پيش‌بيني قابليت وقوع زمين‌لغزش با استفاده از مدل رگرسيون لجستيك رخدادهاي نادر (مطالعه موردي: حوضه آبخيز زيارت، گرگان)

Prediction of Landslide Susceptibility Using Rare Events Logistic Regression (A Case-Study: Ziarat Drainage Basin, Gorgan

حوضه آبخيز زيارت در جنوب شهرستان گرگان به دلايل ژئومورفولوژيك، آنتروپوژنيك و زمين شناسي همواره در معرض وقوع حركات توده اي به ويژه زمين لغزش است. هدف از اين مطالعه پيش بيني قابليت وقوع زمين لغزش و تحليل فاكتورهاي موثر بر آن در اين حوضه با استفاده از مدل رگرسيون لجستيك رخدادهاي نادر است. به اين منظور لايه هاي متغيرهاي زمين شناسي، كاربري اراضي، شيب، جهت شيب، فاصله از راه هاي ارتباطي، فاصله از رودخانه و فاصله از گسل با استفاده از نقشه هاي زمين شناسي، توپوگرافي و عكس هاي هوايي تهيه شدند، همچنين لايه هاي ميزان رس، ماسه، سيلت، رطوبت اشباع و حد رواني خاك بعد از برداشت 32 نمونه از نقاط لغزشي زمين لغزش ها و32 نمونه از نقاط فاقد لغزش و تجزيه آزمايشگاهي، آماده شدند. فاكتورهاي كنترل كننده زمين لغزش با استفاده از مدل رگرسيون لجستيك رخدادهاي نادر مشخص و براساس ضرايب آنها نقشه پيش بيني قابليت رخداد زمين لغزش تهيه و اعتبارسنجي شد. نقشه پهنه بندي زمين لغزش اين حوضه به پنج كلاس خطر شامل خطر بسيار كم تا خطر بسيار زياد طبقه بندي شد. با توجه به اين نقشه، بيشترين مساحت حوضه به كلاس خطر بسيار زياد با حدود 16.8 كيلومتر مربع تعلق دارد. نتايج اعتبارسنجي مدل رگرسيون لجستيك رخدادهاي نادر با استفاده از منحني مشخصه عملكرد گيرنده (roc)، مقدار 0.69 به دست آمد كه نشان دهنده معتبر بودن نتايج اين مدل براي حوضه آبخيز زيارت است. به طوركلي، نتايج اين مطالعه مي تواند براي اقدامات اصلاحي و آبخيزداري پهنه هاي با خطر بالا براي وقوع زمين لغزش مفيد باشد.

Ziarat drainage basin, in the southern part of Gorgan city, is exposed to mass movement, especially landslide occurrence, due to geologic, geomorphologic, and anthropogenic reasons. The objectives of this study were to predict landslide susceptibility and to analyze the effective factors using rare events logistic regression. In view of this, the map layers of the variables including geology, land use, slope, slope aspect, distance of road, distance of fault and distance of river were prepared using topographic and geologic maps and aerial photo interpretation. In addition, the map layers of the soil variables including the percent of clay, silt, sand, and saturation water as well as plasticity limit index were determined based on the laboratory analysis of 32 soil samples collected from landslide sites and 32 soil samples obtained from non-occurrence landslide sites. The controlling factors of landslide were determined using rare events logistic regression analysis; then based on their coefficients, the landslide risk zoning map was prepared and validated. The landslide risk zoning map was classified in five different hazard classes ranging from very low risk to very high risk; the very high risk class with 16.8 km2 was assigned as the having the highest percent of the catchment area. The results of the model validation showed that the rare events logistic regression model with the receiver operating characteristic (ROC) of 0.69 could be a suitable prediction model for the study area. The results of this study could be, therefore, useful for corrective actions and watershed management landslide high-risk zones.