مدل سازی WofE با ArcGIS برای ارزیابی حساسیت به زمین لغزش
کادر ۹-۵- مدل سازی WofE با ArcGIS برای ارزیابی حساسیت به زمین لغزش
کاربردی
برای پیروی از این مثال، ArcSDM را از
http://www.ige.unicamp.br/sdm/default_e.html دانلود کنید. فایل دانلود شده را در C:\ از حالت فشرده خارج کنید. دایرکتوری به نام C:\SDM ایجاد می شود که شامل تمامی فایل های ArcSDM می باشد. سپس ArcMap را شروع کنید و شکل فایل landslides را از مسیر زیر
C:\Databases\GIS4EnvSci\VirtualCatchment\Shapefiles
dis_faults ، dis_rivers ایجاد شده در کادر ۹-۱ را بارگیری کنید، کلاس‌های مرزی، سنگ‌ها و خاک‌ها و همچنین degreeSlope و landcv_r را از مسیر زیر بارگیری کنید .
C:\Databases\GIS4EnvSci\VirtualCatchment\Geodata.gdb
landslides فهرستی از زمین لغزش است که شامل مکان های وقوع زمین لغزش در طول شصت سال است. از نقاط این لایه به عنوان سایت آموزشی استفاده می شود. در این مسئله فرضی ارزیابی حساسیت زمین لغزش، شواهد مورد استفاده شامل شیب، فاصله تا رودخانه‌ها، فاصله تا گسل‌ها، سنگ‌شناسی، خاک و پوشش زمین است. اساساً، مدل سازی WofE برای بررسی شرایطی که در آن زمین لغزش ها در گذشته رخ داده است، ایجاد ارتباط بین آن شرایط و وقوع زمین لغزش، و برای پیش بینی وقوع احتمالی زمین لغزش بر اساس انجمن ها استفاده می شود.
مضامین شواهد را در شطرنجی ایجاد کنید
۱) از ابزار Polygon to Raster برای تبدیل کلاس ویژگی سنگ ها (نماینده لیتولوژی) به رستر با استفاده از NAME به عنوان فیلد مقدار و ۴۰ به عنوان اندازه سلول استفاده کنید و رستر خروجی را به صورتC:\Databases\GIS4EnvSci\VirtualCatchment\Results\rocks_r ذخیره کنید.
۲) ازPolygon to Raster برای تبدیل خاک ها به رستر با استفاده از Soil_order به عنوان فیلد مقدار و ۴۰ به عنوان اندازه سلول استفاده کنید و رستر خروجی را به عنوانC:\Databases\GIS4EnvSci\VirtualCatchment\Results\soils_r ذخیره کنید.
۳) از Polygon to Raster برای تبدیل لایه مرزی به رستر با استفاده از OBJECTID به عنوان فیلد مقدار و ۴۰ به عنوان اندازه سلول استفاده کنید و رستر خروجی را به صورت C:\Databases\GIS4EnvSci\VirtualCatchment\Results\bnd_r ذخیره کنید.
۴) degreeSlope و landcv_r از قبل به صورت رستر هستند
ArcSDM را بارگیری کنید و محیط مدلسازی را تنظیم کنید
۵) در پنجره ArcToolBox، روی ArcToolBox کلیک راست کنید. روی Add Toolbox کلیک کنید. در کادر گفتگوی Add Toolbox، به C:\SDM بروید، روی Spatial Data Modeller Tools.tbx کلیک کنید، سپس روی Open کلیک کنید. جعبه ابزار Spatial Data Modeller Tools به پنجره ArcToolBox اضافه می شود.
۶) از نوار منوی اصلی ArcMap روی Geoprocessing > Environments کلیک کنید. در گفتگوی Environment Settings :
الف) Workspace را گسترش دهید و
C:\Databases\GIS4EnvSci\VirtualCatchment\Results\ را به عنوان فضای کاری فعلی و C:\temp را به عنوان فضای کاری scratch وارد کنید.
