدیریت می کند، از استدلال انسانی تقلید می کند و از اطلاعات تقریبی برای تصمیم گیری استفاده می کند [ 57 ، 58 ]. در مقایسه با منطق بولی، که در آن هر عنصر به عنوان درست یا نادرست در نظر گرفته می شود، عناصر منطق فازی هم به عنوان درست و هم نادرست اما به درجات مختلف در نظر گرفته می شوند. این امکان را فراهم می کند که هر عنصر از یک مجموعه به مکمل آن نیز تعلق داشته باشد، اما فقط تا حد معینی [ 43 ، 59 ]. زاده (1965) [ 60] مجموعه های فازی را برای مدیریت مفاهیم مبهم به شیوه ای آشکار معرفی کرد. از آن زمان، مجموعه های فازی به طور موثر برای حل مسائل پیچیده فضایی که به طور مبهم مدل شده اند و درجه ای از عدم قطعیت دارند، استفاده شده است. از آنجایی که تقریباً همه پدیده‌های جغرافیایی با تعاریف مبهم نشان داده می‌شوند، مجموعه‌های فازی به‌طور گسترده با مدل‌های مبتنی بر دانش مختلف (به عنوان مثال، AHP فازی) و مدل‌های یادگیری ماشین (مانند سیستم استنتاج عصبی فازی تطبیقی) برای مدل‌سازی و نقشه‌برداری مشکلات فضایی ترکیب می‌شوند [ 61 ] . ترکیب منطق فازی و AHP به طور گسترده ای در مدل سازی و نقشه برداری حساسیت زمین لغزش استفاده شده است [ 62 ، 63 ].

در این پژوهش، به منظور محاسبه وزن معیارها با استفاده از AHP فازی، فرم‌های پرسشنامه برای جمع‌آوری دانش تخصصی برای فرآیندهای بعدی تهیه شد. از این رو پنج جغرافیدان و دو زمین شناس از دانشگاه تبریز ( https://tabrizu.ac.ir/ )، چهار کارشناس داخلی ( طی بررسی میدانی )، یک زمین شناس و سه کارشناس زمین لغزش از دانشگاه سالزبورگ ( https:/ /www.uni-salzburg.at ) دو کارشناس GIS از دانشگاه وین ( https://www.univie.ac.at/ ) و ( https://en.um.ac.ir/ ) عضو دانشکده محیط زیست و ایمنی کار از دانشگاه تون دوک تانگ ( https://www.tdtu.edu.vn/و از مهندس زلزله و کارشناس رادار دیافراگم مصنوعی از موسسه فناوری توکیو ( https://www.titech.ac.jp/ ) خواسته شد تا فرم های پرسشنامه را پر کند و در مجموع 19 فرم برای وزن دهی به دست آمد. عوامل شرایط بر اساس دانش تخصصی بر این اساس، ما از نظریه مجموعه فازی برای فرآیندهای تصمیم گیری AHP، بر اساس قضاوت تصمیم گیرندگان هدف خود استفاده کردیم. بدین ترتیب، از مقادیر حاصل از مقایسه عوامل تصمیم گیرندگان برای رتبه بندی عوامل بر اساس اهمیت آنها در حساسیت در نظر گرفته شده استفاده کردیم. این مقایسه ها با استفاده از متغیرهای زبانی به صورت کیفی وزن می شوند. بنابراین، مجموعه‌های فازی برای کمی کردن مقایسه‌های کیفی با استفاده از توابع عضویت مناسب مورد نیاز است [ 64]]. ما از یک مجموعه مثلثی فازی (نگاه کنید به شکل 8 ) برای تبدیل مقایسه‌های کیفی به مقادیر کمی برای وزن‌دهی عوامل و دو عدد فازی مثلثی مختلف ( شکل 9 ) را برای درجه ممکن استفاده کردیم. رابطه بین مقایسه های کیفی با استفاده از متغیرهای زبانی و مقادیر کمی در جدول 3 ارائه شده است .

سپس، ماتریس‌های مقایسه زوجی AHP با مجموعه‌های فازی برای تحلیل‌ها و محاسبات بیشتر و کاهش ذهنیت در وزن‌دهی معیارها ادغام شدند. اتفاقاً اعداد فازی برای مقایسه‌های زوجی و ساختار ماتریس‌های مربوطه تعریف شدند.

3.3.4. مدل یکپارچه

در مدل یکپارچه، وزن‌های FR حاصل با وزن‌های حاصل از FAHP ادغام شدند تا عدم قطعیت‌ها در مدل تصمیم‌گیری چند معیاره ما کاهش یابد. بنابراین، ما LSM های جداگانه را بر اساس مدل های FR و FAHP و LSM دیگری بر اساس مدل یکپارچه تولید کردیم. ما از مدل FAHP برای وزن دادن به عوامل شرطی سازی اعمال شده و از مدل FR برای وزن دادن طبقات هر عامل شرطی استفاده کردیم.

4. نتایج

4.1. مجموعه داده های موجودی زمین لغزش حاصل

تداخل و انسجام حاصل برای قبل و بعد از زلزله در شکل 10 و شکل 11 ارائه شده است . ما نتایج روش DInSAR را با فرآیند OBIA به عنوان اطلاعات کمکی برای تشخیص زمین لغزش ادغام کردیم. شکل 12 یک منطقه زمین لغزش بزرگ را بر اساس نتایج انسجام و تداخل نگاشت قبل و بعد از زلزله نشان می دهد.

4.2. نتیجه نقشه های حساسیت زمین لغزش

در مطالعه حاضر، ما سه مدل را برای تولید LSM و طبقه‌بندی مناطق با حساسیت بالا به وقوع زمین لغزش در نظر گرفتیم. نتایج تمامی معیارها در جدول 4 نشان داده شده است :

وزن حاصل از هر کلاس ( جدول 5 را ببینید) برای رتبه بندی عوامل و طبقات زمین لغزش در نظر گرفته شده با استفاده از یک محیط GIS استفاده شد. اگر مقدار FR حاصل بالاتر از 1 باشد، این نشان دهنده یک رابطه قوی بین چند ضلعی زمین لغزش ها در نقشه موجودی مورد استفاده برای آموزش مدل ها و کل منطقه در نظر گرفته شده است. این به نوبه خود به این معنی است که حساسیت زمین لغزش زیاد است، در حالی که مقادیر FR کمتر از 1 به حساسیت کم زمین لغزش اشاره دارد. همین امر در مورد وزن عامل تحویلی بر اساس FAHP صادق است. بنابراین، وزن های بالاتر FAHP نشان دهنده حساسیت بالای زمین لغزش است. برای تولید وزن‌های مدل FR، از نقشه موجودی تهیه‌شده استفاده کردیم، در حالی که برای استخراج وزن‌های مدل FAHP، مقایسه‌های متخصص هدف خود را در ماتریس‌های زوجی در نظر گرفتیم.شکل 13 . اگرچه، جالب توجه است که اکثر کلاس‌های فرعی الگوی یکسانی را نشان می‌دهند، تفاوت‌های قابل توجهی در طبقه اول عوامل ارتفاع، بارندگی و سنگ‌شناسی وجود دارد. بر اساس دانش تخصصی تصمیم گیرندگان ما، گروه (A)، حاوی سنگ آهک فسیلی خاکستری و قهوه ای، بیشترین اهمیت را برای پدیده زمین لغزش دارد، اما این کلاس مقادیر FR کمتری دریافت کرد. با این حال، کلاس های باقی مانده تقریباً یکسان بود.

