ارزیابی مقایسه ‌ای حساسیت به زمین ‌لغزش با استفاده از روش ‌های منطق فازی و تحلیل سلسله مراتبی

نوع مقاله : مقاله پژوهشی

نویسندگان

استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران

چکیده

پیشینه و هدف زمین ‌لغزش یکی از گسترده‌ترین و مخرب ‌ترین پدیده ‌ها در میان بلایایی طبیعی است. با توجه به توپوگرافی کوهستانی مرتفع، فعالیت تکتونیکی، لرزه‌ خیزی زیاد، شرایط متنوع زمین ‌شناسی و اقلیمی، اساساً ایران برای ایجاد طیف وسیعی از زمین‌ لغزش شرایط طبیعی را دارد و این زمین ‌لغزش‌ ها سالانه خسارات جانی مالی فراوانی به کشور وارد می‌ کنند. با توجه به اینکه پیش‌بینی زمان زمین ‌لغزش بسیار دشوار است، از این ‌رو شناسایی مناطق حساس به زمین ‌لغزش و منطقه بندی این مناطق بر اساس خطر احتمالی بسیار مهم است. بنابراین باید مناطق مستعد زمین ‌لغزش شناسایی شوند تا خسارات ناشی از زمین ‌لغزش کاهش یابد. هدف اصلی از تجزیه‌ و تحلیل حساسیت زمین ‌لغزش شناسایی مناطق پر خطر و در نتیجه کاهش خسارات ناشی از زمین‌لغزش از طریق اقدامات مناسب است. ازآنجاکه پیش‌ بینی دقیق وقوع زمین ‌لغزش توسط علوم انسانی امکان‌پذیر نیست، بنابراین می‌ توانیم با شناسایی مناطق مستعد لغزش و اولویت‌ بندی آن ‌ها از آسیب این پدیده جلوگیری کنیم. کوه ‌های بینالود در استان خراسان رضوی، به دلیل شرایط زمین ‌شناسی، ژئومورفولوژی، توپوگرافی، آب ‌و هوا و پوشش گیاهی، دارای انواع حرکات توده‌ای است. از طریق ارزیابی حساسیت زمین ‌لغزش و شناسایی مناطق پرخطر ازنظر زمین ‌لغزش، می‌ توانیم از خسارات احتمالی مالی و جانی ناشی از زمین ‌لغزش در این منطقه را کاهش بدهیم. لذا برای حفظ سرمایه ‌های ملی ضروری است تا در برخورد با بلایای طبیعی مدیریتی جامع اعمال گردد که منظور از آن اتخاذ تدابیر و فعالیت ‌هایی است که موجب پیشگیری، کنترل وترمیم خسارت ‌های ایجاد شده می ‌گردد. نتایج این مطالعات می ‌تواند به‌عنوان اطلاعات بنیادی توسط مدیران و برنامه ریزان محیط ‌زیست مورد استفاده قرار گیرد. به ‌منظور تهیه نقشه ‌های منطقه بندی خطر لغزش می ‌توان از روش ‌های مختلفی مانند منطق فازی، روش‌ های آماری و فرایند تحلیلی سلسله مراتبی (AHP) استفاده کرد. از اوایل دهه 1970، بسیاری از دانشمندان تلاش کرده‌اند تا خطرات زمین ‌لغزش را ارزیابی کنند و نقشه حساسیت خطر زمین ‌لغزش را با استفاده از روش‌ های مختلف مبتنی بر GIS تهیه کنند. هدف از این مطالعه ارزیابی و مقایسه نقشه حساسیت به زمین ‌لغزش (LSM) در رشته‌کوه‌ های بینالود، با استفاده از روش‌ های فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی، است.
مواد و روش هادر این مطالعه به ‌منظور ارزیابی حساسیت وقوع زمین ‌لغزش در دامنه ‌های کوه‌ های بینالود از دو روش منطق فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی استفاده گردید. به این منظور، مهم‌ترین عوامل مؤثر بر زمین‌لغزش ‌های منطقه شامل شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زهکشی (فاصله از رودخانه، تراکم آبراهه)، جاده (فاصله از جاده، تراکم جاده)، گسل (فاصله از گسل، تراکم گسل)، واحدهای مورفولوژیکی، شاخص‌ های توپوگرافی (شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI) و شاخص طول شیب (LS))، شاخص ‌های ژئومورفولوژیک (شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی (TRI) و شاخص انحنای سطح (Curvature Index)، کاربری