ارزيابي كارايي تركيب روش داده محور EBF و روش دانش محور AHP (مطالعه موردي: حوضه فريدون شهر)

performance assessment of integrated model of data driven EBF model and knowledge driven AHP model (Case study: ferydoun shahr watershed

در طي دهه‌هاي گذشته، زمين لغزش‌ها به دليل طبيعت مخربشان موضوع مهم پژوهش بوده‌اند. زمين لغزش‌ها از فرآيندهاي ژئومورفيك رايج در مناطق كوهستاني مي‌باشند كه باعث حركت توده‌اي مواد سنگي، رگوليت و يا خاك مي‌گردند. تعيين زمين لغزش‌هاي آينده به فرآيندهاي زمين‌شناختي، ژئومورفولوژيكي و هيدرولوژيكي بستگي دارد كه باعث بي‌ثباتي در گذشته و حال حاضر شده‌اند. به منظور ساخت جاده‌ها، راه‌آهن، خطوط لوله آب و خطوط الكتريسيته در مناطق كوهستاني تهيه نقشه پراكنش زمين‌لغزش بسيار مهم مي‌باشد. به منظور ارزيابي حساسيت زمين‌لغزش تعدادي از تكنيك‌هاي مختلف مورد استفاده قرار مي‌گيرد كه دامنه‌اي از ارزيابي‌هاي كيفي بر اساس قضاوت‌هاي كارشناسي كه ذاتي مي‌باشند تا ارزيابي‌هاي كمي بر اساس تكنيك‌هاي آماري پيشرفته و يا مدل‌هاي رياضي را شامل مي‌شود. مواد و روش ها: مراحل روش‌شناسي كه در تحقيق حاضر مورد استفاده قرار گرفته است شامل 6 گام مي‌باشد. گام نخست: تهيه منابع داده‌هايي كه در اين پژوهش مورد استفاده قرار گرفته است شامل: داده‌هاي مربوط به عمليات ميداني، گزارشات تاريخي، نقشه توپوگرافي با مقياس 1:50000، داده‌هاي هواشناسي، نقشه زمين‌شناسي با مقياس 1:100000، مدل رقومي ASTER با قدرت تفكيك 30 متر و تصاوير لندست 8 با قدرت تفكيك 30 متر. گام دوم. تهيه نقشه پراكنش زمين‌لغزش: در اين پژوهش نقشه پراكنش زمين لغزش با تعداد 80 موقعيت زمين‌لغزش با استفاده از عمليات ميداني گسترده و تفسير عكس‌هاي هوايي تهيه گرديد. گام سوم: تهيه پارامترهاي موثر در زمين لغزش. گام چهارم: آناليز تست هم‌خطي بين پارامترهاي موثر در زمين‌لغزش. در اين پژوهش 12 پارامتر به عنوان پارامتر موثر در زمين‌لغزش مورد استفاده قرار گرفتند كه شامل طبقات‌ارتفاعي، شيب، شكل-شيب، طول‌شيب، فاصله از آبراهه، شاخص خيسي توپوگرافي، نسبت مساحت سطح، فاصله از جاده، سنگ‌شناسي، ليتولوژي، بارندگي و كاربري‌اراضي مي‌باشند. گام پنجم: تركيب مدل داده‌محور شواهد وزن‌قطعي و مدل دانش‌محور تحليل سلسله مراتبي با استفاده از رابطه بين موقعيت زمين‌لغزش‌ها و داده‌هاي مختلف. گام ششم: صحت‌سنجي مدل با استفاده از شاخص‌هاي مساحت زيرمنحني و شاخص سطح سلول هسته. يافته ها: نتايج حاصل از رابطه فضايي بين موقعيت زمين‌لغزش‌ها و پارامترهاي موثر در زمين‌لغزش‌ها با استفاده از مدل شواهد وزن قطعي (قطعيت، عدم قطعيت، عدم اطمينان، و احتمال) در جدول 3 و شكل 3 نشان داده شده است. مقايسه بين نقشه قطعيت و عدم‌قطعيت نشان داد كه مقادير قطعيت براي مناطقي كه داراي مقادير عدم قطعيت پايين مي‌باشد، بالا مي‌باشد و بالعكس. اين موضوع بيانگر پتانسيل بالاي وقوع زمين‌لغزش در مناطق داراي درجات بالاي قطعيت و درجات پايين عدم قطعيت مي‌باشد. مقادير بالاي عدم‌اطمينان در مناطق داراي مقادير قطعيت پايين قرار دارند. وزن‌دهي پارامترهاي موثر در زمين‌لغزش با استفاده از روش AHP نشان داد كه پارامترهاي ليتولوژي، طبقات ارتفاعي، فاصله از جاده، شيب و بارندگي به عنوان مهمترين فاكتورهاي موثر در وقوع زمين لغزش مي‌باشند. نسبت سازگاري ماتريس 0/036 بدست آمد كه مقدار دقت خيلي‌خوبي است كه منعكس كننده دقت بالاي سازگاري اولويت‌بندي بين پارامترها مي‌باشد.

