مقاله پژوهشی

علوم و تکنولوژی محیط زیست، دوره بیست و سوم، شماره نه، آذرماه 1400(236-223)

تهیه نقشه حساسیت زمین‌لغزش با استفاده از مدل‌های نسبت فراوانی، رگرسیون لجستیک و فرآیند تحلیل سلسله مراتبی در بخشی از استان گلستان

مجید محمدی[1]^*

majid.mohammady@semnan.ac.ir

شنطیا جمال[2]

آرمان منصوری²

چکیده

زمینه و هدف: ایران به­ویژه در مناطق شمالی به­خاطر شرایط اقلیمی و توپوگرافی، همواره در معرض خطر زمین‌لغزش است. شناخت نواحی مستعد وقوع زمین­لغزش و خطرات ناشی از آن یکی از اقدامات اولیه در مدیریت منابع طبیعی و برنامه­ریزی­های توسعه­ای و عمرانی است. بررسی زمین­لغزش جهت تهیه نقشه­های حساسیت و شناسایی مناطق مستعد زمین­لغزش و همچنین شناسایی مکان‌های امن برای توسعه سکونت‌گاه­های جدید در آینده مورد توجه برنامه ریزان قرار دارد. هدف اصلی این تحقیق تهیه نقشه حساسیت‌پذیری زمین‌لغزش در بخشی از استان گلستان است.

روش بررسی: 78 لغزش در بخشی از استان گلستان شناسایی و نقشه پراکنش زمین­لغزش ها در سال 1395 تهیه گردید. نقشه‌های عوامل موثر شامل درجه شیب، جهت شیب، شکل شیب، طبقه ارتفاعی، سنگ­شناسی، کاربری اراضی، فاصله از جاده، فاصله از گسل، فاصله از آبراهه و طول شیب در محیط GIS تهیه شد. سه روش فرآیند تحلیل سلسله مراتبی، نسبت فراوانی و رگرسیون لجستیک به‌منظور تهیه نقشه حساسیت زمین‌لغزش به کار برده شد. همچنین از منحنی ROC برای ارزیابی دقت نقشه‌های حساسیت استفاده شد.

یافته‌ها: اولویت بندی فاکتورهای موثر با استفاده از AHP نشان داد فاصله از جاده، شیب، فاصله از آبراهه و فاصله از مناطق مسکونی بیشترین تاثیر را بر وقوع زمین‌لغزش دارند. نقشه‌های حساسیت تهیه شده با استفاده از سه مدل با استفاده از منحنی تشخیص عملکرد نسبی و سطح زیرمنحنی با یکدیگر مقایسه شدند. نتایج نشان داد مدل نسبت فراوانی با سطح زیر منحنی 8/0 بیشترین دقت را در تهیه نقشه حساسیت زمین‌لغزش دارد.

بحث و نتیجه‌گیری: به طور کلی نتایج نشان داد منطقه مورد مطالعه پتانسیل زیادی برای وقوع زمین‌لغزش دارد. شناسایی مناطق حساس کمک می‌کند تا حد امکان از تغییرات حالت طبیعی این مناطق جلوگیری نموده و باعث تحریک این مناطق نشویم.

واژه‌های کلیدی: زمین‌لغزش، تحلیل سلسله مراتبی، نسبت فراوانی، رگرسیون لجستیک.

Landslide susceptibility mapping using frequency ratio, logistic regression and AHP models in the part of Golestan province

Majid Mohammady[3]^*

majid.mohammady@semnan.ac.ir

Shantia Jamal[4]

Arman Mansoori²

Abstract

Background and objective: Iran is always exposed to landslide hazard especially in the north because of climatic and topographic conditions. Identification of landslide prone areas and its hazards is one of the first works in natural resources management and development programs. Policymakers pay high attention to landslide investigation in order to landslide susceptibility mapping and identifying susceptible areas and stable locations for development of new settlements in the future. The main goal of his research is landslide susceptibility mapping in the part of Golestan province.

Material and Methodology: 78 landslides were identified from the field surveys in the part of Golestan province, and then landslide inventory map was created in year 2016. Effective factor maps such as slope degree, slope aspect, plan curvature, altitude, lithology, land use, distance from road, distance from fault, distance from drainage and slope-length (LS), were prepared in the GIS environment. Three methods such as analytical hierarchy process, frequency ratio and logistic ratio were applied to landslide susceptibility mapping. Also ROC curve was used to accuracy assessment of susceptibility maps

Findings: prioritization of effective factors using AHP showed that distance from road, slope, distance from drainage and distance from residential area have the most effect on landslide occurrence. Landslide susceptibility map obtained from three models was compared using Relative Operating Characteristic (ROC) and Area under Curve (AUC). The result showed that frequency ratio model with the AUC equal to 0.8 has the most accuracy to landslide susceptibility mapping.