اراضی، خطوط هم‌ دما و خطوط هم بارش به ‌عنوان عوامل مؤثر در رخداد زمین‌لغزش در منطقه موردمطالعه، شناسایی و مورد تجزیه ‌و تحلیل قرار گرفتند. سپس نقشه پراکنش زمین ‌لغزش‌های منطقه تهیه شد. در ادامه وزن هریک از پارامترها و زیر پارامترها در پهنه ‌بندی وقوع زمین ‌لغزش به کمک روش تحلیل سلسله مراتبی(AHP) تعیین گردید. سپس با استفاده ابزارهای مناسب در محیط GIS این وزن ‌ها در نقشه هر پارامتر ضرب و درنهایت نقشه‌ های حاصله رویهم گذاری شده و نقشه نهایی پهنه ‌بندی خطر زمین ‌لغزش در منطقه مورد مطالعه تهیه شد. در روش فازی، بعد از فازی سازی لایه ‌های مورد نظر در محیط ArcGIS، پهنه ‌بندی خطر زمین ‌لغزش  با استفاده از عملگر گاما 0.8، در محیط GIS، صورت پذیرفت. و در نهایت صحت نقشه حساسیت زمین ‌لغزش با استفاده از منحنی ROC و نسبت عددی NRi، مورد ارزیابی قرار گرفت.
نتایج و بحث نتایج وزن دهی به پارامترهای مؤثر بر زمین ‌لغزش با استفاده از روش تحلیل سلسله مراتبی (AHP) مبین این است به ترتیب عوامل زمین‌شناسی، شیب و گسل بیشترین تأثیر را در وقوع خطر زمین‌لغزش در منطقه مورد مطالعه دارند. نتایج تحلیل نقشه حساسیت خطر زمین ‌لغزش با استفاده از AHP نشان داد به % 47.8 سطح منطقه در محدوده زیاد و خیلی زیاد واقع‌شده، همچنین % 13.4 در محدوده متوسط و % 38.8 در محدوده کم و خیلی کم قرارگرفته است. نتایج تحلیل نقشه حساسیت زمین‌لغزش با استفاده از منطق فازی بیانگر این است % 27.7 در محدوده زیاد و خیلی زیاد قرارگرفته است. همچنین % 15.5 در محدوده متوسط و % 56.8 در محدوده کم و خیلی کم واقع‌شده است. همچنین ارزیابی نقشه حساسیت زمین‌لغزش به کمک منحنی ROC، نشان داد که مساحت زیر نمودار (AUC)، در روش AHP و فازی به ترتیب برابر با % 81.7 و % 75.2 است که گویایی دقت و صحت ارزیابی خیلی خوب هر دو مدل هست. همین‌طور نسبت عددی NRi در روش AHP در طبقات حساسیت زمین‌لغزش، بیشتر از روش فازی است، زیرا روش AHP در مقایسه با روش فازی، درصد بالایی از زمین‌لغزش‌ها را در مساحت کوچک‌تری به‌عنوان پهنه با حساسیت زیاد و خیلی زیاد پوشش داده است.
نتیجه گیری در این مطالعه به‌منظور ارزیابی و تهیه نقشه حساسیت زمین‌لغزش از دو روش فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی استفاده و عملکرد آن‌ها باهم مقایسه شد. نقشه حساسیت زمین‌لغزش به پنج کلاس طبق بندی و عملکرد نتایج هر دو روش با استفاده از منحنی ROC و نسبت عددی NRi موردبررسی قرار گرفت. نتایج ارزیابی عملکرد دو روش فازی و تحلیل سلسله مراتبی با استفاده از منحنی ROC و نسبت عددی  Nri نشان داد که روش تحلیل سلسله مراتبی نسبت به روش فازی درستی و دقت بیشتری در پیش‌بینی حساسیت زمین‌لغزش در منطقه موردمطالعه دارد. نقشه‌های حساسیت به زمین‌لغزش مانند نقشه تولیدشده در این مطالعه می ‌تواند اطلاعات ارزشمندی برای برنامه ریزان و مهندسان برای سازمان ‌دهی مجدد یا برنامه ‌ریزی برنامه‌ های جدید فراهم کند. 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparative evaluation of landslide susceptibility map using Analytical Hierarchy Process (AHP) and Fuzzy methods

نویسندگان [English]

  • Ali Dastranj
  • Hamzeh Noor
Assistant Professor, Soil Conservation and Watershed Management Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center (AREEO), Mashhhad, Iran
چکیده [English]

