نقشه‌برداری حساسیت زمین لغزش در مقیاس ملی در اتریش با استفاده از تصمیم‌گیری چند معیاره فازی بهترین و بدترین

خلاصه

زمین لغزش یکی از مخرب ترین بلایای زمین شناسی است که همراه با خسارات شدید به زیرساخت ها جان انسان ها را مرعوب می کند و بیشتر در مناطق کوهستانی در سراسر جهان رخ می دهد. نقشه‌برداری حساسیت زمین لغزش (LSM) به عنوان یک گام کلیدی در ارزیابی مناطق بالقوه مستعد زمین لغزش عمل می‌کند و می‌تواند بر کاهش خسارات احتمالی تأثیر بگذارد. استفاده از روش تصمیم گیری چند معیاره فازی بهترین و بدترین (FBWM) برای LSM در اتریش استفاده شد. علاوه بر این، نقش به کارگیری تعداد کمی از مقایسه های زوجی در LSM با مقایسه FBWM و فرآیند تحلیل سلسله مراتبی فازی (FAHP) بررسی شد. برای این مطالعه، طیف وسیعی از داده‌ها از سازمان زمین‌شناسی اتریش، سیستم اطلاعات زمین اتریش، تیم بشردوستانه OpenStreetMap، استخراج شد. و داده های سنجش از راه دور جمع آوری شد. ما از نه عامل شرطی‌سازی استفاده کردیم که بر اساس مطالعات قبلی و ویژگی‌های ژئومورفولوژیکی اتریش بود، مانند ارتفاع، شیب، شیب، سنگ‌شناسی، بارندگی، پوشش زمین، فاصله تا زهکشی، فاصله تا جاده‌ها و فاصله تا گسل‌ها. بر اساس ارزیابی کارشناسان، عامل شرطی‌سازی شیب به‌عنوان بهترین معیار (بیشترین تأثیر بر LSM) و فاصله تا جاده‌ها به‌عنوان بدترین معیار (کمترین تأثیر بر LSM) در نظر گرفته شد. LSM برای منطقه بر اساس بهترین و بدترین معیار تولید شد. یافته‌ها استحکام FBWM را در نقشه‌برداری حساسیت زمین لغزش نشان می‌دهد. علاوه بر این، استفاده از مقایسه‌های زوجی کمتر نشان داد که FBWM می‌تواند دقت بالاتری را در مقایسه با FAHP به دست آورد.

کلید واژه ها:

سیستم پشتیبانی تصمیم فضایی ; رانش زمین ; FAHP ; FBWM ; خطرات طبیعی ؛ آلپ شرقی ؛ اتریش

۱٫ معرفی

در سال های اخیر، خطرات طبیعی به طور مکرر رخ داده است [ ۱ ]. رانش زمین که جان و مال انسان را تهدید می کند، یکی از مخرب ترین بلایای زمین شناسی محسوب می شود که به کرات در نواحی کوهستانی رخ می دهد [ ۲ ، ۳ ]. زمین لغزش به عنوان جابجایی جرمی زمین، آوار و سنگ در شیب پایین به دلیل تاثیر گرانش تعریف می شود [ ۴ ، ۵ ]. ثابت شده است که زمین لغزش نقش مهمی در پایداری محیطی، اجتماعی، اقتصادی و فرهنگی انسان ها دارد [ ۶ ]. زمین لغزش ها در اندازه ها و اشکال مختلف رخ می دهند و توسط عوامل مختلفی مانند زلزله، بارندگی، فوران های آتشفشانی و فرسایش شیب ایجاد می شوند. ۷ ].]. پیش بینی می شود که وقوع زمین لغزش ها در آینده به دلیل عوامل مختلفی مانند توسعه زیرساخت ها، رشد جمعیت و سوء رفتار با منابع طبیعی افزایش یابد [ ۱ ، ۸ ]. زمین لغزش ها را می توان به عنوان یک پدیده طبیعی در نظر گرفت که اغلب در اثر تأثیر فعالیت های انسانی ایجاد می شود [ ۹ ]. جامعه علمی به‌دلیل افزایش هشداردهنده زمین‌لغزش‌ها در سراسر جهان، به‌طور قابل‌توجهی شاهد تحولی در رویکردهای جدید در نظر گرفته شده برای ارزیابی زمین لغزش‌ها بوده است [ ۱۰ ].]. مطالعه حساسیت منطقه به زمین لغزش برای درک تأثیر عوامل مختلف مؤثر بر وقوع زمین لغزش ضروری است. نگاشت حساسیت به زمین لغزش (LSM) تعیین کمیت احتمال وقوع زمین لغزش بسته به تأثیر عوامل مختلف شرطی سازی در منطقه معین است [ ۱۱ ]. LSM در مدیریت زمین لغزش ها بسیار مهم است و رویکردهای متنوعی برای استخراج نقشه های حساسیت زمین لغزش استفاده می شود [ ۷ ، ۱۲ ]. LSM عمدتاً مایل به اندازه گیری، نقشه برداری و در نهایت درک توزیع فضایی وقوع زمین لغزش در آینده است [ ۱۳ ]]. تحقیقات بسیار کمی در مورد حساسیت زمین لغزش در مقیاس ملی انجام شده است، به جای تمرکز بیشتر بر مقیاس منطقه ای [۱۴ ]. LSM می تواند به مقامات و تصمیم گیرندگان کمک کند تا استراتژی های مدیریتی موثر برای پیشگیری و کاهش زمین لغزش را برنامه ریزی کنند [ ۱۵ ، ۱۶ ].

ثابت شده است که سیستم‌های اطلاعات جغرافیایی (GIS) ابزاری قوی برای مطالعه مخاطرات طبیعی مختلف، از جمله زمین لغزش‌ها، مانند تهیه داده‌های موجودی، نقشه‌برداری حساسیت زمین لغزش، و تشخیص زمین لغزش است [ ۱۷ ، ۱۸ ، ۱۹ ]. سنجش از دور (RS) همچنین به کمک های تقویت شده در کاهش و برنامه ریزی خطرات طبیعی کمک کرده است. ۲۰ ]]. تصمیم گیری چند معیاره (MCDM) یک رویکرد پذیرفته شده گسترده است که در طیف گسترده ای از مسائل در زمینه های مختلف به کار گرفته شده است، که شامل مطالعات در مورد LSM نیز می شود. ادغام GIS و رویکرد MCDM امکان تبدیل داده های مکانی و همچنین غیر مکانی را به اطلاعات معنی دار می دهد. ارزیابی فرآیند سلسله مراتبی تحلیلی (AHP) یک رویکرد متخصص مبتنی بر چند معیار است که به طور گسترده در نگاشت حساسیت استفاده می شود [ ۲۱ ، ۲۲ ]. با این حال، رویکرد AHP دارای چند شکاف و محدودیت است، مانند نادیده گرفتن روابط متقابل بین علل مختلف در سطوح مختلف، عملکرد پایین در مورد مقایسه‌های زوجی ۵×۵ یا بزرگتر، و مسئله بهینه بردار ویژه [ ۲۳ ].]. برخی از محدودیت ها و ناتوانی های کاربرد AHP در سیستم های پشتیبانی تصمیم گیری فضایی توسط [ ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ] توضیح داده شده است. نظریه مجموعه فازی، تقلید از قضاوت انسان، برای کاهش ناسازگاری و عدم قطعیت در تصمیم گیری ها و همچنین غلبه بر محدودیت های AHP [ ۲۹ ] طراحی شده است. در این راستا چندین روش مبتنی بر فازی در سال های اخیر در زمینه های مختلف معرفی و اجرا شده است. کاربرد موفقیت آمیز روش فرآیند تحلیل سلسله مراتبی فازی (FAHP) در LSM می تواند مثالی باشد.

بهترین و بدترین روش تصمیم گیری چند معیاره (BWM) یکی از آخرین مدل های MCDM است که توسط رضایی در سال ۲۰۱۵ ایجاد شد [ ۳۰ ]. به دنبال غلبه بر ناسازگاری ناشی از مقایسه های زوجی با به حداقل رساندن مقایسه های زوجی و همچنین به دست آوردن وزن معیارها و جایگزین ها با توجه به معیارهای مختلف است. ۳۱ ]]. حتی اگر BWM از مقیاس ۱ تا ۹ برای انجام مقایسه‌های زوجی استفاده می‌کند، مانند AHP، تنها ترجیح بهترین و بدترین معیار را نسبت به سایر معیارهایی که کاملاً با AHP متفاوت هستند، اجرا می‌کند. از آنجایی که مقایسه‌های ثانویه در این روش اجرا نمی‌شوند، بسیار راحت‌تر، دقیق‌تر و افزونگی کمتری دارند. با این حال، دانش و قضاوت متخصص، که معمولاً دارای اشکالاتی مانند ابهام و عدم قطعیت در مدل است، نقش مهمی در روش BWM بازی می‌کند. بنابراین، استفاده از تئوری مجموعه های فازی، که ممکن است با موقعیت های دنیای واقعی همخوانی بیشتری داشته باشد و بتواند به نتایج بهتری دست یابد، یک راه حل کارآمد در نظر گرفته می شود. با این حال، دانش و قضاوت متخصص، که معمولاً دارای برخی اشکالات مانند ابهام و عدم قطعیت در مدل است، نقش مهمی در روش BWM ایفا می کند.۲۷ ]. بنابراین، استفاده از تئوری مجموعه‌های فازی، که ممکن است با موقعیت‌های دنیای واقعی همخوانی بیشتری داشته باشد و بتواند به نتایج بهتری دست یابد، به عنوان یک راه‌حل کارآمد در نظر گرفته می‌شود [ ۲۳ ].

