چکیده

صباح به دلیل موقعیت مکانی خود مستعد فعالیت های لرزه ای است، زیرا از نظر جغرافیایی در نزدیکی مرزهای سه صفحه تکتونیکی فعال اصلی قرار دارد. صفحات اوراسیا، هند-استرالیا و فیلیپین-اقیانوس آرام. 6.0 M Wزمین لرزه ای که در 15 ژوئن 2015 در رانائو، صباح رخ داد و منجر به 18 مصدوم شد که همگی از کوهنوردان کوه کینابالو بودند، مسائل زیادی را مطرح کرد که در درجه اول الزامات ارزیابی آسیب پذیری لرزه ای برای این منطقه بود. این مطالعه از نسبت فرکانس (FR)–شاخص آنتروپی (IoE) و ترکیبی از (FR-IoE)با یک فرآیند سلسله مراتبی تحلیلی (AHP) برای ترسیم آسیب‌پذیری لرزه‌ای برای Ranau، Sabah استفاده کرد. نتایج نشان داد که میزان موفقیت و نرخ پیش‌بینی برای نواحی تحت منحنی‌های مشخصه عملکرد نسبی (ROC) 0.853 بود. 0.856 برای مدل FR-IoE و 0.863; 0.906 برای (FR-IoE) AHP، با بالاترین عملکرد به دست آمده با استفاده از مدل AHP (FR-IoE). نقشه‌های آسیب‌پذیری تولید شده به پنج کلاس طبقه‌بندی شدند. آسیب پذیری لرزه ای بسیار کم، کم، متوسط، زیاد و بسیار زیاد.

کلید واژه ها:

نسبت فرکانس ; شاخص آنتروپی ; فرآیند تحلیل سلسله مراتبی ; آسیب پذیری لرزه ای

1. مقدمه

مطالعات لرزه‌های زمین‌ساختی گذشته آسیای جنوب شرقی نشان داد که مالزی با سطح معینی از خطر ناشی از زمین‌لرزه‌های بزرگتر از 5.0 ریشتر ناشی از مناطق اطراف و همچنین لرزش‌های لرزه‌ای محلی مواجه است [ 1 ]. مالزی در منطقه ای کم لرزه قرار دارد. اگرچه در کمتر از 300 کیلومتری حلقه آتش از نظر تکتونیکی فعال اقیانوس آرام قرار دارد [ 2 ]. با این حال، مالزی همچنان در معرض خطر زلزله قرار دارد زیرا در نزدیکی دو مرز صفحه لرزه‌ای فعال قرار دارد، مرز بین صفحه‌ای بین صفحات هند و استرالیا و اوراسیا در غرب و مرز بین صفحه‌ای بین اوراسیا و فیلیپین. صفحات دریا در شرق [ 3 ].
اگرچه منطقه مالزی شرقی، به ویژه صباح، از نظر لرزه‌ای پایدار و بدون سابقه فعالیت‌های لرزه‌ای و آتشفشانی عمده در نظر گرفته می‌شود، به دلیل نزدیکی به یک منطقه تکتونیکی فعال، در معرض خطر زلزله‌های با بزرگی متوسط ​​قرار دارد. حلقه آتش، با اولین زمین لرزه ثبت شده در کشور که در سال 1976 در لحد داتو به بزرگی 5.3 ریشتر رخ داد [ 4 ]. زمین لرزه ای در رانائو، صباح، در 5 ژوئن 2015 در مقیاس 6.0 لحظه ای (M w ) و شدت مرکالی اصلاح شده VII (MMI) رخ داد که توجه زیادی را از دولت و مقامات مربوطه در مورد مطالعه فعالیت های لرزه ای در صباح جلب کرد [ 4 , 5 ] به ویژه در مورد آسیب پذیری لرزه ای، خطر و ارزیابی خطر [6 ، 7 ]. زلزله 6.0 Mw نیز به تدریج به پس لرزه های طولانی به شکل لرزش زمین تبدیل شد. تهدید بزرگتری برای جامعه ساکن در منطقه فعالیت لرزه ای و ایجاد خطرات زمین شناسی مانند سیل گل و لای است.
داده‌های شواهدی از دپارتمان علوم معدنی و زمین‌شناسی (JMG) گزارش داد که رانائو دارای تسکین توپوگرافی قوی است و حتی زمین‌لرزه‌های با بزرگی متوسط ​​می‌توانند حرکات توده‌ای در مقیاس بزرگ زمین را ایجاد کنند. رانش زمین و سیلاب ها [ 8 ]. این مسائل نیازهای فوری را برای عموم مردم به ویژه برای مردم ساکن در منطقه آسیب دیده ایجاد کرد و نیاز به راه حل های فوری برای بازیابی و آمادگی در برابر بلایا داشت. ایجاد خروجی های مبتنی بر تحقیق [ 4 ].
بر اساس فعالیت‌های لرزه‌ای گذشته در صباح و موقعیت آن در نزدیکی مرزهای صفحه فعال، یک نقشه ارزیابی خطر لرزه‌ای صباح به‌ویژه برای منطقه رانائو در سطوح احتمالی مختلف ضروری تلقی می‌شود. نقشه خطر مستلزم تجزیه و تحلیل ترکیبی در مورد آسیب پذیری لرزه ای و خطر منطقه مورد نظر است. با این حال، تنها آسیب‌پذیری لرزه‌ای منطقه مورد مطالعه، نقطه برجسته این مطالعه با استفاده از روش‌های اتخاذ شده از تجزیه و تحلیل حساسیت زمین لغزش پس از مطالعات [ 9 ، 10 ، 11 ، 12 ، 13 ] است، فقط به نام چند.
آسیب پذیری تمایل عناصر در معرض خطر را برای حفظ سطح آسیب معین در مقیاس آسیب تعریف شده مناسب بیان می کند [ 14 ]. آسیب پذیری لرزه ای در این مطالعه بر حسب شاخصی برای تجزیه و تحلیل شرایط کنترل شده توسط عوامل فیزیکی و محیطی بیان شد که باعث افزایش حساسیت یک جامعه در منطقه مورد مطالعه به تأثیر مخاطرات لرزه ای می شود [ 15 ]. روش‌های متعددی برای نقشه‌برداری آسیب‌پذیری لرزه‌ای در سال‌های اخیر توسعه، پیشنهاد و اتخاذ شده است، از جمله تجزیه و تحلیل تصمیم‌گیری چند معیاره مبتنی بر سیستم اطلاعات جغرافیایی (GIS) (MCDA) [ 16 ]، وزن‌دهی ساده افزودنی (SAW) [ 16 ]، فرآیند سلسله مراتبی تحلیلی. AHP) [ 17 ، 18 ،19 ]، فرآیند شبکه تحلیلی (ANP) [ 17 ، 20 ]، رگرسیون لجستیک (LR) [ 17 ، 21 ، 22 ]، ماشین بردار پشتیبانی (SVM) [ 21 ]، شبکه عصبی مصنوعی (ANN) [ 23 ]، ANP- ANN [ 24 ]، جنگل تصادفی (RF) همراه با درخت تصمیم (DT) و نسبت فرکانس (FR) توسط [ 25 ] و تجزیه و تحلیل نسبت ارزیابی وزن گام به گام (SWARA) [ 26 ]. مرجع [ 17] همچنین مدل های مختلف را برای تولید چهار مدل هیبریدی ترکیب کرد. (1) منطق فازی (فازی) با رگرسیون لجستیک (LR) (به اختصار فازی-LR)، (2) فازی با فرآیند تحلیلی شبکه (ANP) و AHP (مخفف A-فازی)، (3) ANP و AHP با میانگین وزنی سفارشی (OWA) (به اختصار (A-OWA) و (4) OWA-LR. روش ها و روش های بکار رفته ثابت شده است که قادر به ارزیابی آسیب پذیری لرزه ای در مناطق مورد علاقه خود هستند.
در این تحقیق از دو مدل شاخص آنتروپی (IoE) با ترکیب مدل نسبت فرکانسی (FR) و ترکیبی از (FR-IoE)-AHP برای تهیه نقشه آسیب‌پذیری لرزه‌ای به همراه فناوری GIS استفاده شد. دو شاخص اصلی؛ شاخص‌های محیطی و فیزیکی شامل نه عامل شرطی و سی و هفت کلاس استفاده شد. عملکرد نقشه‌های آسیب‌پذیری لرزه‌ای نهایی بر اساس مقادیر ناحیه زیر منحنی (AUC) منحنی ویژگی‌های عملیاتی گیرنده (ROC) قابل دسترسی است. علاوه بر این، توزیع درصد فعالیت‌های لرزه‌ای گذشته و منطقه تحت پوشش هر یک از پنج کلاس آسیب‌پذیری. بسیار کم، کم، متوسط، زیاد و بسیار زیاد از طریق تحلیل تراکم فعالیت‌های لرزه‌ای گذشته برای مقایسه سازگاری و همبستگی بین دو مدل اعتبارسنجی شدند.
در این تحقیق دو جنبه قابل توجه وجود دارد. یکی، این است که اگرچه ترکیب مدل FR-IoE به طور گسترده برای سایر تحقیقات مرتبط با خطرات طبیعی مانند [ 27 ، 28 ، 29 ] استفاده شده است.]، ترکیب مدل FR-IoE یا به ندرت یا هرگز برای ارزیابی آسیب پذیری لرزه ای به ویژه در منطقه مورد مطالعه استفاده نشده است. بنابراین، این مطالعه با هدف بررسی اینکه آیا روش مشابهی را می توان برای یک مطالعه آسیب پذیری لرزه ای به کار برد یا خیر. طرح اصلی این بود که از کانون‌های فعالیت‌های لرزه‌ای گذشته در مدل‌سازی نقشه آسیب‌پذیری لرزه‌ای استفاده شد که مشابه روش‌هایی بود که از داده‌های موجودی زمین لغزش برای نقشه‌برداری حساسیت زمین لغزش و داده‌های موجودی سیل برای حساسیت سیل یا نقشه‌برداری مناطق مستعد استفاده می‌شود. دومین جنبه مهم این مطالعه، آزمایش مدل ترکیبی AHP (FR-IoE) در یک مطالعه مرتبط با فاجعه است. این مطالعه تلاش کرد تا فرآیند تصمیم‌گیری «مبهم» تخصیص وزن در AHP را با پیاده‌سازی نتیجه FR-IoE در ساختار روش‌شناسی AHP بهبود بخشد. جالب اینکه،

2. مواد و روشها

2.1. منطقه مطالعه

ناحیه راناو همانطور که در شکل 1 نشان داده شده است یکی از مناطق اداری در صباح است که از نظر جغرافیایی بین 5 درجه و 30 دقیقه شمالی تا 6 درجه و 25 دقیقه شمالی و 116 درجه و 30 دقیقه شرقی تا 117 درجه و 5 دقیقه شرقی واقع شده است و مساحتی به وسعت 51/3555 کیلومتر مربع را پوشش می دهد . (1372.79 مایل مربع) [ 30 ]. این ناحیه از شمال توسط کوتا مارودو، از شمال شرق با کوتا بلود، از غرب با تواران، از جنوب غربی تامبونان، از جنوب با کنینگاو، از جنوب شرقی تانگود و از شرق با بلوران احاطه شده است [ 31 ]. مشخصه آن رشته کوه کراکر در قسمت شمالی آن و قله پینوسوک است که در جهت جنوب غربی قرار دارد. دشت راناو و رشته کوه تروس مادی سمت شرقی آن را پوشانده است و قسمت جنوبی به ارتفاعات لبوک محدود شده است [ 30 ]]. جغرافیا عمدتاً به لندفرم های کوهستانی آن نسبت داده می شود. کوه کینابالو با دشت دره. بر اساس سرشماری سال 2010 توسط اداره آمار مالزی، جمعیت این منطقه 94092 نفر بود [ 31 ].
وجود گسل‌های فعال در صباح با ویژگی‌های ژئومورفولوژیکی، مانند وجوه مثلثی، جابه‌جایی جریان‌ها، آتشفشان‌های گلی و چشمه‌های آب گرم ثابت می‌شود [ 32 ]. زمین لرزه 6.0 Mw 5 ژوئن 2015 که رانائو را لرزاند، گسل های فعال در صباح را تقویت کرد [ 33 ]. این زمین لرزه حاکی از آن است که خطوط معیوب اطراف لندفرم تکتونیکی در منطقه فعال هستند و در آینده، صفحه لرزه‌ای فعال می‌تواند از نظر بزرگی یا مقیاس شدت زلزله‌ای حتی بزرگ‌تر ایجاد کند.

2.2. عوامل شرطی

اولین گام برای تهیه نقشه ارزیابی آسیب‌پذیری لرزه‌ای، شناسایی عواملی است که ویژگی‌های اصلی مربوط به محیط‌های زیست‌محیطی، اجتماعی و اقتصادی منطقه و زیرساخت‌های موجود هستند [ 10 ، 34 ]. در این پژوهش مجموعاً نه عامل یا پارامتر شرطی با 37 کلاس از دو شاخص اصلی در نظر گرفته شد. نمونه هایی از شاخص های فیزیکی عبارتند از الگوی خیابان، تراکم ساختمان، تراز ساختمان، تراکم فضای باز، پوشش زمین و سایر عوامل مرتبط با محیط ساخته شده [ 35 ، 36 ] و نمونه هایی از عوامل محیطی شامل شیب، ویژگی های زمین شناسی، جنبه، گسل و سایر عوامل طبیعی است. ویژگی های مرتبط [ 24 ]. مطابق با [37 ]، در مطالعات مبتنی بر GIS، عوامل انتخاب شده باید عملیاتی، کامل، غیر یکنواخت، قابل اندازه‌گیری و غیر زائد باشند. بیشتر مجموعه داده های مورد استفاده از نقشه توپوگرافی 1:25000 MY611T مالزی (JUPEM) MY611T در مقیاس 1:25000 استخراج شد که شامل فاصله از ساختمان ها، ارتفاع، فاصله از رودخانه ها، فاصله از رودخانه ها، فاصله از جاده ها، فاصله از مسیرها و زاویه شیب داده های فاصله از خطوط معیوب از داده های گسل وزارت معدن و علوم زمین مالزی (JMG) استخراج شد. داده های سنگ شناسی از نقشه های جهانی زمین شناسی سازمان زمین شناسی ایالات متحده (USGS) به دست آمد.
از نرم افزار ArcGIS برای پردازش عوامل شرطی مورد نیاز استفاده شد که شامل تولید وزن برای هر عامل در جدول ویژگی ArcMap و شطرنجی سازی پارامترهای درگیر برای محاسبه نقشه شاخص آسیب پذیری با استفاده از “Raster Calculator” است. داده‌های زلزله گذشته از وب‌سایت USGS: برنامه خطر زلزله که فقط داده‌های رویدادهای زلزله اصلی را ذخیره می‌کرد و از اداره هواشناسی مالزی (MetMalaysia) به‌دست آمد. کل داده‌های زمین‌لرزه‌های گذشته به‌دست‌آمده از USGS و MetMalaysia 130 نقطه (کانون‌های زلزله) است، اما تنها 84 نقطه در منطقه Ranau قرار دارد. از این 84 امتیاز؛ برای محاسبه نقشه آسیب پذیری لرزه ای از 60 نقطه (71.43 درصد) استفاده شد. 24 نقطه دیگر (28.57٪) برای اعتبارسنجی دو مدل با استفاده از محاسبات آماری ROC استفاده شد.شکل 2 الف.