Background and objectives: During the past decades, landslides have been a significant subject of research as a consequence of their devastated nature. Landslides are common geomorphic processes in mountain areas and are responsible for mass movements involving rock materials, regolith and/or soil debris. for manufacture roads, railways, water pipe line and electric line, the preparation of landslide distribution map is very much significant. Determine the occurrence of future landslides depend on the geological, geomorphological and hydrological processes that led to instability in the past and also at present. To evaluate terrain susceptibility to landslides, a number of different techniques are used, ranging from qualitative assessments based on expert judgment, which are intrinsically subjective to quantitative assessments based on advanced statistical techniques or mathematical models. Materials and methods: the steps of methodologies that were applied in the current study, including six steps. Step1. data sources that are used in the current study including data related to field Surveys, historical reports, topographic maps of 1:50,000-scale, meteorological data, geological map of 1:100,000-scale, A digital elevation model (DEM) with the resolution of 30 m £ 30m was extracted from the ASTER GDEM data, The Landsat 8 OLI images with the resolution of 30 m × 30 m. Step2. Preparing the inventory map. In this study, a landslide inventory map with a total of 80 landslide events was provided by the extensive field survey and interpretation of aerial photos. Step3. Landslide-conditioning factors. Step4. Multicolinearity analysis of landslide conditioning factors. In the current study, 12 factors were used as conditioning factors. These include elevation, slope, plan curvature, stream length, distance from streams, topography wetness index, surface area ratio, distance from roads, lithology, distance from faults, rainfall, and land use. Step5. Combination of EBF data driven and AHP knowledge driven models according to the relation between the landslides location and the different datasets. Step5. Validation of models using AUC and SCAI inficators. Results: Results of the spatial relationship between landslide and conditioning factors using the EBF (belief, disbelief, uncertainty, and plausibility) model are shown in Table 3. Comparison between the belief map and the disbelief map showed that belief values were high for areas where disbelief values were low and vice versa. It revealed that high potential of landslide occurrence was for the areas with high degrees of belief and low degrees of disbelief. The high uncertainty values were in the areas with low belief values. Weighting of conditioning factors by AHP showed that parameters of lithology, elevation, distance to road, slope, and rainfall are the most effective prediction factors in landslide occurrence. The consistency ratio shows 0.034 value, which is reasonably good accuracy value, which reflect the high accuracy of ranking consistency between the factors. Conclusion : Due to some shortening of the AHP knowledge driven and EBF data driven models when applied individually in landslide susceptibility mapping, it can be overcome by using ensemble techniques. The AUC results showed that the success rate and prediction rate for ensemble model are 0.872 (78.3 %), 0.903, respectively. results of SCAI values of the ensemble model is desirable, in the high and very high susceptibility classes. The resultant landslide susceptibility map show that the high susceptibility areas are mainly distributed along the northwest to west direction in the study area. this map can provide very useful information for planners, decision makers, and engineers in slope management and land use planning in landslide areas