در یک کشور کوهستانی و کوهستانی، مانند اتریش، جابجایی های دسته جمعی یا رانش زمین یک خطر طبیعی شایع است [ ۳۲ ]. مطالعات متعددی برای ارزیابی نقشه حساسیت زمین در مقیاس ملی در سراسر جهان انجام شد که عمدتاً بر روی عوامل شرطی‌سازی کمتر و رویکردهای آماری تمرکز داشتند [ ۹ ، ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ]. به عنوان مثال، سو و دیگران (۲۰۱۱) در حین اعمال هفت عامل و روش های ترکیبی، یک ارزیابی در مقیاس ملی از حساسیت زمین لغزش شیب های سنگ تراش خورده در امتداد بزرگراه ها در کره ایجاد کردند [ ۳۵ ].]. تریگیلا و دیگران (۲۰۱۳) از مدل های مختلف (رگرسیون لجستیک، تجزیه و تحلیل تفکیک، و جنگل تصادفی درخت بیزی) برای تولید LSM در ایتالیا استفاده کردند [ ۳۴ ]. در سال ۲۰۱۱، یک LSM برای رومانی با استفاده از هفت عامل اصلی و شاخص حساسیت زمین لغزش توسط Balteanu و دیگران به دست آمد. در مورد اتریش، دو مطالعه وجود دارد که برای کل اتریش انجام شده است [ ۳۸ ، ۳۹ ]. با این حال، چالش‌هایی از نظر نگاشت حساسیت و رویکردهای مورد استفاده وجود دارد [ ۴۰]. هدف این مقاله بررسی کاربرد تصمیم‌گیری چند معیاره فازی بهترین و بدترین فازی (FBWM) برای تولید LSM در مقیاس ملی است که تا به امروز انجام نشده است. این مطالعه کاملاً با سناریوی حاضر مرتبط است، جایی که زمین لغزش های سنگین در اتریش باعث چندین مرگ و میر و خسارات اقتصادی عمده شده است. این مطالعه همچنین نقش استفاده از چند عدد مقایسه زوجی در LSM را با مقایسه FBWM و FAHP بررسی می‌کند.

۲٫ مواد

۲٫۱٫ مروری بر منطقه مورد مطالعه

اتریش با مساحت ۸۳۸۷۹ کیلومتر مربع ^و بین طول جغرافیایی ۹ درجه و ۱۸ درجه شرقی و عرض جغرافیایی ۴۶ درجه و ۴۹ درجه شمالی قرار دارد، کشوری محصور در خشکی با نزدیک به نه میلیون شهروند در اروپای مرکزی است ( شکل ۱ را ببینید ). زمین لغزش اغلب در کشور به دلیل موقعیت ژئومورفولوژیکی آن رخ می دهد. طغیان رودخانه ها، جریان های بقایای فرسایش خاک / سیلاب های کوهستانی، بهمن ها و رانش زمین به عنوان خطرناک ترین بلایای زمین شناسی در اتریش توسط هامان (۲۰۰۷) معرفی شده اند. ۴۱ ] معرفی شده اند.]. در اتریش، ارتفاع بین ۱۱۰ متر و ۳۸۰۰ متر متغیر است و تنها ۳۲ درصد از سطح کشور زیر ۵۰۰ متر است. علاوه بر این، آلپ‌های سنگ آهک شمالی، آلپ‌های شرقی مرکزی و آلپ‌های سنگ آهک جنوبی بیشتر در این کشور قرار دارند. این بخش‌های کوهستانی مستعد ریزش سنگ، حرکت عظیم توده‌ای و رانش زمین هستند که باعث تلفات جانی و آسیب به زیرساخت‌ها می‌شود. میانگین بارندگی سالانه بسته به مناطق اتریش متفاوت است. در نواحی شرقی که هموار یا تپه ای هستند بین ۴۰۰ میلی متر تا ۶۰۰ میلی متر متغیر است، در حالی که این مقدار در مناطق آلپ از ۲۰۰۰ میلی متر بیشتر است.

۲٫۲٫ داده ها

۲٫۲٫۱٫ داده های موجودی زمین لغزش

نقشه برداری از زمین لغزش های واقعی در منطقه مورد مطالعه در توصیف رابطه بین عوامل شرایط و توزیع زمین لغزش حیاتی است [ ۴۲ ]]. فهرست زمین لغزش ها در اتریش توسط سازمان زمین شناسی اتریش تهیه شده است. رخدادهای قابل توجهی از زمین لغزش ها در اتریش وجود داشته است، داده های موجودی از سازمان زمین شناسی اتریش شامل همه زمین لغزش ها نمی شود و دارای محدودیت هایی در مورد کامل بودن و به روز بودن است. داده‌های به‌دست‌آمده از GBA برای زمین لغزش، داده‌های موجودی است که برای اعتبارسنجی و مقایسه عملکرد FBWM و FAHP استفاده می‌شود. تا مارس ۲۰۱۹ حدود ۶۳۰۹ داده موجودی زمین لغزش از GBA برای اتریش در دسترس است که عمدتاً شامل ریزش سنگ/سنگ لغزش (۲۵٪)، حرکات پیچیده (۶٪) و رانش زمین (۶۹٪) است. اطلاعات بیشتر را می توانید در GBA ( www.geologie.ac.at ) بیابید.

۲٫۲٫۲٫ عوامل تهویه زمین لغزش

در همین حال، هیچ معیار از پیش تعریف شده پذیرفته شده جهانی برای انتخاب عوامل شرطی وجود ندارد، عوامل شرطی باید به طور ایده آل قابل اندازه گیری، غیر یکنواخت، عملی و غیر زائد باشند [ ۴۳ ]. برای این مطالعه، ما از نه عامل شرطی‌سازی استفاده کردیم که بر اساس ادبیات قبلی، بازخورد کارشناسان و ویژگی‌های ژئومورفولوژیکی اتریش، مانند شیب، ارتفاع، جهت شیب، فاصله تا زهکشی، فاصله تا جاده‌ها، فاصله تا گسل‌ها، سنگ‌شناسی، زمین بود. پوشش و بارندگی ( جدول ۱ ). مدل رقومی رقومی ارتفاعی ۱۰ متری (DEM) رایگان در دسترس از پورتال داده باز اتریش ( www.data.gv.at ) دانلود شد.). شیب و جنبه از داده های DEM به دست آمد. سنگ شناسی و فاصله تا گسل داده ها از سازمان زمین شناسی اتریش به دست آمد. داده های پوشش زمین از سیستم اطلاعات زمین اتریش دانلود شد. شبکه های زهکشی و جاده از شبکه نقشه خیابان باز بشردوستانه دانلود شد. داده های بارندگی برای اتریش از ÖKS15-Klimaszenarien für Österreich به دست آمد. همه داده ها برای سازگاری و پردازش بیشتر داده ها به وضوح ۱۰ متر تبدیل شدند. این با استفاده از پلت فرم ArcGIS موسسه تحقیقات سیستم های محیطی (ESRI) برای تولید عوامل شرطی LSM در اتریش انجام شد.

۳٫ روش ها

روش تحقیق حاضر شامل سه مرحله به شرح زیر است: (۱) جلوگیری از معیارهای مؤثر بر LSM و ارائه آنها به کارشناسان برای رتبه بندی اولیه و شناسایی بهترین معیار و بدترین معیار (به بخش ۲٫۲٫۲ مراجعه کنید ). (۲) پیاده سازی FBWM و FAHP برای تولید LSM. (۳) اعتبارسنجی FBWM و FAHP با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) و ناحیه زیر منحنی (AUC). (۴) مقایسه نقشه های ایجاد شده حساسیت زمین لغزش.

۳٫۱٫ بهترین-بدترین روش فازی

بهترین-بدترین روش (BWM) توسط رضایی [ ۳۰ ] پیشنهاد شد، جایی که او نشان داد که مشکلات MCDM ممکن است با مقایسه های زوجی با تعداد بسیار کم حل شود [ ۵۶ ]. در روش پیشنهادی، کاربر مهم ترین معیار و کم اهمیت ترین معیار را از بین تمامی معیارهای موجود انتخاب می کند و بهترین یا مهم ترین معیار را با سایر معیارها مقایسه می کند و عددی در بازه ۱ تا ۹ به آن اختصاص می دهد. که در آن ۱ نشان می دهد که معیار به اندازه بهترین یا مهم ترین معیار مهم است و ۹ نشان دهنده این است که بهترین معیار نه برابر مهمتر از بدترین معیار است. ۵۷ ]]. به همین ترتیب، مقایسه برای کمترین یا بدترین معیار با سایر معیارها انجام می شود. سپس این اعداد یا مقادیر برای یک فرآیند بهینه سازی استفاده می شوند [ ۵۸ ]. هدف از این فرآیند بهینه‌سازی، به دست آوردن حداکثر درجه سازگاری از طریق به حداقل رساندن حداکثر اختلاف بین ارزش مقایسه بهترین معیار به هر معیار و نسبت وزن‌های بهترین معیار و آن معیار است. همچنین به حداقل رساندن حداکثر اختلاف بین ارزش مقایسه هر معیار به بدترین معیار و نسبت وزن آن معیار خاص و بدترین معیار را هدف قرار می دهد. این بهینه‌سازی توسط برخی محدودیت‌های مقدار بیشتری مانند حداکثر مقدار ممکن مجموع وزن‌ها انجام می‌شود.

با تولید LSM در اتریش، از FBWM استفاده کردیم که شامل شش مرحله اصلی برای تعیین وزن معیارها به شرح زیر است:

فاز ۱٫ سیستم معیارهای تصمیم را ایجاد کنید. از آنجایی که مقادیر معیارهای تصمیم گیری بر عملکرد گزینه های مختلف تأثیر می گذارد، ایجاد سیستم معیارهای تصمیم گیری، که شامل مجموعه ای از معیارهای تصمیم گیری است، گامی حیاتی برای انجام واقعی ارزیابی بر روی گزینه ها در نظر گرفته می شود.