Background and ObjectiveAmong many natural hazards, landslides are one of the most widespread and destructive. Due to the high mountainous topography, tectonic activity, high seismicity, diverse geological and climatic conditions, basically, Iran has a natural condition for creating a wide range of landslides and these landslides annually cause both life loss and financial damage to the country. Since it is difficult to predict the timing of landslides, identifying susceptible areas to landslides, and zoning these areas based on potential risk are highly important. Therefore landslide-prone areas need to be identified in order to reduce such damage. In this respect, landslide susceptibility assessment can provide valuable information essential for hazard mitigation. The main goal of landslide susceptibility analysis is to identify dangerous and high-risk areas and thus reduce landslide damage through suitable mitigation measures. Since the exact prediction of landslides occurrence isn’t possible by human sciences, thus, we can prevent the damages of this phenomenon by identification of landslide susceptible areas and prioritizing them. Binalood Mountain in Khorasan Razavi Province, Due to its geological location, geomorphology, topography, climate, vegetation, has kinds of mass movement. The results of these studies can be used as fundamental information by environmental managers and planners. Landslide hazard zonation was challenged by several researchers in recent years. In order to provide landslide hazard, zonation maps various methods such as Fuzzy logic, statistic methods and Analytic Hierarchy Process (AHP) can be used. Since the early 1970s, many scientists have attempted to assess landslide hazards and produced hazard zonation maps portraying their spatial distribution by applying many different GIS-based methods. Different models and methods have been proposed to produce Landslide hazard zonation. The aim of this study is to develop and compare detailed landslide susceptibility maps (LSM) for Binalood Mountain, using Fuzzy and AHP methods in the framework of the GIS.
Materials and Methods The study area is the northern and southern slopes of the Binalood Mountains that are located in the Khorasan Razavi Province. The present study area fallows under 36 ° 1' to 36 ° 15' north latitudes and 58° 38' to 59 ° 35' east longitudes. According to Geological, Geomorphologic, Hydrological, Climatic, Human and Environmental characteristics of the study area and using comparative studies and results of other researchers, 20 criteria and sub-criteria were identified to achieve the goals. The needed Layers of landslide hazard zonation were prepared using ArcGIS software. These layers are slope, aspect, altitude classes, geology, distance from the river, river density, distance from the road, road density, distance from the fault, fault density, morphological units, topographic indexes (stream power index (SPI), topographic wetness index (TWI) and slope length index (LS)), geomorphological indexes (topographic position index (TPI), topographic roughness index (TRI) and surface curvature index, land use, isothermal lines, and Rainfall lines. Thun, The landslide inventory map has been created in the study area. Subsequently, landslide susceptibility maps were produced using Fuzzy Logic and Analytical Hierarchy Process (AHP) models. After preparing the layers, the next step was to assign weight values to the raster layers, and to the classes of each layer, respectively. This step was realized with the use of the AHP method. So, the landslide hazard zonation map of the study area was presented using weight exertion of factors in their layers and integration of them by Arc GIS software. In the Fuzzy method, after fuzzyizing the layers in the ArcGIS environment, the landslide risk zoning was performed using fuzzy gamma 0.8. For verification, the receiver operating characteristic (ROC) curves were drawn and the areas under the curve (AUC) were calculated. Finally, the ratio of the percentage of landslides was in each zone to the percentage of the total area of the zone was calculated.
Results and Discussion The results of weighting the parameters affecting the landslide using the Analytic Hierarchy Process (AHP) showed that geological, slope, and fault factors have the greatest impact on the occurrence of landslide risk in the study area, respectively. The class of very high and high susceptibility covers 47.8% of the total area in the landslide susceptibility map generated with the AHP model. Low and moderate susceptible classes make up 13.4 and 38.8% of the total area, respectively. According to the landslide susceptibility map based on the Fuzzy Method, 27.7% of the total area was determined to be very high and high susceptibility to landslide. Low and moderate susceptible classes constitute 56.8%, and 15.5% of the area, respectively. The AUC values were 0.817 and 0.752 for AHP and Fuzzy models and the training accuracy was 81.7 and 75.2%, respectively. It can be concluded that both models utilized in this study showed reasonably good accuracy in predicting the landslide susceptibility of the study area. Finally, the ratio of the percentage of landslides was ineach zone to the percentage of the total area of zone showed the NRi values in each susceptible class for the AHP model more than the Fuzzy method. The larger ratio in the AHP method indicates its better consistency than the Fuzzy method, implying more coverage of landslides in a smaller area by the AHP method. This result represents the better accuracy of the AHP method than the Fuzzy method in the landslide susceptibility map.
Conclusion In this study, the most widely accepted models, AHP and Fuzzy were used for producing Landslide Susceptibility Map (LSM) and their performances were compared. The LSMs were divided into five landslide susceptibility classes. The performance of the resulting LSMs was verified by the ROC curves and Numerical Ratio (NRi). The results show that the AHP and Fuzzy models are successful estimators. The map produced by the AHP model exhibited a slightly better result for landslide susceptibility mapping in the study area. These two techniques may be characterized by incorporating a wide range of conditioning factors. Also, they can discriminate the causative factors for understanding the importance of each factor. The interpretation of the susceptibility map indicates that geological, slope, and fault play major roles in landslide occurrence and distribution in the study area. The landslide susceptibility maps like the one produced in this study should provide a valuable tool for the use of planners and engineers for reorganizing or planning new programs.