ب) مختصات خروجی را باز کنید، روی فلش کشویی زیر سیستم مختصات خروجی کلیک کنید و همان Layer “Boundary” را انتخاب کنید.
ج) پانل را به پایین اسکرول کنید، و Raster Analysis را گسترش دهید. اندازه سلول را ۴۰ تنظیم کنید bnd_r را به عنوان پوشش انتخاب کنید.
د) روی OK کلیک کنید.
مضامین شواهد را دسته بندی کنید
۷) از ابزار Reclassify برای طبقه‌بندی مجدد dis_rivers به ده کلاس زیر استفاده کنید: ۰–۱۰۰, ۱۰۰–۲۰۰, ۲۰۰–۴۰۰, ۴۰۰–۶۰۰, ۶۰۰–۸۰۰, ۸۰۰–۱۰۰۰, ۱۰۰۰–۱۵۰۰, ۱۵۰۲–۲۰۰, ۱۵۰۰–۱۵۰۰ و بیشتر از ۲۵۰۰٫ رستر خروجی را به صورت
C:\Databases\GIS4EnvSci\VirtualCatchment\Results\dist_rivers ذخیره کنید
۸) از ابزار Reclassify برای طبقه بندی مجدد dis_fault ها به همان ده کلاس مانند فاصله تا رودخانه ها در مرحله قبل استفاده کنید و رستر خروجی را به
صورتC:\Databases\GIS4EnvSci\VirtualCatchment\Results\dist_faults ذخیره کنید.
۹) از ابزار Reclassify برای طبقه بندی مجدد درجه شیب به ۹ کلاس زیر استفاده کنید: ۰-۵، ۵-۱۰، ۱۰-۱۵، ۱۵-۲۰، ۲۰-۲۵، ۲۵-۳۰، ۳۰-۴۰، ۴۰-۵۰ و بیش از ۵۰٫ رستر خروجی را به صورت C:\Databases\GIS4EnvSci\VirtualCatchment\Results\slope_c ذخیره کنید.
۱۰) rock_r، grounds_r و landcv_r داده های طبقه بندی هستند.
وزن ها را محاسبه و تفسیر کنید
۱۱) در ArcToolBox ، به Spatial Data Modeller Tools >Weights of Evidence بروید و روی Calculate Weights دوبار کلیک کنید. در گفتگوی Calculate Weights :
الف) grounds_r را به عنوان لایه شطرنجی شواهد و Value را به عنوان فیلد کد شطرنجی شواهد انتخاب کنید.
ب) زمین لغزش ها را به عنوان نقاط آموزشی انتخاب کنید.
ج) دسته بندی را به عنوان جدول اوزان انتخاب کنید.
د) C:\Databases\GIS4EnvSci\VirtualCatchment\Results\soils_C را وارد کنید تا جدول وزن خروجی ذخیره شود.
ه) ۲ را به ۹۶/۱ به عنوان سطح اطمینان کنتراست دانشجویی تغییر دهید (یعنی سطح معنی داری را ۰۵/۰ قرار دهید).
و) ۰۰۱۶/۰ را به عنوان واحد مساحت (اندازه مساحت سلول) وارد کنید.
شکل ۹-۱۵ جدول وزن برای داده های دسته بندی شده
ز) روی OK کلیک کنید. جدول وزن خاکs_CT.dbf ایجاد شده و به فهرست مطالب اضافه می شود. جدول وزنه ها را باز کنید. باید مانند شکل ۹-۱۵ ظاهر شود.
همانطور که در جدول نشان داده شده است، خاک کلاس ۱ – semi luvisols – کنتراست ۷۱۸۶/۰ دارد و کنتراست دانشجویی آن ۴٫۱۹۰۶ > 1.96 است که قابل توجه است. این کلاس خاک دارای ۴۴۹۸/۰ از W+ و ۲۶۸۸/۰- از W- است، بنابراین ارتباط مثبتی با زمین لغزش دارد. خاک کلاس ۲ (خاک آلپ) نیز دارای کنتراست قابل توجهی است، اما دارای مقادیر W+ منفی و W- مثبت است. W+ منفی و W- مثبت نشان می‌دهد که احتمال وقوع زمین لغزش در مکان‌هایی با این کلاس‌های خاک کمتر از آن چیزی است که به طور تصادفی انتظار می‌رود. کلاس ۳ هیچ ارتباطی با زمین لغزش ندارد زیرا W+ و W- مثبت آن همه صفر هستند. کلاس ۴ و کلاس ۵ ارتباط منفی با زمین لغزش دارند، اما از نظر آماری ناچیز هستند.