Discussion and Conclusion: In general, the results showed that the study area has a high potential for landslides occurrence. Identifying susceptible areas help to prevent changes in the natural state of these areas as much as possible.

Keywords: Landslide, Analytical hierarchy process, Frequency ratio, Logistic regression.

مقدمه

افزایش جمعیت، بالا رفتن سطح زندگی و نیاز به منابع موجب تخریب منابع و محیط‌زیست و افزایش بلایای طبیعی در سال‌های اخیر شده است. بلایای طبیعی به صورت مستقیم و غیرمستقیم روی مسائل اقتصادی و اجتماعی انسان­ها تأثیرگذار بوده و خسارات ناشی از آن در کشورهای در حال توسعه جدی­تر است. زمین‌لغزش از جمله بلایای طبیعی بوده که منجر به خسارات انسانی و اقتصادی زیادی از جمله خسارت به مناطق مسکونی، صنعتی و منابع طبیعی می‌شود (1). یکی از بلایای طبیعی که در تمام دنیا از جمله ایران رو به افزایش است حرکات توده‌ای و زمین‌لغزش بوده که بسیاری از مناطق ایران به‌ویژه شمال و غرب در معرض آن قرار دارند. وجود عواملی از قبیل مستعد بودن ناهمواریها از نظر منشأ ساختمانی و دینامیک، قطع درختان و بهره­برداری­های بی­رویه از جنگل­ها، رعایت نکردن اصول فنی و نگهداری جاده­های جنگلی و روستایی، عدم اعمال مدیریت صحیح و بهره برداری غیر اصولی از منابع موجب تحریک و افزایش این پدیده شده است (2). با توجه به تلفات جانی، خسارات مالی و تاثیرات زیست­محیطی، زمین­لغزش یکی از مهم­ترین بلایای طبیعی در جهان و به­ویژه در کشورمان بوده که همه ساله در اکثر استانهای کشور موجب خسارت­های اقتصادی به راهها، خطوط آهن، خطوط انتقال نیرو و ارتباطات، کانال­های آبیاری و آبرسانی، تأسیسات معدنی، تأسیسات استخراج و پالایش نفت و گاز، شبکه شریان‌های حیاتی داخل شهرها، کارخانه­ها و مراکز صنعتی، سدها و دریاچه­های مصنوعی و طبیعی، جنگل­ها و مراتع و منابع طبیعی، مزارع و مناطق مسکونی و روستاها گشته و یا آنها را مورد تهدید قرار می­­­دهد. بر اساس یک برآورد اولیه، سالانه 500 میلیارد ریال خسارت مالی از طریق حرکات توده­ای و زمین‌لغزش بر کشور تحمیل می­شود و این در صورتی است که از بین رفتن منابع ­طبیعی غیر قابل بازگشت به حساب آورده نشود. شناخت نواحی مستعد وقوع زمین­لغزش و خطرات ناشی از آن یکی از اقدامات اولیه در مدیریت منابع طبیعی و برنامه­ریزی­های توسعه­ای و عمرانی است. با توجه به مشکلات زیاد ناشی از زمین‌لغزش امروزه روش‌های مختلفی در بسیاری از مناطق دنیا به منظور بررسی این پدیده صورت گرفته و روش‌های مختلفی ارائه شده است. از جمله روش‌های استفاده شده می‌توان به روش تحلیل سلسله‌مراتبی (7-3)، رگرسیون لجستیک (12-8) روش‌های دو متغیره مانند نسبت فراوانی (7، 13 و 14) اشاره نمود. اولین اقدام در مدیریت زمین‌لغزش و کاهش خسارات زیست‌محیطی آن تهیه نقشه حساسیت به زمین‌لغزش و شناسایی مناطق در معرض خطر است. استان گلستان به‌دلیل شرایط آب و هوایی و خصوصیات توپوگرافی همواره با مشکل زمین‌لغزش مواجه است، لذا در این تحقیق بخشی از استان گلستان به عنوان منطقه مطالعاتی استفاده گردید. هدف این تحقیق تهیه نقشه حساسیت‌پذیری با استفاده از روش‌های تحلیل سلسله مراتبی، نسبت فراوانی و رگرسیون لجستیک است. در واقع سعی بر این است از سه دسته مدل‌های کارشناسی، دو متغیره و چند متغیره استفاده شده و مدل مناسب برای منطقه مورد مطالعه انتخاب شود. 