فاز ۲٫ تعریف بهترین معیار (مهم ترین) و بدترین معیار (کم اهمیت ترین). در این مرحله بر اساس نظرات کارشناسان باید بهترین معیار و بدترین معیار شناسایی شود.

فاز ۳٫ تعیین اولویت فازی بهترین معیار در برابر سایر معیارها. در این بخش، با استفاده از اصطلاحات زبانی خبرگان که در جدول ۲ آمده است، ترجیح فازی بهترین معیار در برابر سایر معیارها قابل شناسایی است. پس از آن، بر اساس قوانین تبدیل که در جدول ۱ نشان داده شده است ، ترجیحات فازی به دست آمده به TFN تبدیل می شوند. بردار بهترین معیار فازی به دست آمده به دیگران عبارت است از:

آ˜ب=آ˜ب۱، آ˜ب۲، …، آ˜بn

(۱)

جایی که آ˜بنماد بهترین معیار فازی -بردار به دیگران و آ˜بj نماد ترجیح فازی مهمترین معیار است جببیش از معیار j، j = ۱، ۲، ···، n.

فاز ۴٫ تعیین اولویت فازی بدترین معیار در برابر سایر معیارها. در این مرحله با تقلید از مرحله قبل، ترجیح فازی بدترین معیار در مقابل سایر معیارها مشخص می شود. بدترین بردار معیار فازی به دست آمده برای دیگران عبارت است از:

آ˜دبلیو=آ˜۱دبلیو، آ˜۲دبلیو، …، آ˜nدبلیو

(۲)

جایی که آ˜دبلیونماد فازی بدترین بردار معیار برای دیگران و آ˜مندبلیو نماد ترجیح فازی کمترین اهمیت معیار i بر معیار استجدبلیو, i = ۱, ۲, ···, n.

فاز ۵٫ تعریف وزن های فازی ایده آل. وزن های فازی ایده آل برای هر معیار دبلیو˜۱∗، دبلیو˜۲∗،…،دبلیوn∗زمانی که برای هر جفت فازی قابل دسترسی است w˜ب/w˜j=آ˜بjو w˜j/w˜دبلیو=آ˜jدبلیو. برای به دست آوردن این شرایط، حداکثر شکاف مطلق w˜jw˜دبلیو-آ˜jدبلیو و w˜بw˜j-آ˜بjبرای همه j باید به حداقل برسد (به معادله (۳) مراجعه کنید). تبدیل ارزش واضح وزن فازی w˜بخش دیگری است که باید در این مرحله انجام شود. در این مطالعه، نمایش میانگین درجه بندی شده یکپارچه سازی برای این منظور استفاده شد (به معادله (۴) مراجعه کنید).

مترمنn ξ˜∗ س.تی.لبw،متربw،توبwلjw،مترjw،توjw-لبj،متربj،توبj≤ک∗،ک∗،ک∗لjw،مترjw،توjwلدبلیوw،متردبلیوw،تودبلیوw-لjدبلیو،مترjدبلیو،توjدبلیو≤ک∗،ک∗،ک∗∑j=1nآرw˜j=1لjw≤مترjw≤توjwلjw≥۰j=1،۲،…،n

(۳)

آرآ˜من=لمن+۴مترمن+تومن۶

(۴)

فاز ۶٫ تجزیه و تحلیل نسبت قوام (CR). CR به عنوان یک شاخص حیاتی برای ارزیابی نسبت سازگاری مقایسه‌های زوجی در نظر گرفته می‌شود. یک مقایسه فازی را می توان به عنوان کاملاً سازگار محاسبه کرد که آ˜بj×آ˜jدبلیو=آ˜بدبلیو، جایی که آ˜بدبلیو، آ˜jدبلیو، و آ˜بj به ترتیب ترجیح فازی بهترین معیار در برابر بدترین معیار، ترجیح فازی بهترین معیار در برابر معیار j و ترجیح فازی معیار j در برابر بدترین معیار هستند. به طور کلی، CR را می توان برای FBWM به شرح زیر محاسبه کرد:

ξ˜۲-۱+۲توبدبلیوξ˜+توبدبلیو۲-توبدبلیو=۰

(۵)

جایی که ξ=لξ،مترξ،توξ، آ˜بدبلیو=لبدبلیو،متربدبلیو،توبدبلیو.

حداکثر ممکن ξرا می توان با حل معادله (۵) برای غیرمشابه به عنوان شاخص سازگاری (CI) برای BWM فازی به دست آورد. توبدبلیو. هنگام در نظر گرفتن اصطلاحات زبانی مختلف نظرات کارشناسان، CI به دست آمده برای FBWM در جدول ۳ فهرست شده است.

۳٫۲٫ فرآیند تحلیل سلسله مراتبی فازی (FAHP)

فرآیند تحلیل سلسله مراتبی فازی به طور گسترده ای در سال های اخیر به منظور مقابله با عدم قطعیت و ابهام در تصمیم گیری چند معیاره مورد استفاده قرار گرفته است. رویکرد FAHP مستلزم استفاده از رویکرد علمی است که در آن وزن ها از طریق ماتریس های مقایسه عاقلانه جفت فازی [ ۵۹ ] به دست می آیند. رویکردهای مختلفی از FAHP وجود دارد که توسط محققان برای برنامه های کاربردی مختلف حمل و نقل استفاده می شود [ ۶۰ ]. یک رویکرد جدید از استانداردهای گستره مصنوعی برای مدیریت FAHP از طریق مقایسه زوجی پیشنهاد شد [ ۶۱ ]. برای این مطالعه، از روشی برای تجزیه و تحلیل چند شاخص سنتز شده با استفاده از تحلیل FAHP برای تعریف وزن شاخص استفاده شد. یک روش هشت مرحله ای برای توصیف FAHP در ارائه شده است شکل ۲ ارائه شده استدر حالی که شرح مفصلی از روش در شکل ۳ ارائه شده است .

با استفاده از تئوری مجموعه های فازی، می توان بیش از یک کلاس حساس را در حین استفاده از مفهوم عضویت جزئی در نظر گرفت. بر اساس این دیدگاه، تنوع مکانی با استفاده از توابع عضویت فازی مورد تجزیه و تحلیل قرار گرفت. عمل به نظریه مجموعه های فازی در ارزیابی زمین لغزش برای بهبود نگاشت حساسیت حاصل در نظر گرفته شده است. در نتیجه، همه عوامل آغازگر زمین لغزش در محدوده ۰ (حساس پذیری کم) تا ۱ (حساسیت زیاد) هماهنگ شدند.

یک عدد مبهم تی˜بر آر اگر تابع عضویت آن باشد یک عدد فازی مثلثی باشد μتی˜y: آر→۰،۱ برابر با فرمول زیر (۶) است:

μتی˜y=y-1متر-۱، ک≤y≤مترتو-yتو-متر، متر≤y≤تو۰، در غیر این صورت

(۶)

از فرمول (۱) کو توبه معنای کران پایین و بالای عدد فازی است آ˜و مترمقدار مودال برای است آ˜. عدد فازی مثلثی را می توان با نشان داد تی˜=ک، متر، تو. قوانین عملیاتی اعداد فازی مثلثی تی˜ ۱=ک۱، متر۱، تو۱و تی˜ ۲=ک۲، متر۲، تو۲معادلات (۷) – (۱۱) زیر نمایش داده می شوند. جمع عدد فازی ⨁

تی˜ ۱ ⨁تی˜ ۲=ک۱+ک۲،متر۱+متر۲،تو۱+تو۲

(۷)

یک مجموعه فازی مثلثی برای تبدیل متغیرهای زبانی به مقادیر کمی برای این مطالعه، همانطور که در شکل ۲ نشان داده شده است، استفاده شد.

ضرب عدد فازی ⨂

تی ۱ ⨂تی˜ ۲=ک۱ک۲، متر۱متر۲، تو۱تو۲ برای ک۱، ک۲>0;متر۱،متر۲>0;تو۱تو۲>0

(۸)

تفریق عدد فازی ⊝

تی˜ ۱ ⊝تی˜ ۲=ک۱-تو۲، متر۱-،متر۲، تو۱-ک۲

(۹)

تقسیم یک عدد فازی ∅

تی˜ ۱ ∅تی˜ ۲=ک۱تو۲،متر۱،متر۲،تو۱ل۲برای ک۱، ک۲>0;متر۱،متر۲>0;تو۱تو۲>0

(۱۰)

متقابل عدد فازی

تی˜ -۱=۱تو۱،۱متر۱،۱ ک۱ برای ک۱، ک۲>0;متر۱،متر۲>0;تو۱تو۲>0

(۱۱)

برای این مطالعه از مقیاس اعداد فازی مثلثی که یک تکنیک محاسباتی است استفاده شد. جدول ۴ مقیاس اعداد فازی مثلثی [ ۶۲ ] را نشان می دهد.