2.2.1. شاخص های فیزیکی

فاصله از ساختمان ها ( شکل 2 ب). داده‌های ساختمان نقش مهمی در ارزیابی آسیب‌پذیری لرزه‌ای ایفا می‌کنند، زیرا فاصله یا نزدیکی این ساختمان‌ها از مکان(ها) با فعالیت زمین ساختی قابل توجه، تعیین کننده خطر افراد مرتبط با این ساختمان‌ها برای قرار گرفتن در معرض آسیب و مرگ در طول زلزله است [ 38 ].
فاصله از جاده ها و فاصله از مسیرها ( شکل 2 c,d). ویژگی‌های جاده به یک مسیر آسفالت‌شده یا جاده اصلی اشاره دارد که در آن مسیر به یک جاده آسفالت‌نشده یا مسیر گل‌آلود مورد استفاده مردم در رانائو اشاره دارد. شبکه های حمل و نقل برای فرار از موقعیت های خطرناک و تسهیل امداد و کمک به مجروحان، نیازمند جاده ها و خیابان ها برای عبور وسایل نقلیه است [ 17 ]. شبکه های حمل و نقل نیز در برابر آسیب در هنگام زلزله آسیب پذیر هستند. یک زلزله می تواند باعث ایجاد شکاف، فروچاله و شکاف هایی شود که جاده ها را قطع می کند و باعث فرو رفتن وسایل نقلیه در فروچاله هایی می شود که به طور ناگهانی قبل، در حین یا بعد از یک شوک اصلی ظاهر می شوند [ 39 ]]. جاده ها به ویژه جاده های آسفالته به جای ابزاری برای واکنش اضطراری می توانند برای کاربران خود کشنده باشند. بنابراین، شناسایی قسمت‌ها یا محل شبکه‌های حمل‌ونقل در این مطالعه در مناطق «بسیار آسیب‌پذیر» برای ثبت تأثیرات زمین‌لرزه‌های شدید در آینده مهم است [ 40 ].
2.2.2. شاخص های محیطی
ارتفاع ( شکل 2 e). ارتفاعات بالا و پایین عمیقاً با وقوع زمین لغزش و رانش زمین [ 17 ، 41 ] در بسیاری از رویدادهای زلزله مرتبط هستند [ 42 ، 43 ، 44 ، 45 ].
فاصله از خطوط گسل ( شکل 2 f). بر اساس [ 33 ]، زمین لرزه ها در صباح توسط گسل های راندگی، گسل های امتداد لغز و گسل های عادی ایجاد می شوند. در زلزله سال 2015 رانائو، راه حل مکانیسم کانونی (FMS) که توسط USGS انجام شد نشان داد که صفحه گسلی که توسط شوک اصلی تولید شده است، ناشی از یک گسل معمولی است. داده‌های گسل در ارزیابی آسیب‌پذیری مهم بودند، زیرا زمین‌لرزه‌ها روی گسل‌ها رخ می‌دهند بدون توجه به اینکه آیا آنها گسل‌های رانش، گسل‌های امتداد لغز و گسل‌های عادی هستند. هنگامی که زلزله روی هر یک از این گسل ها رخ می دهد، سنگ یک طرف گسل به طرف دیگر می لغزد [ 46 ].
سنگ شناسی ( شکل 2 g). ریزش سنگ و رانش زمین؛ دو رویداد مهم مواد جریان زباله به طور قابل توجهی در طول زلزله سال 2015 رانائو ارائه شد. بنابراین، داده‌های سنگ‌شناسی در مطالعه گنجانده شد، زیرا نقش مهمی در جریان‌های زباله ایفا می‌کند، زیرا نوع سنگ و ویژگی‌های مکانیکی آن به‌طور مستقیم کیفیت و کمیت مواد سست را تعیین می‌کند که برای تشکیل جریان زباله در دسترس است [ 47 ]. تشکیل سنگ های رسوبی اکثریت ساختار سنگ شناسی ارائه شده در منطقه مورد مطالعه را تشکیل می دهد. مطالعه سنگ های گسلی انجام شده توسط [ 48] پیشنهاد می کند که بین گسل زلزله در پهنه های فرورانش با مواد مختلف گسل گسل رابطه وجود دارد. بنابراین، درک اینکه آیا تشکیل سنگ‌های مختلف تأثیر قابل‌توجهی بر ارزیابی آسیب‌پذیری دارد یا خیر، مهم است.
فاصله از رودخانه ها ( شکل 2 h). منطقه رودخانه به دلیل وجود یک لایه ضخیم از سیلت و رس رودخانه ای بر روی ماسه رودخانه اشباع از آب مستعد روان شدن است. در هنگام زلزله، لرزش با حضور این مواد تقویت می شود و رسوبات شنی مایع می شوند و منجر به فرونشست و کج شدن ساختمان ها و لغزش لایه سیلت و رس می شود [ 49 ].
فاصله از نهرها ( شکل 2 i). اهمیت داده‌های جریان مشابه داده‌های رودخانه است، زیرا وجود توده‌های آبی جاری کوچک باعث ایجاد ماسه‌های آبرفتی می‌شود و سطح و ناحیه نزدیک به جویبار را آسیب‌پذیر و در معرض ارتعاش و روان‌کاری قرار می‌دهد. در نتیجه، ویژگی‌های ساخته شده توسط انسان، به‌ویژه ساختمان‌های نزدیک به شبکه‌های جریان در معرض لغزش هستند [ 17 ، 50 ].
زاویه شیب ( شکل 2 j). منطقه رانائو از ساختارهای جغرافیایی تپه ای و کوهستانی تشکیل شده است که مهمترین آنها کوه کینابالو با ارتفاع 4095 متر است. منطقه جغرافیایی تپه‌ای Ranau موضوع نگرانی است زیرا این منطقه بر روی گسل‌های منطقه‌ای فعال قرار دارد که ارتباط نزدیکی با گسل‌های منطقه‌ای در دریای سولو و دریای سلبس دارند. شیب مهمترین جنبه در زمین لغزش های ناشی از زلزله است که در زلزله رانائو 2015 رخ داده است، زیرا هنگامی که سرعت شتاب زلزله از شتاب بحرانی یک شیب ناپایدار در شرایط زلزله فراتر رود، شیب ممکن است در امتداد شکست بلغزد. صفحه، منجر به جابجایی دائمی جهت رو به پایین [ 51 ، 52 ] می شود.

2.3. کاربرد مدل نسبت فرکانس (FR).

مدل FR به کار رفته در این مطالعه بر این فرض استوار است که فعالیت‌های لرزه‌ای آتی در منطقه مورد مطالعه بر منطقه تأثیر می‌گذارد و آسیب‌پذیری منطقه در برابر رویداد/های لرزه‌ای آینده مستقیماً با نه عامل شرطی مرتبط است. مراجع [ 21 ، 53 ] مدل FR را برای نقشه برداری آسیب پذیری لرزه ای در تحقیقات خود پیاده سازی کردند. در اغلب موارد، بسیاری از تحقیقات و مطالعات گذشته از مدل FR برای توسعه مدل های حساسیت زمین لغزش استفاده می کردند (به عنوان مثال، [ 10 ، 12 ، 13 ، 29 ، 54 ، 55]). از آنجایی که موقعیت جغرافیایی ناحیه رانائو از ارتفاعات بالایی برخوردار است و زمین لرزه 2015 ثابت کرد که رانش زمین، ریزش سنگ و گل و لای برجسته ترین تأثیرات زمین لرزه هستند [ 33 ]، بنابراین، مدل FR برای استفاده در این مطالعه مناسب است. برای به کارگیری مدل FR، وزن از 9 عامل شرطی با استفاده از رابطه (1) استخراج شد.

پij=بآ
FR بر اساس روابط بین توزیع فعالیت‌های لرزه‌ای گذشته و هر عامل شرطی است. این نسبت همبستگی بین مکان‌های فعالیت‌های لرزه‌ای گذشته و عوامل موجود در منطقه مورد مطالعه را نشان می‌دهد. نسبت بزرگتر نشان دهنده رابطه قوی تری بین وقوع فعالیت های لرزه ای گذشته و کلاس عامل داده شده است [ 13 ، 56 ].

در این مطالعه نسبت FR در محیط GIS پیاده سازی شد. ابتدا، تمامی فاکتورهایی که در قالب متفاوتی ارائه شده بودند، شکل فایل موسسه تحقیقات سیستم های محیطی (ESRI) و فرمت شطرنجی ESRI به فرمت شطرنجی ESRI با اندازه سلول یکسان (x, y) = 255, 255 تبدیل شدند. شامل مجموعه داده های متعدد از منابع داده های مختلف، برای جلوگیری از بروز هرگونه خطای پردازش جغرافیایی، وضوح سلول برای کل مجموعه داده های شطرنجی خروجی استاندارد شد تا اندازه سلول یکسان باشد. در حالت ایده آل، درشت ترین وضوح داده های ورودی به عنوان “معیار” برای کل مجموعه داده ها انتخاب شد. اولین نسبت محاسبه شده نسبت بین تعداد کل پیکسل ها برای هر کلاس با تعداد کل پیکسل ها در منطقه مورد مطالعه همانطور که در رابطه (2) نشان داده شده است [ 57 ] بود.].

آ=نپمنایکس(ایکسj)∑j=1nنپمنایکس (ایکسj)

که در آن N پیکسل (X j ) تعداد پیکسل های موجود در متغیر عامل X j است، n تعداد عوامل در منطقه مورد مطالعه است.

تعداد کل پیکسل ها در منطقه مورد مطالعه از مرز اداری ناحیه Ranau به دست آمده از داده های مرزهای اداری JUPEM استخراج شد. تعداد پیکسل ها برای هر کلاس مستقیماً از تعداد کل پیکسل ها برای هر کلاس در جدول ویژگی ArcGIS به دست آمد. نسبت دوم همانطور که در رابطه (3) نشان داده شده است محاسبه می شود [ 57 ].

ب=نپمنایکس(اسایکسمن)∑j=1متراسایکسمن

که در آن N پیکسل (SX i ) تعداد پیکسل‌های دارای فعالیت لرزه‌ای در کلاس i متغیر عامل X است، m تعداد کلاس‌های متغیر پارامتر X i است.

نسبت نهایی محاسبه شده برای مدل FR نسبت بین معادله (3) و معادله (2) بود که معادله (1) را تشکیل داد.

2.4. پیاده سازی شاخص آنتروپی (IoE)

مقادیر IoE پس از محاسبه مدل FR محاسبه شد. به دنبال معادلات (1)-(7)، این معادلات گام به گام برای محاسبه ضریب اطلاعات محاسبه شدند. Wj از طریق معادله (8) که وزن نهایی را برای هر طبقه از عوامل شرطی نشان می دهد و آنها را به عنوان یک کل نشان می دهد [ 58 ، 59 ، 60 ، 61 ]،

(پمنj)=پمنj∑j=1اسjپمنj
اچj=∑من=1اسj(پمنj)لog2(پمنj)
اچj مترآایکس=لog2 اسj
منj =اچj مترآایکس-اچjاچj مترآایکس
دبلیوj=منjپمنj

که در آن P ij (1) نسبت فرکانس است. a و b به ترتیب دامنه (درصد کل مساحت تحت پوشش هر طبقه) و درصد فعالیت های لرزه ای گذشته هستند. (P ij ) (4) چگالی احتمال است. H j (5) و H jmax (6) مقادیر آنتروپی را با j = 1،…، n نشان می دهند. S j تعداد کلاس ها است. I j (7) ضریب اطلاعات با I = (0,1) و j = 1,…, n است. و W j (8) مقدار وزن حاصل را برای پارامتر به عنوان یک کل نشان می دهد.

با استفاده از مدل FR، فرض شد که همه عوامل شرطی وزن یکسانی در تعیین وضعیت آسیب پذیری پیکسل ها دارند. با این حال، فاکتوری وجود ندارد و زمانی برای مطالعه نادیده گرفته می‌شود که در کل منطقه مورد مطالعه مقدار یکسانی داشته باشد [ 10 ]. با توجه به [ 62]، اگر 90 درصد منطقه مورد مطالعه دارای مقدار یکسان و تنها 10 درصد از منطقه مورد مطالعه دارای مقادیر متفاوت برای یک پارامتر خاص باشد، نقش کلی این پارامتر در تعیین وضعیت آسیب پذیری در منطقه مورد مطالعه باید کمتر از سایر پارامترها باشد. پارامتری که مقادیر آن تغییرات ثابت و یکنواختی را در سراسر سیستم نشان می دهد. این مطالعه از IoE برای کاهش ناهمواری بین طبقات هر یک از عوامل شرطی و ارائه یک وضعیت واقعی از تأثیر آنها بر ارزیابی آسیب پذیری منطقه مورد مطالعه استفاده کرد که توسط [ 10 ] پیشنهاد شده است. نقشه نهایی آسیب پذیری لرزه ای با استفاده از رابطه (9) به شرح زیر محاسبه شد:

VIOE=∑من=1نزمترمن×سی×دبلیوj

که در آن V IOE مجموع همه عوامل شرطی است. i تعداد نقشه پارامتری (1، 2، …n) است. z تعداد کلاس های داخل نقشه پارامتری با بیشترین تعداد کلاس است. m i تعداد کلاس های داخل نقشه پارامتری است. C مقدار کلاس پس از طبقه بندی ثانویه است [ 9 ، 63 ].