روش بررسی

منطقه مورد مطالعه

منطقه مورد قسمتی از حوزه آبخیز باغ‌سالیان در استان گلستان با مساحتی در حدود 820 کیلومتر مربع است. این منطقه بین طول‌های "30 ΄46 °54 تا "30 ΄16 °55 شرقی و عرض‌های"0΄43°36 تا "30΄4 °37 شمالی در جنوب استان گلستان واقع شده است. ارتفاع کمینه و بیشینه آن به ترتیب برابر با 172 و 2947 متر از سطح دریا بوده و کاربری اراضی منطقه شامل جنگل، مرتع، کشاورزی و مناطق مسکونی است (شکل 1).

شکل 1- موقعیت منطقه مورد مطالعه در استان گلستان و ایران

Figure1. Location of the case study in the Golestan province and Iran

تهیه نقشه‌ها

نقشه توپوگرافی با مقیاس 1:25000 از سازمان جغرافیایی تهیه شده و نقشه‌های شیب، جهت شیب، ارتفاع از سطح دریا، شکل شیب و شاخص طول شیب با استفاده از آن تهیه گردید. نقشه زمین‌شناسی از سازمان زمین‌شناسی کشور تهیه و پس از رقومی شدن، لایه‌های سنگ­شناسی و گسل از آن استخراج گردید. نقشه‌های شبکه آبراهه و جاده از نقشه­های توپوگرافی منطقه استخراج و نقشه فاصله از این عوارض در محیط GIS تهیه شد. کاربری اراضی با استفاده از تصاویر ماهواره­ای لندست 7 در سال 2012 به دست آمد. نقشه هم‌باران نیز از مقادیر بارش سالانه ایستگاه‌های استان تهیه گردید. 78 زمین‌لغزش در بازدیدهای زمینی در منطقه مورد مطالعه شناسایی و نقشه پراکنش آن تهیه گردید. 52  مورد از زمین‌لغزش‌ها برای مدل‌سازی و 26 مورد برای ارزیابی مدل استفاده شد.

روش AHP

فرآیند تحلیل سلسله (AHP) یک روش نیمه‌کیفی در مطالعه زمین­لغزش است که شامل یک ماتریس وزن­دهی بر مبنای مقایسات زوجی بین عوامل بوده و میزان مشارکت هر یک از عوامل را در وقوع زمین­لغزش مشخص می‌کند (4). فاکتورهای موثر بر وقوع زمین‌لغزش بر اساس جدول 1 به صورت زوجی با یکدیگر مقایسه می‌شوند. برای وزن­دهی به هر فاکتور قسمت­هایی که به طور تقریبی از نظر مشخصات دیگر مشابه بوده و فاکتور مورد نظر تغییر می­کند در نظر گرفته شده و با مشاهده تغییرات این فاکتور و تاثیر آن بر وقوع لغزش­ها، بر اساس نظر کارشناس با هم مقایسه و یکی از وزن­های جدول 1 انتخاب شد که بستگی به دقت عمل، تجربه و میزان آشنایی کارشناس با منطقه دارد. سپس نتایج این مقایسات به نرم افزار Expert Choice وارد و در آنجا وزن نهایی برای هر فاکتور محاسبه و تمامی عوامل نسبت به هم اولویت‌بندی شد. این نرم­افزار همچنین ضریب ناسازگاری [5] را به ما می­دهد که اگر کمتر از 1/0 باشد قابل قبول و در غیر این صورت دوباره مقایسات انجام می شود (15).

جدول 1- مقادیر ترجیحات در مدل AHP (16)

Table1. Preferences of AHP model

مانند روش بالا طبقات هر یک از عوامل نیز نسبت به یکدیگر اولویت‌بندی و وزن‌دهی شد. سپس وزن هر عامل در وزن هر یک از طبقات ضرب و وزن نهایی هر طبقه به دست آمد. وزن‌های به دست آمده در نقشه‌ها اعمال شده و با جمع کردن نقشه‌های وزنی نقشه حساسیت زمین­لغزش تهیه گردید.