برای مدل یکپارچه خود، از وزن عامل از AHP با ترکیبی از مقادیر FR استفاده کردیم که برای کلاس های تعریف شده فاکتورهای خود استخراج کردیم. بنابراین، LSM حاصل بر اساس مدل یکپارچه، نتایج هر دو مدل FAHP و FR را در نظر گرفت. ما تکنیک طبقه‌بندی شکست‌های طبیعی را برای طبقه‌بندی مناطقی که مقادیر مشابهی را به دست آورده‌اند و با نقاط شکست متمایز شده‌اند، اعمال کردیم. این تکنیک به طور گسترده ای برای طبقه بندی نتایج LSM ها استفاده می شود. بنابراین، طبقه‌بندی براساس مقادیر حاصل از همان دسته‌ها، مانند مقادیر بین حساسیت «بالا» و «متوسط» بود. بنابراین، ما LSM های خود را با استفاده از تکنیک طبقه بندی شکست های طبیعی به پنج کلاس حساسیت به زمین لغزش طبقه بندی کردیم ( شکل 14 را ببینید ).

5. ارزیابی دقت

5.1. اعتبار سنجی مجموعه داده های موجودی زمین لغزش حاصل

ما یک بررسی میدانی در آوریل 2017 انجام دادیم تا صحت مدل یکپارچه DInSAR و OBIA را برای تشخیص زمین لغزش بررسی کنیم. دقت برای مطالعه ما مهم بود زیرا ما از این نتایج برای آموزش دو مدل LSM خود استفاده کردیم. بنابراین، ما همچنین از مکان‌های GPS بررسی میدانی برای ایجاد یک مجموعه داده فهرست لغزش قابل اعتماد برای اعتبارسنجی عملکرد مجموعه داده‌های موجودی و LSMهای حاصل استفاده کردیم. برای اعتبار سنجی نقشه جابجایی حاصل از روش های تداخل سنجی و OBIA، ما آن را با 30٪ (27 نقطه GPS) به طور تصادفی انتخاب شده از زمین لغزش ها در مجموعه داده فهرست اعتبارسنجی مقایسه کردیم. ما 70٪ باقیمانده (62 نقطه GPS) زمین لغزش ها را برای اعتبارسنجی LSM های حاصل از FAHP، FR و مدل های یکپارچه رزرو کردیم.

برای اندازه‌گیری دقت چند ضلعی‌های زمین لغزش استخراج‌شده، متریک اعتبارسنجی دقت را اعمال کردیم [ 18 ، 65 ]. بنابراین، ما تعداد مکان‌های GPS لغزشی را که با چند ضلعی‌های زمین لغزش استخراج‌شده مطابقت دارند به عنوان مثبت واقعی (TP) و بقیه به عنوان مثبت کاذب (FP) در نظر گرفتیم. سپس دقت را از رابطه (2) زیر محاسبه کردیم:

دقت، درستی = تی پی ها(تیپس + افپس)

(2)

بر اساس این محاسبه، نقشه ما به امتیاز دقت بالای 94 درصد دست یافت. دقت به دست آمده نشان می دهد که نقشه جابجایی قابل اعتماد است و می تواند به عنوان داده موجودی مورد استفاده قرار گیرد.

5.2. اعتبار سنجی LSM های حاصل

اعتبار سنجی یک گام مهم در مدل سازی و تولید هر نقشه حساسیت خطر طبیعی است [ 53 ، 66 ]. همانطور که قبلا ذکر شد، ما 62 نقطه GPS از مجموعه داده موجودی اعتبارسنجی را به طور خاص برای این کار رزرو کردیم. برای اعتبارسنجی LSMهای مختلف حاصل در مجموعه داده های اعتبارسنجی، از منحنی های ویژگی های عملیاتی گیرنده (ROC) [ 67 ] استفاده کردیم . منحنی‌های ROC صحنه کاملی از مبادله بین نرخ مثبت واقعی (TPR) و نرخ مثبت کاذب (FPR) در LSM ها را نشان می‌دهند. محور عمودی منحنی ROC به TPR اشاره دارد، در حالی که محور افقی نشان دهنده FPR است که در شکل 15 نشان داده شده است [ 68]]. TPR ها پیکسل هایی هستند که به درستی به عنوان مناطق مستعد زمین لغزش طبقه بندی شده اند، در حالی که FPR ها به پیکسل هایی اطلاق می شوند که به اشتباه به عنوان مناطق مستعد زمین لغزش طبقه بندی شده اند. برای تولید منحنی‌های ROC، باید پیکسل‌هایی را که به درستی و نادرست برچسب‌گذاری شده‌اند در مجموعه داده‌های موجودی به‌دست آوریم و آن‌ها را به صورت TPR در مقابل FPR رسم کنیم. سطح زیر منحنی (AUC) یک معیار دقت رایج برای ارزیابی LSMها است. مقادیر AUC حاصل، نسبت بین تعداد پیکسل‌هایی که به درستی برچسب‌گذاری شده‌اند و پیکسل‌هایی که به اشتباه برچسب‌گذاری شده‌اند را مشخص می‌کند [ 18 ]. به این ترتیب، مقادیر AUC بالاتر نشان می دهد که نقشه حساسیت حاصل از دقت بالاتری برخوردار است. مقادیر AUC نزدیک به 1 ارزیابی حساسیت کامل را نشان می دهد، در حالی که مقدار 0.5 نشان می دهد که حساسیت حاصل به طور تصادفی ایجاد شده است [ 69]]. مقادیر AUC مطالعه ما برای مدل های FAHP، FR و یکپارچه به ترتیب 0.83، 0.89 و 0.96 بود.

