ارزیابی و مقایسه مدل هایCART و TreeNet جهت تهیه نقشه های حساسیت زمین لغزش با استفاده نرم افزار SPM و سامانه اطلاعات جغرافیایی (GIS)، (مطالعه موردی حوضه آبخیز کمه، جنوب استان اصفهان)

ذاکری نژاد, رضا; کهرانی, عباس

doi:10.22111/jneh.2023.42304.1904

ارزیابی و مقایسه مدل هایCART و TreeNet جهت تهیه نقشه های حساسیت زمین لغزش با استفاده نرم افزار SPM و سامانه اطلاعات جغرافیایی (GIS)، (مطالعه موردی حوضه آبخیز کمه، جنوب استان اصفهان)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار گروه جغرافیای طبیعی دانشکده علوم جغرافیایی و برنامه ریزی دانشگاه اصفهان، ایران

² کارشناسی ارشد رشته سنجش از دور و GIS، دانشکده جغرافیا و برنامه ریزی دانشگاه اصفهان

10.22111/jneh.2023.42304.1904

چکیده

زمین لغزش ها از جمله ی مخاطرات محیطی که هر ساله موجب خسارات زیاد جانی و مالی در قسمت های وسیعی از نواحی کوهستانی کشورمان می باشد، از این رو شناسایی عوامل مهم و موثر بر وقوع این پدیده، می تواند به عنوان ابزاری کاربردی در کاهش زیان احتمالی مورد استفاده قرار گیرد. مدلسازی مناطق حساس به زمین لغزش در تصمیم گیری و برنامه ریزی کاربری زمین از اهمیـت ویـژهای برخوردار است. حوضه آبخیز کمه در جنوب استان اصفهان به لحاظ موقعیت خاص توپوگرافی، زمین شناسی، لیتولوژی، اقلیمی و انسانی خود به عنوان یکی از مناطق مستعد وقوع زمین لغزش انتخاب گردیده است. این پژوهش با هدف شناسایی عوامل موثر در ایجاد پدیده زمین لغزش و تعیین مناطق حساس زمین لغزش با استفاده از مدل های CART و TreeNet در محیط نرم افزار SPM و ArcGISدر حوضه مورد مطالعه پرداخته است. برای این منظور، از 11 فاکتور موثر در وقوع زمین لغزش شامل ارتفاع، شیب، جهت شیب، رطوبت نسبی، بارش، پوشش گیاهی، کاربری زمین، زمین شناسی، فاصله از جاده، گسل و آبراهه به عنوان متغیر مستقل و 311 نقطه برداشت شده از محل وقوع زمین لغزش به عنوان متغیر وابسته استفاده گردید. برای انجام تحقیق و اجرای مدلها تعداد 70 درصد زمین لغزشها برای آموزش مدل و 30 درصد مابقی نقطه لغزشی برای مرحله اعتبارسنجی به کار گرفته شد. نتایج این مطالعه با توجه به شاخص های آماری مختلف مورد استفاده از دقت بالاتر مدل CART نسبت به مدل TreeNet می باشد. خروجی مدل، نقشه حساسیت زمین لغزش با 5 کلاس خیلی زیاد، زیاد، متوسط، کم و خیلی کم می‌‌باشد. شایان ذکر هست که مناطق پر خطر در این مطالعه بیشتر در مناطق غرب و جنوب غرب منطقه مورد مطالعه می باشند. ضروری می باشد که برنامه ریزان ملی و منطقه ای، اقدامات و تدابیر کنترلی و حفاظتی مناسبی را جهت کنترل مناطق حساس انجام دهند.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Assessment and Comparison of CART and TreeNet models to Landslide Susceptibility Mapping using SPM Software and Geographic Information System (GIS), (Case study: Kameh Watershed, Southern of Isfahan Province)

نویسندگان [English]

Reza Zakerinejad ¹
Abbas Kahrani ²

¹ Assistant Professor of GIS and RS, Faculty of Geographical and Planning, University of Isfahan, Iran

² M.Sc. student of GIS and RS, Faculty of Geographical and Planning, University of Isfahan, Iran

چکیده [English]