روش نسبت فراوانی

روش نسبت فراوانی نسبت مناطق لغزشی به مناطق غیر لغزشی را نشان می‌دهد به این صورت که برای هر فاکتور موثر لغزش‌های رخ‌داده در یک طبقه نسبت به کل لغزش‌های منطقه تقسیم بر نسبت مساحت آن طبقه به کل مساحت منطقه سنجیده می‌شود. با جمع نسبت‌های فراوانی به‌دست آمده برای تمام طبقات شاخص حساسیت پذیری زمین‌لغزش[6] (LSI) به‌دست می‌آید (13).

روش رگرسیون لجستیک

هدف از کاربرد رگرسیون لجستیک بیان ارتباط بین حضور و عدم حضور زمین­لغزش (متغیر وابسته) و تعدادی عوامل موثر بر وقوع آن (متغیر مستقل) است. در این مدل، متغیر وابسته جهت بیان حضور و عدم حضور زمین­لغزش با یک و صفر کد گذاری شده و سپس بر اساس رابطه 1 احتمال رخ­داد یک واقعه تخمین زده می­شود (17 و 18).

(1)

که در آن P احتمال رخ­داد یک واقعه،  عرض از مبدا، n تعداد متغیرهای مستقل،  ضرایب هر یک از عوامل و  هر یک از متغیرهای مستقل است. وزن‌های به دست آمده در نقشه‌ها اعمال، نقشه‌های وزنی با هم جمع و در نهایت نقشه حساسیت زمین‌لغزش به دست آمد. یکی از نکات مهم در استفاده از رگرسیون لجستیک، بررسی هم­بستگی بین دو متغیر مستقل با یکدیگر است که به این منظور از دو شاخص عامل تورم واریانس^[7] (VIF) و ضریب تحمل^[8] استفاده می‌گردد. ضریب تحمل  کم­تر از 2/0 یا 1/0 و عامل تورم واریانس 5 یا بزرگتر از مقدار یادشده نمایان‌گر مسئله هم­خطی^[9] و ارتباط زیاد بین دو متغیر مستقل است (18).

ارزیابی نقشه‌های حساسیت زمین‌لغزش

نقشه­های حساسیت بر اساس شکستگی­های طبیعی^[10] به چهار طبقه (حساسیت کم، متوسط، زیاد و خیلی زیاد) تقسیم‌بندی ­گردیدند. جهت ارزیابی تعدادی از نقاط لغزشی برای مدل­سازی و بخشی از آن نیز برای ارزیابی مدل یادشده (به­ترتیب 70 درصد و 30 درصد) مورد استفاده قرار گرفت (19 و 20). آن­گاه با استفاده از منحنی تشخیص عملکرد نسبی (ROC)[11] دقت نقشه‌های تهیه شده بررسی شد (13 و 21). منحنی ROC یکی از مفیدترین روش­ها بوده که میزان دقت مدل را به­صورت کمی برآورد می­کند. سطح زیر منحنی (AUC)[12]، بیان­گر مقدار پیش‌بینی سیستم از طریق توصیف توانایی آن در تخمین درست وقایع رخ­داده (وقوع زمین­لغزش) و عدم وقوع رخ­داد (عدم وقوع زمین­لغزش) آن است. چنان­چه مدلی نتواند رخ­داد لغزشی را بهتر از دیدگاه احتمالی (تصادفی) تخمین زند مقدار AUC آن 5/0 است و زمانی که منحنی ROC، سطح زیرمنحنی برابر با یک داشته باشد بیان­گر بهترین دقت از نقشه پهنه‌بندی تهیه شده است. تقسیم‌بندی سطح زیر منحنی شامل 1-9/0، عالی؛ 9/0-8/0، خیلی­خوب؛ 8/0-7/0، خوب؛ 7/0-6/0، متوسط و 6/0-5/0، ضعیف است (21).

یافته‌ها

همان‌طور که بیان شد برای اولویت‌بندی عوامل موثر بر وقوع زمین‌لغزش از روش AHP استفاده شد. نتایج نشان داد فاصله از جاده، شیب و فاصله از آبراهه به ترتیب بیشترین تاثیر را بر وقوع زمین‌ لغزش داشته‌اند (شکل­2). همچنین ضریب ناسازگاری 07/0 به دست آمد که دقت وزن‌دهی را تایید می‌کند (15).

شکل 2- نتایج اولویت‌بندی عوامل موثر بر وقوع زمین‌لغزش

Figure 2. Prioritization of landslide conditioning factors

برای سایر عوامل نیز به همین‌ترتیب وزن‌دهی انجام شده و وزن طبقات به دست آمد که به عنوان نمونه وزن طبقات فاصله از جاده در شکل 3 نشان داده شده است.

