پهنه‌بندی خطر زمین‌لغزش در محور بوکان- سردشت با استفاده از مدل‌های شواهد وزنی و تابع شواهد قطعی

هدف این پژوهش، پهنه‌بندی خطر زمین‌لغزش در طول محور ارتباطی کوهستانی بوکان– سردشت در استان آذربایجان غربی است. این کار با استفاده از روش‌های داده‌کاوی مدل شواهد وزنی و مدل تابع شواهد قطعی و سامانۀ اطلاعات جغرافیایی (gis) و فنون سنجش از دور انجام گرفت. دوازده عامل تاثیرگذار در وقوع زمین‌لغزش شامل لایه‌های سنگ‌شناسی، درجۀ شیب، جهت شیب، شاخص نرمال‌شدۀ تفاوت پوشش گیاهی، فاصله از آبراهه، شکل انحنای معمولی دامنه، شکل انحنای عرضی دامنه، شکل انحنای طولی دامنه، فاصله از گسل، فاصله از جاده، مقدار بارندگی سالانه و ارتفاع از سطح دریا عوامل موثر در وقوع زمین‌لغزش در منطقه تشخیص داده شدند و برای تهیۀ نقشۀ حساسیت به زمین‌لغزش منطقه از آنها استفاده شد. مختصات مکانی 109 نقطه لغزشی در شهرستان یادشده ثبت شد. حدود 30 درصد از لغزش‌های ثبت‌شده (32 نقطۀ لغزشی) به‌عنوان زمین‌لغزش‌های آزمایشی به‌صورت کاملاً تصادفی جدا شده و 77 نقطۀ لغزشی باقی‌مانده به‌عنوان لغزش‌های آموزشی وارد آنالیزها شدند. در روش شواهد وزنی (woe) و تابع شواهد قطعی (ebf) مقادیر ارزش اطلاعاتی و وزن‌های اختصاص‌یافته به هر یک از عوامل با استفاده از محاسبات آماری در نرم‌افزار اکسل صورت گرفت و پس از جمع جبری همۀ لایه‌ها، نقشۀ حساسیت به زمین‌لغزش آماده شد. دقت پیش‌بینی مدل‌های مختلف با استفاده از سطح زیرمنحنی roc سنجیده شد. سطح زیرمنحنی roc در روش تابع شواهد قطعی (ebf) برابر با 0.910 بود و بیشترین مقدار را کسب کرد و روش شواهد وزنی نیز با مقدار سطح زیرمنحنی roc معادل با 0.893 برآوردهای بسیار قابل قبولی در پهنه‌بندی زمین‌لغزش‌های منطقه نشان داد. با ملاحظۀ زمین‌لغزش‌های آزمایشی واقع‌شده در طبقات حساسیت وقوع زمین‌لغزش این واقعیت را آشکار می‌سازد که با افزایش طبقات حساسیت وقوع زمین‌لغزش در هر دو روش به‌صورت چشمگیری بر تراکم زمین‌لغزش‌ها در این مناطق افزوده شده است، درحالی که زمین‌لغزش‌های آزمایشی در مدل‌سازی‌ها تاثیری نداشته‌اند و صحت نقشۀ پهنه‌بندی را تایید می‌کنند.

landslide hazard mapping in bukan - sardasht road using the weight of evidence and evidential belief function models

the aim of this study is landslides mapping along the bukan-sardasht mountain communication road of west azerbaijan province, using the data mining methods of weight of evidence (woe) and evidential belief function (ebf) using geographic information system (gis) and remote sensing technique was done. twelve influential factors in the occurrence of landslides including layers: lithology, slope degree, slope direction, ndvi index, distance from rivers, the shape of the normal curvature of the range, shape of the transverse curvature of the range, shape of the longitudinal curvature of the range, distance to fault, distance to road, rainfall and elevation have been identified as effective factors in the occurrence of landslides in the study area and were used to prepare the landslide sensitivity map of the study area. the spatial coordinates of 109 landslide points in the studied city were recorded. about 30% of the recorded landslides (32 landslide points) were isolated as test landslides completely randomly and the remaining 77 landslide points were included in the analysis as training landslides. in the woe and ebf methods, information value values and weights assigned to each of the factors were made using statistical calculations in excell software, and after algebraic summing of all layers with the help of raster calculations; a landslide susceptibility map was prepared. the prediction accuracy of the different models used in this study was measured using the roc curve. the area under the roc curve in the ebf method was equal to 0.910 and obtained the highest value. the weighted evidence method with the value of the area under the roc curve equal to 0.893 showed very acceptable estimates in the zoning of landslides in the studied area. considering the experimental landslides located in the landslide susceptibility classes, it reveals the fact that by increasing the landslide susceptibility classes in both methods, the density of landslides in these areas has been significantly increased, and this is while the experimental landslides did not play a role in the modeling and confirm the correctness of the zoning map.