خورشید مشرق 24، نقشه پهنه بندی خطر زمین لغزش خراسان شمالی (شهرستان بجنورد) با استفاده از هوش مصنوعی

 دستاوردها و نوآوری‌های علمی

در این شماره نیز مانند گذشته خورشید مشرق اقدام به معرفی فعالیت‌های شاخص این اداره کل و ارائه بخشی از دستاوردهای علمی نموده است. وجه انتخاب این دستاوردها کاربردی بودن و تأثیر آن‌ها در معرفی توانمندی سازمان و یا اهمیت علمی آن‌ها خواهد بود.

نقشه پهنه بندی خطر زمین لغزش خراسان شمالی (شهرستان بجنورد) با استفاده از هوش مصنوعی
توسط: تورج مجیدی

استان خراسان شمالی به سبب عوامل زمین‌شناسی و بارندگی‌های فصلی شدید، پتانسیل بالایی از نظر مخاطره زمین لغزش دارد و هر ساله موارد متعدد حوادث مربوط به زمین لغزش در این استان گزارش می‌شود. همچنین مداخلات انسانی نظیر ساخت جاده‌ها و فعالیت‌های کشاورزی موجب تشدید این مخاطره شده است.
به این سبب انجام تحقیقاتی که مناطق مساعد زمین لغزش را شناسایی و آنها را بر اساس شدت خطر، پهنه بندی نماید، به مدیریت این مخاطره و پیش بینی حفظ زیرساختهای فنی نظیر جاده‌ها و یا شناسایی آبادی‌های در معرض خطر کمک زیادی می‌کند. این تحقیق به دلیل اهمیت منطقه، در محدوده شهرستان بجنورد صورت گرفت.
روش‌های مختلف آماری و در سالهای اخیر روشهای یادگیری ماشین به کمک این تحقیقات آمده اند. مراحل انجام این تحقیق به شرح زیر می‌باشد:
1. گردآوری و آماده سازی داده‌ها:
لایه‌های موضوعی فضایی و داده‌های آماری شاخص مناطق تحت تأثیر زمین لغزش که از منابع مختلف فراهم گردیده، در جدول 1 ارائه شده اند. مدل رقومی ارتفاع از منحنی‌های میزان نقشه‌های توپوگرافی 1:25000 سازمان نقشه برداری کشور تهیه گردید. همچنین لایه راه‌های موجود و شبکه آبراهه‌ها نیز از این نقشه‌ها استخراج گردیدند. سایر لایه‌های شاخص توپوگرافی شامل شیب، جهت شیب، انحناء سطحی ، شاخص حمل رسوب (STI )، شاخص توان آبراهه (SPI )، شاخص موقعیت توپوگرافیک (TPI )، شاخص ناهمواری توپوگرافیک (TRI ) و شاخص رطوبت توپوگرافیک (TWI ) از این مدل رقومی ارتفاع محاسبه شدند. ویژگی‌های زمین‌شناسی منطقه نظیر واحد‌های سنگ شناسی، خطوط گسل و شیب و امتداد لایه بندی نیز از نقشه‌های زمین‌شناسی 1:100000 سازمان زمین‌شناسی کشور استخراج شدند. به دلیل اهمیت پوشش گیاهی به عنوان یک عامل کنترل کننده حساسیت به زمین لغزش، لایه شاخص نرمال شده تفاوت پوشش گیاهی به کمک تصاویر سنجنده Sentinel-2A در محیط ویرایشگر کد Google Earth Engine تهیه گردید. داده‌های ماهانه بارندگی در ایستگاه‌های سینوپتیک منطقه نیز برای تهیه نقشه توزیع میانگین بارندگی مورد استفاده قرار گرفتند.

جدول 1: داده‌های مورد استفاده برای تولید عوامل شرایط زمین لغزش

یک لایه اطلاعاتی اساسی در این تحقیق، نقشه زمین لغزش‌های ثبت شده (LIM ) می‌باشد. موقعیت فضایی این زمین لغزش‌ها بر اساس برداشت‌های میدانی و نیز بانک اطلاعات پایگاه داده‌های علوم زمین تعیین و در مجموع 50 زمین لغزش در منطقه مورد مطالعه شناسایی شدند. تقریبا 30% این زمین لغزشها اخیرا رخ داده اند. محدوده هر زمین لغزش با استفاده از تصاویر ماهواره ای رقومی و به شکل یک لایه پلی گنی تهیه گردید. در این تحقیق علاوه بر زمین لغزش‌های مشاهده شده، از یک تکنیک سنجش از دور، تحت عنوان محصول شناسایی آنی زمین لغزش (SLIP ) استفاده گردید. طبقه بندی زمین لغزشهای واقع شده در منطقه مورد مطالعه نیاز به اطلاعاتی از حجم مواد جابجا شده نیاز دارد که به دلیل نبود این اطلاعات از فرمول‌های تجربی که حجم زمین لغزش را به عنوان تابعی از مساحت آن تخمین می‌زنند، استفاده گردید. در این تحقیق با توجه به توزیع آماری زمین لغزش‌ها از نظر حجم و مساحت و به منظور تفکیک بهتر آنها با انتخاب حد آستانه مناسب، 80 زمین لغزش شناسایی شده در منطقه به چهار کلاس کوچک، متوسط، بزرگ و خیلی بزرگ قابل مقایسه با خطر کم، متوسط، بالا و خیلی بالا (جدول 2) تقسیم گردیدند. از این تعداد 24 زمین لغزش در خارج در محدوده شهرستان بجنورد قرار دارند که در تولید نقشه‌های حساسیت به کار گرفته نشده اند.