2.5. پیاده سازی نسبت فرکانس-شاخص آنتروپی (FR-IoE) با فرآیند تحلیل سلسله مراتبی (AHP)

دومین روشی که برای ترسیم آسیب‌پذیری لرزه‌ای در رانائو، صباح استفاده می‌شود، پیاده‌سازی نتایج FR-IoE با روش AHP است. برای یافتن وزن نسبی و اولویت هر عامل و طبقات مربوطه از روش AHP استفاده شد. AHP یک فرآیند تصمیم‌گیری چند معیاره (MCDM) است که می‌تواند هنگام رقابت برای انتخاب‌ها یا مشکلات متعدد استفاده شود که به کاربر اجازه می‌دهد تا به یک مقیاس برسد به جای اینکه مجموعه‌ای از راه‌حل‌های جایگزین را انتخاب کند [ 64 ، 65 ، 66 ]. با این حال، یکی از نقاط ضعف آشکار AHP نیاز محقق/ها به مقایسه عوامل و طبقات بر اساس تجربه و مهارت های فکری است که ممکن است سبک تفکر محقق را به طور کامل بازتولید نکند [ 17 ].]. علاوه بر این، انتساب وزن AHP چندان قابل اعتماد نیست و با عدم قطعیت همراه است زمانی که مقایسه، ارزیابی و توسعه وزن‌ها بر اساس ترجیح محقق/هاست که تأثیر قابل‌توجهی بر وزن‌دهی‌ها دارند [ 67 ] . بنابراین، برای جلوگیری از سوگیری در مقایسه زوجی و برای بهبود روش AHP، از نتایج FR-IoE برای رتبه‌بندی عینی عوامل و کلاس‌های آنها استفاده شد.

2.5.1. روش‌های مقایسه زوجی AHP

اولین گام در فرآیند مقایسه زوجی AHP، رتبه‌بندی همه عوامل شرطی و طبقات به صورت سلسله مراتبی بر اساس درجه اهمیت آنها با ارجاع به مقادیر FR (P ij ) برای هر کلاس و مقادیر وزن حاصل برای هر عامل شرطی به عنوان یک کل (W) بود. j ).

سپس، هر عامل شرطی و کلاس‌های آن‌ها مورد ارزیابی قرار گرفت و امتیازات/مقیاس‌هایی با مقادیری از 1 تا 9 بر اساس درجه اهمیت آن‌ها [ 68 ، 69 ] که در جدول 1 با استفاده از معادله (10) نشان داده شده است، اختصاص داده شد [ 70 ].

آ=[1اس1اس2⋯اس1اسnاس2اس11⋯اس2اسn⋮⋮⋮⋮اسnاس1اسnاس2⋯1]

که در آن A = ماتریس زوجی مقایسه، S 1 = امتیاز عنصر 1، S 2 امتیاز عنصر 2، S n = امتیاز عنصر n.

پس از هر یک از عوامل و طبقات آنها مقایسه شد و نمرات اختصاص یافت. نرمال سازی نمرات، بردار جمع وزنی (WSV)، بردار سازگاری و مقدار ویژه اصلی (λmax ) محاسبه شد [ 71 ]. وزن به‌دست‌آمده برای هر عامل و کلاس‌های آنها با استفاده از شاخص سازگاری (CI) و نسبت قوام (CR) تأیید شد. CI با استفاده از فرمول در معادله (11) [ 64 ، 72 ، 73 ] محاسبه شد.

CI=(λمترآایکس-n)(n-1)

که در آن n تعداد عناصر در فرآیند تصمیم گیری چند معیاره است (n تعداد عوامل شرطی یا تعداد کلاس های آنها است). سپس، CR با استفاده از فرمول معادله (12) [ 72 ، 73 ] محاسبه شد.

CR=سیمنآرمن

که در آن RI [ 74 ] شاخص تصادفی (RI) است و به تعداد عناصر مقایسه شده بستگی دارد. مقادیر RI در جدول 2 نشان داده شده است. اگر CR < 0.10 باشد، مقدار نشان دهنده سطح معقولی از سازگاری در مقایسه زوجی است. با این حال، اگر CR ≥ 0.10 باشد، این مقدار نشان دهنده قضاوت های متناقض است [ 75 ]. در این مطالعه، وزن‌های محاسبه‌شده برای همه کلاس‌ها و فاکتورها پذیرفته شد و مرتبط تلقی شد زیرا تمام مقادیر CR آنها 10/0 کمتر بود.

2.5.2. محاسبه وزن نهایی

وزن نهایی هر کلاس با توجه به عوامل شرطی آنها با استفاده از رابطه (13) به شرح زیر محاسبه شد:

دبلیوک=دبلیومن ∗ دبلیومنک

که در آن W k وزن نهایی هر کلاس از یک عامل شرطی i است، W i وزن یک عامل شرطی i و W ik وزن کلاس ak عامل شرطی i است.

همه عوامل شرطی با استفاده از معادله (14) از طریق ArcGIS ‘Raster Calculator’ ترکیب شدند تا نقشه آسیب پذیری لرزه ای نهایی تهیه شود.

VAHP=∑من=1ندبلیوک

که در آن V AHP مجموع وزن نهایی است. i تعداد هر کلاس (1، 2، …n) است. و W k وزن نهایی هر کلاس از عامل شرطی i است.

3. نتایج

3.1. ارزیابی مدل FR-IoE و مدل AHP (FR-IoE).

3.1.1. تجزیه و تحلیل مدل FR-IoE و مدل AHP (FR-IoE).

جدول 3 رابطه بین عوامل شرطی و کلاس های مربوطه آنها و مقادیر FR (P ij ) و آنتروپی (W j ) محاسبه شده از مدل FR-IoE را نشان می دهد. در زمینه مدل FR-IoE، Wj به عنوان شاخصی برای اندازه گیری اهمیت هر عامل شرطی استفاده می شود [ 11 ]. هر چه مقدار W j بزرگتر باشد، رابطه بین فعالیت های لرزه ای و عوامل شرطی قوی تر است. نتایج نشان می‌دهد که مهم‌ترین عاملی که آسیب‌پذیری لرزه‌ای در رانائو را به شدت وزن می‌کند، «شیب» با Wj = 2.118 است. «فاصله از جریان‌ها» با W j0.012 = ضریب شرطی است که با استفاده از مدل FR-IoE کمترین آسیب‌پذیری لرزه‌ای را در رانائو داشته است.
جدول 4 وزن نهایی را برای طبقات هر یک از عوامل در مدل AHP (FR-IoE) نشان می دهد. مشابه مدل FR-IoE، بیشترین وزن و کمترین وزن محاسبه شده همان عواملی بودند که “زاویه شیب” بودند. W i = 0.306 و ‘فاصله از جریان ها’. W i = 0.019 به ترتیب. این یک نتیجه مورد انتظار بود زیرا ابزار تخصیص امتیاز به هر عامل با مقایسه زوجی با استفاده از نتایج FR-IoE انجام شد. این نیز برای جلوگیری از سوگیری در قضاوت و تصمیم گیری در مورد ترتیب اولویت هر یک از عوامل که می تواند بر نتیجه کلی تأثیر بگذارد، انجام شد. برای وزن محاسبه شده برای هر یک از عوامل، CR محاسبه شده برابر با 0.039 است.
همانطور که توسط [ 76 ] اشاره شد، اهمیت نسبی عوامل شرطی برای مناطق مختلف مطالعه متفاوت است و همچنین به شدت به هدف مطالعه و توزیع داده‌های آموزشی/واقعی زمینی مورد استفاده در FR-IoE و (FR-IoE) بستگی دارد. ) مدل های AHP. بنابراین، FR، مقادیر آنتروپی و وزن برای عوامل شرطی اتخاذ شده در این مطالعه فقط برای منطقه Ranau برای ارزیابی آسیب‌پذیری لرزه‌ای قابل استفاده بود.
3.1.2. ارزیابی بر روی مدل FR-IoE و (FR-IoE) مدل AHP شرطی عوامل و کلاس ها
فاکتور ‘فاصله از ساختمان ها’ ; نتایج حاصل از مدل FR نشان داد که فعالیت های لرزه ای در فاصله 1 کیلومتری ساختمان ها مکرر است. مقدار FR همچنین برای فاصله 1 کیلومتری تا ساختمان ها در 2.857 بالاترین است. برای مدل AHP (FR-IoE)، بالاترین کلاس رتبه فاصله بافر ‘1 کیلومتر’ در W k = 0.0679 بود. وجود ساختمان‌ها نشان‌دهنده وجود جمعیت در منطقه است و ارتباط مستقیمی با آسیب‌های احتمالی انسانی و اقتصادی در صورت وقوع زلزله دارد. تعداد بالایی از فعالیت‌های لرزه‌ای که در نزدیکی منطقه استقرار رخ داده است نشان می‌دهد که جامعه در منطقه مورد مطالعه چقدر در معرض آسیب‌پذیری لرزه‌ای قرار دارد [ 77 ، 78 ].
فاکتورهای ‘فاصله از جاده ها’ و ‘ فاصله از مسیر ‘ . فعالیت‌های لرزه‌ای گذشته محاسبه‌شده با استفاده از مدل FR بیشتر در فاصله «> 3 کیلومتر» از جاده‌ها و فاصله «1 کیلومتر» از مسیرها قرار دارند. بالاترین مقادیر FR و W k از مدل AHP (FR-IoE) برای ‘فاصله از جاده’ ‘2 کیلومتر’ و ‘فاصله از مسیر’ ‘1 کیلومتر’ با FR = 1.543 مشاهده شد. W k = 0.014 و FR = 1.489; W k= 0.018، به ترتیب. این اطلاعات برای برنامه ریزان در واکنش اضطراری پس از یک زلزله مهم است. شبکه‌های حمل‌ونقل در مسیرهای واکنش و بازیابی پس از زلزله به ویژه در رانائو که هنوز دسترسی به جاده‌های آسفالت محدود دارند، مهم هستند. بنابراین، ارزیابی آسیب‌پذیری لرزه‌ای در منطقه برای یافتن مناطقی که بیشتر مستعد اختلال در شبکه‌های حمل‌ونقل هستند و کدام سفرهای واکنش اضطراری پس از زلزله آسیب‌پذیرتر هستند، ضروری است [ 79 ].
عامل “ارتفاع” ؛ ارزیابی بر روی مدل FR نشان داد که فعالیت‌های لرزه‌ای گذشته بیشتر در ارتفاع 700 تا 1400 متر رخ داده است. بالاترین FR در ارتفاع 2100-2800 متر با FR = 6.854 مشاهده شد. برای مدل AHP (FR-IoE)، بالاترین اولویت برای عامل ‘ارتفاع’ در ارتفاع ‘2100-2800 متر’ با W k = 0.1095 بود. تحقیق انجام شده توسط [ 80] نشان داد که فراوانی زمین لغزش ها در ارتفاع کمتر از 100 متر به دلیل ویژگی های زمین ملایم کم است در حالی که در ارتفاعات بالا فراوانی افزایش می یابد. این یافته ها با وزنه های بالا اختصاص داده شده برای ارتفاع بیش از 2100 متر در این مطالعه مرتبط بود. عامل ایجاد ارتفاع در این مطالعه با توجه به سوابق زمین لغزش های گذشته ناشی از زلزله در منطقه از اهمیت ویژه ای برخوردار است. رانش زمین ناشی از زمین لرزه 15 ژوئن 2015 منجر به رانش گل در کوه کینابالو شد که منجر به تلفات جانی، آسیب های ساختاری و زیرساختی شد [ 81 ، 82 ].
فاکتور “فاصله از خطوط معیوب” ؛ بررسی مدل FR نشان داد که بیشتر فعالیت های لرزه ای گذشته در فاصله 1 کیلومتری و 2 کیلومتری از گسل ها با بالاترین مقدار FR به ترتیب 1.646 و 1.409 رخ داده است. برای مدل AHP (FR-IoE)، بالاترین اولویت برای کلاس “فاصله از خطوط معیوب” در فاصله “1 کیلومتر” با وزن = 0.055 تعیین شد. این شواهدی است که نشان می‌دهد فعالیت‌های لرزه‌ای گذشته با موقعیت خطوط معیوب ارتباط زیادی دارد. نتایج توسط زمین لرزه های تاریخی که از سال 1897 در صباح رخ داده است پشتیبانی می شود [ 83 , 84 , 85 , 86]. این زمین لرزه ها بیشتر توسط گسل های فعال درون صفحه ای ایجاد شده اند. راه‌حل‌های مکانیسم کانونی زلزله USGS نشان می‌دهد که زمین‌لرزه‌های درون صفحه‌ای به گسل‌های فعال کششی و فشاری مربوط می‌شوند [ 32 ، 46 ].
“لیتولوژی” ؛ ارزیابی بر روی نتایج FR نشان داد که فعالیت‌های لرزه‌ای گذشته بیشتر در مکانی رخ داده است که در آن اجزای زمین‌شناسی عمدتاً از سنگ‌های رسوبی تشکیل شده است. سنگ های رسوبی نقش مهمی در لرزش شدت زلزله دارند. مطالعه ای توسط USGS در سال 2006 در نقشه زمین شناسی سه بعدی و مدل سرعت لرزه ای نشان داد که مواد نرم، مانند رسوبات رسوبی تثبیت نشده، لرزش یک زلزله را تقویت می کنند [ 46 ]. برای هر دو مدل AHP FR-IoE و (FR-IoE)، بالاترین مقدار FR و مقدار وزن برای “Lithology” کلاس “سنگ های دگرگونی درجه متوسط” با FR = 1.776 و W k = 0.037 است.
فاکتورهای “فاصله از رودخانه ها” و “فاصله از نهرها” ؛ همبستگی بین دو عامل با فعالیت‌های لرزه‌ای از مدل FR نشان داد که بیشتر فعالیت‌های لرزه‌ای در فاصله بیش از 3 کیلومتر از رودخانه‌ها رخ می‌دهد در حالی که بیشتر فعالیت‌های لرزه‌ای در فاصله 100 متری از نهرها رخ می‌دهد. بالاترین مقادیر FR نیز در هر دو کلاس فاصله با FR = 1.452 و 1.199 برای فاصله از رودخانه ها و نهرها به ترتیب مشاهده شد. برای مدل AHP (FR-IoE)، «فاصله از رودخانه‌ها» برای فاصله «> 3 کیلومتر» در W k = 0.044 با «فاصله از جریان‌ها» در «100 متر» با W k = 0.009 بالاترین ارزش را داشت. هر وقوع زلزله می تواند تأثیر قابل توجهی بر هیدرولوژی مناطق آسیب دیده داشته باشد. مطالعه ای توسط [ 87] اثرات زمین لرزه های شهر کرایست چرچ را بر هیدرولوژی شهر نشان داد. این مطالعه نشان داد که زلزله از سه طریق بر هیدرولوژی شهر تأثیر می گذارد. (1) هیدرولوژی رودخانه ها به دلیل حرکت در ارتفاع بستر اصلاح شد، (2) پر شدن توسط رسوب و تغییرات در سطح آب، شرایط زیستگاه نهرها تغییر کرد، و (3) کیفیت آب به طور مستقیم به دلیل فاضلاب تصفیه نشده ناشی از ترکیدگی فاضلاب به طور مستقیم به میان تا پایین رودخانه ها سرریز شده است.
عامل “زاویه شیب” ؛ استفاده از مدل FR نشان داد که بیشتر فعالیت های زلزله در شیب بین 0 تا 15 درجه رخ داده است. مقادیر FR و وزن بالا در شیب > 30 درجه با FR = 8.755 و W k = 0.2217 به دست آمد. یافته ها را می توان با تحقیقات گذشته مانند [ 88 ، 89 ، 90 ] مرتبط کرد. مرجع [ 88] پیکربندی شیب و شیب را به عنوان نقش مهمی در تجزیه و تحلیل زلزله به ویژه در مناطق کوهستانی تپه ای در نظر گرفت زیرا پتانسیل افزایشی برای وقوع زلزله به ویژه زمانی که منطقه از نظر لرزه ای فعال است وجود دارد. فعالیت‌های لرزه‌ای گذشته ممکن است پایداری شیب را در رانائو که از نظر جغرافیایی در یک منطقه کوهستانی با بلندترین قله کوه کینابالو قرار دارد، تضعیف کند.