6. بحث

بر اساس دقت‌های حاصل، مدل یکپارچه ما دسته‌بندی حساسیت دقیق‌تری نسبت به مدل‌های FAHP و FR تولید می‌کند. بنابراین، برای مورد خاص ما، می‌توان نتیجه گرفت که ترکیبی از مدل‌های مبتنی بر دانش و مبتنی بر داده، نتیجه دقیق‌تری نسبت به مدل‌های استفاده شده به‌طور جداگانه ایجاد می‌کند. علاوه بر این، LSM ایجاد شده توسط مدل FR دقت بالاتری نسبت به FAHP به دست آورد. دقت بالاتر مدل FR نشان می دهد که مدل مبتنی بر داده ما عملکرد بهتری نسبت به مدل مبتنی بر دانش ما دارد. با این وجود، اگر از متخصصان بیشتری برای ارزیابی ماتریس‌های مقایسه زوجی استفاده کنیم یا از مدل‌های دیگری مانند AHP معمولی استفاده کنیم، نتایج مدل‌های مبتنی بر دانش ما ممکن است بهبود یابد. دقت نقشه‌های حاصل از مدل‌های مبتنی بر داده به شدت به دقت و مقدار داده‌های آموزشی بستگی دارد و دقت در هنگام استفاده از بخش دیگری از مجموعه داده موجودی تغییر می‌کند. ما با برخی از کارهای مرتبط به نتایج تقریبا مشابهی دست یافتیم. موندال و مایتی (2013) [برای مثال ، دقت طبقه‌بندی کلی 0.92 را با ادغام مدل‌های AHP و FR برای مدل‌سازی حساسیت زمین لغزش و نقشه‌برداری حوزه آبخیز شیوخولا، دارجلینگ هیمالیا به دست آورد.

جدول 6 زمین لغزش های مشاهده شده و تعداد سکونتگاه ها در هر کلاس LSM های نهایی را نشان می دهد. LSM حاصل بر اساس مدل یکپارچه شامل 24 منطقه زمین لغزش در کلاس حساسیت بسیار بالا است. با این حال، LSM های تولید شده توسط مدل های FAHP و FR به ترتیب منجر به 11 و 9 ناحیه حساس بسیار بالا شدند.

از دیدگاه سنگ شناسی، گروه های A و B به ترتیب 12.5 و 87.5 درصد از مساحت زمین لغزش در منطقه مورد مطالعه ما را تشکیل می دهند. هر دوی این گروه ها حاوی ژئوواحدهای سنگ آهک هستند که در مقایسه با سایر ژئوواحدها بسیار حساس تر است. آخرین کلاس (20 درجه <) از عامل شیب بالاترین وزن حساسیت را نشان داد و نقش مهمی در LSM برای منطقه مورد مطالعه ما داشت. در مقابل، آخرین کلاس فاکتور فاصله تا جاده (2800 متر <) کمترین تأثیر را در LSMهای حاصل نشان داد. با جزئیات بیشتر، طبقه چهارم معیار بارش (502 میلی‌متر در سال <)، وزن تقریباً 0.08، تقریباً هیچ اهمیتی برای LSM نداشت. اولین کلاس از معیار فاصله تا خطا (0-1000 متر) در مقایسه با کلاس های دیگر در این عامل مهم ترین بود. نتایج ما از شرطی سازی وزن دهی و رتبه بندی با استفاده از AHP نیز با مطالعات مشابه قابل مقایسه است. به عنوان مثال، پورقاسمی و پرادهان (2012)، عوامل شیب، ارتفاع و جهت را به عنوان سه عامل مهم شرطی سازی حساسیت به زمین لغزش می دانند که کاملاً با نتایج ما در این مطالعه یکسان است. با این حال، درجه شیب به عنوان مهم‌ترین عامل منطقه مورد مطالعه حوضه آبخیز هراز ایران شناسایی شد. اما در مورد ما، ارتفاع بر اساس نظرات کلی کارشناسان مورد سوال ما رتبه اول را دارد. که کاملا مشابه نتایج ما در این مطالعه است. با این حال، درجه شیب به عنوان مهم‌ترین عامل منطقه مورد مطالعه حوضه آبخیز هراز ایران شناسایی شد. اما در مورد ما، ارتفاع بر اساس نظرات کلی کارشناسان مورد سوال ما رتبه اول را دارد. که کاملا مشابه نتایج ما در این مطالعه است. با این حال، درجه شیب به عنوان مهم‌ترین عامل منطقه مورد مطالعه حوضه آبخیز هراز ایران شناسایی شد. اما در مورد ما، ارتفاع بر اساس نظرات کلی کارشناسان مورد سوال ما رتبه اول را دارد.

در این مطالعه، ما یک روش مبتنی بر شی را برای استخراج مناطق لغزش تایید شده توسط داده‌های GPS از یک بررسی میدانی گسترده اعمال کردیم. چند ضلعی های زمین لغزش استخراج شده به عنوان مجموعه داده موجودی برای آموزش و اعتبار سنجی رویکردهای اعمال شده استفاده شد. چندین مطالعه سعی کردند از روش‌ها و تکنیک‌های مختلف موجود برای استخراج مناطق زمین لغزش استفاده کنند، مانند روش‌های مبتنی بر شی [ 9 ]، تکنیک‌های مختلف یادگیری ماشین [ 11 ، 70 ] و مدل‌های یادگیری عمیق [ 12].]. بر اساس داده‌هایی که برای استخراج مناطق لغزش در این مطالعه استفاده کردیم، یک روش مبتنی بر دانش و شی را یافتیم که عملی‌ترین راه برای مقابله با تصاویر نوری و SAR به ترتیب از Sentinel-2B و Sentinel-1A است. طبق دانش ما، مطالعه ما یکی از مطالعات نادری است که سعی در ایجاد مجموعه داده فهرست زمین لغزش از تصاویر ماهواره‌ای و استفاده از آن برای مدل‌سازی حساسیت و نقشه‌برداری دارد. با این حال، چندین مطالعه رویکردهای مختلف را تنها برای مدل‌سازی حساسیت زمین لغزش ارزیابی کردند. روش های FAHP و FR به طور جداگانه در چندین مطالعه LSM استفاده شده است. رویکرد تئوری فازی با برخی از روش‌های تصمیم‌گیری چند معیاره، مانند AHP و ANP، برای مقابله با عدم قطعیت مرتبط و افزایش دقت نقشه‌های حساسیت حاصل ادغام شده است [22] .، 62 ]. اگرچه خود روش AHP با روش FR برای مدل‌های حساسیت مختلف توسط [ 29] ادغام شد.]، مطالعه حاضر از این جهت منحصر به فرد است که تلاش می کند قابلیت های نظریه فازی، تصمیم گیری چند معیاره و FR را برای LSM یکپارچه کند. مزایای گردش کار پیشنهادی ما را می توان به عنوان ادغام الگوهای مبتنی بر روش های داده محور با دانش تخصصی برای بهبود دقت نگاشت حساسیت خلاصه کرد. این ادغام می‌تواند با عدم قطعیت مرتبط در مقایسه‌های زوجی، که یک مسئله رایج برای سیستم‌های پشتیبانی تصمیم فضایی، مانند AHP است، مقابله کند. در عین حال، ما نشان دادیم که نتایج یک روش داده محور فقط می تواند بر اساس تصادفی باشد. بنابراین، ادغام یک روش مبتنی بر داده و دانش تخصصی می تواند به طور قابل توجهی دقت نقشه برداری حساسیت زمین لغزش را افزایش دهد. با این حال، این رویکرد را نمی توان به عنوان یک روش خودکار یا حتی نیمه خودکار برای LSM در نظر گرفت.

