مقدمه

مناطق کوهستانی در سطح جهان بیش از ۲۷٪ از سطح زمین را پوشش می‌دهند و بیش از ۱ میلیارد نفر را در خود جای داده‌اند که تقریباً ۱۴٪ از جمعیت جهان را تشکیل می‌دهند . ۱٫ این مناطق اغلب با شیب‌های تند و ناپایدار مشخص می‌شوند که چالش‌های قابل توجهی را برای ساکنان آنها ایجاد می‌کند. بین سال‌های ۲۰۰۵ تا ۲۰۱۴، کشورهای دارای زمین‌های کوهستانی بیش از ۷۰٪ از مرگ و میرهای مرتبط با بلایا را به خود اختصاص داده‌اند. ۲ ، ۳٫ با این حال، این آمار احتمالاً تأثیر گسترده‌تر حرکات توده‌ای مکرر و محلی را که موانع قابل توجهی برای معیشت پایدار و توسعه منطقه‌ای هستند، کمتر نشان می‌دهد. ۴ ، ۵ ، ۶ ، ۷ ، ۸٫ رانش زمین، که از جمله مرگبارترین خطرات طبیعی هستند، تقریباً ۱۷٪ از کل بلایای طبیعی را تشکیل می‌دهند. ۹ ، ۱۰٫ انتظار می‌رود این روند در آینده افزایش یابد و با افزایش شهرنشینی، جنگل‌زدایی و تأثیرات تغییرات اقلیمی تشدید شود. ۱۱ ، ۱۲ . بارش شدید، که اغلب با گرمایش جهانی تشدید می‌شود، عامل اصلی وقوع رانش زمین است و پتانسیل افزایش غیرخطی فعالیت رانش زمین را دارد . ۱۳. تخمین زده می‌شود که خسارات اقتصادی سالانه جهانی ناشی از رانش زمین تقریباً به ۱۸ میلیارد یورو می‌رسد و پیامدهای اجتماعی و زیست‌محیطی قابل توجهی دارد . ۱۴. از سال ۱۹۸۰ تا ۲۰۱۷، داده‌های پایگاه داده رویدادهای اضطراری (EM-DAT) ۶۳۱ حادثه رانش زمین را ثبت کرده است که منجر به ۴۴۵۴۱ مرگ و میر شده است . ۱۵. علاوه بر این، پایگاه داده جهانی رانش زمین فاجعه‌بار، که سال‌های ۲۰۰۴ تا ۲۰۱۰ را پوشش می‌دهد، به طور متوسط ​​۳۷۴ رانش زمین فاجعه‌بار را سالانه نشان می‌دهد که منجر به میانگین ۴۶۱۷ مرگ و میر در هر سال می‌شود. ۹ .

مطالعات متعددی نیز توزیع زمانی و مکانی رانش زمین را برجسته کرده‌اند و جایگاه آنها را به عنوان یک خطر بزرگ جهانی با پیامدهای قابل توجه انسانی و اقتصادی هر ساله برجسته کرده‌اند [۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ]. کشورهایی در مناطقی مانند کلمبیا، پرو، برزیل، نیکاراگوئه، السالوادور، ایتالیا، نپال، هند، چین و نیوزیلند به ویژه مستعد رانش زمین هستند [۲۱ ] . یک مطالعه اخیر توسط ۲۲ نفر، افزایش قابل توجهی در خطر جمعیتی مرتبط با رانش زمین را در بازه‌های زمانی مختلف (۱۹۷۱-۲۰۰۰، ۲۰۳۱-۲۰۶۰ و ۲۰۶۶-۲۰۹۵) پیش‌بینی می‌کند، و انتظار می‌رود کشورهایی مانند چین، هند، ترکیه، فیلیپین و نپال با خطرات بیشتری روبرو شوند. هند، به ویژه، در رتبه دوم جهانی قرار دارد و پیش‌بینی می‌شود که افزایش خطر جمعیت از ۳۶۰ به ۷۶۰ (۱۱۱٪) بین سال‌های ۲۰۳۱ تا ۲۰۶۰ و سطح بالای پایدار ۶۹۰ (۹۲٪) از سال ۲۰۶۶ تا ۲۰۹۵ باشد. این امر، افزایش خطرات رانش زمین در آسیا، به ویژه در دهه‌های آینده را برجسته می‌کند. آسیا قاره‌ای با بالاترین خطر رانش زمین، به ویژه در امتداد قوس هیمالیا است . ۱۰ ، ۲۳٫ آسیای مرتفع از دیرباز به عنوان نقطه کانونی خطرات رانش زمین شناخته شده است. ۲۴ و مطالعات نشان می‌دهد که انتظار می‌رود خطرات رانش زمین در این منطقه در آینده بیشتر افزایش یابد . ۱۷٫ طبق گزارش EM-DAT، آسیا ۵۸٪ از کل رانش‌های زمین در جهان و ۴۱٪ از کل حوادث مرتبط با بلایا را از سال ۱۹۸۲ تا ۲۰۲۲ به خود اختصاص داده است . ۲۵٫ جنوب آسیا، که محل استقرار کشورهایی مانند هند، نپال و پاکستان است، به ویژه مستعد این خطر است و ۳۴٪ از موارد رانش زمین در آسیا را به خود اختصاص می‌دهد . رشته کوه هیمالیا به تنهایی در ۸۹ درصد از رانش زمین در جنوب آسیا نقش دارد .