3.2. نقشه های آسیب پذیری لرزه ای

دو نقشه آسیب‌پذیری لرزه‌ای به طور جداگانه با استفاده از مدل‌های AHP FR-IoE و (FR-IoE) تهیه شد. نقشه ها در قالب شاخص آسیب پذیری از 0.343-3.863 برای مدل FR-IoE و بین 0.069-0.539 برای مدل AHP (FR-IoE) ارائه شده است. نقشه ها در پنج کلاس آسیب پذیری به دنبال روش شناسی از [ 91 ، 92 ، 93 ، 94 ، 95 ] طبقه بندی شدند. انتخاب روش طبقه بندی بر اساس توزیع شاخص های آسیب پذیری [ 37 ] بود. از آنجایی که هیستوگرام برای هر دو مدل انحراف مثبت داشت، طبقه‌بندی کننده شکست طبیعی برای مدل‌ها اعمال شد [ 96]. نقشه های آسیب پذیری نهایی با استفاده از دو مدل با پنج کلاس آسیب پذیری در شکل 3 a,b نشان داده شده است.
برای بررسی توزیع داده‌های لرزه‌ای گذشته به همراه پنج کلاس آسیب‌پذیری، تجزیه و تحلیل چگالی فعالیت‌های لرزه‌ای به دنبال روش‌شناسی از [ 97 ، 98 ] همانطور که در جدول 5 نشان داده شده است، انجام شد .
نشان داده شد که 71.428 درصد از کل مساحت نقشه آسیب پذیری لرزه ای تولید شده با استفاده از مدل FR-IoE دارای آسیب پذیری لرزه ای بسیار پایین است. 21.900 درصد از مناطق تحت مناطق کم آسیب پذیری قرار دارند. مناطق آسیب پذیر متوسط ​​4.926 درصد از کل منطقه را تشکیل می دادند. مناطق آسیب‌پذیر بالا و بسیار زیاد به ترتیب 1.378 و 0.548 درصد از کل منطقه را تشکیل می‌دهند. به طور کلی، 15000 درصد از کل فعالیت‌های لرزه‌ای گذشته در مناطق آسیب‌پذیری لرزه‌ای بسیار بالا و بالا است. مناطق آسیب پذیر متوسط ​​20000 درصد از فعالیت های لرزه ای گذشته را تشکیل می دادند. مناطق کم و بسیار کم لرزه‌خیز 65000 درصد از کل فعالیت‌های لرزه‌ای گذشته را تشکیل می‌دهند. نسبت تراکم فعالیت لرزه ای بالا برای مناطق با آسیب پذیری بالا و بسیار بالا به ترتیب 7.254 و 9.119 مشاهده شد.
نقشه آسیب‌پذیری لرزه‌ای تولید شده با استفاده از مدل AHP (FR-IoE) آسیب‌پذیری لرزه‌ای بسیار کم و کم را به ترتیب برای 360/30 درصد و 049/40 درصد از کل منطقه نشان می‌دهد. مناطق آسیب پذیر متوسط ​​21.314 درصد از کل منطقه را تشکیل می دهند. مناطق با آسیب‌پذیری زیاد و بسیار زیاد به ترتیب 703/7 و 575/0 درصد از کل منطقه را به خود اختصاص داده‌اند. 667/51 درصد از کل فعالیت‌های لرزه‌ای گذشته در نواحی بسیار زیاد و آسیب‌پذیر است. مناطق آسیب پذیر متوسط ​​26.667 درصد از فعالیت های لرزه ای گذشته را تشکیل می دهند. مناطق کم و بسیار کم لرزه‌خیز 21.666 درصد از کل فعالیت‌های لرزه‌ای گذشته را تشکیل می‌دهند. مشابه مدل FR-IoE، نسبت تراکم فعالیت لرزه ای بالا برای مناطق آسیب پذیر بالا و بسیار بالا به ترتیب در 8.697 و 6.059 مشاهده شد. طبق [ 13]، یک نقشه حساسیت ایده آل دارای مقادیر چگالی رویدادها (مثلاً زمین لغزش) است که از طبقه پایین به طبقه بالاتر افزایش می یابد. بر اساس جدول 5 ، چگالی فعالیت لرزه ای گذشته به تدریج از کلاس آسیب پذیری کم به بالا افزایش می یابد که تحلیل ها را برآورده می کند.

3.3. اعتبار سنجی مدل

برای تعیین کیفیت مدل‌ها و اعتبارسنجی قابلیت اطمینان مدل‌ها، نقشه‌های آسیب‌پذیری لرزه‌ای تولید شده با استفاده از مناطق زیر منحنی‌های ROC بر اساس راهنماهای تحقیقات قبلی مانند [ 10 ، 12 ، 13 ، 98 ، 99 ، 100 ] بررسی شدند. با توجه به [ 101 ]، روش ROC مقادیر دقت متفاوتی را نشان می‌دهد که در برابر طیف وسیعی از مقادیر آستانه احتمالی توابع به دست آمده است و به عنوان یک آمار دقت جهانی برای مدل عمل می‌کند. منحنی ROC برای حساسیت مدل در برابر ویژگی 1 ترسیم شده است [ 102 ، 103]. ROC دقت تشخیصی مدل را در قالب مقادیر AUC همانطور که در جدول 6 نشان داده شده است ارائه کرد . برای اعتبارسنجی مدل، منحنی‌های نرخ موفقیت و نرخ پیش‌بینی با مقایسه فعالیت‌های لرزه‌ای گذشته با نقشه‌های آسیب‌پذیری لرزه‌ای ایجاد شدند [ 10 ، 21 ]. منحنی های ROC با استفاده از نرم افزار SPSS همانطور که در شکل 4 نشان داده شده است محاسبه شد .
FR-IoE و مدل به ترتیب موفقیت و نرخ پیش‌بینی 0.853 و 0.863 داشتند، در حالی که (FR-IoE) AHP نرخ موفقیت و نرخ پیش‌بینی را به ترتیب 0.856 و 0.906 گزارش کردند. مقادیر AUC از 0 تا 1 متغیر است. مقدار 0 نشان‌دهنده یک مدل کاملاً ضعیف، مقدار 1 نشان‌دهنده یک مدل کاملاً دقیق و مقدار 0.5 نشان‌دهنده عدم وجود تبعیض یا عدم تفکیک طبقاتی در مدل است [ 104 ]. مرجع [ 105] راهنمایی برای تفسیر مقادیر AUC برای یک مدل به شرح زیر بیان کرد. 0.90-1 به عنوان عالی، 0.80-0.90 به عنوان خوب، 0.70-0.80 به عنوان منصفانه، 0.60-0.70 به عنوان ضعیف و 0.50-0.60 به عنوان ناموفق. در این مطالعه مدل AHP (FR-IoE) دارای بالاترین دقت ارزیابی شد. مدل‌های مورد استفاده برای این مطالعه، همگی دارای احتمال معناداری مجانبی 0.00 با مرزهای پایین و بالای 95% فاصله اطمینان مجانبی ≥ 0.762 برای هر دو مدل هستند که نشان‌دهنده معنی‌داری آماری است [ 12 ].

4. بحث

4.1. تنظیمات تکتونیکی و اهمیت آنها برای ارزیابی آسیب پذیری لرزه ای در Ranau، Sabah

ارزیابی آسیب‌پذیری در رانائو و به‌ویژه صباح به دلیل موقعیت «خطرناک» آن در صفحه سوندا و حاشیه دینامیکی زمین‌ساختی بورنئو که توسط صفحات فعال صفحات دریای سوندا، هند و استرالیا و فیلیپین احاطه شده است بسیار مهم است. توزیع متمرکز فعالیت های لرزه ای در اطراف این منطقه [ 106 ، 107 ]. از طریق فیلیپین-اقیانوس آرام، اثرات حرکات صفحات با سرعت ~ 10 سانتی متر در سال در برابر صفحه متحرک اوراسیا با سرعت ~ 5 سانتی متر در سال، صباح را تحت یک غرب – شمال غرب – شرق – جنوب شرقی قرار داد (WNW) -ESE) رژیم تنش فشاری همراه با گسل‌های راندگی فعال شمال شرقی-جنوب-غربی (NE-SW) و گسل‌های امتداد لغز فعال روند شمال-غربی-جنوب شرقی (NW-SE) [ 32]. اثرات فعالیت های لرزه ای از جنوب اندونزی به دلیل صفحه سوندا بیشتر است [ 5 ، 108 ، 109 ، 110 ]. از سال 1973، زمین لرزه های متعددی بین 7.5 تا 9.0 در مرزهای تکتونیکی صفحه سوندا رخ داده است که توسط سنگر سوندا و ترانشه مانیل در مرز صفحه سوندا و توسط دریای مولوکا، دریای باندا، تیمور و صفحات سر پرنده در جنوب ایجاد شده است. [ 4 ، 111 ]. به طور خلاصه، صباح روی حرکت صفحات اصلی “نشسته” است. با توجه به [ 32]، حدود 65 فعالیت لرزه‌ای محلی سبک تا متوسط ​​با بزرگی بیش از 3 در پایگاه داده زلزله‌های USGS و مؤسسه‌های تحقیقاتی لرزه‌شناسی (IRIS) از سال 1900 تا 2016 در خشکی یا در آب‌های صباح ثبت شد. به دلیل شناسایی توسط لرزه نگارهای قدیمی در صباح، رکوردها محدود بود. نصب لرزه نگارهای جدید در صباح در سال 2009 افزایشی را در فعالیت های لرزه نگاری ثبت کرد. تنها در سال 2015، متمالزیا 155 زمین لرزه کوچک با بزرگی بیش از 2 در صباح ثبت کرد. این زمین لرزه ها در اطراف مناطق لحاد داتو-کوناک و کونداسانگ-راناو متمرکز شده اند. سوابق ثابت کرد که این منطقه از نظر تکتونیکی فعال است و در آینده، زلزله ای با بزرگی بزرگ در مقایسه با 6.0 Mw 2015 خواهد بود .ممکن است زلزله رانائو رخ دهد. جدای از فاکتورهای زاویه شیب، ارتفاع و فاصله از ساختمان‌ها، خطوط معیوب نیز در همان مناطق در رانائو با FR = 1.646 و FR = 1.409 برای هر دو فاصله 1 کیلومتری و 2 کیلومتری از گسل‌ها متمرکز شده‌اند. نقشه‌های آسیب‌پذیری نهایی تولید شده نیز نشان داد که مناطق با آسیب‌پذیری بالا و بسیار بالا با مناطقی که توسط این چهار عامل با بالاترین مقادیر آنتروپی متمرکز شده‌اند، «همخوانی» دارند. بنابراین، هرگونه حرکت عمده از صفحاتی که در این مناطق وجود دارد، می‌تواند باعث ایجاد زلزله‌ای بزرگ در آینده شود که می‌تواند آسیب‌های گسترده‌ای را به مناطق وارد کند.