جدول 2: طبقه بندی زمین لغزش‌ها بر اساس حجم تخمینی

2. عوامل ایجاد کننده زمین لغزش
بسته به شرایط زمین شناختی منطقه و خصوصیات زمین لغزش‌های موجود، عوامل ایجاد کننده زیادی برای ارزیابی حساسیت به زمین لغزش قابل بررسی هستند که بر اساس منابع مختلف و شناختی که از این منطقه فراهم شده است، 13 عامل انتخاب گردیدند. تمامی این لایه‌های اطلاعاتی در سیستم مختصات UTM با قدرت تفکیک 10 متر تصویر شدند.

3. مدل سازی حساسیت به زمین لغزش
در این پروژه از روشهای مختلف آماری و یادگیری برای مدلسازی حساسیت به زمین لغزش استفاده گردید. و نتایج حاصل با یکدیگر مقایسه شدند.
- روش MEREC
MEREC یک روش هدفمند وزن دهی معیارها است (Keshavarz-Ghorabaee et al., 2021) متفاوت از سایر روش‌های مشابه مثل انتروپی و CRITIC بوده و وزن اهمیت هر معیار را محاسبه می‌کند. مراحل فرآیند این روش روی تغییر وزن معیار متمرکز است.

- روش PSI
در بیشتر روش‌های تصمیم گیری چند معیاره لازم است اهمیت نسبی یا همان وزن متغیرها را با محاسبات پیچیده و یا تحقیق از خبرگان آن حوزه به دست آوریم که معمولا منجر به تضاد نتایج می‌شود. روش PSI میزان ترجیح کلی هر ویژگی یا متغیر را با استفاده از مفهوم آماره‌هایی که شاخص انتخاب ارجحیت هر جایگزین را محاسبه می‌کند و جایگزینی که مقدار PSI بالاتری داشته باشد به عنوان بهترین جایگزین انتخاب می‌شود (Manyia and Bhatt, 2010).

- روش LNRF
روش عامل عددی خطر زمین لغزش (LNRF) یک رویکرد جامع برای تلفیق عوامل مختلف ارزیابی خطر زمین لغزش است. این روش به هر عامل بر اساس تأثیر آن روی وقوع زمین لغزش یک مقدار عددی نسبت می‌دهد (Gupa and Joshi, 1990). روش LNRF یک رویکرد ترکیب خطی وزن دار را بکار می‌گیرد که در آن وزن نسبت داده شده به هر عامل، انعکاس اهمیت آن در تعیین حساسیت به زمین لغزش است. وزن هر کلاس بوسیله تقسیم تعداد زمین لغزش‌های هر واحد (موجودی زمین لغزش) بر میانگین زمین لغزش‌ها در تمام واحدها تعیین می‌شود.

- روش شبکه عصبی پرسپترون چندلایه
در این تحقیق از یک روش یادگیری ماشین پرکاربرد هم برای مقایسه نتایج روش‌های آماری با روش‌های یادگیری ماشین استفاده گردید. در حوزه یادگیری ماشین الگوریتم‌های مختلفی وجود دارند که هر کدام برای حل مسائل خاصی مورد استفاده قرار می‌گیرند. شبکه عصبی پرسپترون چند لایه یکی از روش‌های متداول در طبقه بندی نظارت شده محسوب می‌شود.

4. ارزیابی عملکرد روشها
در این پروژه از روشهای مختلف ریاضی برای برآورد خطای روش‌ها و مقایسه آنها استفاده گردید. ضریب توافق کاپا فقط در مورد روش MLP عملکرد عالی نشان می‌دهد و درباره روش MEREC عملکرد متوسط رو به پایین داریم و درباره دو روش دیگر عملکرد ضعیف می‌باشد. البته این موضوع در مقایسه روش‌های یادگیری ماشین با روش‌های آماری کاملا صدق می‌کند. چنانچه نقشه حاصل از روش‌های آماری را بر اساس تفکیک کلاس بزرگ و خیلی بزرگ (خطر زیاد و بسیار زیاد) از سایر کلاس‌ها و محدوده زمین لغزشی از غیر زمین لغزشی را به داده باینری (0 و 1) تبدیل کنیم میزان ضریب کاپا به مقدار قابل توجهی تغییر خواهد کرد در این حالت روش‌های MEREC، PSI و MLP عملکرد متوسط و روش LNRF عملکرد خوب نشان می‌دهند. در مجموع روش یادگیری ماشین MLP عملکرد و دقت بهتری را نشان می‌دهد و در بین روش‌های آماری روش LNRF دقت خوبی را ارائه می‌کند.

شکل 2: نقشه تلفیق لایه‌ها به روش LNRF