ما در مطالعه فعلی خود دو محدودیت عمده داشتیم. اول، ما به برخی از داده های کمکی، مانند اطلاعات دیوار آویزان، برای منطقه مورد مطالعه خود دسترسی نداشتیم. این یک محدودیت در نظر گرفته می شود زیرا برخی از مطالعات قبلی نشان داده اند که اثر دیواره آویزان نقش مهمی در الگوی آسیب زمین لغزش دارد و تأثیر بیشتری نسبت به دیواره رانش دارد [71 ] . محدودیت دوم ما این بود که هیچ اطلاعاتی در مورد همبستگی بین شیب ژئوواحدها و شیب نداشتیم، زیرا تطابق بین این پارامترها در یک منطقه، حساسیت زمین لغزش بیشتری را در مقایسه با سایر مناطق با کمتر یا بدون آن نشان می‌دهد. توافق.

7. نتیجه گیری

در این مطالعه از یک مدل تلفیقی برای ترسیم حساسیت زمین لغزش ناشی از زلزله کرمانشاه، ایران استفاده کردیم. برای ایجاد مجموعه داده فهرست زمین لغزش ناشی از زلزله، رویکردهای DInSAR و OBIA را ادغام کردیم و به صورت دستی مجموعه داده را با استفاده از تصاویر Google Earth™ (نسخه 7.3.3.7673) افزایش دادیم. سپس از این مجموعه داده‌های موجودی برای آموزش مدل‌های مختلفی استفاده کردیم که به‌عنوان پایه‌ای برای تولید LSM در منطقه آسیب‌دیده از زلزله کرمانشاه عمل کردند. ما همچنین کار میدانی را انجام دادیم و مجموعه داده نقطه‌ای GPS از رخدادهای زمین لغزش را تهیه کردیم که به طور تصادفی به دو بخش تقسیم کردیم تا مجموعه داده آموزشی تولید شده توسط مدل یکپارچه و LSMهای حاصل نهایی را تأیید کنیم. ما در این مطالعه از روش زیر برای تولید LSM استفاده کردیم: اول، ما از یک مدل FR برای محاسبه وزن کلاس‌هایی که برای جمع‌آوری عوامل شرطی‌سازی LSM ضروری هستند، استفاده کردیم. در مرحله بعد، ما یک FAHP را برای وزن دادن به عوامل و طبقات آنها اعمال کردیم. سپس از رویکرد استاندارد برای استفاده از FAHP برای تصمیم گیری GIS و چند معیاره پیروی کردیم. این رویکرد مبتنی بر ارزیابی چند معیاره و تئوری مجموعه‌های فازی است که با در نظر گرفتن دانش تخصصی، مناطق مستعد پدیده‌های زمین لغزش را پیدا می‌کند. لازم به ذکر است که ما ابتدا از مدل FR برای تولید LSM بر اساس همبستگی فضایی بین نتایج تداخل سنجی و کلاس عوامل مرتبط استفاده کردیم. این مطالعه پیشنهاد می‌کند که مدل FR زمانی که با یک روش تصمیم‌گیری چند معیاره مبتنی بر GIS برای LSM ادغام می‌شود، ارزیابی شود. با استفاده از روش اعتبارسنجی، ما اطمینان بهبود یافته تصمیم گیری چند معیاره را هنگام استفاده از یک مدل FR تعیین کردیم. برای اعتبارسنجی LSMهای حاصل از هر مدل و مدل یکپارچه، ما روش ROC را با استفاده از مجموعه داده موجودی زمین لغزش نقاط GPS خود اعمال کردیم.

دقت LSM حاصل بر اساس مدل FR بیشتر از مدل FAHP بود که نشان می دهد دقت نتایج به شدت به کیفیت مجموعه داده آموزشی بستگی دارد. مجموعه داده آموزشی تولید شده توسط مدل یکپارچه داده های تا حدودی مناسب برای LSM با استفاده از مدل FR ارائه می کند. از سوی دیگر، دقت بالاتر مدل یکپارچه نشان می‌دهد که ادغام یک سیستم پشتیبانی تصمیم بهینه، مانند FAHP، با مجموعه داده آموزشی با کیفیت بالا منجر به نتایج LSM حتی بهتری می‌شود. به طور خلاصه، مدل AHP یک مدل فنی است که به عدم قطعیت ذاتی در تصمیم گیری کارشناسان حساس است. حتی با ادغام مجموعه‌های قوانین فازی، مدل FAHP همچنان بر مقایسه‌های زوجی مبتنی بر تصمیمات متخصصان متکی است. علاوه بر این، دقت مدل FR به طور مستقیم به کیفیت داده های آموزشی بستگی دارد. بنابراین، مدل یکپارچه با استفاده از مجموعه داده آموزشی قابل اعتماد کمتر به تصمیمات کاربر و دانش متخصص وابسته است. اشکال مدل یکپارچه این است که در مقایسه با استفاده از تنها یک مدل به محاسبات بسیار بیشتری نیاز دارد. روش های مورد استفاده در این تحقیق به راحتی به سایر مناطق مستعد زلزله و رانش زمین قابل انتقال است. نتایج این مطالعه می‌تواند برای اولویت‌بندی تلاش‌ها برای تعدیل پیامدهای نامطلوب حرکات توده‌ای پس از زلزله مفید باشد. کار آینده ما بر کاهش خسارات ناشی از زمین لغزش های ناشی از زلزله در این منطقه مورد مطالعه متمرکز خواهد بود، در نتیجه یک نقشه آسیب پذیری با در نظر گرفتن عوامل مختلف ایجاد می کند که می تواند نشان دهد که کدام مناطق آسیب پذیر با مناطق بسیار مستعد زمین لغزش مطابقت دارند.