4.2. مطالعات آسیب پذیری لرزه ای در منطقه مورد مطالعه

تحقیقات گذشته در مورد آسیب‌پذیری لرزه‌ای در صباح مانند [ 7 ، 112 ، 113 ، 114 ، 115 ] به جای اجرای ترکیبی از شاخص‌های مختلف مانند فیزیکی (به عنوان مثال ساختمان‌ها، مصالح ساختمان‌ها و سایر ساخت‌وسازها) تنها بر ساختمان‌ها یا آسیب‌پذیری فیزیکی متمرکز بود. زیرساخت ها)، اقتصاد (تولید ناخالص داخلی (GDP)، ثروت خانوارها)، شاخص های زیست محیطی (شیب، ارتفاع) و اجتماعی (جمعیت، سن) در نقشه برداری آسیب پذیری [ 16 ، 21 ، 116 ]. مرجع [ 7برای مثال، 54 ساختمان را در 12 منطقه صباح ارزیابی کرد تا سطح عملکرد سازه ای و کمبود سازه آنها را مشخص کند. آنها بر اساس شدت پیش‌بینی‌شده فعالیت‌های لرزه‌ای از نتایج مطالعه‌شان، یک طرح مقاوم‌سازی مناسب برای ساختمان‌های در معرض خطر آسیب پیشنهاد کردند. مرجع [ 115] آسیب پذیری ساختمان های عمومی در صباح را برای ساختمان های کم، متوسط ​​و بلند از طریق هشت ساختمان بتن آرمه بررسی کرد. آنها از مدل سازی اجزا محدود (FEM) استفاده کردند و شدت های مختلف بار زلزله را برای تجزیه و تحلیل حداکثر شدت بار زلزله مجاز برای ساختمان ها اعمال کردند. شبیه‌سازی‌های مدل نشان داد که اگر هر شدت زلزله‌ای کم تا متوسط ​​رخ دهد، این رویداد عمدتاً آسیب متوسطی به ساختمان‌های مورد مطالعه وارد می‌کند. این مطالعات بسیار محدود بوده و تنها بر یک نوع عامل که مؤلفه ساختاری مطالعه آسیب‌پذیری لرزه‌ای در منطقه مورد مطالعه است، متمرکز شده‌اند.
بنابراین، در این مطالعه، با استفاده از روش‌های انجام شده توسط [ 10 ، 11 ، 12 ، 13 ، 96 ، 97 ، 117 ، آسیب‌پذیری لرزه‌ای در Ranau، Sabah مدل‌سازی شد.] با ترکیب دو شاخص؛ شاخص های فیزیکی و محیطی دو مدل هیبریدی مختلف; FR-IoE و (FR-IoE) AHP که از سه مدل سرچشمه می گیرند. FR، IoE و AHP برای ارزیابی آسیب‌پذیری لرزه‌ای در ناحیه رانائو، صباح، با استفاده از سوابق قبلی فعالیت‌های لرزه‌ای در منطقه با در نظر گرفتن نه عامل به عنوان داده‌های ورودی برای ساخت مدل استفاده شدند. تمام داده ها در یک محیط GIS پردازش شدند که به عنوان یک ابزار عالی در مدیریت مکانی و دستکاری داده ها در نظر گرفته شده است [ 12 ]. مطالعات بر روی تحقیقات گذشته [ 118 , 119 , 120 , 121 , 122 , 123 .] نشان داد که آنها در مدل سازی بلایای طبیعی مختلف (مانند رانش زمین، سیل، فوران های آتشفشانی، آتش سوزی جنگل ها، سونامی) با استفاده از FR یا IoE یا ترکیبی از هر دو و AHP برای کاهش، حساسیت، آسیب پذیری، خطر یا اهداف خطر با خوبی موفق شدند. اجراهای مدل

4.3. مقایسه با تحقیقات گذشته در مورد ارزیابی آسیب پذیری لرزه ای

اگرچه ارزیابی آسیب پذیری لرزه ای با استفاده از شاخص های مختلف با رویکردهای مشابه هرگز در منطقه مورد مطالعه انجام نشده است، پروژه های تحقیقاتی مختلفی در سطح بین المللی در مورد ارزیابی آسیب پذیری لرزه ای انجام شده است. [ 25برای مثال از FR، DT، RF برای ترسیم آسیب‌پذیری لرزه‌ای Gyeongju، کره جنوبی استفاده کرد و دقت سه مدل را با استفاده از 18 عامل مقایسه کرد. آنها دریافتند که اوج شتاب زمین (PGA) و فاصله تا مرکز زلزله بیشترین تأثیر را بر آسیب پذیری لرزه ای در مدل های DT و RF دارند در حالی که ارتفاع بیشترین تأثیر را در مدل FR دارد. تجزیه و تحلیل آنها نشان داد که مدل RF دارای بالاترین عملکرد عملکردی با میزان موفقیت و پیش‌بینی 1.000 و 0.949 است، پس از آن مدل DT با 0.899 و 0.851 و مدل FR با 0.661 و 0.655 برای میزان موفقیت و پیش‌بینی به ترتیب قرار دارند.
مرجع [ 21 ] از LR و چهار مدل هسته SVM استفاده کرد. خطی (L)، چند جمله ای (P)، تابع پایه شعاعی (RBF) و سیگموئید (S) برای اهداف آسیب پذیری لرزه ای، همچنین با استفاده از 18 عامل. نرخ های موفقیت مشاهده شده 0.652، 0.649، 0.842، 0.998، و 0.630 با نرخ های پیش بینی 0.714، 0.651، 0.804، 0.919، و 0.629 برای مدل های LR، SVM-P-L، SVM-P، SVM، SVM-P، SV، SVM-P-L، SV بود. به ترتیب. بالاترین عملکرد مدل توسط RBF-SVM به دست آمد. ارزیابی عوامل مورد استفاده برای ساخت مدل LR نشان داد که سن ساختمان، فاصله از جاده و مصالح ساختمانی در آسیب‌پذیری لرزه‌ای منطقه مورد مطالعه کمتر معنادار است.
مرجع [ 124 ] از LogitBoost، درخت مدل لجستیک (LMT) و LR برای نقشه‌برداری و تحلیل آسیب‌پذیری لرزه‌ای در جنوب شرقی کره با استفاده از 15 عامل مرتبط استفاده کرد. مقادیر AUC محاسبه‌شده برای مدل‌های LogitBoost، LMT و LR به ترتیب 0.769، 0.851 و 0.749 بود. آنها دریافتند که عواملی مانند PGA و فاصله از کانون به شدت بر آسیب پذیری لرزه ای منطقه مورد مطالعه تأثیر می گذارد.
مرجع [ 17 ] پنج مدل مختلف (OWA، فازی، AHP، ANP و LR) را به عنوان چهار مدل ترکیبی (A-fuzzy، A-OWA، Fuzzy-LR و OWA-LR) ترکیب کرد تا دقت نقشه‌برداری آسیب‌پذیری لرزه‌ای را در خود بهبود بخشد. منطقه مورد مطالعه شهر سنندج با استفاده از 15 عامل. آنها دریافتند که عوامل غالب تراکم جمعیت و فاصله از گسل است. نتایج اعتبارسنجی آنها نشان داد که مدل‌های A-OWA و OWA-LR بهترین عملکرد مدل را با مقادیر AUC 0.855 و 0.900 ارائه کردند. آنها بر اساس نتایج خود، اجرای مدل های ترکیبی را برای حذف نتایج غیرقابل اعتمادی که در مدل های فردی وجود داشت، پیشنهاد کردند.
این پژوهش‌ها از مدل‌ها یا ترکیب‌های مختلفی از مدل‌ها برای ارزیابی آسیب‌پذیری لرزه‌ای در حوزه‌های مورد علاقه خود استفاده کردند. تعداد عواملی که آنها در نقشه‌برداری آسیب‌پذیری لرزه‌ای انتخاب کردند و عواملی که تأثیر زیادی بر آسیب‌پذیری لرزه‌ای در مناطق مورد مطالعه خود دارند نیز برای هر مطالعه متفاوت بود. از مجموع عوامل مورد استفاده در این تحقیقات، عواملی مانند ارتفاع، وجود ساختمان‌ها و فاصله از گسل‌ها به‌طور پیوسته در ارزیابی آسیب‌پذیری لرزه‌ای مناطق مورد مطالعه بسیار تأثیرگذار بوده‌اند. این یافته ها بیشتر بر عوامل انتخاب شده برای این مطالعه تأثیر گذاشته اند و باید به عنوان یک مرجع مهم برای مطالعات مرتبط آتی مورد استفاده قرار گیرند.17 ].

4.4. ارتباط و خروجی مطالعات

بررسی‌های ادبیات بین‌المللی نشان داد که کارهای کمی در مورد آسیب‌پذیری زلزله یا لرزه‌ای با استفاده از ترکیب FR-IoE انجام شده است. اکثر تحقیقات از FR به تنهایی برای ارزیابی آسیب پذیری زلزله یا لرزه ای استفاده کردند [ 21]. در این مطالعه، ترکیب بین نتایج FR-IoE با AHP آزمایش شده با ایده اصلی، به حداقل رساندن سوگیری بود که در فرآیند تصمیم‌گیری از روش‌های AHP وجود داشت. سپس عملکرد هر دو مدل بر اساس نقشه‌های نهایی شاخص آسیب‌پذیری لرزه‌ای مقایسه شد. اعتبار مدل با استفاده از نواحی زیر منحنی‌های ROC نشان داد که سطح دقت بین خوب تا عالی برای هر دو مدل با مقادیر AUC ≥0.853 برای موفقیت و نرخ پیش‌بینی با مدل AHP (FR-IoE) که بالاترین دقت را برای موفقیت و پیش‌بینی نشان می‌دهد به دست آمده است. نرخ. از نتایج، می توان فرض کرد که روش ها و نتایج AHP را می توان با ادغام فرآیند AHP با سایر مدل/های تصمیم گیری تقویت کرد. برای تحقیقات آتی، یک روش قدیمی مانند AHP را می توان به عنوان ترکیبی با روش های یادگیری ماشینی مانند SVM، ANN، RF و Naïve Bayes ترکیب کرد تا عملکرد این مدل ها را در تجزیه و تحلیل خطرات طبیعی تجزیه و تحلیل کند. از 9 عامل مورد استفاده در این مطالعه، فاکتورهای شیب و ارتفاع به عنوان مهم‌ترین عوامل مؤثر بر آسیب‌پذیری لرزه‌ای در رانائو با غرب شناخته شدند.j = 2.118 و W j = 0.627 برای فاکتورهای شیب و ارتفاع به ترتیب. هر دو نقشه آسیب‌پذیری لرزه‌ای نهایی خروجی ثابتی را تولید کردند که در آن مناطق آسیب‌پذیری بسیار بالا و بالا در قسمت شمال شرقی رانائو، جایی که کوه کینابالو و محدوده کراکر واقع شده‌اند، متمرکز شده‌اند.

5. نتیجه گیری ها

این مطالعه سه مدل را اجرا کرد. FR، IoE و AHP در ارزیابی آسیب‌پذیری لرزه‌ای Ranau، Sabah. در این تحقیق از 9 عامل مرتبط با شاخص‌های فیزیکی و محیطی استفاده شد که شامل فاکتورهای شیب، ارتفاع، فاصله از ساختمان‌ها، فاصله از خطوط معیوب، فاصله از رودخانه‌ها، سنگ‌شناسی، فاصله از مسیر، فاصله از جاده و فاصله از نهرها می‌باشد. نتایج نشان داد که شیب، ارتفاع، فاصله از ساختمان‌ها و فاصله از خطوط گسل مهم‌ترین عوامل در ارزیابی آسیب‌پذیری لرزه‌ای منطقه مورد مطالعه بودند که فاصله از نهرها کمتر بر آسیب‌پذیری لرزه‌ای در رانائو، صباح ارزیابی شد. محققان اذعان کردند که تعداد محدودی از عوامل یا پارامترهای شرطی مورد استفاده در این مطالعه وجود دارد. با این حال، به عنوان یک مطالعه آزمایشی، تعداد عوامل شرطی مورد استفاده برای دسترسی به آسیب پذیری لرزه ای در منطقه مورد مطالعه کافی بود. توصیه می‌شود که مطالعات آتی آسیب‌پذیری لرزه‌ای باید عوامل دیگری مانند تاسیسات (به عنوان مثال، برق، گاز، آب، و مخابرات)، جمعیت و داده‌های پوشش زمین/کاربری زمین را در نظر بگیرند. نقشه آسیب پذیری لرزه ای تولید شده برای منطقه مورد مطالعه برای برنامه ریزان و تصمیم گیران برای کاهش هرگونه زلزله احتمالی با بزرگی بزرگ در منطقه مورد مطالعه برای کاهش خسارات و تلفات ناشی از این زلزله ها بر اساس شناسایی مناطق با آسیب پذیری بالا و بسیار بالا مفید خواهد بود. در رانائو، صباح. جهت تحقیقات آتی باید شامل ویژگی های خطر لرزه ای مانند حرکت زمین (به عنوان مثال، PGA، حداکثر سرعت زمین (PGV))، گسیختگی گسل و روانگرایی خاک باشد. توصیه می‌شود که مطالعات آتی آسیب‌پذیری لرزه‌ای باید عوامل دیگری مانند تاسیسات (به عنوان مثال، برق، گاز، آب، و مخابرات)، جمعیت و داده‌های پوشش زمین/کاربری زمین را در نظر بگیرند. نقشه آسیب پذیری لرزه ای تولید شده برای منطقه مورد مطالعه برای برنامه ریزان و تصمیم گیران برای کاهش هرگونه زلزله احتمالی با بزرگی بزرگ در منطقه مورد مطالعه برای کاهش خسارات و تلفات ناشی از این زلزله ها بر اساس شناسایی مناطق با آسیب پذیری بالا و بسیار بالا مفید خواهد بود. در رانائو، صباح. جهت تحقیقات آتی باید شامل ویژگی های خطر لرزه ای مانند حرکت زمین (به عنوان مثال، PGA، حداکثر سرعت زمین (PGV))، گسیختگی گسل و روانگرایی خاک باشد. توصیه می‌شود که مطالعات آتی آسیب‌پذیری لرزه‌ای باید عوامل دیگری مانند تاسیسات (به عنوان مثال، برق، گاز، آب، و مخابرات)، جمعیت و داده‌های پوشش زمین/کاربری زمین را در نظر بگیرند. نقشه آسیب پذیری لرزه ای تولید شده برای منطقه مورد مطالعه برای برنامه ریزان و تصمیم گیران برای کاهش هرگونه زلزله احتمالی با بزرگی بزرگ در منطقه مورد مطالعه برای کاهش خسارات و تلفات ناشی از این زلزله ها بر اساس شناسایی مناطق با آسیب پذیری بالا و بسیار بالا مفید خواهد بود. در رانائو، صباح. جهت تحقیقات آتی باید شامل ویژگی های خطر لرزه ای مانند حرکت زمین (به عنوان مثال، PGA، حداکثر سرعت زمین (PGV))، گسیختگی گسل و روانگرایی خاک باشد. نقشه آسیب پذیری لرزه ای تولید شده برای منطقه مورد مطالعه برای برنامه ریزان و تصمیم گیران برای کاهش هرگونه زلزله احتمالی با بزرگی بزرگ در منطقه مورد مطالعه برای کاهش خسارات و تلفات ناشی از این زلزله ها بر اساس شناسایی مناطق با آسیب پذیری بالا و بسیار بالا مفید خواهد بود. در رانائو، صباح. جهت تحقیقات آتی باید شامل ویژگی های خطر لرزه ای مانند حرکت زمین (به عنوان مثال، PGA، حداکثر سرعت زمین (PGV))، گسیختگی گسل و روانگرایی خاک باشد. نقشه آسیب پذیری لرزه ای تولید شده برای منطقه مورد مطالعه برای برنامه ریزان و تصمیم گیران برای کاهش هرگونه زلزله احتمالی با بزرگی بزرگ در منطقه مورد مطالعه برای کاهش خسارات و تلفات ناشی از این زلزله ها بر اساس شناسایی مناطق با آسیب پذیری بالا و بسیار بالا مفید خواهد بود. در رانائو، صباح. جهت تحقیقات آتی باید شامل ویژگی های خطر لرزه ای مانند حرکت زمین (به عنوان مثال، PGA، حداکثر سرعت زمین (PGV))، گسیختگی گسل و روانگرایی خاک باشد.125 ] با نقشه آسیب پذیری لرزه ای منطقه ترکیب شود تا نقشه خطر لرزه ای کامل نهایی تهیه شود.