۱۲) مرحله ۱۱ را تکرار کنید تا وزن ها را برای مضامین شواهد، landcv_r، rocks_r و slope_c محاسبه کنید و جداول وزن را ایجاد کنید و آنها را به ترتیب به عنوان landcv_CT.dbf، rocks_CT.dbf و slope_CT.dbf ذخیره کنید. در اینجا، طبقات پوشش زمین، انواع سنگ (سنگ شناسی) و طبقات شیب به عنوان داده های طبقه بندی شده در نظر گرفته می شوند، بنابراین landcv_r، rocks_r و slope_c مضامین شواهد طبقه ای هستند. جداول اوزان را مانند مرحله قبل تفسیر کنید. نتایج نشان می دهد که طبقه پوشش زمین (جنگل سوزنی برگ معتدل سرد)، شش نوع سنگ (گل سنگ و سیلت سنگ دگرگونی، سنگ آهک و سنگ آهک سیلیسی و غیره) و طبقه شیب (۴۰ تا ۵۰ درجه) ارتباط مثبت معنی داری با وقوع رانش زمین دارند.
۱۳) مرحله ۱۱ را برای محاسبه وزن برای مضامین شواهد، dist_rivers_c و dist_faults_c تکرار کنید. اما Ascending را به عنوان نوع جدول وزنی انتخاب کنید، زیرا فاصله تا رودخانه ها و گسل ها داده های کمی است (نه طبقه ای) و وزن ها به صورت تجمعی از پایین ترین به بالاترین کلاس فاصله (صعودی) محاسبه می شوند. جداول وزن های خروجی را به صورت rivers_CA.dbf و faults_CA.dbf در دایرکتوری C:\Databases\GIS4EnvSci\VirtualCatchment\Results مشخص کنید. شکل ۹-۱۶ جدول وزن خطاهای _CA.dbf را نشان می دهد.
شکل ۹-۱۶ جدول وزن برای داده های کمی
جدول وزن ها نشان می دهد که نزدیکی به خطوط گسل ارتباط مثبت قابل توجهی را با زمین لغزش از ۱۰۰ متر تا ۱۰۰۰ متر نشان می دهد، زیرا تضادهای دانش آموزی برای کلاس های فاصله دوم تا ششم همگی بیشتر از ۱٫۹۶ است. بنابراین، لغزش‌ها در فاصله ۱۰۰ تا ۱۰۰۰ متری از خطوط گسل بیشتر رخ می‌دهند. با تفسیر جدول اوزان در rivers_CA.dbf می‌توان نتیجه‌گیری مشابهی برای نزدیکی به رودخانه‌ها گرفت. بر اساس تجزیه و تحلیل جداول وزنی مرتبط با مضامین شواهد، می‌توان نتیجه گرفت که هر شش موضوع شواهد ارتباط فضایی قابل توجهی با زمین لغزش دارند، و بنابراین قدرت پیش بینی دارند همه آنها برای محاسبه موضوع پاسخ زیر استفاده می شوند. موضوع پاسخ را محاسبه کنید.