اختصارات

DInSAR	تداخل سنجی رادار دیافراگم مصنوعی دیفرانسیل
SAR	رادار دیافراگم مصنوعی
OBIA	تجزیه و تحلیل تصویر مبتنی بر شی
FR	نسبت فرکانس
GIS	سیستم اطلاعات جغرافیایی
LSM	نقشه برداری حساسیت زمین لغزش
جی پی اس	سیستم موقعیت یاب جهانی
AHP	فرآیند تحلیل سلسله مراتبی
ANP	فرآیند شبکه تحلیلی
OWA	سفارش میانگین وزنی
WLC	ترکیب خطی وزن دار
DEM	مدل رقومی ارتفاع
NDVI	شاخص گیاهی تفاوت نرمال شده
GLCM	ماتریس همزمانی سطح خاکستری
FAHP	AHP فازی
ROC	مشخصات عملکرد گیرنده
TPR	نرخ مثبت واقعی
FPR	نرخ مثبت کاذب
AUC	ناحیه زیر منحنی

منابع

هونگ، اچ. پورقاسمی، HR; پورتقی، ZS ارزیابی حساسیت زمین لغزش در شهرستان لیانهوا (چین): مقایسه بین تکنیک داده کاوی تصادفی جنگل و مدل‌های آماری دو متغیره و چند متغیره. ژئومورفولوژی 2016 ، 259 ، 105-118. [ Google Scholar ] [ CrossRef ]
موندال، اس. Maiti، R. ادغام فرآیند سلسله مراتبی تحلیلی (AHP) و مدل نسبت فرکانس (FR) در نقشه‌برداری حساسیت زمین لغزش حوضه آبخیز شیوخولا، دارجلینگ هیمالیا. بین المللی J. Disaster Risk Sci. 2013 ، 4 ، 200-212. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیروانی، ز. تحلیل کل نگر برای نگاشت حساسیت به زمین لغزش با استفاده از جنگل تصادفی مبتنی بر شی جغرافیایی: مقایسه بین جنگل های حفاظت شده و غیر حفاظت شده. Remote Sens. 2020 , 12 , 434. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پورقاسمی، HR; رحمتی، او. پیش بینی حساسیت زمین لغزش: کدام الگوریتم، کدام دقت؟ Catena 2018 ، 162 ، 177–192. [ Google Scholar ] [ CrossRef ]
کاساگلی، ن. سیگنا، اف. بیانچینی، اس. هلبلینگ، دی. فوردر، پی. ریگینی، جی. دل کونته، اس. فریدل، بی. اشنایدرباوئر، اس. Iasio، C. نقشه برداری و پایش زمین لغزش با استفاده از رادار و سنجش از دور نوری: نمونه هایی از پروژه EC-FP7 SAFER. Remote Sens. Appl. Soc. محیط زیست 2016 ، 4 ، 92-108. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لناری، ر. براردینو، پی. بونانو، م. کاسو، اف. مانکونی، آ. مونتا، م. مانزو، م. پپه، آ. پپه، اس. Sansosti، E. جابجایی‌های سطحی مرتبط با زلزله 6.3 مگاواتی 2009 L’Aquila (مرکز ایتالیا): شواهد جدید از تجزیه و تحلیل سری‌های زمانی SBAS-DInSAR. ژئوفیز. Res. Lett. 2010 ، 37 . [ Google Scholar ] [ CrossRef ]
دبیری، ز. هلبلینگ، دی. آباد، ل. هلگاسون، JK; ساموندسون، Þ. Tiede، D. ارزیابی تغییرات ژئومورفولوژیکی ناشی از زمین لغزش در دره Hítardalur، ایسلند، با استفاده از داده‌های Sentinel-1 و Sentinel-2. Appl. علمی 2020 ، 10 ، 5848. [ Google Scholar ] [ CrossRef ]
گورابی، ع. تشخیص زمین لغزش ناشی از زمین لرزه بزرگ با استفاده از تکنیک انسجام InSAR – زاگرس شمال غربی، ایران. مصر. J. Remote Sens. Space Sci. 2019 ، 23 ، 195-205. [ Google Scholar ] [ CrossRef ]
هلبلینگ، دی. فوردر، پی. آنتولینی، اف. سیگنا، اف. کاساگلی، ن. Lang، S. یک رویکرد مبتنی بر شی نیمه خودکار برای تشخیص زمین لغزش که توسط اقدامات تداخل سنجی پراکنده مداوم و موجودی زمین لغزش تایید شده است. Remote Sens. 2012 ، 4 ، 1310-1336. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیروانی، ز. عبدی، ا. Buchroithner, M. A Analysis Synergetic Sentinel-1 and-2 for Mapping Historical Landslides با استفاده از جنگل تصادفی شی گرا در جنگل های هیرکانی. Remote Sens. 2019 , 11 , 2300. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
توکلی پیرعلیلو، س. شهابی، ح. جاریانی، ب. قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. Aryal, J. تشخیص زمین لغزش با استفاده از تقسیم‌بندی تصویر در مقیاس چندگانه و مدل‌های مختلف یادگیری ماشین در هیمالیاهای عالی. Remote Sens. 2019 , 11 , 2575. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. تاید، دی. Aryal, J. ارزیابی روش‌های مختلف یادگیری ماشین و شبکه‌های عصبی کانولوشنال یادگیری عمیق برای تشخیص زمین لغزش. Remote Sens. 2019 , 11 , 196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سمین، MI; پرادان، ب. تشخیص زمین لغزش با استفاده از شبکه های باقیمانده و ادغام اطلاعات طیفی و توپوگرافی. دسترسی IEEE 2019 ، 7 ، 114363–114373. [ Google Scholar ] [ CrossRef ]
کریم زاده، س. ویژگی های فرونشست زمین در حوضه تبریز (شمال غرب ایران) با استفاده از تحلیل InSAR و حوزه آبخیز. Acta Geod. ژئوفیز. 2016 ، 51 ، 181-195. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جلنک، ج. Kopačková، V. Fárová، K. ارزیابی توزیع زمین لغزش پس از زلزله با استفاده از داده های نگهبان-1 و 2: مثال زلزله 7.8 مگاواتی 2016 در نیوزیلند. در مجموعه مقالات دومین کنفرانس الکترونیکی بین المللی سنجش از دور، کنفرانس آنلاین، 22 مارس تا 5 آوریل 2017; پ. 361. [ Google Scholar ]