منابع

  1. یان، ع. Saim Suratman، مطالعه AL در مورد خطرات و خطرات لرزه ای و سونامی در مالزی. در گزارش اطلاعات زمین شناسی و لرزه زمین ساختی مالزی، کوالالامپور، وزارت منابع طبیعی و محیط زیست ؛ 2006. [ Google Scholar ]
  2. باکار، RB; جمال الدین، TA; رملی، ز. محمد، ز. Tongkul، F. تجزیه و تحلیل جغرافیایی سنجش از دور نسبت به آمادگی در برابر بلایا: مطالعه موردی در منطقه زمین لرزه فعال زمین ساختی مالزی، Ranau، Sabah. شکل کار. هفته بازیابی فاجعه. 2016 ، 15 ، 868-877. [ Google Scholar ]
  3. اداره هواشناسی مالزی لرزه خیزی در مالزی در دسترس آنلاین: https://www.met.gov.my/in/web/metmalaysia/education/earthquakeandtsunami/seismicityinmalaysiaandaroundtheregion (دسترسی در 20 دسامبر 2017).
  4. فعالیت های زمین ساختی و لرزه ای صفحه ای چنگ، KH در منطقه صباح. ترانس. علمی تکنولوژی 2016 ، 3 ، 47-58. [ Google Scholar ]
  5. خلیل، ع. ابیر، IA; حافظ، HEA; ژینسوس، اچ. خان، MS ارزیابی خطرات لرزه‌ای احتمالی صباح، مالزی شرقی: حسابداری برای فعالیت‌های زمین‌لرزه محلی نزدیک رانائو. جی. ژئوفیس. مهندس 2017 ، 15 ، 13-25. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. حارث، NSH; عدنان، ع. تونگکول، اف. شوشتری، تحلیل AV بر روی پایگاه های اطلاعات زلزله منطقه صباح و کاربرد آن در طراحی لرزه ای. بین المللی جی. مدنی. مهندس ژئو محیط. 2017 ، 8 ، 1-5. [ Google Scholar ]
  7. منصور، MNA; سیانگ، ال سی. اهوانگ، ا. سعدون، م. دوماتین، ج. بررسی آسیب پذیری ساختمان های موجود در اثر فعالیت های لرزه ای در صباح. ISSN:21802742. در دسترس آنلاین: https://ijceg.ump.edu.my (در 21 آوریل 2021 قابل دسترسی است).
  8. سالی، ع. زینل، دی. احمد، NT; عمر، برنامه ماهواره ای MF برای رویدادهای زلزله احساسی در صباح، مالزی. بین المللی جی. محیط زیست. علمی توسعه دهنده 2017 ، 8 ، 153. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. Devkota، KC؛ رژمی، م. پورقاسمی، HR; یوشیدا، ک. پرادان، بی. ریو، آی سی; Dhital، MR; Althuwaynee، نقشه‌برداری حساسیت زمین لغزش با استفاده از ضریب قطعیت، شاخص آنتروپی و مدل‌های رگرسیون لجستیک در GIS و مقایسه آنها در بخش جاده موگلینگ-ناریانگات در نپال هیمالیا. نات. هزار. 2013 ، 65 ، 135-165. [ Google Scholar ] [ CrossRef ]
  10. جعفری، ع. نجفی، ع. پورقاسمی، HR; رضاییان، ج. ستاریان، الف. نسبت فراوانی مبتنی بر GIS و شاخص مدل‌های آنتروپی برای ارزیابی حساسیت زمین لغزش در جنگل خزر، شمال ایران. بین المللی جی. محیط زیست. علمی تکنولوژی 2014 ، 11 ، 909-926. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لیو، جی. دوان، زی. ارزیابی کمی حساسیت زمین لغزش با مقایسه شاخص آماری، شاخص آنتروپی، و وزن شواهد در منطقه شانگنان، چین. Entropy 2018 ، 20 ، 868. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. پارک، اس. چوی، سی. کیم، بی. کیم، جی. نقشه‌برداری حساسیت زمین لغزش با استفاده از نسبت فرکانس، فرآیند تحلیل سلسله مراتبی، رگرسیون لجستیک و روش‌های شبکه عصبی مصنوعی در منطقه Inje، کره. محیط زیست علوم زمین 2013 ، 68 ، 1443-1464. [ Google Scholar ] [ CrossRef ]
  13. پرادان، بی. لی، اس. ترسیم مناطق خطر زمین لغزش در جزیره پنانگ، مالزی، با استفاده از نسبت فرکانس، رگرسیون لجستیک و مدل های شبکه عصبی مصنوعی. محیط زیست علوم زمین 2010 ، 60 ، 1037-1054. [ Google Scholar ] [ CrossRef ]
  14. کابال، ا. کولت، سی. ارلیش، ام. کازالتر، ا. دیوید، ای. Sauvaget، P. ماریا پولس، AEE; زوکارو، جی. آلتن، ک. استاینوچر، ک. و همکاران مدل‌های خطر و آسیب‌پذیری/تلفات موجود. Available online: https://www.researchgate.net/profile/Maria-Polese/publication/283307151_Models_for_MultiSectoral_Consequences_Existing_hazard_and_vulnerability_losses_models/links/56372f7e08ae88cf81bd4f89/Models-for-Multi-Sectoral-Consequences-Existing-hazard-and-vulnerability-losses-models.pdf (دسترسی در 6 آوریل 2021).
  15. Van Westen، CJ مقدمه ای بر قرار گرفتن در معرض، آسیب پذیری و ارزیابی ریسک. 2020. در دسترس آنلاین: https://www.charim.net/methodology/51 (در 7 آوریل 2021 قابل دسترسی است).
  16. دوزگون، HSB؛ یوسمن، ام اس; Kalaycioglu، HS; چلیک، ک. کمک، اس. ارتوگای، ک. دنیز، الف. چارچوب ارزیابی آسیب پذیری زلزله یکپارچه برای مناطق شهری. نات. هزار. 2011 ، 59 ، 917-947. [ Google Scholar ] [ CrossRef ]
  17. یاریان، پ. آوند، م. سلطانی، ف. قربانزاده، ا. Blaschke, T. نقشه‌برداری آسیب‌پذیری زلزله با استفاده از مدل‌های هیبریدی مختلف. Symmetry 2020 , 12 , 405. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ینا، ر. پرادان، بی. Naik، SP; Alamri، AM ارزیابی خطر زلزله در شمال شرقی هند با استفاده از یادگیری عمیق و تجزیه و تحلیل جغرافیایی. Geosci. جلو. 2021 ، 12 ، 10111. [ Google Scholar ] [ CrossRef ]
  19. Toyfur، MF; پریبادی، ک.س. Wibowo، SS; Sengara، عامل آسیب پذیری IW در مدل ارزیابی خطر زلزله برای جاده ها در اندونزی. EDP ​​Sci. MATEC Web Conf. 2018 , 229 , 03009. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. نظم فر، ح. سرده، ع. عشقی، ع. فیضی زاده، ب. ارزیابی آسیب پذیری ساختمان های شهری در برابر شدت های مختلف زلزله: مطالعه موردی منطقه 9 شهرداری تهران. هوم Ecol. ارزیابی ریسک بین المللی J. 2019 ، 25 ، 455-474. [ Google Scholar ] [ CrossRef ]
  21. هان، جی. پارک، اس. کیم، اس. پسران.؛ لی، اس. کیم، جی. عملکرد رگرسیون لجستیک و ماشین‌های بردار پشتیبان برای ارزیابی آسیب‌پذیری لرزه‌ای و نقشه‌برداری: مطالعه موردی ML5 12 سپتامبر 2016. 8 زلزله گیونگجو، کره جنوبی. پایداری 2019 ، 11 ، 7038. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. ساپوترا، ا. Rahardianto، T. Revindo، MD؛ دلیکوستیدیس، آی. هادموکو، دی اس؛ سرتوهادی، ج. گومز، سی. ارزیابی آسیب‌پذیری لرزه‌ای ساختمان‌های مسکونی با استفاده از رگرسیون لجستیک و سیستم اطلاعات جغرافیایی (GIS) در ناحیه پلرت (یوگیاکارتا، اندونزی). Geoenviron. بلایا 2017 ، 4 ، 1-33. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. علیزاده، م. علیزاده، ا. اسدالله پور، ک.س. شهابی، ح. بیرانوند پور، ع. پناهی، م. بن احمد، بی. سارو، ال. ارزیابی آسیب پذیری اجتماعی با استفاده از مدل شبکه عصبی مصنوعی (ANN) برای خطر زلزله در شهر تبریز، ایران. Sustainability 2018 , 10 , 3376. [ Google Scholar ] [ CrossRef ][ Green Version ]
  24. علیزاده، م. نگا، آی. هاشم، م. پرادان، بی. پور، AB یک مدل فرآیند شبکه تحلیلی ترکیبی و شبکه عصبی مصنوعی (ANP-ANN) برای ارزیابی آسیب‌پذیری زلزله شهری. Remote Sens. 2018 , 10 , 975. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. هان، جی. کیم، جی. پارک، اس. پسران.؛ Ryu، M. ارزیابی آسیب پذیری لرزه ای و نقشه برداری Gyeongju، کره جنوبی با استفاده از نسبت فرکانس، درخت تصمیم، و جنگل تصادفی. پایداری 2020 ، 12 ، 7787. [ Google Scholar ] [ CrossRef ]
  26. لی، اس. پناهی، م. پورقاسمی، HR; شهابی، ح. علیزاده، م. شیرزادی، ع. خسروی، ک. Melesse, AM; یکرنگ نیا، م. رضایی، ف. و همکاران SEVUCAS: یک نرم افزار جدید یادگیری ماشین مبتنی بر GIS برای ارزیابی آسیب پذیری لرزه ای. Appl. علمی 2019 ، 9 ، 3495. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. چن، دبلیو. لی، دبلیو. هو، ای. بای، اچ. چای، اچ. وانگ، دی. کوی، ایکس. وانگ، Q. کاربرد نسبت فرکانس، شاخص آماری، و شاخص مدل‌های آنتروپی و مقایسه آنها در نقشه‌برداری حساسیت زمین لغزش برای منطقه بائوژونگ بائوجی، چین. عرب جی. ژئوشی. 2015 ، 8 ، 1829-1841. [ Google Scholar ] [ CrossRef ]
  28. وانگ، ی. نیش، ز. هونگ، اچ. کاستاش، آر. Tang, X. نگاشت حساسیت به سیل با ادغام نسبت فرکانس و شاخص آنتروپی با پرسپترون چندلایه و درخت طبقه بندی و رگرسیون. جی. محیط زیست. مدیریت 2021 ، 289 ، 112449. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. وانگ، کیو. لی، دبلیو. یان، اس. وو، ی. نسبت فرکانس مبتنی بر GIS و شاخص مدل‌های آنتروپی به نقشه‌برداری حساسیت زمین لغزش (داگوان، چین). محیط زیست علوم زمین 2016 ، 75 ، 780. [ Google Scholar ] [ CrossRef ]
  30. دفتر منطقه راناو لاتار بلاکانگ دائره رانائو. 2019. در دسترس آنلاین: https://ww2.sabah.gov.my/pd.rnu/sejarah.html (در 3 ژانویه 2019 قابل دسترسی است).
  31. اداره آمار، مالزی توزیع جمعیت بر اساس مناطق محلی و موکیم ها. 2010. موجود به صورت آنلاین: https://www.mycensus.gov.my/index.php/census-product/publication/census-2010/681-population-distribution-by-local-authority-and-mukims-2010 (دسترسی در 2 ژانویه 2019).
  32. Tongkul، F. تکتونیک فعال در صباح – لرزه خیزی و گسل های فعال. گاو نر جئول Soc. مالایی ها 2017 ، 64 ، 27-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. Tongkul, F. زلزله Ranau 2015: علت و تأثیر. شرکت صباح J. 2016 ، 32 ، 1-28. [ Google Scholar ]
  34. ساریس، ا. لوپاساکیس، سی. سوپیوس، پ. تریگاس، وی. Vallianatos، F. آسیب‌پذیری زلزله و ارزیابی خطر لرزه‌ای مناطق شهری در مناطق لرزه‌خیز بالا: کاربرد در شهر Chania، جزیره کرت، یونان. نات. خطرات 2010 ، 54 ، 395-412. [ Google Scholar ] [ CrossRef ]
  35. کالیسکان، اس. تاوبنبوک، اچ. هینز، اس. راث، الف. شاخص‌های آسیب‌پذیری زلزله و ارزیابی آسیب‌پذیری با استفاده از سنجش از دور، استانبول. 2006. 1st EARSeL Workshop SIG Urban. سنسور از راه دور برلین، آلمان. در دسترس آنلاین: https://www.researchgate.net/publication/224798942 (در 8 آوریل 2021 قابل دسترسی است).
  36. علی آبادی، س.ف. سرسنگی، ع. مدیری، الهه. ارزیابی آسیب‌پذیری اجتماعی و فیزیکی بافت قدیمی در برابر زلزله (مطالعه موردی: منطقه فهادان شهر یزد). عرب جی. ژئوشی. 2015 ، 8 ، 10775-10787. [ Google Scholar ] [ CrossRef ]
  37. آیالو، ال. یاماگیشی، H. کاربرد رگرسیون لجستیک مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در کوه‌های کاکودا-یاهیکو، ژاپن مرکزی. ژئومورفولوژی 2005 ، 65 ، 15-31. [ Google Scholar ] [ CrossRef ]
  38. پاویچ، جی. بولاجیچ، بی. Hadzima-Nyarko، M. آسیب پذیری ساختمان ها از پایگاه داده Osijek. جلو. ساخته شده. محیط زیست 2019 ، 5 ، 66. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. کونتوگیانی، وی. پیتارولی، س. Stiros، S. فرونشست زمینی، گسل های کواترنر و آسیب پذیری شبکه های برق و حمل و نقل در تسالی، یونان. محیط زیست جئول 2007 ، 52 ، 1085-1095. [ Google Scholar ] [ CrossRef ]