ماتریس های مقایسه زوجی درگیر بر اساس ساختار سلسله مراتبی ساخته شده اند. مقایسات دوتایی با تخصیص اصطلاحات زبانی برای معادل سازی اینکه کدام معیار با توجه به معیار اصلی مهمتر از دیگری است، ایجاد می شود. تیماتریس بزرگتر ( ۶×۶) در مطالعه، همانطور که در رابطه (۱۲) در زیر ارائه شده است:

تی˜=۱آ˜۱۲آ˜۱۳آ˜۲۱۱آ˜۲۳آ˜۳۱آ˜۳۲۱آ˜۱۴آ˜۱۵آ˜۱۶آ˜۲۴آ˜۲۵آ˜۲۶آ˜۳۴آ˜۳۵آ˜۳۶آ˜۴۱آ˜۴۲آ˜۴۳آ˜۵۱آ˜۵۲آ˜۵۳آ˜۶۱آ˜۶۲آ˜۶۳۱آ˜۴۵آ˜۴۶آ˜۵۴۱آ˜۵۶آ˜۶۴آ˜۶۵۱=۱آ˜۱۲آ˜۱۳۱/آ˜۱۲۱آ˜۲۳۱/آ˜۱۳۱/آ˜۲۳۱آ˜۱۴آ˜۱۵آ˜۱۶آ˜۲۴آ˜۲۵آ˜۲۶آ˜۳۴آ˜۳۵آ˜۳۶۱/آ˜۱۴۱/آ˜۲۴۱/آ˜۳۴۱/آ˜۱۵۱/آ˜۲۵۱/آ˜۳۵۱/آ˜۱۶۱/آ˜۲۶۱/آ˜۳۶۱آ˜۴۵آ˜۴۶۱/آ˜۴۵۱آ˜۵۶۱/آ˜۴۶۱/آ˜۵۶۱

(۱۲)

جایی که

آ˜منj=9˜-۱، ۸˜-۱،۷˜-۱،۶˜-۱،۵˜-۱،۴˜-۱،۳˜-۱،۲˜-۱،۱˜،۲˜،۳˜،۴˜،۵˜،۶˜،۷˜،۸˜،۹˜،۱،من≠j1من=j

جایی که a منjمقدار مقایسه فازی ابعاد است منبه معیار j .

از میانگین هندسی فازی برای تجمیع وزن های فازی همانطور که در معادلات (۱۳) تا (۱۴) نشان داده شده است استفاده شد.

r˜من=آ˜من۱ ⨂ آ˜من۲ ⨂ آ˜من۳⨂ آ˜من۴ ⨂ آ˜من۵ ⨂ آ˜من۶۱/n

(۱۳)

w˜من=r˜من r˜۱⨁ r˜۲ ⨁ r˜۳ ⨁ r˜۴ ⨁ r˜۵⨁ r˜۶-۱

(۱۴)

r˜منیک میانگین هندسی ارزش مقایسه فازی معیار است منبه هر معیار و w˜منوزن فازی است منمعیاری که می توان با یک عدد فازی مثلثی تعیین کرد، w˜من=کwمن، مترwمن، توwمن. را کwمن، مترwمن و توwمنمخفف مقادیر پایین، میانی و بالای وزن فازی است منبعد ام

۳٫۳٫ مشخصات عملیاتی گیرنده (ROC)

اعتبار سنجی یک جنبه کلیدی از هر تحلیلی است که بینش هایی را در مورد دقت مدل های مورد استفاده برای مطالعه امکان پذیر می کند [ ۵ ، ۶۳ ]. رابطه بین داده های موجودی و LSM حاصل برای پیش بینی اثربخشی مدل بسیار مهم است. دقت مدل نشان می دهد که آیا مدل مناطق مستعد زمین لغزش را به درستی پیش بینی کرده است یا خیر.

منحنی ویژگی‌های عملیاتی گیرنده (ROC) برای اعتبارسنجی نقشه‌های حساسیت زمین لغزش در حین استفاده از داده‌های اعتبارسنجی استفاده شد. رویکرد ROC امکان مقایسه بین نرخ مثبت واقعی و نرخ مثبت کاذب در نقشه‌های حساسیت زمین لغزش را فراهم می‌کند [ ۶۴ ، ۶۵]. منحنی های ROC برای تمام نقشه های حساسیت زمین لغزش محاسبه شد. پیکسل‌هایی که به درستی شناسایی شده‌اند (حساسیت بالا) و بنابراین با داده‌های مرجع لغزش مطابقت دارند، نرخ‌های مثبت واقعی هستند، در حالی که پیکسل‌هایی که به اشتباه برچسب‌گذاری شده‌اند FPR هستند. منحنی های ROC با رسم نرخ های مثبت واقعی در مقابل نرخ های مثبت کاذب تولید می شوند. سطح زیر منحنی (AUC) درجه ای است که دقت نقشه های حساسیت زمین لغزش حاصل را مشخص می کند. AUC این احتمال را نشان می دهد که تعداد پیکسل های بیشتری به درستی برچسب گذاری شده اند تا برچسب نادرست. مقادیر AUC بیشتر نشان‌دهنده دقت بالاتر و مقادیر AUC کمتر نشان‌دهنده دقت پایین‌تر نقشه حساسیت است. اگر مقادیر AUC نزدیک به وحدت باشد، این نشان دهنده یک نقشه حساسیت قابل توجه است. مقدار ۰٫۵ یک نقشه ناچیز را نشان می دهد،۶۶ ].

۴٫ نتایج و بحث

۴٫۱٫ FBWM

FBWM برای تولید LSM برای اتریش استفاده شد. با در نظر گرفتن ارزیابی های کارشناسان، معیار شیب به عنوان بهترین معیار (بیشترین تأثیر بر LSM) و فاصله تا جاده بدترین معیار (کمترین تأثیر بر LSM) در نظر گرفته شد. پس از آن، ترجیح بهترین و بدترین معیار در برابر سایر معیارها اجرا شد و مقادیر جهانی و محلی همه معیارها و شاخص سازگاری همانطور که در جدول ۵ نشان داده شده است به دست آمد . مقادیر کلی معیارها با ضرب وزن خوشه ها در وزن زیر معیارها به دست آمد. وزن کلی معیارها را می توان برای ارزیابی گزینه ها در مدل چند معیاره استفاده کرد [ ۶۷ ].

نقشه های حساسیت به دست آمده برای حساسیت زمین لغزش با استفاده از روش طبقه بندی شکست های طبیعی به پنج کلاس طبقه بندی شدند. این یک روش رایج رایج برای طبقه‌بندی نقشه‌های حساسیت از پنج کلاس «بسیار زیاد»، «بالا»، «متوسط»، «کم» و «بسیار کم» است [ ۸ ]. ]. این طبقه بندی مقادیر را در گروه هایی توزیع می کند که دارای تعداد مساوی از مقادیر هستند. این بهتر از طبقه بندی های دیگر است که در آن برخی از کلاس ها ممکن است تعداد محدود یا بیش از حد مقادیر داشته باشند.

LSM به‌دست‌آمده برای اتریش با استفاده از FBWM نشان می‌دهد که نزدیک به ۶۴٫۷ درصد از تمام نقاط موجودی زمین لغزش (۴۰۸۳ از ۶۳۰۹) در معرض خطر بسیار بالا، ۱۹٫۲ درصد (۱۲۱۲ از ۶۳۰۹) در معرض خطر بالا، ۹٫۹ درصد (۶۲۴ از ۶۳۰۹) هستند. در خطر متوسط، ۴٫۴٪ (۲۷۷ از ۶۳۰۹) در کم خطر، و ۱٫۸٪ (۱۱۳ از ۶۳۰۹) در مناطق بسیار کم خطر، همانطور که در شکل ۴ نشان داده شده است.

۴٫۲٫ FAHP

رویکرد FAHP همانطور که در نشان داده شده است نشان می دهد جدول ۶ نشان داده شده است نشان می دهدکه معیار شیب با ۰٫۳۰ بیشترین تأثیر را بر وقوع زمین لغزش در اتریش داشته است. آخرین کلاس (> 40٪) از معیار شیب بالاترین وزن در حدود ۰٫۱۲۶ در LSM برای اتریش نشان داد. در مقابل، معیار آخرین کلاس فاصله تا جاده (بیش از ۶۰۰ متر) با ۰۰۰۱۲۸/۰ کمترین تاثیر را در این زمینه داشت. با جزئیات بیشتر، معیار طبقه چهارم بارش (۳۲۷۵-۴۰۵۰ میلی متر) با وزن ۰٫۴۹، طبقه اول معیار فاصله تا گسل (۰-۲۰۰۰ متر) با وزن ۰٫۵۹، طبقه پنجم طبقه پوشش زمین (Barren) با وزن ۰٫۳۴۸، طبقه دوم معیار جنبه (شمال) با وزن ۰٫۲۹۵، واحدهای گنیس معیار سنگ شناسی با وزن ۰٫۳۴۸، طبقه دوم معیار ارتفاع (۱۰۰۰-۳۰۰۰ متر) با وزن ۰٫۴۸، طبقه اول معیار فاصله تا زهکشی وزن (<200 m3) ، و در نهایت،

LSM به دست آمده برای اتریش با استفاده از FAHP نشان داد که تقریباً ۶۳٫۱٪ از تمام نقاط موجودی زمین لغزش (۳۹۸۱ از ۶۳۰۹) در معرض خطر بسیار بالا، ۱۴٫۹٪ (۹۴۰ از ۶۳۰۹) در معرض خطر بالا، ۱۱٫۹٪ (۷۵۰ از ۶۳۰۹) هستند. در خطر متوسط، ۶٫۶٪ (۴۲۰ از ۶۳۰۹) در کم خطر، و ۳٫۵٪ (۲۱۸ از ۶۳۰۹) در مناطق بسیار کم خطر، همانطور که در شکل ۵ نشان داده شده است.