Landslide is one of the environmental hazards that every year cause loss of life and financial losses in large parts of the mountainous regions of Iran. Therefore, identifying important and effective factors for the occurrence of this phenomenon can be used as a practical tool in reducing possible losses. Modeling the susceptible area into landside hazards can be a useful tool for the police makers for protecting the prone areas. The Kameh watershed in the south of Isfahan province has been selected as one of the areas prone to landslides due to its special topography, geology, lithology, climate, and social-economic situation. This research aims to identify the effective factors in creating the phenomenon of landslides and to determine the areas with a high risk of landslides by applying the CART and TreeNet models with using of SPM and ArcGIS 10.8 software in the studied area. We have used 11 factors that affect the occurrence of landslides including geology, amount of precipitation, slope, distance from the river, TWI, land use, NDVI, elevation, aspect, distance from the faults, and distance from roads, as the independent variables and 311 landslides (as a polygon) collected from the study area were used as dependent variables. For running our models, 70% of the landslides were used as training and the remaining 30% of the landslide points were used for validation. The results of this study, according to the various statistical indicators that have been applied, show a higher accuracy of the CART model than the TreeNet model. The output of the model is a landslide peril map with 5 classes: very high, high, medium, low, and very low. It would be worth the managers and policymakers to use these results for protecting the susceptible areas.

کلیدواژه‌ها [English]

Komeh watershed
Landslide
CART
TreeNet
SPM

مراجع

اسلامی، محمود؛ شادفر، صمد؛ محمدی، علی؛ ابراهیم، ترکاشوند؛ پذیرا. (1398). بررسی وقوع خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی(ANN) در محیط GIS مطالعه موردی، حوضه آبخیز الموت رود. پژوهشنامه مدیریت حوضه آبخیز، 10، (19)، 131-117.

پناهی، مهدی؛ میرهاشمی، سیدحسن. (1394). ارزیابی دو الگوریتم داده کاوی CART و CHAID در پیش بینی دمای هوای ایستگاه سینوپتیک اراک، فصلنامه علوم محیطی، 13(4):53-58.

تیموری یانسری، زینب؛ حسین زاده، سید رضا؛ کاویان، عطاالله؛ پور قاسمی، حمید رضا. (1396). تعیین پهنه‌های حساس به وقوع لغزش با استفاده از روش آنتروپی شانون (مطالعه موردی : حوضه آبخیز چهاردانگه - استان مازندران). جغرافیا و مطالعات محیطی، (22)، 204-183.

حسینی کار، کمال؛ رفیعی، شاهین؛ شیرزادی، عطااله؛ نبی الهی، کمال. (1395). ارزیابی مدل رگرسیون لجستیک و منطق فازی در تهیه نقشه حساسیت به زمین لغزش های شهر سنندج. مجله پژوهش های آبخیزداری، (109) 28-1.

حلاجی، مریم، زنگنه، محمد علی؛ ابوالقاسم، اسدی؛ احمدی، امیر. (1399). ارزیابی کارآیی مدل های پیش بینی حساسیت وقوع زمین لغزش در آبخیز بار نیشابور. مجله پژوهش های آبخیزداری، 33، (127) ،30-20 .

حنیفی نیا، ع؛ نظرنژاد، ح؛ نجفی، س؛ کرنژادی، آ. (1399). اولویت بندی عامل های موثر بر وقوع زمین لغزش و پهنه بندی ی حساسیت آن در آبخیر چریک آباد ارومیه با استفاده از مدل آنتروپی شانون، پژوهش های آبخیزداری، 33(4)، 32-48.

کرمی، فریبا؛ بیاتی خطیبی، مریم؛ خیری زاده، منصور؛ مختاری اصل، ابوالفضل. (1398). ارزیابی کارایی الگوریتم ماشین بردار پشتیبان در پهنه‌بندی حساسیت زمین‌لغزش حوضه آبریز اهرچای. مجله جغرافیا و مخاطرات محیطی، (32)، 17-1.

کرنژادی، آیدینگ؛ اونق، مجید؛ سعدالدین، امیر. (1394). پهنه بندی خطر و خسارات زمین لغزش،مطالعه موردی : حوضه آبخیز زیارت، استان گلستان. دو فصلنامه علمی و پژوهشی مدیریت بحران، (7)-62-51.

کاظمی، محمد؛ نفرزادگان، علیرضا؛ محمدی، فریبرز ؛ رضایی لطیفی، علی. (1400). شناسایی خاستگاه ها ی هواویزهای اتمسفری با استفاده از سنجش از دور وداده کاوی )مطالعه مورد: استان یزد(. مجله سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 12(1): 63-85.