  40. کرمانشاه، ع. Derrible، S. ارزیابی آسیب پذیری جغرافیایی و چند معیاره شبکه های حمل و نقل در برابر زلزله های شدید. قابل اعتماد مهندس سیستم ایمنی 2016 ، 153 ، 39-49. [ Google Scholar ] [ CrossRef ]
  41. پاچائوری، AK; Pant, M. نقشه برداری خطر زمین لغزش بر اساس ویژگی های زمین شناسی. مهندس جئول 1992 ، 32 ، 81-100. [ Google Scholar ] [ CrossRef ]
  42. رودریگز، م. بومر، جی جی. چندلر، رانش زمین ناشی از زلزله RJ: 1980-1997. دینام خاک زمین مهندس 1999 ، 18 ، 325-346. [ Google Scholar ] [ CrossRef ]
  43. بومر، جی جی. رودریگوئز، زمین لغزش های ناشی از زمین لرزه CE در آمریکای مرکزی. مهندس جئول 2002 ، 63 ، 189-220. [ Google Scholar ] [ CrossRef ]
  44. رن، دی. وانگ، جی. فو، آر. کارولی، دی جی؛ هونگ، ی. لزلی، LM; فو، سی. Huang, G. تخریب اکوسیستم ناشی از لجن و لای به دنبال زلزله Wenchuan 2008. Geophys. Res. Lett. 2009 ، 36 . [ Google Scholar ] [ CrossRef ]
  45. وانگ، HB; ساسا، ک. Xu، WY تجزیه و تحلیل توزیع فضایی زمین لغزش های ناشی از زمین لرزه های چوتسو در سال 2004 در استان نیگاتا، ژاپن. نات. خطرات 2007 ، 41 ، 43. [ Google Scholar ] [ CrossRef ]
  46. USGS. شبیه سازی لرزش زمین: پس زمینه. 2020. در دسترس آنلاین: https://earthquake.usgs.gov/education/shakingsimulations/background.php (در 13 دسامبر 2020 قابل دسترسی است).
  47. تانگ، سی. ژو، جی. لی، WL; Liang، JT پس از زلزله Wenchuan، آوارهای ناشی از بارندگی جریان می یابد. گاو نر مهندس جئول محیط زیست 2009 ، 68 ، 187-194. [ Google Scholar ] [ CrossRef ]
  48. اوجی، ک. کیمورا، جی. گسل زلزله در مناطق فرورانش: بینش از سنگ های گسلی در منشورهای برافزایشی. Prog. سیاره زمین. علمی 2014 ، 1 ، 7. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  49. ارل، اس. زمین شناسی فیزیکی. ویکتوریا، BC: BCcampus. 2015. در دسترس آنلاین: https://opentextbc.ca/geology/ (دسترسی در 22 فوریه 2021).
  50. پاتر، SH; بکر، جی اس. جانستون، دی.م. Rossiter، KP مروری بر اثرات زمین لرزه های کانتربری 2010-2011. بین المللی J. کاهش خطر بلایا. 2015 ، 14 ، 6-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. جیبسون، روش‌های RW برای ارزیابی پایداری شیب‌ها در طول زلزله – یک گذشته‌نگر. مهندس جئول 2011 ، 122 ، 43-50. [ Google Scholar ] [ CrossRef ]
  52. هک، آر. آلکما، دی. Kruse، GA; لیندرز، ن. لوزی، ل. تأثیر زلزله بر پایداری دامنه ها. مهندس جئول 2007 ، 91 ، 4-15. [ Google Scholar ] [ CrossRef ]
  53. عمر، ز. پرادان، بی. احمد، ع. جبور، MN; نقشه‌برداری حساسیت زمین لغزش ناشی از زلزله تهرانی با استفاده از نسبت فرکانس مجموعه یکپارچه و مدل‌های رگرسیون لجستیک در استان سوماترا غربی، اندونزی. کاتنا 2014 ، 118 ، 124-135. [ Google Scholar ] [ CrossRef ]
  54. 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 ]
  55. نوهانی، ا. محرمی، م. شرفی، س. خسروی، ک. پرادان، بی. فام، بی تی؛ لی، اس. Melesse, A. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های مختلف دو متغیره مبتنی بر GIS. Water 2019 ، 11 ، 1402. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. یالچین، ا. ریس، اس. آیدین اوغلو، AC; Yomralioglu، T. یک مطالعه مقایسه ای مبتنی بر GIS در مورد نسبت فرکانس، فرآیند سلسله مراتب تحلیلی، آمار دو متغیره و روش های رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش در ترابزون، شمال شرقی ترکیه. کاتنا 2011 ، 85 ، 274-287. [ Google Scholar ] [ CrossRef ]
  57. رژمی، م. Devkota، KC؛ یوشیدا، ک. پرادان، بی. پورقاسمی، HR; کوماموتو، تی. آکگون، الف. کاربرد مدل‌های نسبت فرکانس، شاخص آماری و وزن‌های شواهد و مقایسه آنها در نقشه‌برداری حساسیت زمین لغزش در هیمالیا مرکزی نپال. عرب جی. ژئوشی. 2014 ، 7 ، 725-742. [ Google Scholar ] [ CrossRef ]
  58. بدناریک، م. یلماز، من. Marschalko، M. خطر زمین لغزش و ارزیابی خطر: مطالعه موردی از منطقه لغزش Hlohovec-Sered’ در جنوب غربی اسلواکی. نات. خطرات 2012 ، 64 ، 547-575. [ Google Scholar ] [ CrossRef ]
  59. کان، تی. Nefeslioglu، HA; گوکچ اوغلو، سی. سونمز، اچ. ارزیابی‌های حساسیت دومان، TY جریان‌های زمینی کم‌عمق ناشی از بارندگی شدید در سه حوضه توسط تحلیل‌های رگرسیون لجستیک. ژئومورفولوژی 2005 ، 72 ، 250-271. [ Google Scholar ] [ CrossRef ]
  60. کنستانتین، م. بدناریک، م. ژورچسکو، MC; Vlaicu، M. ارزیابی حساسیت زمین لغزش با استفاده از تجزیه و تحلیل آماری دو متغیره و شاخص آنتروپی در حوضه Sibiciu (رومانی). محیط زیست علوم زمین 2011 ، 63 ، 397-406. [ Google Scholar ] [ CrossRef ]
  61. دای، اف سی؛ لی، سی اف; ژانگ، XH ارزیابی ژئومحیطی مبتنی بر GIS برای برنامه‌ریزی کاربری اراضی شهری: مطالعه موردی. مهندس جئول 2001 ، 61 ، 257-271. [ Google Scholar ] [ CrossRef ]
  62. شارما، LP; پاتل، ن. Ghose، MK; دبنات، P. تأثیر آنتروپی شانون بر پارامترهای ایجاد زمین لغزش برای مطالعه آسیب پذیری و پهنه بندی – مطالعه موردی در سیکیم، هند. عرب جی. ژئوشی. 2012 ، 5 ، 421-431. [ Google Scholar ] [ CrossRef ]
  63. بدناریک، م. ماگولووا، بی. متیس، م. Marschalko، M. ارزیابی حساسیت زمین لغزش مطالعه موردی راه آهن Kraľovany-Liptovský Mikuláš. فیزیک شیمی. Earth Parts A/B/C 2010 , 35 , 162-171. [ Google Scholar ] [ CrossRef ]
  64. Saaty، TL یک روش مقیاس‌بندی برای اولویت‌ها در ساختارهای سلسله مراتبی. جی. ریاضی. روانی 1977 ، 15 ، 234-281. [ Google Scholar ] [ CrossRef ]
  65. رضایی، ع. تحصیلی، س. ارزیابی آسیب پذیری شهری با استفاده از AHP. Adv. مدنی. مهندس 2018 , 62 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. ساعتی، TL فرآیند تحلیل سلسله مراتبی ; McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 1980. [ Google Scholar ]
  67. ساعتی، L. یک رویکرد تحلیلی سلسله مراتبی و فرآیندهای شبکه برای اندازه گیری در معیارهای محسوس و برای تصمیم گیری. تصمیم گیری چند معیاره بررسی هنر دولتی 2005 ، 345-406. [ Google Scholar ]
  68. کشاورزی، ع. سرمدیان، ف. حیدری، ع. امید، م. ارزیابی تناسب اراضی با استفاده از طبقه‌بندی پیوسته فازی (مطالعه موردی: منطقه زیاران). مد. Appl. علمی 2010 ، 4 ، 72. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  69. Saaty، TL تصمیم گیری با AHP: چرا بردار ویژه اصلی ضروری است؟ یورو جی. اوپر. Res. 2003 ، 145 ، 85-91. [ Google Scholar ] [ CrossRef ]
  70. وحیدنیا، محمدحسن; علیشیخ، ع. علیمحمدی، ع. بصیری، ع. فرآیند تحلیل سلسله مراتبی فازی در کاربرد GIS. بین المللی قوس. فتوگرام. اطلاعات فضایی سنسور از راه دور. علمی 2008 ، 37 ، 593-596. [ Google Scholar ]
  71. علیزاده، م. هاشم، م. علیزاده، ا. شهابی، ح. کرمی، آقا؛ بیرانوند پور، ع. ذبیحی، ح. مدل تصمیم گیری چند معیاره (MCDM) برای ارزیابی آسیب پذیری لرزه ای (SVA) ساختمان های مسکونی شهری. ISPRS Int. J. Geo-Inform. 2018 ، 7 ، 444. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  72. Saaty، TL فرآیند تحلیل سلسله مراتبی چیست؟ در مدل های ریاضی برای تصمیم گیری ; Springer: برلین/هایدلبرگ، آلمان، 1988; صص 109-121. [ Google Scholar ]
  73. Saaty، TL نحوه تصمیم گیری: فرآیند تحلیل سلسله مراتبی. یورو جی. اوپر. Res. 1990 ، 48 ، 9-26. [ Google Scholar ] [ CrossRef ]
  74. Saaty، RW فرآیند تحلیل سلسله مراتبی – چیست و چگونه استفاده می شود. ریاضی. مدل. 1987 ، 9 ، 161-176. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. ساعتی، TL; Tran, LT در مورد بی اعتباری قضاوت های عددی مبهم در فرآیند تحلیل سلسله مراتبی. ریاضی. محاسبه کنید. مدل. 2007 ، 46 ، 962-975. [ Google Scholar ] [ CrossRef ]
  76. Bijukchen, SM; کیاستا، پ. Dhital، MR ارزیابی مقایسه‌ای مدل‌سازی آماری اکتشافی و دو متغیره برای نگاشت‌های حساسیت زمین لغزش در غورمی-داد خولا، شرق نپال. عرب جی. ژئوشی. 2013 ، 6 ، 2727-2743. [ Google Scholar ] [ CrossRef ]
  77. رودناس، جی ال. گارسیا-آیلون، اس. توماس، الف. برآورد آسیب پذیری لرزه ای ساختمان ها: پیشنهاد روش شناختی برای برنامه ریزی سناریوهای ضد زلزله در مناطق شهری. Appl. علمی 2018 ، 8 ، 1208. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  78. Kegyes-Brassai، O. ارزیابی آسیب‌پذیری ساختمان‌ها بر اساس غربالگری سریع بصری و Pushover: مطالعه موردی Gyor، مجارستان. محاسبه کنید. روش‌ها Exp. اندازه گرفتن. XIX زمین. مقاومت کردن. مهندس ساختار. XII 2019 ، 185 ، 63-74. [ Google Scholar ]
  79. خادمی، ن. بالایی، ب. شهری، م. میرزایی، م. صرافی، ب. ذهبیون، م. Mohaymany، تحلیل آسیب پذیری شبکه حمل و نقل AS برای مورد یک زلزله فاجعه بار. بین المللی J. کاهش خطر بلایا. 2015 ، 12 ، 234-254. [ Google Scholar ] [ CrossRef ]
  80. دوو، جی. Bui، DT; یونس، AP; جیا، ک. آهنگ، X. روهاگ، آی. شیا، اچ. Zhu، Z. بهینه سازی عوامل ایجاد کننده برای ارزیابی حساسیت زمین لغزش با استفاده از سنجش از دور و داده های GIS در بخش هایی از Niigata، ژاپن. PLoS ONE 2015 ، 10 ، 0133262. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  81. یوسف، HHM; رازک، کالیفرنیا؛ یوئن، اف. هارون، ع. طالب، ج. محمد، ز. رملی، ز. عبد رضاب، ر. نقشه برداری از زمین لغزش های ناشی از زلزله پس از رویداد در Sg. Mesilou با استفاده از LiDAR. IOP Conf. سری Earth Environ. علمی 2016 , 37 , 012068. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  82. عبد رزاق، اس ام اس; عدنان، ع. عباس، MRC; لین، WS؛ Zainol، NZ; یحیی، ن. ریزالمان، ع. محمد، من مروری تاریخی بر زمین لرزه های مهم در منطقه اطراف مالزی. Available online: https://www.researchgate.net/profile/Norrazman-Zaiha-Zainol/publication/327233941_A_HISTORICAL_REVIEW_OF_SIGNIFICANT_EARTHQUAKES_IN_REGION_SURROUNDING_MALAYSIA/links/5b82c82f299bf1d5a7297212/A-HISTORICAL-REVIEW-OF-SIGNIFICANT-EARTHQUAKES-IN-REGION-SURROUNDING-MALAYSIA.pdf (دسترسی در 27 فوریه 2021).
  83. لیم، تاریخچه PS تاریخ فعالیت های زلزله در صباح، 1897-1983. جئول نظرسنجی مالایی ان Rep. 1985 , 350-357. [ Google Scholar ]
  84. فعالیت‌های لرزه‌ای لیم، PS در صباح و ارتباط آنها با زمین ساخت منطقه‌ای. جئول نظرسنجی مالایی ان Rep. 1986 , 465-480. [ Google Scholar ]
  85. لرزش زمین ویلفورد، جنرال الکتریک در صباح. شرکت صباح J. 1967 , 3 , 136-138. [ Google Scholar ]
  86. لیو، CH; چانگ، CF; آرنولد، EP; Kho, SL; لیم، YT؛ سوبرامانیام، م. Ong، TC; قهوهای مایل به زرد، CK; یاپ، KS؛ شو، YK; و همکاران انجمن زلزله شناسی و مهندسی زلزله آسیای جنوب شرقی در زمین لرزه شناسی – مالزی. سیسمول لرزه ای. 1985 ، 3 . [ Google Scholar ]