شکل 3- اولویت‌بندی طبقات فاصله از جاده بر حسب متر

Figure 3. Prioritization of distance from the road

وزن هر عامل در وزن طبقه‌های آن ضرب و نقشه‌های وزنی تهیه شد. با جمع نقشه‌های وزنی در محیط ArcGIS نقشه نهایی مطابق شکل 4 تهیه شد. وزن‌های به دست آمده با استفاده از روش رگرسیون لجستیک نیز به همین شکل در نقشه‌ها اعمال و نقشه حساسیت تهیه شد که در شکل‌ 5 نمایش داده شده است.

شکل 4- نقشه حساسیت زمین‌لغزش با استفاده از روش AHP

Figure 4.Landslide susceptibility map using AHP method

شکل 5- نقشه حساسیت زمین‌لغزش با استفاده از روش رگرسیون لجستیک

Figure 5. Landslide susceptibility map using logistic regression method

برای محاسبه وزن‌ها با استفاده از روش نسبت فراوانی تعداد لغزش در طبقات مختلف عوامل موثر و مساحت هر طبقه در نظر گرفته شد. جدول 2 نتایج مربوط به روش نسبت فراوانی را نشان می‌دهد.

جدول 2– نسبت فراوانی زمین‌لغزش‌ها

Table 2. Frequency ratio of landslides

نتایج حاصل از نسبت فراوانی برای عامل شیب نشان می‌دهد شیب‌های 45-30 و 30-15 به ترتیب بیشترین وزن و در نتیجه بیشترین حساسیت را دارند. همچنین کاربری مرتع و کشاورزی، طول شیب 20-12، فاصله 100 متری از جاده، سازندهای مربوط به کرتاسه و پالئوژن،  فاصله 200 متری از مناطق مسکونی، فاصله 7000-5000 متری از گسل، ارتفاع 1500-500 متر، فاصله 100 متری از آبراهه، بارش بیشتر از 731، جهت جنوبی، شکل شیب محدب و بافت سیلتی-رسی-لومی بیشترین حساسیت را نسبت به وقوع زمین‌لغزش نشان داده‌اند.

نقشه‌های وزنی تهیه شده با استفاده از روش نسبت فراوانی با هم جمع شده و نقشه حساسیت زمین‌لغزش تهیه گردید (شکل 6).

شکل 6- نقشه حساسیت زمین‌لغزش با استفاده از روش نسبت فراوانی

Figure 6. Landslide susceptibility map using frequency ratio method

برای ارزیابی مدل منحنی ROC رسم شده (شکل 7) و سطح زیر منحنی محاسبه شد. میزان سطح زیر منحنی برای روش AHP، رگرسیون لجستیک و نسبت فراوانی به ترتیب برابر با 66/0، 67/ و 8/0 به دست آمد.

شکل 7- منحنی ROC مدل‌های تهیه نقشه حساسیت زمین‌لغزش

Figure 7. ROC curves for landslide susceptibility maps

بحث و نتیجه‌گیری

نتایج نشان داد بیشتر زمین‌لغزش‌ها در شیب‌های متوسط رخ داده است. در شیب‌های کم نیروی موثر ثقل برای حرکت کم بوده و در شیب‌های زیاد نیز خاک به اندازه کافی تولید نمی‌گردد، لذا در این شیب‌ها زمین‌لغزش کم است. محققان دیگری نیز نیز به نتایج مشابه مبنی بر وقوع زمین‌لغزش در شیب‌های متوسط دست یافتند (20، 22، 23 و 24).

بررسی ارتباط کاربری اراضی و زمین‌لغزش بیانگر وقوع بیشتز زمین‌لغزش‌ها در اراضی مرتعی و کشاورزی بوده است. مراتع عمدتاً در بخش­هایی از منطقه قرار گرفته­اند که دارای خاک ضخیم بوده و شیب نسبتاً زیادی داشته و شرایط وقوع زمین‌لغزش فراهم است. قسمت‌هایی از این مراتع نیز تخریب و به کشاورزی تبدیل شده‌اند که با توجه به شرایط خاکی و همچنین دست‌کاری شیب حساسیت به زمین‌لغزش را افزایش داده است.