قربانزاده، ا. فیضی زاده، ب. Blaschke, T. ارزیابی ریسک چند معیاره با ادغام یک رویکرد فرآیند شبکه تحلیلی در تجزیه و تحلیل حساسیت و عدم قطعیت مبتنی بر GIS. Geomat. نات خطر خطرات 2018 ، 9 ، 127-151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زارع، م. پورقاسمی، HR; وفاخواه، م. پرادان، ب. نقشه‌برداری حساسیت زمین لغزش در حوزه آبخیز واز (ایران) با استفاده از مدل شبکه عصبی مصنوعی: مقایسه بین الگوریتم‌های پرسپترون چندلایه (MLP) و تابع پایه شعاعی (RBF). عرب جی. ژئوشی. 2013 ، 6 ، 2873-2888. [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. بلاشکه، تی. آریال، ج. غلامی نیا، ک. یک تکنیک جدید مبتنی بر GIS با استفاده از یک سیستم استنتاج عصبی فازی تطبیقی برای نقشه‌برداری حساسیت فرونشست زمین. جی. اسپات. علمی 2018 ، 94 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گونتر، آ. ون دن ایکهات، ام. Malet، J.-P. رایشنباخ، پ. Hervás, J. ارزیابی حساسیت زمین لغزش از نظر آب و هوا-فیزیوگرافی با استفاده از ارزیابی چند معیاره فضایی و اطلاعات زمین لغزش فراملی. ژئومورفولوژی 2014 ، 224 ، 69-85. [ Google Scholar ] [ CrossRef ]
چن، جی. یانگ، ی. یک رویکرد مبتنی بر ANP فازی برای ارزیابی خطر خشکسالی کشاورزی منطقه. Procedia Eng. 2011 ، 23 ، 822-827. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Malczewski، J. تجزیه و تحلیل مناسب کاربری زمین مبتنی بر GIS: مروری انتقادی. Prog. طرح. 2004 ، 62 ، 3-65. [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; پرادان، بی. استفاده از منطق فازی و فرآیند تحلیل سلسله مراتبی (AHP) در نقشه‌برداری حساسیت زمین لغزش در حوزه آبخیز هراز، ایران. نات خطرات 2012 ، 63 ، 965-996. [ Google Scholar ] [ CrossRef ]
احمد، ب. مدل‌سازی حساسیت زمین لغزش با استفاده از وزن‌دهی تعریف‌شده توسط کاربر و تکنیک‌های آماری مبتنی بر داده در شهرداری کاکس بازار، بنگلادش. نات خطرات 2015 ، 79 ، 1707-1737. [ Google Scholar ] [ CrossRef ]
شهابی، ح. هاشم، م. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های آماری مبتنی بر GIS و داده‌های سنجش از دور در محیط‌های گرمسیری. علمی Rep. 2015 , 5 , 9899. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
فیضی زاده، ب. یانکوفسکی، پ. Blaschke، T. رویکرد تحلیل عدم قطعیت و حساسیت صریح فضایی مبتنی بر GIS برای تجزیه و تحلیل تصمیم چند معیاره. محاسبه کنید. Geosci. 2014 ، 64 ، 81-95. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لیگمان-زیلینسکا، آ. Jankowski، P. تجزیه و تحلیل یکپارچه فضایی صریح و عدم قطعیت و حساسیت وزن معیارها در ارزیابی تناسب زمین چند معیاره. محیط زیست مدل. نرم افزار 2014 ، 57 ، 235-247. [ Google Scholar ] [ CrossRef ]
لیو، اف. تجزیه و تحلیل سازگاری قابل قبول ماتریس های مقایسه متقابل بازه ای. سیستم مجموعه های فازی 2009 ، 160 ، 2686-2700. [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. فیضی زاده، ب. Blaschke, T. یک روش ماتریس فاصله ای که برای بهینه سازی ماتریس تصمیم گیری در تکنیک AHP برای نقشه برداری حساسیت فرونشست زمین استفاده می شود. محیط زیست علوم زمین 2018 ، 77 ، 584. [ Google Scholar ] [ CrossRef ]
رزندی، ی. پورقاسمی، HR; نیسانی، NS; استفاده از مدل های فرآیند تحلیل سلسله مراتبی، نسبت فرکانس و عامل قطعیت برای نقشه برداری پتانسیل آب های زیرزمینی با استفاده از GIS. علوم زمین آگاه کردن. 2015 ، 8 ، 867-883. [ Google Scholar ] [ CrossRef ]
IRSC. موسسه ژئوفیزیک مرکز لرزه نگاری ملی ایران، دانشگاه تهران. گزارش آخرین زمین لرزه های ایران و مناطق مجاور. 2017. موجود آنلاین: https://irsc.ut.ac.ir (دسترسی در 5 دسامبر 2017).
عنبیه. موسسات تحقیقاتی گنجانده شده برای آموزش زلزله شناسی و اطلاع رسانی عمومی و دانشگاه پورتلند. 2017. موجود آنلاین: www.iris.edu/earthquake (در 12 نوامبر 2017 قابل دسترسی است).
وجدیان، س. متق، م. موسوی، ز. متقی، ک. فیلدینگ، ای. اکبری، ب. وتزل، H.-U.; دارابی، الف. میدان تغییر شکل لرزه‌ای Mw 7.3 12 نوامبر 2017 زلزله سرپل ذهاب (ایران): افق جداشدگی در کوه‌های زاگرس شمالی استنتاج شده از مشاهدات InSAR. Remote Sens. 2018 , 10 , 1589. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آلن، مگابایت؛ برخورد آرمسترانگ، HA عربستان و اوراسیا و اجبار سرد شدن جهانی اواسط سنوزوئیک. Palaeogeogr. Palaeoclim. Palaeoecol. 2008 ، 265 ، 52-58. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
McQuarrie, N. هندسه مقیاس پوسته کمربند چین‌خوردگی- رانشی زاگرس، ایران. جی. ساختار. جئول 2004 ، 26 ، 519-535. [ Google Scholar ] [ CrossRef ]
مزال، م. پرادان، بی. Rizeei, H. بهبود تشخیص زمین لغزش از داده‌های اسکن لیزری هوابرد با استفاده از Dempster-Shafer بهینه. Remote Sens. 2018 , 10 , 1029. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