۴٫۳٫ ارزیابی و مقایسه مدل ها

در سال های گذشته، چندین رویکرد MCDM توسط چندین محقق پیشنهاد شده است. MCDM از دو فاز تشکیل شده است. کسب وزن معیارها و مقادیر معیار و دیگری تجمیع اطلاعات و رتبه بندی است [ ۵۸ ]. با این حال، به دلیل پیچیدگی و عدم قطعیت اهداف و مبهم بودن تفکر انسان، استفاده از اطلاعات فازی برای انعکاس تصمیم ممکن است رویکرد بهتری باشد [ ۶۸ ].]. AHP و BWM هر دو رویکردهای MCDM هستند که مبتنی بر تخصص یا قضاوت کیفی انسانی هستند که گاهی اوقات ممکن است مبهم باشد و منجر به ابهام و ناملموس بودن اطلاعات شود که منجر به نامشخص یا مبهم بودن اطلاعات می شود. بنابراین، منطق فازی به کار رفته در AHP و BWM می تواند این ابهام را نفی کند و اطلاعاتی داشته باشد که با شرایط واقعی همخوانی داشته باشد و بتواند نتایج رتبه بندی قانع کننده ای به دست آورد. برای این مطالعه، ما می‌خواهیم دو رویکرد فازی FAHP و FBWM را از رویکرد MCDM برای نقشه‌برداری حساسیت زمین لغزش در مقیاس ملی برای اتریش مقایسه کنیم.

در دو نقشه حساسیت به دست آمده که از هر دو FAHP و FBWM مشتق شده‌اند، نشان می‌دهد که عامل شرطی‌سازی شیب مهم‌ترین عامل برای حساسیت زمین لغزش در اتریش و فاصله تا جاده‌ها کم‌اهمیت‌ترین عامل شرطی‌سازی در FBWM و FAHP است. ارزیابی دقت ROC برای یافتن دقت بین مدل‌هایی که برای LSM در اتریش استفاده شده‌اند، استفاده شد. روش منحنی ROC و AUC با استفاده از ۶۳۰۹ نقطه لغزش برای ارزیابی عملکرد رویکردهای FAHP و FBWM استفاده شد. نرخ پیش‌بینی و میزان موفقیت دو مرحله اصلی در ارزیابی مدل توسط AUC هستند. FBWM نتایج بهتری نسبت به FAHP در SR و PR نشان داد ( شکل ۶) AUC SR برای مدل‌های FAHP و FBWM به ترتیب ۹۰/۰ و ۹۳/۰ و AUC PR برای مدل‌های FAHP و FBWM به ترتیب ۸۴/۰ و ۸۹/۰ بود. مقدار AUC 0.89 برای FBWM دقت پیش‌بینی ۸۹% مدل را نشان می‌دهد. اگرچه مدل‌ها دقت پیش‌بینی معقولی را با ارزیابی AUC به دست آوردند، FBWM با ۰٫۸۹ دقت بالاتری نسبت به FAHP داشت. به طور کلی، مدل FBWM نتیجه بهتری در شناسایی مناطق مستعد زمین لغزش در اتریش نشان داد. این موفقیت را می توان در دو موضوع اصلی به شرح زیر خلاصه کرد: (۱) FBWM، که یک تکنیک مبتنی بر برداری است، در مقایسه با روش FAHP مبتنی بر ماتریس، به مقایسه‌های زوجی کمتری نیاز دارد. (۲) وزن نهایی مشتق شده از FBWM CR بالایی را نشان داد، در حالی که، در بیشتر موارد، روش های MCDM نمی توانند CR بالایی را به دست آورند.

هنگام مقایسه یافته‌های کار حاضر با ادبیات، نشان داد که هر دو مدل FAHP و FBWM نتایج بهتری نسبت به اولین LSM تولید شده در اتریش توسط لیما و دیگران نشان دادند [ ۳۹ ]. آنها با اتخاذ تکنیک‌های آماری با سه مجموعه پیش‌بینی‌کننده مختلف، به عملکرد پیش‌بینی قابل قبولی دست یافتند که از ۰٫۷۶ تا ۰٫۸۲ متغیر بود که کمتر از نتیجه به‌دست‌آمده در این کار بود. با تمرکز بر روی یک رویکرد وزن‌دهی مبتنی بر شی و بهبود نتایج با استفاده از نظریه Dempster Shafer، [ ۳۸ ] مطالعه یک مقیاس ملی LSM برای کل اتریش ایجاد کرده است. مدل انجام شده عملکرد بهتری نسبت به FAHP و روندی برابر با مدل FBWM نشان داد.

۴٫۴٫ مقایسه نقشه های حساسیت به زمین لغزش

در این مطالعه، مقادیر حساسیتی که با استفاده از این دو روش به‌دست آمدند، به‌طور کمی بر روی هر پیکسل مقایسه شده‌اند تا الگوی فضایی سیستماتیک تفاوت‌های بین LSMهای به‌دست‌آمده براساس روش پیشنهادی شیائو و دیگران (۲۰۲۰) تعیین شود (Xiao et al., 2020). ). با جزئیات بیشتر، روش پیشنهادی تلاشی برای نشان دادن این است که فرآیند کلاسیک مقایسه بین مدل‌های حساسیت زمین لغزش را می‌توان با توجه به مقایسه بر مقادیر LSMهای تولید شده و کاوش دلایل ژئومورفولوژیکی تفاوت‌ها با جنبه‌های ژئومورفولوژیکی قابل‌توجهی گسترش داد و تقویت کرد. مواجه شده. با اجرای مدل مقایسه، ابتدا از آنجایی که مدل FBWM دارای AUC بالاتری بود، به عنوان معیار انتخاب شد. در ادامه، نقشه حساسیت FBWM در یک سیستم GIS،شکل ۷ ). مقادیر نقشه های مقایسه در ۱- و ۱ شکسته شد و به سه رتبه یعنی «بیش از حد برآورد» تقسیم شد. “تقریبی” و “کم برآورد”. جدول ۷ درصد هر سطح را در کل منطقه نشان می دهد. علاوه بر این، آمارهای تخمین و دست کم برای هر معیار برای تجزیه و تحلیل عوامل اصلی مؤثر بر تفاوت LSMهای تولید شده انجام شد. جدول ۸).). برای هر کلاس، “A” به عنوان درصد از مساحت کل هر کلاس، “B” به عنوان نسبت تعداد پیکسل های کمتر برآورد شده (بیش از حد تخمین زده شده) هر کلاس به تعداد کل پیکسل های کمتر برآورد شده (بیش از حد تخمین زده شده) محاسبه شد، و “B-A” به عنوان نسبت اختلاف بین دو نقشه. کلاس با بیشترین درجه عدم تعادل با استفاده از مقدار “BA” تعریف شده برای هر کلاس شناسایی شد ( جدول ۸ ). بازرسی بصری مورد نیاز است تا به وضوح رابطه بین منطقه کمتر برآورد شده/بیش از حد برآورد شده و طبقه بندی نامتعادل را به وضوح نشان دهد. تخمین بیش از حد زاویه شیب (<10) ( شکل ۸ الف) و فاصله تا گسل (۳۰۰۰-۴۵۰۰) ( شکل ۸ ب). دست کم گرفتن سنگ شناسی (غیرآهکی رودخانه ای) ( شکل ۹الف) و جنبه (شمال) (شکل ۹ ب).

۵٫ نتیجه گیری ها

نقشه برداری از مناطق مستعد زمین لغزش برای شناسایی مناطق مستعد یا مستعد وقوع زمین لغزش در آینده است. LSM یک گام مهم در تجزیه و تحلیل ارزیابی خطر زمین لغزش است. تاکنون، مطالعات دقیق بسیار کمی در مورد نقشه‌برداری حساسیت زمین لغزش در مقیاس ملی در اتریش وجود دارد. FAHP برای حل مسائل سلسله مراتبی در رسیدگی به عدم قطعیت و ابهام که در فرآیند مقایسه زوجی دخیل هستند، توسعه یافته است، در حالی که FBWM توسعه تئوری مجموعه کلاسیک است که می تواند مسائل عملی را در یک محیط نامشخص حل کند. با مقایسه رویکردها با نقشه‌های حساسیت، می‌توان با دقت مدل‌ها در مورد رویکرد مناسب برای نقشه‌برداری حساسیت زمین لغزش در سطح ملی موافق بود. برای این مطالعه، ما LSM را برای کل اتریش بر اساس FBWM تولید کردیم، که یک رویکرد جدید برای حساسیت زمین لغزش است و همچنین نتایج را با رویکرد FAHP مقایسه کرد. نتایج به وضوح نشان می دهد که دقت رویکرد FBWM در هر دو منحنی میزان موفقیت و نرخ پیش بینی بالاتر از رویکرد FAHP است. AUC SR برای FAHP در مقایسه با SR بالاتر برای FBWM در ۹۳٪ ۹۰٪ بود. در حالی که، AUC PR برای FAHP 84% در مقایسه با ۸۹% برای BWM فازی بود. FBWM یک تکنیک مبتنی بر برداری است که در مقایسه با رویکرد FAHP مبتنی بر ماتریس به مقایسه‌های زوجی کمتری نیاز دارد. مزیت دیگر FBWM این است که وزن های نهایی به دست آمده CR بالاتری را در مقایسه با رویکردهای MCDM که CR های بالاتری دریافت نمی کنند، نشان می دهند. که یک رویکرد جدید برای حساسیت زمین لغزش است و همچنین نتایج را با رویکرد FAHP مقایسه می کند. نتایج به وضوح نشان می دهد که دقت رویکرد FBWM در هر دو منحنی میزان موفقیت و نرخ پیش بینی بالاتر از رویکرد FAHP است. AUC SR برای FAHP در مقایسه با SR بالاتر برای FBWM در ۹۳٪ ۹۰٪ بود. در حالی که، AUC PR برای FAHP 84% در مقایسه با ۸۹% برای BWM فازی بود. FBWM یک تکنیک مبتنی بر برداری است که در مقایسه با رویکرد FAHP مبتنی بر ماتریس به مقایسه‌های زوجی کمتری نیاز دارد. مزیت دیگر FBWM این است که وزن های نهایی به دست آمده CR بالاتری را در مقایسه با رویکردهای MCDM که CR های بالاتری دریافت نمی کنند، نشان می دهند. که یک رویکرد جدید برای حساسیت زمین لغزش است و همچنین نتایج را با رویکرد FAHP مقایسه می کند. نتایج به وضوح نشان می دهد که دقت رویکرد FBWM در هر دو منحنی میزان موفقیت و نرخ پیش بینی بالاتر از رویکرد FAHP است. AUC SR برای FAHP در مقایسه با SR بالاتر برای FBWM در ۹۳٪ ۹۰٪ بود. در حالی که، AUC PR برای FAHP 84% در مقایسه با ۸۹% برای BWM فازی بود. FBWM یک تکنیک مبتنی بر برداری است که در مقایسه با رویکرد FAHP مبتنی بر ماتریس به مقایسه‌های زوجی کمتری نیاز دارد. مزیت دیگر FBWM این است که وزن های نهایی به دست آمده CR بالاتری را در مقایسه با رویکردهای MCDM که CR های بالاتری دریافت نمی کنند، نشان می دهند. AUC SR برای FAHP در مقایسه با SR بالاتر برای FBWM در ۹۳٪ ۹۰٪ بود. در حالی که، AUC PR برای FAHP 84% در مقایسه با ۸۹% برای BWM فازی بود. FBWM یک تکنیک مبتنی بر برداری است که در مقایسه با رویکرد FAHP مبتنی بر ماتریس به مقایسه‌های زوجی کمتری نیاز دارد. مزیت دیگر FBWM این است که وزن های نهایی به دست آمده CR بالاتری را در مقایسه با رویکردهای MCDM که CR های بالاتری دریافت نمی کنند، نشان می دهند. AUC SR برای FAHP در مقایسه با SR بالاتر برای FBWM در ۹۳٪ ۹۰٪ بود. در حالی که، AUC PR برای FAHP 84% در مقایسه با ۸۹% برای BWM فازی بود. FBWM یک تکنیک مبتنی بر برداری است که در مقایسه با رویکرد FAHP مبتنی بر ماتریس به مقایسه‌های زوجی کمتری نیاز دارد. مزیت دیگر FBWM این است که وزن های نهایی به دست آمده CR بالاتری را در مقایسه با رویکردهای MCDM که CR های بالاتری دریافت نمی کنند، نشان می دهند.