با افزایش طول شیب از 20-0 متر میزان زمین‌لغزش افزایش یافته است. به­طور کلی نتایج تحقیقات نشان می­دهد که هر چه طول شیب بیش­تر باشد تجمع آب در بخش های پایین شیب بیش­تر و نهایتاً حساسیت خاک به فرسایش نیز بیش­تر خواهد بود (21). البته با توجه به شرایط توپوگرافی پیچیده منطقه معمولا طول شیب‌های خیلی بلند در مناطق با شیب کمتر بوده و به همین دلیل این ارتباط در طول‌های بیشتر از 20 متر مشاهده نشده است.

بررسی جاده‌ها نشان داد طبقات 100-0 و 400-100 به ترتیب بیشترین حساسیت به وقوع زمین‌لغزش را از خود نشان داده‌اند. معمولا احداث جاده­ها به‌ویژه در صورتی‌که اصول جاده‌سازی رعایت نشود وضعیت طبیعی دامنه را به هم می‌زند. این موضوع باعث افزایش فشار بر بخش پایین جاده شده و منجر به افزایش زمین­لغزش در اطراف جاده­ها می‌گردد. محققان دیگری نیز به نتایج مشابه مبنی بر نقش جاده‌ها بر وقوع زمین‌لغزش اشاره نموده‌اند (7، 11 و 25).

معمولا در اطراف مناطق مسکونی دست‌کاری در حالت طبیعی زمین بیشتر بوده و وقوع زمین‌لغزش نیز افزایش می‌یابد. در منطقه مورد مطالعه نیز وزن فاصله کمتر از 200 متری مناطق مسکونی بسیار بیشتر از بقیه طبقات به‌دست آمد. بررسی ارتباط ارتفاع و زمین‌لغزش نشان دادا حساسترین مناطق ارتفاع 1500-500 است.

به طور کلی با افزایش ارتفاع میزان زمین‌لغزش بیشتر می‌شود، اما این روند تا جایی ادامه داشته و سپس عکس می‌شود. Dai و Lee (26) معتقدند علی‌رغم آن­که در ارتفاعات بالا فرآیند هوازدگی سنگ در نتیجه پدیده ذوب-انجماد غالب است اما در عوض عمق خاک نسبت به مناطق کم ارتفاع کمتر است.

فاصله کمتر از 100 متری آبراهه نیز بیشترین میزان حساسیت را نشان داده است. آبراهه­ها بر اثر فرسایش رودخانه­ای و سایش دیواره کنار رودخانه باعث به هم خوردن تعادل شیب و در نتیجه ناپایداری دامنه­های مشرف به رودخانه می­گردند. محققان دیگری از جمله Yalcin (5) در ترکیه، Mohammady و همکاران (13) در بخشی از استان گلستان، فاطمی‌عقدا و همکاران (27) در منطقه رودبار نیز به نتایج مشابهی مبنی بر نقش آبراهه بر افزایش زمین‌لغزش اشاره نموده‌اند.

افزایش بارش موجب تولید خاک بیشتر و ضخیم‌تر شده، همچنین زمینه را برای اشباع خاک‌ها فراهم می‌کند. به همین دلیل در منطقه مورد مطالعه طبقه با بیشترین میزان بارش حساسیت بیشتری نسبت به وقوع زمین‌لغزش از خود نشان داده است. مطالعه جهت شیب نشان می‌دهد جهت شمالی بیشترین حساسیت به وقوع زمین‌لغزش را از خود نشان داده ‌است. دلیل اصلی آن وجود بادهای باران‌آور شمالی و شمال غربی بوده که موجب دریافت بیشتر رطوبت در این دامنه‌ می‌گردد. بررسی ارتباط شکل شیب و وقوع زمین‌لغزش نشان می‌دهد شیب‌های محدب بیشترین حساسیت را دارند. شکل شیب تاثیر به سزایی روی همگرایی و واگرایی جریان انتقالی از بالادست منطقه به پایین­دست آن را دارد (28). هم­چنین Pradhan و Lee (17) معتقدند که تکرار اتساع و انقباض دامنه‌های محدب دلیل حساسیت بیش­تر این نوع دامنه­ها می­باشد. در مناطق مختلف دنیا مدل‌های زیادی به منظور بررسی حساسیت‌پذیری زمین‌لغزش مورد استفاده قرار گرفته که با توجه به شرایط مدل‌های مناسب برای هر منطقه ارائه شده است. 