والکانیوتیس، اس. فوملیس، م. دی میشل، م. گاناس، ا. پاپاتاناسیو، جی. میدان جابجایی سه بعدی یک زمین لغزش بزرگ همزمان لرزه ای (زلزله عراق-ایران 2017) با استفاده از همبستگی تصویر نوری و ردیابی افست پیکسل SAR. در مجموعه مقالات نهمین نشست بین المللی INQUA در مورد دیرینه شناسی، زمین ساخت فعال و باستان شناسی (PATA)، پوسیدی، یونان، 25 تا 27 ژوئن 2018. [ Google Scholar ]
کوبایاشی، تی. موریشیتا، ی. یارایی، ح. فوجی‌وارا، تغییر شکل پوسته‌ای برگرفته از S. InSAR و حرکت گسل معکوس زمین‌لرزه سال ۲۰۱۷ ایران و عراق در بخش شمال غربی کمربند کوه‌زایی زاگرس. گاو نر ژئوسپات. Inf. احراز هویت Jpn. 2019 ، 66 ، 1-9. [ Google Scholar ]
مربوتی، م. پراکس، جی. آنتروپوف، او. رین، ای. Leppäranta، M. مطالعه یخ زمینی با تداخل سنجی Sentinel-1 Repeat-Pass بر روی دریای بالتیک. Remote Sens. 2017 , 9 , 833. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جیانگ، اچ. پی، ی. Li, J. Sentinel-1 TOPS تداخل سنجی برای اندازه گیری جابجایی در طول مسیر. در سری کنفرانس های IOP: علوم زمین و محیط زیست ; انتشارات IOP: بریستول، انگلستان، 2017; پ. 012019. [ Google Scholar ]
حسیه، ج.- س. Shih، T.-Y. هو، جی.-سی. تونگ، اچ. هوانگ، M.-H. Angelier, J. استفاده از تداخل سنجی دیفرانسیل SAR برای نقشه فرونشست زمین: مطالعه موردی در دشت Pingtung در جنوب غربی تایوان. نات خطرات 2011 ، 58 ، 1311-1332. [ Google Scholar ] [ CrossRef ]
گلدشتاین، RM; فیلتر تداخل گرافی رادار Werner, CL برای کاربردهای ژئوفیزیک. ژئوفیز. Res. Lett. 1998 ، 25 ، 4035-4038. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فنگ، Q. خو، اچ. وو، زی. شما، ی. لیو، دبلیو. Ge, S. بهبود فیلتر اینترفروگرام گلدشتاین بر اساس تخمین فرکانس حاشیه محلی. Sensors 2016 ، 16 ، 1976. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
فیضی زاده، ب. بلاشکه، تی. تاید، دی. مقدم، MHR ارزیابی عملگرهای فازی یک تحلیل تصویر مبتنی بر شی برای تشخیص زمین لغزش و تغییرات آنها. ژئومورفولوژی 2017 ، 293 ، 240-254. [ Google Scholar ] [ CrossRef ]
فیضی زاده، ب. رویکرد جدید نظریه فازی دمپستر-شفر برای تحلیل عدم قطعیت فضایی و ارزیابی دقت طبقه‌بندی تصویر مبتنی بر شی. IEEE Geosci. سنسور از راه دور Lett. 2018 ، 15 ، 18-22. [ Google Scholar ] [ CrossRef ]
محمدی، م. تحلیل مخاطرات حرکت توده ای و ارائه مدل منطقه ای مناسب با استفاده از GIS (مطالعه موردی: بخشی از حوزه آبخیز هراز). پایان نامه کارشناسی ارشد، پردیس بین المللی دانشگاه تربیت مدرس، تهران، ایران، 1387; پ. 80. [ Google Scholar ]
راجا، NB; Įiįek، I. تورکوغلو، ن. آیدین، او. کاوازاکی، الف. تصحیح: نگاشت حساسیت زمین لغزش حوضه رودخانه سرا با استفاده از مدل رگرسیون لجستیک. نات خطرات 2018 ، 91 ، 1423. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پورقاسمی، ح. گاین، ا. پارک، اس. لی، سی.- دبلیو. لی، اس. ارزیابی نواحی مستعد زمین لغزش و پهنه بندی آنها با استفاده از رگرسیون لجستیک، LogitBoost و الگوریتم های یادگیری ماشینی ناییو بیس. Sustainability 2018 , 10 , 3697. [ Google Scholar ] [ CrossRef ][ Green Version ]
گودیانگادا ناچاپا، تی. توکلی پیرعلیلو، س. قربانزاده، ا. شهابی، ح. Blaschke، T. نقشه‌برداری حساسیت زمین لغزش برای اتریش با استفاده از Geons و بهینه‌سازی با نظریه Dempster-Shafer. Appl. علمی 2019 ، 9 ، 5393. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
علیزاده، م. هاشم، م. علیزاده، ا. شهابی، ح. کرمی، آقا؛ بیرانوند پور، ع. پرادان، بی. ذبیحی، ح. مدل تصمیم گیری چند معیاره (MCDM) برای ارزیابی آسیب پذیری لرزه ای (SVA) ساختمان های مسکونی شهری. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 444. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رژمی، م. Dhital، MR; ژانگ، J.-Q. سو، ال.-جی. چن، X.-Q. ارزیابی حساسیت زمین لغزش منطقه تحت تاثیر زلزله 25 آوریل 2015 گورخا نپال. J. Mt. Sci. 2016 ، 13 ، 1941-1957. [ Google Scholar ] [ CrossRef ]
لی، سی.-تی. هوانگ، سی.-سی. لی، J.-F. پان، K.-L. لین، ام.-ال. دونگ، جی.-جی. رویکرد آماری حساسیت زمین لغزش ناشی از زلزله. مهندس جئول 2008 ، 100 ، 43-58. [ Google Scholar ] [ CrossRef ]
پرادان، AMS؛ کیم، Y.-T. روش اثر نسبی پهنه بندی حساسیت زمین لغزش در خاک گرانیت هوازده: مطالعه موردی در Deokjeok-ri Creek، کره جنوبی. نات خطرات 2014 ، 72 ، 1189-1217. [ Google Scholar ] [ CrossRef ]
پورقاسمی، ح. پرادان، بی. گوکچ اوغلو، سی. معزی، KD نگاشت حساسیت زمین لغزش با استفاده از مدل ارزیابی چند معیاره فضایی در حوزه آبخیز هراز، ایران. در جنبش های توده ای وحشتناک ; Springer: برلین/هایدلبرگ، آلمان، 2012; ص 23-49. [ Google Scholar ]
شهابی، ح. جاریانی، ب. توکلی پیرعلیلو، س. چیتلبورو، دی. آوند، م. قربانزاده، او. تشخیص شبکه های آبکی نیمه خودکار مبتنی بر شی با استفاده از مدل های مختلف یادگیری ماشین: مطالعه موردی حوضه آبریز بوون، کوئینزلند، استرالیا. Sensors 2019 , 19 , 4893. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