۱۴) در ArcToolBox، به Spatial Data Modeller Tools > Weights of Evidence بروید و روی Calculate Response دوبار کلیک کنید. در گفتگوی Calculate Response :
جدول وزنه ها نشان می دهد که مجاورت خطوط گسل ارتباطات مثبت قابل توجهی را با رانش زمین از ۱۰۰ متر تا ۱۰۰۰ متر نشان می دهد، زیرا کنتراست یادگیرنده ها برای کلاس های فاصله دوم تا ششم همه بیشتر از ۹۶/۱ است. بنابراین، رانش زمین بیشتر در فاصله ۱۰۰ تا ۱۰۰۰ متری خطوط گسل رخ می دهد. برای نزدیکی به رودخانه ها با تفسیر جدول اوزان می توان نتیجه مشابهی گرفت. بر اساس تجزیه و تحلیل جداول وزنی مرتبط با مضامین شواهد، می توان نتیجه گرفت که هر شش موضوع شواهد دارای ارتباط مکانی قابل توجهی با رانش زمین هستند و بنابراین قدرت پیش بینی دارند. همه آنها برای محاسبه موضوع پاسخ زیر استفاده می شوند.
موضوع پاسخ را محاسبه کنید
۱۴) در ArcToolBox، به Spatial Data Modeller Tools > Weights of Evidence بروید و روی Calculate Response دوبار کلیک کنید. در گفتگوی Calculate Response:
الف) مضامین شواهد را به ترتیب زیر اضافه کنید : landcv_r، grounds_r، rocks_r، slope_c، dist_rivers_c و dist_faults_c.
ب) جداول اوزان را به همان ترتیبی که مضامین شواهد مرتبط با آنها هستند اضافه کنید – یعنی landcv_CT.dbf، grounds_CT.dbf، rocks_CT.dbf، slope_CT.dbf، rivers_CA.dbf و faults_CA.dbf را متعاقبا اضافه کنید.
ج) زمین لغزش ها را به عنوان کلاس ویژگی سایت های آموزشی ورودی انتخاب کنید.
د) تیک Ignore Missing Data را بزنید و ۰۰۱۶/۰ را به عنوان ناحیه واحد وارد کنید.
ه) روی OK کلیک کنید. پس از تکمیل فرآیند، سه لایه ایجاد شده و به فهرست مطالب اضافه می شود: W_pprb، W_Conf و W_Std. W_pprb موضوع پاسخی است که احتمال عقبی زمین لغزش را در هر مکان در منطقه مورد مطالعه نشان می دهد. W_Conf این اطمینان را نشان می دهد که احتمال پسین گزارش شده صفر نیست، که توسط آزمون t-test دانشجویی اندازه گیری می شود. W_Std نشان دهنده انحراف استاندارد احتمال خلفی ناشی از وزن ها است.
تست استقلال مشروط
۱۵) در ArcToolBox ، به Spatial Data Modeller Tools > Weights of Evidence بروید و روی Agterberg-Cheng CI Test دوبار کلیک کنید. در گفتگوی آزمایش Agterberg-Cheng CI :
الف) W_pprb را به عنوان شطرنجی پس از احتمال انتخاب کنید.
ب) W_Stdرا به عنوان رستر std پس از احتمال انتخاب کنید.
ج) زمین لغزش ها را به عنوان محل آموزش انتخاب کنید.
د) ۰۰۱۶/۰ را به عنوان مساحت واحد وارد کنید.
ه) روی OK کلیک کنید. پس از تکمیل فرآیند، AC_ModelName به فهرست مطالب اضافه می شود.
۱۶) AC_ModelName را باز کنید. جدول یک نسبت CI و آزمون آگتربرگ-چنگ استقلال مشروط را گزارش می کند. نسبت CI کمتر از ۸۵/۰ نشان دهنده وجود وابستگی مشروط است. هنگامی که نتیجه آزمون استقلال شرطی آگتربرگ-چنگ کمتر از ۶۴۵/۱ باشد، مقداری وابستگی شرطی رخ می دهد. در این مورد، نسبت CI برابر با ۷۶/۰کوچکتر از ۸۵/ و مقدار آزمون Agterberg-Cheng ۱۵۵۶۵۸/۴ بیشتر از ۶۴۵/۱ است. بنابراین، وابستگی مشروط شواهد وجود دارد. برای رسیدن به استقلال شرطی، اجازه دهید مضامین شواهد landcv_r و dist_rivers_c را از مدل حذف کنیم.
بدون دیدگاه