برای این مطالعه، ما از فهرست زمین لغزش به‌دست‌آمده از سازمان زمین‌شناسی اتریش استفاده کردیم که ممکن است هنوز کامل نباشد و برای مطالعات آینده، می‌خواهیم ارزیابی‌هایی را با مجموعه داده‌های فهرست زمین لغزش جامع‌تر انجام دهیم، به طور ایده‌آل به‌عنوان چندضلعی به جای نقاط. . یک مطالعه تکمیلی را می توان بر اساس مجموعه داده فهرست زمین لغزش مبتنی بر چند ضلعی برای بررسی و مقایسه دقت روش و اثر داده های موجودی ورودی انجام داد. این مطالعه را می‌توان با روش‌های دیگر، مانند یادگیری ماشین و یادگیری عمیق، برای مشاهده تأثیر رویکردهای مختلف بر داده‌های موجودی و همچنین بررسی استحکام روش‌ها برای این منطقه بررسی کرد. نقشه حساسیت به دست آمده در مقیاس ملی برای اتریش می تواند به برنامه ریزان و سیاست گذاران برای مدیریت بهتر و برنامه ریزی اقدامات کاهش خطر کمک کند. نقشه های LSM به دست آمده می تواند برای تخصیص منابع کافی در مناطقی که بیشتر تحت تاثیر زمین لغزش هستند مفید باشد.