  87. هاردینگ، JS؛ جلیمن، زمین لرزه های PG، افزودن رسوبات فاجعه بار و واکنش جوامع جریان شهری. NZJ Mar. Freshw. Res. 2015 ، 49 ، 346-355. [ Google Scholar ] [ CrossRef ]
  88. احمد، RA; سینگ، آرپی؛ آدریس، الف. ارزیابی خطر لرزه ای سوریه با استفاده از لرزه خیزی، DEM، شیب، گسل های فعال و GIS. Remote Sens. Appl. Soc. محیط زیست 2017 ، 6 ، 59-70. [ Google Scholar ] [ CrossRef ]
  89. میلج، دی. راسر، ن. فر، K. Dixit، AM; دانگل، آر. Basyal، GK; آدیکاری، اس آر. Densmore، A. دستورالعمل های ساده برای به حداقل رساندن قرار گرفتن در معرض زمین لغزش های ناشی از زلزله. زمین جلو. مختصر. یادداشت 2018 . در دسترس آنلاین: https://eprints.esc.cam.ac.uk/4298/ (در 20 آوریل 2021 قابل دسترسی است).
  90. Wiranata، FE تجزیه و تحلیل آسیب پذیری زمین لغزش ناشی از زلزله بر اساس آسیب پذیری لرزه ای و شیب سطح لغزش در تریتیس، یوگیاکارتا. JFA 2021 ، 17 ، 20-24. [ Google Scholar ] [ CrossRef ]
  91. Alinia، HS; دلاور، رده‌بندی آسیب‌پذیری لرزه‌ای تهران با استفاده از رویکرد محاسبات دانه‌ای. Appl. Geomat. 2011 ، 3 ، 229-240. [ Google Scholar ] [ CrossRef ]
  92. دهال، بی.کی. نقشه خطر زمین لغزش Dahal، RK: ابزاری برای بهینه سازی کاهش هزینه کم. Geoenviron. بلایا 2017 ، 4 ، 1-9. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  93. یو، ایکس. گائو، اچ. نقشه حساسیت زمین لغزش بر اساس تقسیم بندی مقیاس فضایی: مطالعه موردی در زیگوی-بادونگ در منطقه مخزن سه دره، چین. PLoS ONE 2020 , 15 , 0229818. [ Google Scholar ] [ CrossRef ]
  94. Nwe، ZZ; Tun, KT شناسایی مناطق آسیب پذیر لرزه ای بر اساس شرایط کاربری زمین. صبح. علمی Res. J. Eng. تکنولوژی علمی (ASRJETS) 2016 ، 23 ، 90-102. [ Google Scholar ]
  95. ینا، ر. پرادان، بی. بیدون، جی. سفیان، ح. Affan، M. مدل یکپارچه برای ارزیابی خطر زلزله با استفاده از شبکه عصبی و فرآیند تحلیل سلسله مراتبی: استان آچه، اندونزی. Geosci. جلو. 2020 ، 11 ، 613-634. [ Google Scholar ] [ CrossRef ]
  96. آکگون، ا. کینکال، سی. پرادهان، ب. استفاده از داده های سنجش از دور و GIS برای ارزیابی خطر زمین لغزش به عنوان یک تهدید زیست محیطی برای شهر ازمیر (غرب ترکیه). محیط زیست نظارت کنید. ارزیابی کنید. 2012 ، 184 ، 5453-5470. [ Google Scholar ] [ CrossRef ]
  97. سرکار، س. Kanungo، DP; پاترا، AK; کومار، P. تجزیه و تحلیل داده های مکانی مبتنی بر GIS برای نقشه برداری حساسیت زمین لغزش. جی. مانت. علمی 2008 ، 5 ، 52-62. [ Google Scholar ] [ CrossRef ]
  98. تین بوی، دی. پرادان، بی. لوفمن، او. Revhaug، I. ارزیابی حساسیت زمین لغزش در ویتنام با استفاده از ماشین‌های بردار پشتیبان، درخت تصمیم، و مدل‌های ساده بیز. ریاضی. پروب در مهندسی 2012 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  99. راسید، ع. باندری، NP; Yatabe، R. عملکرد نسبت فرکانس و مدل رگرسیون لجستیک در ایجاد نقشه حساسیت زمین لغزش مبتنی بر GIS در کوه Lompobattang، اندونزی. Geoenviron. بلایا 2016 ، 3 ، 1-16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  100. اوزدمیر، ا. Altural، T. مطالعه مقایسه ای نسبت فراوانی، وزن شواهد و روش های رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش: کوه های سلطان، جنوب غربی ترکیه. J. آسیایی زمین علوم. 2013 ، 64 ، 180-197. [ Google Scholar ] [ CrossRef ]
  101. پورقاسمی، HR; پرادان، بی. استفاده از منطق فازی و فرآیند تحلیل سلسله مراتبی (AHP) در نگاشت حساسیت به زمین لغزش در حوزه آبخیز هراز، ایران. نات. خطرات 2012 ، 63 ، 965-996. [ Google Scholar ] [ CrossRef ]
  102. محمدی، م. پورقاسمی، HR; پرادان، ب. نقشه‌برداری حساسیت زمین لغزش در استان گلستان، ایران: مقایسه‌ای بین مدل‌های نسبت فراوانی، دمپستر-شفر و وزن‌های شواهد. J. آسیایی زمین علوم. 2012 ، 61 ، 221-236. [ Google Scholar ] [ CrossRef ]
  103. Unal، I. تعریف یک مقدار نقطه برش بهینه در تحلیل ROC: یک رویکرد جایگزین. محاسبه کنید. ریاضی. روش ها Med. 2017 , 2017 . [ Google Scholar ] [ CrossRef ]
  104. Mandrekar، گیرنده JN عامل منحنی مشخصه در ارزیابی تست تشخیصی. جی. ثور. اونکول. 2010 ، 5 ، 1315-1316. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  105. نوار، تفسیر TG تست های تشخیصی: ناحیه زیر منحنی ROC. 2020. در دسترس آنلاین: https://gim.unmc.edu/dxtests/roc3.htm (در 19 دسامبر 2020 قابل دسترسی است).
  106. هاچیسون، CS زمین شناسی شمال غربی بورنئو. Elsevier BV 2005 , 421 . [ Google Scholar ]
  107. شاه، AA درک زلزله اخیر صباح و سایر منابع لرزه زایی در شمال غربی بورنئو. علمی مالایی. 2015 ، 11 ، 7-10. [ Google Scholar ]
  108. وانگ، ی. وی، اس. وانگ، ایکس. لیندزی، EO; تونگکول، اف. تاپونیه، پی. بردلی، ک. چان، CH; هیل، EM; Sieh, K. زلزله 2015 M w 6.0 Mt. Kinabalu: یک گسیختگی نادر در سیستم گسل کراکر در شرق مالزی. Geosci. Lett. 2017 ، 4 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  109. پترسن، ام. هارمسن، اس. مولر، سی. هالر، ک. دیویی، جی. لوکو، ن. کرون، ا. لیدکه، دی. Rukstales، K. مستندات برای نقشه های خطر لرزه ای جنوب شرقی آسیا. مدیر. Rep. 2007 , 30 . [ Google Scholar ]
  110. Katili، JA مروری بر مفاهیم ژئوتکتونیکی گذشته و حال شرق اندونزی. NJ Sea Res. 1989 ، 24 ، 103-129. [ Google Scholar ] [ CrossRef ]
  111. گاناسان، ر. قهوهای مایل به زرد، CG; ابراهیم، ​​ز. نذری، اف.ام. Wong, YH مطالعه موردی در مورد شکست سازه ای اتصال تیر-ستون بتنی مسلح پس از اولین ضربه مهم زلزله در مالزی. بین المللی J. یکپارچه مهندس. 2020 ، 12 ، 288-302. [ Google Scholar ] [ CrossRef ]
  112. غفار، م. راملی، ن. آلل، م. عدنان، ع. محمد، ای تی. یونس، MZ روش ساده شده برای ارزیابی اولیه آسیب پذیری لرزه ای ساختمان موجود در کونداسانگ، صباح، مالزی. جی. تکنول. 2015 , 72 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  113. جینیه، وی. Harith، ارزیابی آسیب پذیری لرزه ای NSH در کوتا کینابالو، صباح. IOP Conf. سری Earth Environ. علمی 2020 , 476 , 012053. [ Google Scholar ] [ CrossRef ]
  114. Roslee، FTR; ترمیزی، AK; ایندان، ای. Tongkul، F. ارزیابی آسیب پذیری زلزله (EVAs): مطالعه ای از ارزیابی آسیب پذیری فیزیکی در منطقه رانائو، صباح، مالزی. ASM Sci. J. 2018 ، 11 ، 66-74. [ Google Scholar ]
  115. اسماعیل، ر. عدنان، ع. ابراهیم، ​​ع. آسیب‌پذیری ساختمان‌های عمومی صباح در معرض زلزله توسط مدل‌سازی المان محدود. Proc. مهندس 2011 ، 20 ، 54-60. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  116. مرکز، ADP کاهش آسیب پذیری زلزله برای شهرها. سومین دوره آموزشی منطقه ای کاهش آسیب پذیری در برابر زلزله برای شهرها. در دسترس آنلاین: https://pdf4pro.com/cdn/earthquake-vulnerability-concepts-an-22a497.pdf (در 13 آوریل 2021 قابل دسترسی است).
  117. الجزولی، ع. برکات، ع. Khellouk، R. GIS – ارزیابی چند معیاره با استفاده از AHP برای نگاشت حساسیت زمین لغزش در حوضه مرتفع Oum Er Rbia (مراکش). Geoenviron. بلایا. 2019 ، 6 ، 1–2. [ Google Scholar ] [ CrossRef ]
  118. سرکار، دی. Mondal، P. نقشه‌برداری آسیب‌پذیری سیل با استفاده از مدل نسبت فرکانس (FR): مطالعه موردی در حوزه رودخانه کولیک، منطقه باریند هند و بنگلادش. Appl. علوم آب 2020 ، 10 ، 1-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  119. اوه، HJ; لی، اس. ارزیابی حساسیت زمین لغزش هانگ، SM با استفاده از تکنیک نسبت فرکانس با نمونه گیری تصادفی تکراری. J. Sens. 2017 ، 2017 ، 21. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  120. آرورا، ا. پاندی، م. صدیقی، م. هونگ، اچ. میشا، VN پیش‌بینی حساسیت سیلاب فضایی در دشت گنگای میانی: مقایسه نسبت فرکانس و مدل‌های آنتروپی شانون. Geocarto Int. 2019 ، 1–32. [ Google Scholar ] [ CrossRef ]
  121. پورتقی، ز.س. پورقاسمی، HR; Rossi, M. نقشه‌برداری حساسیت به آتش‌سوزی جنگل در جنگل‌های مینودشت، استان گلستان، ایران. محیط زیست علوم زمین 2015 ، 73 ، 1515-1533. [ Google Scholar ] [ CrossRef ]
  122. سیناگا، تی پی؛ نوگروهو، ا. لی، YW; Suh، Y. نقشه برداری GIS آسیب پذیری سونامی: مطالعه موردی منطقه Jembrana در بالی، اندونزی. KSCE J. Civil. مهندس 2011 ، 15 ، 537-543. [ Google Scholar ] [ CrossRef ]
  123. سوریانی، آی. هرمون، دی. بارلیان، ای. دواتا، آی. عمر، اول. دستورالعمل سیاست برای آموزش کاهش بلایا مبتنی بر AHP پس از فوران آتشفشان دمپو در شهر پاگار علم-اندونزی. بین المللی جی. مناگ. انسان. (IJMH) 2020 ، 4 ، 39-43. [ Google Scholar ]
  124. هان، جی. نور، ع. سیفا، م. ها، م. لی، سی دبلیو؛ لی، KY بهبود آگاهی از خطر زلزله و سواد لرزه ای شهروندان کره از طریق نقشه آسیب پذیری زلزله از زلزله پوهانگ 2017، کره جنوبی. Remote Sens. 2021 , 13 , 1365. [ Google Scholar ] [ CrossRef ]
  125. آژانس مدیریت اضطراری فدرال (FEMA). مقررات توصیه شده NEHRP برای ساختمان های جدید و سایر سازه ها: مواد آموزشی و آموزشی. FEMA 451B. 2007. در دسترس آنلاین: https://www.ce.memphis.edu/7119/PDFs/FEAM_Notes/Topic01-CourseIntroduction.pdf (در 17 آوریل 2021 قابل دسترسی است).
Ijgi 10 00271 g001 550
شکل 1. موقعیت منطقه مورد مطالعه در ایالت صباح، مالزی. تصاویر Landsat 8 به‌دست‌آمده از سازمان زمین‌شناسی ایالات متحده (USGS) روی نقشه قرار گرفتند.
Ijgi 10 00271 g002a 550 Ijgi 10 00271 g002b 550 Ijgi 10 00271 g002c 550
شکل 2. توزیع فعالیت‌های لرزه‌ای گذشته در منطقه مورد مطالعه با 60 نقطه برای مدل‌سازی نقشه آسیب‌پذیری استفاده شد در حالی که از 24 نقطه دیگر برای اعتبارسنجی مدل ( a )، فاصله از ساختمان‌ها ( b )، فاصله از جاده‌ها ( c) استفاده شد. )، فاصله از مسیرها ( d )، ارتفاع ( e )، فاصله از خطوط گسل ( f )، سنگ شناسی ( g )، فاصله از رودخانه ها ( h )، فاصله از نهرها ( i )، و زاویه شیب ( j ).
Ijgi 10 00271 g003 550
شکل 3. نقشه آسیب پذیری لرزه ای با استفاده از مدل FR-IoE ( a ) و (FR-IoE) مدل AHP ( b ) محاسبه شده است.
Ijgi 10 00271 g004a 550 Ijgi 10 00271 g004b 550
شکل 4. مقایسه عملکرد هر مدل با استفاده از منحنی‌های ROC با ( a , b ) نشان‌دهنده میزان موفقیت مدل FR-IoE (0.853) و (FR-IoE) مدل AHP (0.856) است، در حالی که ( c , d ) نشان دهنده نرخ های پیش بینی مدل FR-IoE (0.863) و (FR-IoE) مدل AHP (0.906) است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید