بررسی عوامل موثر در ایجاد زمین‌لغزش‌های حوضه آبخیز اردل (استان چهارمحال بختیاری) با استفاده از روش رگرسیون لجستیک

مددی, عقیل; مرحمت, مهری; نی نیوا, سیدپدرام

doi:10.22084/nfag.2020.19315.1377

بررسی عوامل موثر در ایجاد زمین‌لغزش‌های حوضه آبخیز اردل (استان چهارمحال بختیاری) با استفاده از روش رگرسیون لجستیک

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل

² گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری

10.22084/nfag.2020.19315.1377

چکیده

با توجه به نقش موثر و همهجانبه زمینلغزشها در حوضه‌های آبخیز، مطالعه حاضر به بررسی عوامل موثر در ایجاد زمینلغزش در حوضه آبخیز اردل، استان چهارمحالبختیاری پرداخته است. طی این مطالعه نقشه پراکنش زمینلغزش با استفاده از تصاویر ماهوارهای، عکس‌های هوایی و بازدید صحرایی تهیه و همگام با آن نقشه فاکتورهای موثر در ایجاد زمین‌لغزش تهیه شد. شیب، جهت شیب، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، تراکم و فاصله از آبراهه، فاصله از جاده و کاربری اراضی بهعنوان عوامل موثر در زمین‌لغزش انتخاب شدند. برای تهیه نقشه حساسیت به زمین‌لغزش از روش رگرسیون لجستیک در محیط GIS استفاده شده و با استفاده از فاکتورهای مذکور و نقشه سیاهه زمین‌لغزش‌ها، حساسیت به زمین‌لغزش از طریق وزن هر فاکتور به روش رگرسیون لجستیک شناسایی شد. نتایج مطالعه نشان داد که عوامل فاصله از رودخانه، کاربری اراضی و لیتولوژی، به ترتیب مهمترین عوامل موثر در ایجاد لغزش در منطقه می‌باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the Effective Factors in Landslides Creation in the Ardal Basin (Chaharmahal Bakhtiari Province) Using Regression Logistic

نویسندگان [English]

A. Madadi ¹
M. Marhamat ¹
S. P. Nainiva ²

چکیده [English]

Considering the important role of Landslides in watersheds, the present study has investigated the effective factors in landslide occurrence in Ardal watershed, Chaharmahal Bakhtiari province. In this research, landslide inventory map was prepared using satellite images, aerial photos and field investigation. At the same time, maps of the effective factors in the landslide event were prepared. Slope, direction of gradient, height, lithology, rainfall, distance from fault, river density, distance from road and land use were selected as factors affecting landslide occurrence. Logistic regression method has been used in GIS environment to prepare landslide sensitivity map. Using these factors and land inventory map, landslide susceptibility and the significance of each selected factor for landslide occurrence in the area, were identified by logistic regression method. The results showed that "distance from the river", "land use" and lithology are considered as the most important factors influencing the landslide occurrence in the region.

کلیدواژه‌ها [English]

Landslide
Logistic regression
Quaternary sediments
Ardal basin

مراجع

بیرانوند، ح.، سیف، ع. و شاهرخ‌وندی، س. م (1392) پالئوژئوگرافی و تحولات ژئومورفولوژیک دریاچه قدیمی سیمره، مجله جغرافیا و آمایش شهری- منطقه‌ای، شماره 6، ص: 110-97 .

خالدی، ش. خ.، درفشی، ا.، مهرجونژاد، س.، قره‌چاهیوش.، خ (1391) ارزیایی عامل‌های موثر در رویداد زمین‌لغزش. پهنه‌بندی آن با استفاده از مدل رگرسیون لجستیک در محیط GIS (مطالعه موردی حوضه آبخیز طالقان)، مجله جغرافیا و مخاطرات محیطی، شماره 1، ص: 82-65.

شیرانی، ک.، خوش ‌باطن، م (1394) بررسی زمین‌لغزش‌های فعال دوره کواترنر با استفاده از روش تداخل‌سنجی تفاضلی راداری، اولین همایش ملی کاربرد علوم کواترنری در شناخت فرایندهای محیطی و دومین همایش انجمن کواترنری ایران، دانشگاه اصفهان.

شریعتجعفری، م (1375) زمینلغزش (مبانی و اصول پایداری شیبهای طبیعی)، انتشارات سازه، ص: 218.

شیرانی، ک.؛ عرب ‌عامری، ع (1394) پهنه‌بندی خطر زمین‌لغزش با استفاده از روش رگرسیون لجستیک، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال نوزدهم، شماره 72، ص:334-321.

محمودی، فرج ‌ا... (1382) ژئومورفولوژی دینامیک، انتشارات دانشگاه تهران.

همتی، ف. و حجازی، س. ا (1396) پهنه‌بندی خطر زمین‌لغزش با استفاده از روش آماری رگرسیون لجستیک در حوضه آبریز لواسانات، نشریه تحقیقات کاربردی علوم جغرافیایی، سال هفدهم، شماره 45، ص: 24-7.

Erener, A., Mutlu, A., Düzgün, H. S (2016) A comparative study for landslide susceptibility mapping using GIS-based multi-criteria decision analysis (MCDA), logistic regression (LR) and association rule mining (ARM). Engineering Geology, 203: 45-55.

Erener, A., Sivas, A. A., Selcuk-Kestel, A. S., Düzgün, H. S (2017) Analysis of training sample selection strategies for regression-based quantitative landslide susceptibility mapping methods. Computers and Geosciences, 104: 62-74.

Hemasinghe, H., Rangali, R. S. S., Deshapriya, N. L., Samarakoon, L (2018) Landslide susceptibility mapping using logistic regression model (a case study in Badulla District, Sri Lanka). Procedia engineering, 212: 1046-1053.

Lombardo, L., Mai, P. M (2018) Presenting logistic regression-based landslide susceptibility results. Engineering Geology, 244: 14-2.

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.

Trigila, A., Iadanza, C., Esposito, C., Scarascia-Mugnozza, G (2015) Comparison of logistic regression and random forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy). Geomorphology, 249: 119-136.

Yesilnacar, E., Topal, T (2005) Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology, 79(3-4): 251-266.