منابع

پیرالیلو، ST; شهابی، ح. جاریانی، ب. قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. Aryal، J. تشخیص لغزش با استفاده از تقسیم‌بندی تصویر در مقیاس چندگانه و مدل‌های مختلف یادگیری ماشین در هیمالیاهای عالی. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۵۷۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یوزیلی، م. ندیم، ف. لاکاس، اس. Kaynia، AM یک چارچوب مفهومی برای تخمین کمی آسیب‌پذیری فیزیکی در برابر زمین لغزش. مهندس جئول ۲۰۰۸ ، ۱۰۲ ، ۲۵۱-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
پتلی، دی. الگوهای جهانی تلفات جانی ناشی از رانش زمین. زمین شناسی ۲۰۱۲ ، ۴۰ ، ۹۲۷-۹۳۰٫ [ Google Scholar ] [ CrossRef ]
Cruden, DM یک تعریف ساده از زمین لغزش. گاو نر بین المللی دانشیار مهندس جئول ۱۹۹۱ ، ۴۳ ، ۲۷-۲۹٫ [ Google Scholar ] [ CrossRef ]
رایشنباخ، پ. روسی، ام. Malamud، BD; میهیر، م. Guzzetti، F. مروری بر مدل‌های حساسیت زمین لغزش مبتنی بر آمار. Earth-Sci. Rev. ۲۰۱۸ , ۱۸۰ , ۶۰-۹۱٫ [ Google Scholar ] [ CrossRef ]
گاریانو، اس ال. Guzzetti, F. رانش زمین در آب و هوای متغیر. Earth-Sci. Rev. ۲۰۱۶ , ۱۶۲ , ۲۲۷-۲۵۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پورقاسمی، HR; رحمتی، او. پیش بینی حساسیت زمین لغزش: کدام الگوریتم، کدام دقت؟ Catena ۲۰۱۸ ، ۱۶۲ ، ۱۷۷–۱۹۲٫ [ Google Scholar ] [ CrossRef ]
دوو، جی. خضری، س. بن احمد، بی. هاشم، م. نقشه‌برداری حساسیت زمین لغزش در حوضه زاب مرکزی، ایران: مقایسه بین مدل‌های تحلیل سلسله مراتبی، نسبت فرکانس و رگرسیون لجستیک. Catena ۲۰۱۴ ، ۱۱۵ ، ۵۵-۷۰٫ [ Google Scholar ] [ CrossRef ]
کیم، اس. Lim, C.-H.; کیم، جی. لی، جی. گایگر، تی. رحمتی، ا. پسر، ی. لی، W.-K. تحلیل چند زمانی احتمال آتش سوزی جنگل با استفاده از متغیرهای اجتماعی-اقتصادی و محیطی. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۸۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
وو، ی. لی، دبلیو. وانگ، کیو. لیو، کیو. یانگ، دی. زینگ، ام. پی، ی. Yan, S. ارزیابی حساسیت زمین لغزش با استفاده از مدل‌های نسبت فرکانس، شاخص آماری و عامل قطعیت برای شهرستان گانگو، چین. عرب جی. ژئوشی. ۲۰۱۶ ، ۹ ، ۹٫ [ Google Scholar ] [ CrossRef ]
هونگ، اچ. پرادان، بی. خو، سی. Bui، DT پیش‌بینی فضایی خطر زمین لغزش در منطقه Yihuang (چین) با استفاده از رگرسیون لجستیک هسته دو کلاسه، درخت تصمیم متناوب و ماشین‌های بردار پشتیبان. Catena ۲۰۱۵ ، ۱۳۳ ، ۲۶۶-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
روکاتی، ا. فاچینی، اف. لوینو، اف. چامپالینی، آ. Turconi، L. بارندگی شدید باعث لغزش های کم عمق: ارزیابی حساسیت با رویکرد GIS در حوضه آبریز Apennine لیگوریا (ایتالیا). Water ۲۰۱۹ ، ۱۱ ، ۶۰۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رودپشتی، ام اس; آریال، ج. پرادان، بی. یک رویکرد مبتنی بر قانون جدید در ترسیم حساسیت زمین لغزش. Sensors ۲۰۱۹ , ۱۹ , ۲۲۷۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
ون وستن، سی. سنجش از دور و GIS برای ارزیابی خطرات طبیعی و مدیریت ریسک بلایا. در رساله ژئومورفولوژی ; مطبوعات دانشگاهی: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۳; جلد ۳، صص ۲۵۹–۲۹۸٫ [ Google Scholar ]
پتچکو، اچ. برنینگ، آ. بل، آر. گوتز، جی. گلید، تی. ارزیابی کیفیت نقشه‌های حساسیت زمین لغزش – مطالعه موردی اتریش پایین. نات. سیستم خطرات زمین. علمی ۲۰۱۴ ، ۱۴ ، ۹۵-۱۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Kanungo، DP; آرورا، م. سرکار، س. گوپتا، آر. مطالعه تطبیقی روش‌های وزن‌دهی مرسوم، جعبه سیاه ANN، فازی و ترکیبی عصبی و فازی برای پهنه‌بندی حساسیت زمین لغزش در هیمالیاهای دارجلینگ. مهندس جئول ۲۰۰۶ ، ۸۵ ، ۳۴۷-۳۶۶٫ [ Google Scholar ] [ CrossRef ]
عبدالهی، س. پورقاسمی، HR; قنبریان، گ. صفائیان، ر. اولویت بندی عوامل موثر در وقوع فرونشست زمین و نگاشت حساسیت آن با استفاده از مدل SVM و توابع مختلف هسته آنها. گاو نر بین المللی دانشیار مهندس جئول ۲۰۱۸ ، ۷۸ ، ۴۰۱۷–۴۰۳۴٫ [ Google Scholar ] [ CrossRef ]
چن، دبلیو. چن، دبلیو. پناهی، م. کورنژادی، ع. وانگ، جی. Xie، X. Cao, S. پیش بینی فضایی حساسیت زمین لغزش با استفاده از یک سیستم استنتاج عصبی فازی تطبیقی همراه با نسبت فرکانس، مدل افزایشی تعمیم یافته و تکنیک های ماشین بردار پشتیبانی. ژئومورفولوژی ۲۰۱۷ ، ۲۹۷ ، ۶۹-۸۵٫ [ Google Scholar ] [ CrossRef ]
پناهی، م. صداسیوام، ن. پورقاسمی، HR; رضایی، ف. Lee, S. پیش‌بینی فضایی نقشه‌برداری پتانسیل آب زیرزمینی بر اساس شبکه عصبی کانولوشنال (CNN) و رگرسیون برداری پشتیبانی (SVR). جی هیدرول. ۲۰۲۰ , ۵۸۸ , ۱۲۵۰۳۳٫ [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. بلاشکه، تی. آریال، ج. غلامی نیا، ک. یک تکنیک جدید مبتنی بر GIS با استفاده از یک سیستم استنتاج عصبی فازی تطبیقی برای نقشه‌برداری حساسیت فرونشست زمین. جی. اسپات. علمی ۲۰۱۸ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عربامری، ع. پرادان، بی. رضایی، ک. Conoscenti، C. نقشه‌برداری حساسیت فرسایش گالی با استفاده از تکنیک‌های تحلیل تصمیم چند معیاره مبتنی بر GIS. Catena ۲۰۱۹ ، ۱۸۰ ، ۲۸۲–۲۹۷٫ [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; بهشتیراد، م. پرادان، ب. ارزیابی مقایسه ای از قابلیت های پیش بینی فرآیند تحلیل سلسله مراتبی اصلاح شده (M-AHP) و مدل های منطق فازی ممدانی با استفاده از Netcad-GIS برای نگاشت حساسیت به آتش سوزی جنگل. Geomat. نات. خطر خطرات ۲۰۱۴ ، ۷ ، ۱-۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نابوره، ع. فیضی زاده، ب. بیان، جی. بلاشکه، تی. قربانزاده، ا. محرمی، م. شبیه سازی فضایی تصادفات رانندگی برای برنامه ریزی خدمات اورژانس جاده ای. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۳۷۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مارتین، جی سی. رومان، سی. Viñán، C. یک شاخص اعتماد نهادی بر اساس منطق فازی و راه حل های ایده آل. ریاضیات ۲۰۲۰ ، ۸ ، ۸۰۷٫ [ Google Scholar ] [ CrossRef ]
جین، اچ. ژانگ، ام. یوان، ی. رویکرد تصمیم گیری چند معیاره مبتنی بر فرآیند شبکه تحلیلی و تحلیل حساسیت برای برنامه ریزی چیدمان موقت تسهیلات در پروژه های ساختمانی. Appl. علمی ۲۰۱۸ ، ۸ ، ۲۴۳۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کاورماچی، م. Karakuş، CB ارزیابی کیفیت آب آبیاری با تجزیه و تحلیل پوششی داده ها و شاخص های کیفیت آب مبتنی بر فرآیند سلسله مراتبی تحلیلی: مورد شهر آکسارای، ترکیه. آلودگی خاک هوای آب ۲۰۲۰ ، ۲۳۱ ، ۵۵٫ [ Google Scholar ] [ CrossRef ]
دی بریتو، ام.ام. آلمرادی، ا. Evers، M. تجزیه و تحلیل حساسیت و عدم قطعیت فضایی صریح در یک مدل آسیب‌پذیری سیل مبتنی بر MCDA. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۷۸۸-۱۸۰۶٫ [ Google Scholar ] [ CrossRef ]
مقصوم، ع. اسلم، بی. خلیل، یو. قربانزاده، ا. اشرف، ح. فیصل طفیل، ر. فاروق، د. Blaschke، T. یک مدل DRASTIC مبتنی بر GIS و یک مدل DRASTIC تعدیل شده (DRASTICA) برای ارزیابی حساسیت آب های زیرزمینی در امتداد مسیر کریدور اقتصادی چین-پاکستان (CPEC). ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۳۲٫ [ Google Scholar ] [ CrossRef ]
مسلم، س. قربانزاده، ا. بلاشکه، تی. Duleba, S. تجزیه و تحلیل اجماع سهامداران برای تصمیم توسعه حمل و نقل پایدار توسط AHP فازی و AHP فاصله. پایداری ۲۰۱۹ ، ۱۱ ، ۳۲۷۱٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
رضایی، ج. بهترین- بدترین روش تصمیم گیری چند معیاره. امگا ۲۰۱۵ ، ۵۳ ، ۴۹-۵۷٫ [ Google Scholar ] [ CrossRef ]
گیگوویچ، ال. دروبنجاک، س. پاموچار، دی. کاربرد تجزیه و تحلیل تصمیم گیری چند معیاره فضایی ترکیبی GIS بهترین-بدترین روش برای نقشه برداری حساسیت زمین لغزش. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۷۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
تاسر، ای. مادر، م. Tappeiner, U. اثرات کاربری زمین در مراتع آلپ بر احتمال لغزش. برنامه پایه Ecol. ۲۰۰۳ ، ۴ ، ۲۷۱-۲۸۰٫ [ Google Scholar ] [ CrossRef ]
بالتینو، دی. چندس، وی. سیما، م. Enciu، P. ارزیابی فضایی در سطح کشور از حساسیت زمین لغزش در رومانی. ژئومورفولوژی ۲۰۱۰ ، ۱۲۴ ، ۱۰۲-۱۱۲٫ [ Google Scholar ] [ CrossRef ]
تریگیلا، ا. فراتینی، پ. کاساگلی، ن. کاتانی، اف. کروستا، جی. اسپوزیتو، سی. ایدانزا، سی. لاگومارسینو، دی. Mugnozza، GS; سگونی، س. و همکاران نقشه برداری حساسیت زمین لغزش در مقیاس ملی: مطالعه موردی ایتالیایی زمین لغزش. تمرین کنید. ۲۰۱۳ ، ۲۸۷-۲۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سو، جی. چوی، ی. روه، T.-D. لی، اچ.-جی. پارک، اچ.-دی. ارزیابی در مقیاس ملی حساسیت زمین لغزش برای رتبه‌بندی آسیب‌پذیری در برابر شکست شیب‌های برش سنگ در امتداد بزرگراه‌های کره. محیط زیست علوم زمین ۲۰۱۰ ، ۶۳ ، ۶۱۹-۶۳۲٫ [ Google Scholar ] [ CrossRef ]
مالت، جی. پوسانت، ا. متیو، آ. Eeckhaut، MVD; فرسارد، م. مارگوتینی، سی. کانوتی، پ. Sassa، K. یکپارچه سازی ارزیابی چند معیاره فضایی و دانش تخصصی برای تجزیه و تحلیل حساسیت زمین لغزش در مقیاس کشور: کاربرد در فرانسه. در علم و عمل زمین لغزش ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; صص ۳۰۳-۳۱۱٫ [ Google Scholar ]