کلیدواژه‌ها [English]

  • Landslide susceptibility
  • Analytical Hierarchy Process (AHP)
  • fuzzy logic
  • Geographic Information System (GIS)
  • Binalood
Arca D, Kutoğlu HŞ, Becek K. 2018. Landslide susceptibility mapping in an area of underground mining using the multicriteria decision analysis method. Environmental monitoring and assessment, 190(12): 1-14. doi:https://doi.org/10.1007/s10661-018-7085-5.
Baharvand S, Soori S. 2015. Landslide hazard zonation using artificial neural network (Case study: Sepiddasht-Lorestan, Iran). Journal of RS and GIS for Natural Resources, 6(4): 15-31. https://girs.iaubushehr.ac.ir/article_518870.html?lang=en. (In Persian).
Bera A, Mukhopadhyay BP, Das D. 2019. Landslide hazard zonation mapping using multi-criteria analysis with the help of GIS techniques: a case study from Eastern Himalayas, Namchi, South Sikkim. Natural Hazards, 96(2): 935-959. doi:https://doi.org/10.1007/s11069-019-03580-w.
Bui TD, Shahabi H, Shirzadi A, Chapi K, Alizadeh M, Chen W, Mohammadi A, Ahmad BB, Panahi M, Hong H. 2018. Landslide detection and susceptibility mapping by airsar data using support vector machine and index of entropy models in cameron highlands, malaysia. Remote Sensing, 10(10): 1527. doi:https://doi.org/10.3390/rs10101527.
Chen W, Panahi M, Pourghasemi HR. 2017. Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling. Catena, 157: 310-324. doi:https://doi.org/10.1016/j.catena.2017.05.034.
Demir G. 2019. GIS-based landslide susceptibility mapping for a part of the North Anatolian Fault Zone between Reşadiye and Koyulhisar (Turkey). Catena, 183: 104211. doi:https://doi.org/10.1016/j.catena.2019.104211.
Fatemi SA, Bagheri V, Razifard M. 2018. Landslide susceptibility mapping using fuzzy logic system and its influences on mainlines in lashgarak region, Tehran, Iran. Geotechnical and Geological Engineering, 36(2): 915-937. doi:https://doi.org/10.1007/s10706-017-0365-y.
Gholami M, Ghachkanlu EN, Khosravi K, Pirasteh S. 2019. Landslide prediction capability by comparison of frequency ratio, fuzzy gamma and landslide index method. Journal of Earth System Science, 128(2): 1-22. doi:https://doi.org/10.1007/s12040-018-1047-8.
Guerra AJT, Fullen MA, Jorge MdCO, Bezerra JFR, Shokr MS. 2017. Slope processes, mass movement and soil erosion: A review. Pedosphere, 27(1): 27-41. doi:https://doi.org/10.1016/S1002-0160(17)60294-7.
Hou E, Wang J, Chen W. 2018. A comparative study on groundwater spring potential analysis based on statistical index, index of entropy and certainty factors models. Geocarto International, 33(7): 754-769. doi:https://doi.org/10.1080/10106049.2017.1299801.
Khan H, Shafique M, Khan MA, Bacha MA, Shah SU, Calligaris C. 2019. Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 22(1): 11-24. doi:https://doi.org/10.1016/j.ejrs.2018.03.004.
Meena SR, Ghorbanzadeh O, Blaschke T. 2019. A comparative study of statistics-based landslide susceptibility models: A case study of the region affected by the gorkha earthquake in nepal. ISPRS international journal of geo-information, 8(2): 94. doi:https://doi.org/10.3390/ijgi8020094.
Mondal S, Mandal S. 2019. Landslide susceptibility mapping of Darjeeling Himalaya, India using index of entropy (IOE) model. Applied Geomatics, 11(2): 129-146. doi:https://doi.org/10.1007/s12518-018-0248-9.
Nguyen TTN, Liu C-C. 2019. A new approach using AHP to generate landslide susceptibility maps in the Chen-Yu-Lan Watershed, Taiwan. Sensors, 19(3): 505. doi:https://doi.org/10.3390/s19030505.