محمدی، سید داود؛ جلالی، سید حسن؛ ساعدی، بهمن. (1395). پهنه‌بندی خطر زمین لغزش با استفاده از تحلیل سلسله مراتبی فازی با تاکید بر عوامل شکل دامنه(مطالعه موردی: شهرستان کامیاران). مجله جغرافیا و توسعه، 43، 209-191.

محمدخان، شیرین؛ ویسی، عبدالکریم؛ باقری، کیوان. (1393). پتانسیل سنجی خطر زمین لغزش با استفاده از مدل آنتروپی، مطالعه موردی)منطقه کوهستانی شیرپناه در جنوب غرب استان کرمانشاه. جغرافیای سرزمین.11(44): 103-89.

روستائی، شهرام؛ خدائی، لیلا؛ مختاری، داود؛ رضا‌طبع، خدیجه؛ خدائی، فاطمه. (1394). ﻛﺎﺭﺑﺮﺩ ﺗﺤﻠﻴﻞ ﺷﺒﻜﻪ (ANP) ﺩﺭ ﺑﺮﺭﺳﻲ ﭘﺘﺎﻧﺴﻴﻞ ﻭﻗﻮﻉ ﺯﻣﻴﻦ ﻟﻐﺰﺵ ﺩﺭ ﻣﺤﺪﻭﺩﻩ ﻣﺤﻮﺭ ﻭ ﻣﺨﺰﻥ ﺳﺪ ﻗﻠﻌﻪ ﭼﺎﻱ. مجله مخاطرات محیط طبیعی، 4، (5)، 74-59.

زارع، محمد؛ احمدی، شعبانعلی؛ غلامی. (1391). پهنه بندی و ارزیابی خطرزمین لغزش با استفاده از مدل های عامل اطمینان، ارزش اطلاعات وتحلیل سلسله مراتبی (مطالعه موردی : حوضه آبخیز واز). مجله علمی – پژوهشی علوم و مهندسی آبخیزداری ایران، 5، (17)، 15-22.

سیف، عبدالله؛ راهدان مفرد، محمد. (1394). بررسی پتانسیل زمین لغزش با استفاده از مدل های تصمیم گیری چند معیاره (AHP-TOPSIS) در استان چهارمحال و بختیاری. نشریه جغرافیا و برنامه ریزی محیطی – 58-1394-2.

سلیمان پور، سید مسعود؛ مصباح، سید حمید؛ هدایتی بهرام. (1397). کاربرد تکنیک داده کاوی درخت تصمیم CART در تعیین مؤثرترین فاکتورهای کیفیت آب آشامیدنی (مطالعه موردی: دشت کازرون استان فارس). سلامت و محیط زیست، ۱۱ (۱) :۱۴-۱

سازمان زمین شناسی کشور نقشه های 1:250000 و 1:100000 زمین شناسی استان اصفهان.

شریعت جعفری، حسن. (1375). زمین لغزش (مبانی و اصول پایداری شیب های طبیعی). انتشارات سازه، صفحه 138.

شیرانی، کوروش؛ سیف، عبدالله؛ نصر، احمد. (1392). بررسی عوامل مؤثر بر حرکات تودهای برپایه تهیه نقشه های پهنه بندی خطر زمین لغزش (مطالعه موردی: ارتفاعات دنای زاگرس). علوم زمین، 3(23): 3-10.

عسگری، شمس اله؛ قنواتی، عزت الله؛ شادفر، صمد. (1397)، تحلیل فضایی شاخص های تاثیرگذار زمین لغزش ها بر بار رسوبی حوضه سد ایلام. فصلنامهی علمی-پژوهشی فضای جغرافیایی. 18(63). 318-299.

نوجوان، محمدرضا؛ شاه زیدی، سمیه سادات؛ داوودی، محمد؛ امین الرعایایی، هاجر. (1398). پهنه بندی خطر زمین لغزش با استفاده از تلفیق دو مدل فرآیند تحلیل سلسله مراتبی و فازی (مطالعه موردی حوضه آبخیز کمه، استان اصفهان). مجله پژوهش های ژئومورفولوژی کمی، 8 ، (4) ، 159-142.

نوجوان، محمد. رضا؛ حیاتی، غلامرضا. (1392). پهنه بندی خطر لغزش حوضه آبخیز سیاه خور اسلام آباد غرب با استفاده از روش سلسله مراتبی (AHP). فصلنامه علمی پژوهشی جغرافیایی سرزمین، دوره 10، شماره 2 (پیاپی 38)، صفحه 81-92.3.