راهنما، EF ; Erdas Inc.: آتلانتا، GA، ایالات متحده آمریکا، 1999; جلد 672، ص. 94.
وانگ، کیو. Li، W. ارزیابی مقایسه ای مبتنی بر GIS از فرآیند سلسله مراتبی تحلیلی و مدل های نسبت فرکانس برای نقشه برداری حساسیت زمین لغزش. فیزیک Geogr. 2017 ، 38 ، 318-337. [ Google Scholar ] [ CrossRef ]
رحمتی، ا. پناهی، م. غیاثی، س.س. Deo، RC; Tiefenbacher، JP; پرادان، بی. جهانی، ع. گشتاسب، ح. کورنژادی، ع. شهابی، ح. مجموعه‌های فازی عصبی هیبرید شده برای مدل‌سازی و پیش‌بینی منبع غبار. اتمس. محیط زیست 2020 , 224 , 117320. [ Google Scholar ] [ CrossRef ]
فاروق، د. مسلم، اس. یک رویکرد پویای فازی برای بررسی معیارهای رفتار راننده مرتبط با ایمنی جاده. در مجموعه مقالات سمپوزیوم شهر هوشمند 2019 پراگ (SCSP)، پراگ، جمهوری چک، 23 تا 24 مه 2019؛ صص 1-7. [ Google Scholar ]
مسلم، س. فاروق، د. قربانزاده، ا. Blaschke, T. کاربرد مدل AHP-BWM برای ارزیابی عوامل رفتار راننده مرتبط با ایمنی جاده: مطالعه موردی برای بوداپست. Symmetry 2020 , 12 , 243. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زاده، LA Fuzzy Logic و کاربردهای آن ; Springer: Dordrecht، هلند، 1965. [ Google Scholar ]
Bui، K.-TT; Bui، DT; زو، جی. ون دوان، سی. Revhaug، I. یک رویکرد هوشمند مصنوعی ترکیبی جدید مبتنی بر مدل استنتاج فازی عصبی و بهینه‌سازی ازدحام ذرات برای مدل‌سازی جابجایی افقی سد برق آبی. محاسبات عصبی Appl. 2018 ، 29 ، 1495-1506. [ Google Scholar ] [ CrossRef ]
فیضی زاده، ب. بلاشکه، تی. رودپشتی، MS تلفیق نظریه مجموعه فازی مبتنی بر GIS در روش‌های ارزیابی چند معیاره برای نقشه‌برداری حساسیت زمین لغزش. بین المللی J. Geoinform. 2013 ، 9 ، 49-57. [ Google Scholar ]
پورقاسمی، HR; بهشتیراد، م. پرادان، ب. ارزیابی مقایسه ای از قابلیت های پیش بینی فرآیند تحلیل سلسله مراتبی اصلاح شده (M-AHP) و مدل های منطق فازی ممدانی با استفاده از Netcad-GIS برای نگاشت حساسیت به آتش سوزی جنگل. Geomat. نات خطر خطرات 2016 ، 7 ، 861-885. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وحیدنیا، محمدحسن; آلشیخ، ع.ا. علیمحمدی، ع. انتخاب مکان بیمارستان با استفاده از AHP فازی و مشتقات آن. جی. محیط زیست. مدیریت 2009 ، 90 ، 3048-3056. [ Google Scholar ] [ CrossRef ] [ PubMed ]
قربانزاده، ا. تاید، دی. دبیری، ز. سودمنز، ام. لانگ، اس. استخراج مسکن در کمپ های پناهندگان با استفاده از اولین تجربیات و درس های آموخته شده cnn. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رحمتی، ا. صمدی، م. شهابی، ح. آذره، ع. رفیعی سردویی، ا. علیلو، ح. Melesse, AM; پرادان، بی. چاپی، ک. شیرزادی، ع. SWPT: یک ابزار خودکار مبتنی بر GIS برای اولویت‌بندی زیرحوضه‌های آبخیز بر اساس عوامل مورفومتریک و توپو هیدرولوژیکی. Geosci. جلو. 2019 ، 10 ، 2167–2175. [ Google Scholar ] [ CrossRef ]
لیندن، A. اندازه گیری دقت تشخیصی و پیش بینی در مدیریت بیماری: مقدمه ای بر تجزیه و تحلیل ویژگی های عامل گیرنده (ROC). جی. اوال. کلین. تمرین کنید. 2006 ، 12 ، 132-139. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سزر، EA; پرادان، بی. گوکچ اوغلو، سی. تجلی یک مدل عصبی فازی تطبیقی در نقشه‌برداری حساسیت زمین لغزش: دره کلانگ، مالزی. سیستم خبره Appl. 2011 ، 38 ، 8208-8219. [ Google Scholar ] [ CrossRef ]
بیرد، سی. هیلی، تی. جانسون، ک. بوگی، ا. Dankert، EW; شارنبروک، سی. مقایسه ابزارهای ارزیابی ریسک در عدالت اطفال . شورای ملی جرم و جنایت: مدیسون، WI، ایالات متحده آمریکا، 2013. [ Google Scholar ]
مزال، MR; پرادان، بی. سمین، MI; محد شفری، ه.ز. یوسف، ZM معماری عصبی بهینه شده برای تشخیص خودکار زمین لغزش از داده‌های اسکن لیزری با وضوح بالا. Appl. علمی 2017 ، 7 ، 730. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کلینگر، ی. جی، سی. شن، Z.-K. باکون، دبلیو. مقدمه ای بر شماره ویژه زلزله 2008 ونچوان، چین. گاو نر زلزله. Soc. صبح. 2010 ، 100 ، 2353-2356. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. ( الف ) محل کانون زلزله و ( ب ) منطقه مورد مطالعه ما، تاریخ اکتساب Sentinel-1، مسیر، و چارچوب. ج ) توزیع سکونتگاه ها، راه های اصلی ، کانون زلزله و فهرست نقاط رانش زمین. ( د – ز ) عکسهای میدانی که مناطق زمین لغزش ناشی از زلزله را در طی بررسی میدانی در استان کرمانشاه نشان می دهد.

شکل 2. نمودار جریان شماتیک گردش کار این مطالعه.

شکل 3. گردش کار برای تشخیص زمین لغزش در محیط مبتنی بر شی.

شکل 4. نمایش برخی از ویژگی‌های مبتنی بر شی انتخاب شده که برای تشخیص و ترسیم زمین لغزش اعمال کردیم، از جمله ( A ) شاخص پوشش گیاهی تفاوت نرمال شده (NDVI)، ( B ) انحنای متوسط، ( C ) جهت جریان متوسط، ( D ) کنتراست ماتریس همزمانی سطح خاکستری (GLCM)، ( E ) همبستگی GLCM، ( F ) انحراف استاندارد GLCM.