Nicu IC. 2018. Application of analytic hierarchy process, frequency ratio, and statistical index to landslide susceptibility: an approach to endangered cultural heritage. Environmental Earth Sciences, 77(3): 1-16. doi:https://doi.org/10.1007/s12665-018-7261-5.
Paoletti V, Tarallo D, Matano F, Rapolla A. 2013. Level-2 susceptibility zoning on seismic-induced landslides: An application to Sannio and Irpinia areas, Southern Italy. Physics and Chemistry of the Earth, Parts A/B/C, 63: 147-159. doi:https://doi.org/10.1016/j.pce.2013.02.002.
Peethambaran B, Anbalagan R, Kanungo D, Goswami A, Shihabudheen K. 2020. A comparative evaluation of supervised machine learning algorithms for township level landslide susceptibility zonation in parts of Indian Himalayas. Catena, 195: 104751. doi:https://doi.org/10.1016/j.catena.2020.104751.
Rahmati M, Zand F. 2018. Landslide hazard zonation using geographic information System landslide (Case study: Robat-Siahpoush rural district, Lorestan province). Journal of RS and GIS for Natural Resources, 8(4): 63-75. doi:http://girs.iaubushehr.ac.ir/article_539092_en.html. (In Persian).
Saaty TL. 2008. Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1): 83-98. doi:https://doi.org/10.1504/IJSSCI.2008.017590.
Schlögel R, Marchesini I, Alvioli M, Reichenbach P, Rossi M, Malet J-P. 2018. Optimizing landslide susceptibility zonation: Effects of DEM spatial resolution and slope unit delineation on logistic regression models. Geomorphology, 301: 10-20. doi:https://doi.org/10.1016/j.geomorph.2017.10.018.
Solaimani K, Mousavi SZ, Kavian A. 2013. Landslide susceptibility mapping based on frequency ratio and logistic regression models. Arabian Journal of Geosciences, 6(7): 2557-2569. doi:https://doi.org/10.1007/s12517-012-0526-5.
Soma AS, Kubota T, Mizuno H. 2019. Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia. Journal of Mountain Science, 16(2): 383-401. doi:https://doi.org/10.1007/s11629-018-4884-7.
Tian Y, Xu C, Hong H, Zhou Q, Wang D. 2019. Mapping earthquake-triggered landslide susceptibility by use of artificial neural network (ANN) models: an example of the 2013 Minxian (China) Mw 5.9 event. Geomatics, Natural Hazards and Risk, 10(1): 1-25. doi:https://doi.org/10.1080/19475705.2018.1487471.
Van Alphen B, Stoorvogel J. 2000. A functional approach to soil characterization in support of precision agriculture. Soil Science Society of America Journal, 64(5): 1706-1713. doi:https://doi.org/10.2136/sssaj2000.6451706x.
Yan F, Zhang Q, Ye S, Ren B. 2019. A novel hybrid approach for landslide susceptibility mapping integrating analytical hierarchy process and normalized frequency ratio methods with the cloud model. Geomorphology, 327: 170-187. doi:https://doi.org/10.1016/j.geomorph.2018.10.024.
Youssef AM, Pourghasemi HR, El-Haddad BA, Dhahry BK. 2016. Landslide susceptibility maps using different probabilistic and bivariate statistical models and comparison of their performance at Wadi Itwad Basin, Asir Region, Saudi Arabia. Bulletin of Engineering Geology and the Environment, 75(1): 63-87. doi:https://doi.org/10.1007/s10064-015-0734-9.
Zhang T, Han L, Chen W, Shahabi H. 2018. Hybrid integration approach of entropy with logistic regression and support vector machine for landslide susceptibility modeling. Entropy, 20(11): 884. doi:https://doi.org/10.3390/e20110884.