ذاکری نژاد، رضا؛ عموشاهی، ناهید. (1401). ارزیابی خطر زمین لغزش با استفاده از داده های سنجش از دور و مدل حداکثر آنتروپی (منطقه مورد مطالعه: حوضه آبخیز کمه، جنوب استان اصفهان)، مجله پژوهش های ژئومورفولوژی کمی،11(2).

Achour, Y., Boumezbeur, A., Hadji, R., Chouabbi, A., Cavaleiro, V., Bendaoud, E.A. (2017). Landslide susceptibility mapping using analytic hierarchy process and information value methods along a highway road section in Constantine, Algeria. Arabian J.Geosci. 10(8),194.

Ayalew, L. (1999). The effect of seasonal rainfall on landslides in the highlands of Ethiopia. Bulletin of Engineering Geology and the Environment volume 58: 9–19.

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for business research, 295(2), 295-33.

Chandel, V., Karbara, K., Chauhan, Y. (2011). RS and GIS landslide hazard zonation of mountainous terrains A study from middle Himalayan Kulla district, Himachal Adradesh, India, International Journal of Geometrics and Geosciences. 2(1): 121-132.

Dikshit, A., Sarkar, R., Pradhan, B., Acharya, S., & Alamri, A. M. (2020). Spatial landslide risk assessment at Phuentsholing, Bhutan. Geosciences, 10(4), 131

Friededman, J. (1991). Multivariate adaptive regression splines (with discussion). Ann Stat, 19(1): 79-141.

Loh, WY. (2011) Classification and regression trees. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(1): 14-23.

Friedman, JH., Meulman, JJ. (2003). Multiple additive regression trees with application in epidemiology. Statistics in Medicine, 22(9): 1365-1381. doi https://doi.org/10.1002/sim.1501.

Feby, B., Achu, A.L., Jimnisha, K., Ayisha, V.A., Reghunath, R. (2020). Landslide susceptibility modeling using integrated evidential belief function-based logistic regression method: a study from southern western Ghats, India, remote sensing applications: society and environment, 20.

Habumugisha, J. M., Chen, N., Rahman, M., Islam, M. M., Ahmad, H., Elbeltagi, A., & Dewan, A. (2022). Landslide susceptibility mapping with deep learning algorithms. Sustainability, 14(3), 1734.

Kumar Dahal, R. (2008) Predictive Modeling of Rainfall-induced Landslide Hazard in the Lesser Himalaya of Nepal Based on Weights of-evidence, Geomorphology, Vol. 102, PP.496-510.

Hosmer, DW., Lemeshow S (2000) Applied logistic regression. Wiley Series in Probability and Statistics.

Meten, M., PrakashBhandary, N. and Yatabe, R. (2015) Effect of Landslide Factor Combinations on the Prediction Accuracy of Landslide Susceptibility Maps in the Blue Nile Gorge of Central Ethiopia: Geoenvironmental Disasters, v. 2, p. 1-17.

Pham, B. T., Jaafari, A., Prakash, I. & Bui, D. T. (2019). A novel hybrid intelligent model of support vector machines and the MultiBoost ensemble for landslide susceptibility modeling. Bulletin of Engineering Geology and the Environment, 78 (4), 2865-2886.

Pourghasemi, HR., Mohammady M., Pradhan, B. (2012). Landslide susceptibility mapping using an index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena, 97: 71-84.

Peng, L., Niu, R., Huang B., Wu, X., Zhao, Y., Ye, R. (2014) Landslide susceptibility mapping based on rough in Asaluyeh Region Using AHP and Fuzzy Logic Methods. Iranian Journal of Business and Economics. 3(4): 112-124.

Sharma H., Kumar, S. (2016). A survey on decision tree algorithms of classification in data mining. International Journal of Science and Research (IJSR), 5(4): 2094-2097.

Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., Dick, O.B. (2012). Landslide susceptibility mapping at HoaBinh province (Vietnam) using an adaptive neuro-fuzzy inference system and Gis. Computers & Geosciences, 45,199-211.

Xiao, T., Yin, K., Yao, T., & Liu, S. (2019). Spatial prediction of landslide susceptibility using GIS-based statistical and machine learning models in Wanzhou County, Three Gorges Reservoir, China, Acta Geochim 38(5):654–669.

Xi, W., Li, G., Moayedi, H., & Nguyen, H. (2019). A particle-based optimization of artificial neural network for earthquake-induced landslide assessment in Ludian county, China, Geomatics, Natural Hazards and Risk, 10(1): 1750-17.