فرنتینو، م. Chalkias، C. نقشه برداری حساسیت حرکت توده ای در سراسر یونان با GIS، ANN و روش های آماری. در علم و عمل زمین لغزش ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; صص ۳۲۱-۳۲۷٫ [ Google Scholar ]
Nachappa، TG; پیرالیلو، ST; قربانزاده، ا. شهابی، ح. Blaschke, T. نقشه‌برداری حساسیت زمین لغزش برای اتریش با استفاده از Geons و بهینه‌سازی با نظریه Dempster-Schafer. Appl. علمی ۲۰۱۹ ، ۹ ، ۵۳۹۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لیما، PH; استگر، اس. گلید، تی. تیلچ، ن. شوارتز، ال. کوچیو، ا. میکوش، م. تیواری، بی. یین، ی. ساسا، ک. و همکاران نقشه‌برداری حساسیت زمین لغزش در مقیاس ملی: اولین تلاش برای اتریش در مجموعه مقالات مجمع جهانی زمین لغزش، لیوبلیانا، اسلوونی، ۲۹ مه تا ۲ ژوئن ۲۰۱۷؛ ص ۹۴۳-۹۵۱٫ [ Google Scholar ]
گلید، تی. پتچکو، اچ. بل، آر. بائر، سی. گرانیکا، ک. هیس، جی. لئوپولد، پی. پومارولی، جی. پروسکه، اچ. شوایگل، جی. و همکاران نقشه‌های حساسیت زمین لغزش برای اتریش پایین – روش‌ها و چالش‌ها . Koboltschnig, G., Hübl, J., Braun, J., Eds.; انجمن تحقیقات بین المللی INTERPRAEVENT: گرنوبل، فرانسه، ۲۰۱۲; جلد ۱، ص ۴۹۷–۵۰۸٫ [ Google Scholar ]
Embletion-Hamann, C. خطرات ژئومورفولوژیکی در اتریش. در ژئومورفولوژی برای آینده ; Kellerer-Pirklbauer, A., Keiler, M., Emmbleton-Hamann, C., Stötter, J., Eds. انتشارات دانشگاه اینسبروک: اینسبروک، اتریش، ۲۰۰۷; شابک ۹۷۸-۳-۹۰۲۵۷۱-۱۸-۲٫ [ Google Scholar ]
گوزتی، اف. موندینی، AC; کاردینالی، م. فیوروچی، اف. سانتانجلو، ام. چانگ، K.-T. نقشه‌های فهرست زمین لغزش: ابزارهای جدید برای یک مشکل قدیمی. Earth-Sci. Rev. ۲۰۱۲ , ۱۱۲ , ۴۲-۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آیالو، ال. یاماگیشی، H. کاربرد رگرسیون لجستیک مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در کوه‌های Kakuda-Yahiko، ژاپن مرکزی. ژئومورفولوژی ۲۰۰۵ ، ۶۵ ، ۱۵-۳۱٫ [ Google Scholar ] [ CrossRef ]
مهدادی، ف. بومزبر، ا. حاجی، ر. Kanungo، DP; زهری، F. ارزیابی حساسیت زمین لغزش مبتنی بر GIS با استفاده از مدل‌های آماری: مطالعه موردی از استان سوق اهراس، شمال شرقی الجزایر. عرب جی. ژئوشی. ۲۰۱۸ ، ۱۱ ، ۴۷۶٫ [ Google Scholar ] [ CrossRef ]
کونوسنتی، سی. روتیگلیانو، ای. کاما، م. آریاس، NAC؛ لومباردو، ال. اگنسی، وی. بررسی اثر انتخاب غیبت بر مدل‌های حساسیت زمین لغزش: مطالعه موردی در سیسیل، ایتالیا. ژئومورفولوژی ۲۰۱۶ ، ۲۶۱ ، ۲۲۲-۲۳۵٫ [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، اس آر. تاید، دی. Aryal, J. ارزیابی روش‌های مختلف یادگیری ماشین و شبکه‌های عصبی کانولوشنال یادگیری عمیق برای تشخیص زمین لغزش. Remote Sens. ۲۰۱۹ , ۱۱ , ۱۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فام، بی تی؛ پراکاش، آی. خسروی، ک. چاپی، ک. Trinh، PT; Ngo، TQ; حسینی، اس.و. Bui, DT مقایسه ماشین‌های بردار پشتیبان و الگوریتم‌های بیزی برای مدل‌سازی حساسیت زمین لغزش. Geocarto Int. ۲۰۱۸ ، ۳۴ ، ۱۳۸۵–۱۴۰۷٫ [ Google Scholar ] [ CrossRef ]
پورقاسمی، HR; گاین، ا. پارک، اس.-جی. لی، سی دبلیو; لی، اس. ارزیابی مناطق مستعد زمین لغزش و پهنه بندی آنها با استفاده از رگرسیون لجستیک، الگوریتم های یادگیری ماشینی LogitBoost و NaïveBayes. Sustainability ۲۰۱۸ , ۱۰ , ۳۶۹۷٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
هریس، اس ام. کاروالیو، توسعه رودخانه جوی LV و اثرات آن بر کالیفرنیای جنوبی ؛ اتحادیه ژئوفیزیک آمریکا: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۴٫ [ Google Scholar ]
سانگاراتوس، پ. Ilia، I. نقشه‌برداری حساسیت زمین لغزش با استفاده از طبقه‌بندی درخت تصمیم اصلاح‌شده در Xanthi Perfection، یونان. زمین لغزش ۲۰۱۵ ، ۱۳ ، ۳۰۵-۳۲۰٫ [ Google Scholar ] [ CrossRef ]
یان، جی. لیانگ، اس. گی، ایکس. زی، ی. ژائو، اچ. بهینه سازی نگاشت حساسیت زمین لغزش در ناحیه کونگتونگ، شمال غربی چین: مقایسه معیارهای تقسیم بندی عوامل. Geocarto Int. ۲۰۱۸ ، ۳۴ ، ۱۴۰۸-۱۴۲۶٫ [ Google Scholar ] [ CrossRef ]
یالچین، ا. Bulut، F. نقشه‌برداری حساسیت زمین لغزش با استفاده از GIS و تکنیک‌های فتوگرامتری دیجیتال: مطالعه موردی از Ardesen (NE-Turkey). نات. خطرات ۲۰۰۶ ، ۴۱ ، ۲۰۱-۲۲۶٫ [ Google Scholar ] [ CrossRef ]
سگونی، س. پاپافیکو، جی. لوتی، تی. Catani، F. ارزیابی حساسیت زمین لغزش در تنظیمات زمین شناسی پیچیده: حساسیت به اطلاعات زمین شناسی و بینش در پارامترسازی آن. رانش زمین ۲۰۲۰ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
منسس، بی. پریرا، اس. Reis, E. اثرات داده های مختلف کاربری و پوشش اراضی بر پهنه بندی حساسیت زمین لغزش شبکه های جاده ای. نات. سیستم خطرات زمین. علمی ۲۰۱۹ ، ۱۹ ، ۴۷۱-۴۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Bui، DT; پرادان، بی. لوفمن، او. Revhaug، I. پیش بینی منطقه ای خطر زمین لغزش با استفاده از تجزیه و تحلیل احتمال بارش شدید در استان Hoa Binh، ویتنام. نات. خطرات ۲۰۱۲ ، ۶۶ ، ۷۰۷-۷۳۰٫ [ Google Scholar ] [ CrossRef ]
مسلم، س. Duleba, S. کاربرد AHP برای ارزیابی تقاضای مسافر برای بهبود حمل و نقل عمومی در مرسین، ترکیه. دوره پولاک ۲۰۱۸ ، ۱۳ ، ۶۷-۷۶٫ [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. مسلم، س. بلاشکه، تی. Duleba، S. برنامه ریزی حمل و نقل شهری پایدار با در نظر گرفتن گروه های مختلف ذینفع توسط یک مدل پشتیبانی تصمیم فاصله ای-AHP. پایداری ۲۰۱۸ ، ۱۱ ، ۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مسلم، س. فاروق، د. قربانزاده، ا. Blaschke، T. کاربرد مدل AHP-BWM برای ارزیابی عوامل رفتار راننده مرتبط با ایمنی جاده: مطالعه موردی برای بوداپست. Symmetry ۲۰۲۰ , ۱۲ , ۲۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، ی.-م. چین، K.-S. فرآیند سلسله مراتب تحلیلی فازی: یک روش برنامه نویسی اولویت فازی لگاریتمی بین المللی J. تقریبا. دلیل. ۲۰۱۱ ، ۵۲ ، ۵۴۱-۵۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فاروق، د. مسلم، س. توفیل، RF; قربانزاده، ا. دولبا، س. مقصوم، ع. Blaschke, T. تجزیه و تحلیل اهمیت معیارهای رفتار راننده مرتبط با ایمنی جاده برای فرهنگ های مختلف رانندگی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۱۸۹۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
چنگ، سی.-اچ. ارزیابی سامانه‌های موشکی تاکتیکی دریایی توسط AHP فازی بر اساس ارزش درجه تابع عضویت. یورو جی. اوپر. Res. ۱۹۹۷ ، ۹۶ ، ۳۴۳-۳۵۰٫ [ Google Scholar ] [ CrossRef ]
Van Laarhoven، PJ; Pedrycz, W. توسعه فازی نظریه اولویت ساعتی. سیستم مجموعه های فازی ۱۹۸۳ ، ۱۱ ، ۲۲۹-۲۴۱٫ [ Google Scholar ] [ CrossRef ]
روسی، ام. گوزتی، اف. رایشنباخ، پ. موندینی، AC; Peruccacci, S. پهنه بندی بهینه حساسیت زمین لغزش بر اساس پیش بینی های متعدد. ژئومورفولوژی ۲۰۱۰ ، ۱۱۴ ، ۱۲۹-۱۴۲٫ [ Google Scholar ] [ CrossRef ]
قربانزاده، ا. رستم زاده، ح. بلاشکه، تی. غلامی نیا، ک. Aryal, J. یک تکنیک جدید داده کاوی مبتنی بر GIS با استفاده از یک سیستم استنتاج عصبی فازی تطبیقی (ANFIS) و رویکرد اعتبارسنجی متقاطع k-fold برای نقشه‌برداری حساسیت فرونشست زمین. نات. خطرات ۲۰۱۸ ، ۹۴ ، ۴۹۷-۵۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیندن، A. اندازه گیری دقت تشخیصی و پیش بینی در مدیریت بیماری: مقدمه ای بر تجزیه و تحلیل ویژگی های عامل گیرنده (ROC). جی. اوال. کلین. Pr. ۲۰۰۶ ، ۱۲ ، ۱۳۲-۱۳۹٫ [ Google Scholar ] [ CrossRef ]
بیرد، سی. هیلی، تی. جانسون، ک. بوگی، ا. Dankert، EW; شارنبروک، سی . مقایسه ابزارهای ارزیابی ریسک در عدالت اطفال . شورای ملی جرم و جنایت: مدیسون، WI، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
گیگوویچ، ال. پاموکار، دی. بوژانیچ، دی. Ljubojevic، S. کاربرد مدل چند معیاره GIS-DANP-MABAC برای انتخاب مکان مزارع بادی: مطالعه موردی Vojvodina، صربستان. تمدید کنید. انرژی ۲۰۱۷ ، ۱۰۳ ، ۵۰۱–۵۲۱٫ [ Google Scholar ] [ CrossRef ]
فاروق، د. مسلم، اس. یک رویکرد دینامیکی فازی برای بررسی معیارهای رفتار راننده مرتبط با ایمنی راه. در مجموعه مقالات سمپوزیوم شهر هوشمند ۲۰۱۹ پراگ (SCSP)، پراگ، جمهوری چک، ۲۳ تا ۲۴ مه ۲۰۱۹؛ صص ۱-۷٫ [ Google Scholar ]

شکل ۱٫ منطقه مورد مطالعه.

شکل ۲٫ مجموعه فازی مثلثی.

شکل ۳٫ روش پیشنهادی برای فرآیند سلسله مراتبی تحلیلی فازی (FAHP).

شکل ۴٫ نقشه حساسیت زمین برای اتریش با استفاده از مدل FBWM.

شکل ۵٫ نقشه حساسیت زمین برای اتریش با استفاده از مدل FAHP.

شکل ۶٫ منحنی های نرخ موفقیت (SR) و نرخ پیش بینی (PR) برای مدل های FAHP و FBWM. ( الف ). SR- ناحیه زیر منحنی (SR-AUC) برای FAHP. ( ب ). SR-AUC برای FBWM؛ ( ج ). PR-AUC برای FAHP؛ و، ( د ). PR-AUC برای FBWM.

شکل ۷٫ مقایسه FBWM-FAHP.

شکل ۸٫ مکان فضایی برآوردهای بیش از حد، در رابطه با طبقات نامتعادل.

شکل ۹٫ مکان فضایی کم برآوردها، در رابطه با طبقات نامتعادل.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام