پیش‌بینی قابلیت وقوع زمین‌لغزش با استفاده از مدل رگرسیون لجستیک رخدادهای نادر (مطالعه موردی: حوضه آبخیز زیارت، گرگان)

حوضه آبخیز زیارت در جنوب شهرستان گرگان به دلایل ژئومورفولوژیک، آنتروپوژنیک و زمین شناسی همواره در معرض وقوع حرکات توده ای به ویژه زمین لغزش است. هدف از این مطالعه پیش بینی قابلیت وقوع زمین لغزش و تحلیل فاکتورهای موثر بر آن در این حوضه با استفاده از مدل رگرسیون لجستیک رخدادهای نادر است. به این منظور لایه های متغیرهای زمین شناسی، کاربری اراضی، شیب، جهت شیب، فاصله از راه های ارتباطی، فاصله از رودخانه و فاصله از گسل با استفاده از نقشه های زمین شناسی، توپوگرافی و عکس های هوایی تهیه شدند، همچنین لایه های میزان رس، ماسه، سیلت، رطوبت اشباع و حد روانی خاک بعد از برداشت 32 نمونه از نقاط لغزشی زمین لغزش ها و32 نمونه از نقاط فاقد لغزش و تجزیه آزمایشگاهی، آماده شدند. فاکتورهای کنترل کننده زمین لغزش با استفاده از مدل رگرسیون لجستیک رخدادهای نادر مشخص و براساس ضرایب آنها نقشه پیش بینی قابلیت رخداد زمین لغزش تهیه و اعتبارسنجی شد. نقشه پهنه بندی زمین لغزش این حوضه به پنج کلاس خطر شامل خطر بسیار کم تا خطر بسیار زیاد طبقه بندی شد. با توجه به این نقشه، بیشترین مساحت حوضه به کلاس خطر بسیار زیاد با حدود 16.8 کیلومتر مربع تعلق دارد. نتایج اعتبارسنجی مدل رگرسیون لجستیک رخدادهای نادر با استفاده از منحنی مشخصه عملکرد گیرنده (roc)، مقدار 0.69 به دست آمد که نشان دهنده معتبر بودن نتایج این مدل برای حوضه آبخیز زیارت است. به طورکلی، نتایج این مطالعه می تواند برای اقدامات اصلاحی و آبخیزداری پهنه های با خطر بالا برای وقوع زمین لغزش مفید باشد.

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

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 nonoccurrence 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 highrisk zones.