مقايسه روش هاي رگرسيون لجستيك، نسبت فراواني و تحليل سلسله مراتبي در تهيه ي نقشه ي حساسيت ريزش‌سنگ (مطالعه موردي: استان كردستان، گردنه صلوات آباد)

Comparison of Logistic Regression, Frequency Ratio and AHP In Rock Fall Susceptibility Mapping (Case Study: Kurdistan Province, Salavat Abad Saddle)

ريزش‌سنگ‌ها از فرآيندهاي ژيومرفيكي طبيعي فعال روي دامنه‌هاي پر‌شيب نواحي كوهستاني‌ مي‌باشند. در اين پژوهش، با استفاده از روش هاي رگرسيون لجستيك، نسبت فراواني و تحليل سلسله مراتبي در طول 11 كيلومتر از جاده گردنه صلوات‌آباد در شرق شهرستان سنندج در استان كردستان، نقشه‌هاي پهنه‌بندي حساسيت ريزش‌‌سنگ تهيه شدند. متغير وابسته حضور و عدم حضور ريزش‌سنگ و متغيرهاي مستقل شامل درجه شيب، جهت شيب، شكل شيب، ارتفاع از سطح دريا، فاصله از جاده، فاصله از گسل، سنگ شناسي و كاربري اراضي مي‌باشند. نقشه‌هاي پهنه بندي با موقعيت ريزش‌سنگ‌ها با استفاده از روش نرخ منحني موفقيت Success Rate Curve (SRC)، مقايسه و مورد آزمون قرار گرفتند. نتايج ارزيابي صحت روش ها نشان داد كه درصد مساحت زير منحني (AUC) نقشه‌ها به ترتيب در مدل رگرسيون لجستيك 09/85 درصد، در مدل تحليل سلسله مراتبي 2/83 درصد و در مدل نسبت فراواني 74/76 درصد به دست آمدند. بنابراين مدل رگرسيون لجستيك نسبت به ساير مدل‌ها براي شناسايي مناطق مستعد و حساس به حساسيت ريز‌ش‌سنگ در منطقه مورد مطالعه مناسب تر شناخته شد.

Rock falls are natural process of activities geomorphic on steep slopes in mountainous terrains. At this research, rock fall susceptibility mapping was generated by logistic regression (LR), frequency ratio (FR) and analytical hierarchy process (AHP) at a long 11 km of the Salavat Abad road in the eastern of Sanandaj, Kurdistan, Iran. Dependent variables is occurrence and non-occurrence of rock falls and independent variables are including; slope degree, slope aspect, slope curvature, elevation of sea, lithology, distance from road, distance from fault, land use. The maps which were generated with the methods, compared and verified with rock-falls situation using the success rate curve (SRC). Results showed that the logistic regression, analytical hierarchy process and frequency ratio methods had an accuracy of 85.09, 83.2 and 76.76 percent of the area under the curve (AUC), respectively. Therefore, logistic regression is more proper than the other methods for determining regions prone to the rock fall in the case study.