در این تحقیق از سه مدل با مبنای متفاوت برای بررسی حساسیت‌پذیری استفاده شد. مدل AHP از مدل‌های مبتنی بر نظر کارشناسی و تصمیم‌گیری چندمعیاره، مدل نسبت فراوانی به عنوان مدل دو متغیره ساده و رگرسیون لجستیک از انواع مدل‌های چندمتغیره مورد استفاده قرار گرفت. مدل نسبت فراوانی با وجود سادگی فرآیند دقت بسیار بیشتری از مدل‌های دیگر داشته و در مناطق مشابه با منطقه مورد مطالعه قابل استفاده خواهد بود. محققان دیگری از جمله Demir و همکاران (7)، Mohammady و همکاران (13) و  Pourtaghi و Pourghasemi (29) نیز به دقت مدل نسبت فراوانی اشاره نموده‌اند.

به طور کلی منطقه مورد مطالعه پتانسیل زیادی برای وقوع زمین‌لغزش داشته و در صورت عدم مدیریت، شاهد افزایش زمین‌لغزش‌ها نیز خواهیم بود. یکی از مهمترین اقدامات در مدیریت زمین‌لغزش تهیه نقشه‌های حساسیت زمین‌لغزش بوده که باعث شناخت مناطق حساس می‌شود. شناسایی مناطق حساس کمک می‌کند تا حد امکان از تغییرات حالت طبیعی این مناطق جلوگیری نموده و باعث تحریک این مناطق نشویم.

References

1. Glade, T., 1997. Establishing the frequency and magnitude of landslide-triggering rainstorm events in New Zealand, Environmental Geology, Vol. 35, pp. 160–174.
2. Shadfar, M., Yamani, M., Namaki, M., 2011. Zoning land slide hazard by Information Value Method (IVM), Density Area (DA) and Landslide Numerical Risk Factor (LNRF) model in Chalkrood. J. Watershed Manage. Eng: 3(1): 40-47. (In Persian)
3. Barredo, J.I., Benavidesz, A., Herh, J., Van Westen, C.J., 2000. Comparing heuristic landslide hazard assessment techniques using GIS in the Tirajana basin, Gran Canaria Island, Spain, International Journal Applied Earth Observation, Vol. 2, pp. 9–23.
4. Ayalew, L., Yamagishi, H., Marui, H., Kanno, T., 2005. Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications. Engineering Geology, Vol. 81, pp. 432–445.
5. Yalcin, A., 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations, Catena, Vol. 72, pp. 1–12.
6. Hasekiogullari, G.D., Ercanoglu, M., 2012. A new approach to use AHP in landslide susceptibility mapping: a case study at Yenice (Karabuk, NW Turkey). Natural Hazards, Vol. 63(2), pp. 1157–1179.

7.       Demir, G., Aytekin, M., Akgun, A., Ikizler, S.B., Tatar, O., 2013. A comparison of landslide susceptibility mapping of the eastern part of the North Anatolian Fault Zone (Turkey) by likelihood-frequency ratio and analytic hierarchy process methods, Natural Hazards, Vol. 65(3), pp. 1481-1506.

