مقایسه روش های رگرسیون لجستیک، نسبت فراوانی و تحلیل سلسله مراتبی در تهیه ی نقشه ی حساسیت ریزش‌سنگ (مطالعه موردی: استان کردستان، گردنه صلوات آباد)

ریزش سنگ ها از فرآیندهای ژئومرفیکی طبیعی فعال روی دامنه های پر شیب نواحی کوهستانی می باشند. در این پژوهش، با استفاده از روش های رگرسیون لجستیک، نسبت فراوانی و تحلیل سلسله مراتبی در طول 11 کیلومتر از جاده گردنه صلوات آباد در شرق شهرستان سنندج در استان کردستان، نقشه های پهنه بندی حساسیت ریزش سنگ تهیه شدند. متغیر وابسته حضور و عدم حضور ریزش سنگ و متغیرهای مستقل شامل درجه شیب، جهت شیب، شکل شیب، ارتفاع از سطح دریا، فاصله از جاده، فاصله از گسل، سنگ شناسی و کاربری اراضی می باشند. نقشه های پهنه بندی با موقعیت ریزش سنگ ها با استفاده از روش نرخ منحنی موفقیت success rate curve (src)، مقایسه و مورد آزمون قرار گرفتند. نتایج ارزیابی صحت روش ها نشان داد که درصد مساحت زیر منحنی (auc) نقشه ها به ترتیب در مدل رگرسیون لجستیک 85.09 درصد، در مدل تحلیل سلسله مراتبی 83.2 درصد و در مدل نسبت فراوانی 76.74 درصد به دست آمدند. بنابراین مدل رگرسیون لجستیک نسبت به سایر مدل ها برای شناسایی مناطق مستعد و حساس به حساسیت ریزش سنگ در منطقه مورد مطالعه مناسب تر شناخته شد.

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

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 nonoccurrence 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 rockfalls 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.