8. Ohlmacher, G.C. Davis, J.C., 2003. Using multiple logistic regression and GIS technology to predict landslide hazard in Northeast Kansas, USA, Engineering Geology, 69, pp. 331-343.
9. Ayalew, L., Yamagishi, H., 2005. The Application of GIS – based logistic regression for landslide susceptibility mapping in the Kakuda–Yahiko Mountains, central Japan, Geomorphology, Vol. 65, pp. 15-31.
10. Hosseinzadeh M.M., Sarvati M.R., Mansori A., Mirbaghari B., Khazri S. 2009. Zoning the risk of mass movement occurrences using logistic regression model, case study in vicinity of Sanandaj-Dehgolan road.  Iranian Journal of geology,   3(11): 27-37. (In Persian)
11. Bai, S.B., Wang, J., Lü, G., Zhou, P., Hou, S.S., Xu, S.N., 2010. GIS-based logistic regression for landslide susceptibility mapping of the Zhongxian segment in the Three Gorges area, China, Geomorphology, 115, pp. 23–31.
12. Kavzoglu, T., Sahin, E.K., Colkesen, I., 2013. Landslide susceptibility mapping using GIS-based multi-criteria decision analysis, support vector machines, and logistic regression. Landslides. doi:10.1007/s10346-013-0391-7.
13. Mohammady, M., Pourghasemi, H.R., Pradhan, B., 2012. Landslide susceptibility mapping at Golestan Province, Iran: a comparison between frequency ratio, Dempster–Shafer, and weights of evidence models. Journal Asian Earth Science, 61, pp. 221–236.
14. Jaafari, A., Najafi, A., Pourghasemi, H.R., Rezaeian, J., Sattarian, A., 2014. GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian forest, northern Iran, International Journal of Environmental Science and Technology, DOI: 10.1007/s13762-013-0464-0
15. Ghodsipour, SH., 2005. Analytical Hierarchy process (AHP), Amirkabir University of technology publication. 222 p. (In Persian)
16. Kincal, C., Akgun, A., Yalcın Koca, M., 2009. Landslide susceptibility assessment in the Izmir (West Anatolia, Turkey) city center and its near vicinity by the logistic regression Method, Environmental Earth Science, 59, pp. 745–756
17. Pradhan, B., Lee, S., 2010. Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models. Environmental Earth Sciences, 60, pp. 1037–1054.
18. O’Brien, R.M., 2007. A caution regarding rules of thumb for variance inflation factors, Quality and Quantity, Vol. 41(5), 673–690
19. Pradhan, B., Buchroithner, M.F., 2010. Comparison and validation of landslide susceptibility maps using an artificial neural network model for three test areas in Malaysia. Environment Engineering and Geoscience, 16(2), pp. 107–126
20. Pourghasemi, H.R., Gokceoglu, C., Pradhan, B., Deylami Moezzi, K., 2012. Landslide susceptibility mapping using a spatial multi criteria evaluation model at Haraz Watershed, Iran. B. Pradhan and M. Buchroithner (eds.), Terrigenous Mass Movements, 23-49. Springer-Verlag Berlin Heidelberg.
21. Yesilnacar, E.K., 2005. The Application of Computational Intelligence to Landslide Susceptibility Mapping in Turkey, Ph.D Thesis. Department of Geomatics the University of Melbourne, pp. 423
22. Feyznia, S., Ahmadi, H., Hassanzadeh Nafuti, M. 2001. Landslide hazard zonation in Shalmanrood basin in Gilan Province. Iranian Journal of natural resources, 54(3): 207-219. (In Persian)
23. Fatemi Aghda, S.M., Ghayoumian, J., Ashghali Faraahani, A. 2003. Evaluation of statistical methods in landslide hazard analysis. 11(47-48): 28- 47. (In Persian)
24. Chau, K.T., Chan, J.E., 2005. Regional bias of landslide data in generating susceptibility maps using logistic regression: Case of Hong Kong Island, Landslides, 2, pp. 280-290
25. Devkota, K.C., Regmi, A.D., Pourghasemi, H.R., Yoshida, K., Pradhan, B., Ryu, I.C., Dhital, M.R., Althuwaynee, O.F., 2013. Landslide susceptibility mapping using certainty factor, index of entropy and logistic regression models in GIS and their comparison at Mugling-Narayanghat road section in Nepal Himalaya, Natural Hazards, Vol. 65, pp. 135–165
26. Dai, F.C., Lee, C.F., 2002. Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong, Geomorphology, 42 (3/4): 213-228
27. Fatemi Aghda, S.M., Ghayoumian, J., Teshnehlab, M., Ashghali Faraahani, A. 2005. Landslide hazard zonation using fuzzy logic, case study Rudbar area, Journal of sciences. 31(1): 43-64. (In Persian)
28. Oh, H.J., Pradhan, B., 2011. Application of a neuro-fuzzy model to landslide susceptibility mapping for shallow landslides in a tropical hilly area. Computer and Geoscience, 37(9), pp. 1264–1276
29. Pourtaghi, Z.S., Pourghasemi, H.R., GIS-based groundwater spring potential assessment and mapping in the Birjand Township, southern Khorasan Province, Iran, Hydrogeology, DOI: 10.1007/s10040-013-1089-6.

1- استادیار دانشکده منابع طبیعی دانشگاه سمنان، سمنان، ایران. ^* (مسوول مکاتبات)

2- دانش‌آموختگان دانشکده منابع طبیعی دانشگاه سمنان، سمنان، ایران

[3] - Assistant Prof., Faculty of Natural Resources, Semnan University, Semnan, Iran.*(Corresponding Author)

[4]- Faculty of Natural Resources, Semnan University, Semnan, Iran.

1- Inconsistency Ratio

[6]- Landslide Susceptibility Index (LSI)

[7]- Variance Inflation Factor (VIF)

[8]- Tolerance

[9]- Multi-Collinearity

[10]- Natural Breaks

[11]- Receiver Operating Characteristics

[12]- Area Under Curve