انتظار می‌رود خطر تلفات ناشی از رانش زمین در دهه‌های آینده، به‌ویژه در آسیا که ۶۰٪ از ده کشور با بالاترین خطر را تشکیل می‌دهد، به‌طور قابل‌توجهی افزایش یابد . ۲۲. پیش‌بینی می‌شود هند از سال ۲۰۳۱ تا ۲۰۶۰ به‌طور متوسط ​​سالانه ۷۶۰ مورد مرگ‌ومیر داشته باشد و پس از چین (۱۶۷۰) و قبل از افغانستان، فیلیپین و اندونزی قرار گیرد . ۲۲. پیش‌بینی می‌شود این کشورها نسبت به دوره پایه ۱۹۷۱-۲۰۰۰، افزایش سالانه بیش از ۲۰۰ مورد تلفات را تجربه کنند . ۲۲. این افزایش با افزایش بارندگی‌های شدید و توسعه جمعیتی پیش‌بینی‌شده در مناطق کوهستانی و مستعد رانش زمین همراه است . ۲۲ .

هند، به عنوان یکی از مستعدترین کشورها برای رانش زمین، با چالش‌های قابل توجهی در کاهش این خطرات روبرو است. با جمعیت تخمینی ۱.۴۶ میلیارد نفر در سال ۲۰۲۵، هند تقریباً ۱۷.۷۸٪ از جمعیت جهان را تشکیل می‌دهد . ۲۶. طبق گزارش سازمان زمین‌شناسی هند (GSI)، حدود ۰.۴۲ میلیون کیلومتر مربع یا ۱۲.۶٪ از مساحت هند مستعد رانش زمین است. ۲۷. این شامل مناطق NWH، NEH و گات هند می‌شود. رانش زمین در هند عمدتاً توسط بارندگی ایجاد می‌شود، و منطقه هیمالیا نیز به دلیل قرار گرفتن در مناطق لرزه‌خیز (مناطق IV و V) هند، مستعد رانش زمین ناشی از زلزله است . ۲۸. این منطقه زلزله‌های ویرانگر متعددی مانند زلزله شیلونگ (۸.۱ ریشتر) در سال ۱۸۹۷ را تجربه کرده است که باعث رانش زمین قابل توجهی شد. ۲۹ .

حساسیت زمین لغزش (LS)، خطر و پهنه‌بندی ریسک، سه رویکرد به هم پیوسته هستند که نقش مهمی در برنامه‌ریزی کاربری زمین ایفا می‌کنند و بینش‌های ارزشمندی در مورد اثرات بالقوه زمین لغزش‌ها بر جوامع و زیرساخت‌ها ارائه می‌دهند. ۳۰ ، ۳۱ ، ۳۲ ، ۳۳٫ نقشه‌برداری حساسیت، به طور خاص، به عنوان گام اولیه در ارزیابی احتمال زمین لغزش در یک منطقه مشخص با تجزیه و تحلیل تأثیر عوامل مختلف جغرافیایی-محیطی، به استثنای عنصر زمانی فراوانی زمین لغزش، عمل می‌کند. ۳۴ ، ۳۵ ، ۳۶٫ مطالعات پهنه‌بندی حساسیت زمین لغزش با وضوح بالا (LSZ) در مقیاس ملی یا جهانی به دلیل در دسترس نبودن فهرست‌های جامع زمین لغزش و نیازهای محاسباتی بالای مورد نیاز برای تجزیه و تحلیل، محدود شده است. ۳۷ ، ۳۸٫ در حال حاضر، اکثر نقشه‌های گسترده LSZ به روش‌های اکتشافی وابسته هستند و اغلب با وضوح مکانی پایین تولید می‌شوند. مطالعات اخیر کاربرد تکنیک‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) را بررسی کرده‌اند. با این حال، این تلاش‌ها اغلب از مجموعه داده‌های ورودی محدود استفاده می‌کنند. جدول ۱ مطالعات قبلی در مورد LSZ را در سطوح جهانی تا ملی خلاصه می‌کند. این جدول بر تنوع رویکردها، پایگاه‌های داده و وضوح مکانی مورد استفاده در تحقیقات جهانی، قاره‌ای و ملی تأکید می‌کند. با این حال، با پیشرفت فناوری و در دسترس بودن داده‌های منبع باز، اکنون می‌توان نقشه‌های حساسیت دقیق‌تری تهیه کرد.

استراتژی‌های متنوعی در پهنه‌بندی حساسیت زمین‌لغزش به کار گرفته می‌شوند و انتخاب روش به طور قابل توجهی بر اثربخشی پیش‌بینی‌شده تأثیر می‌گذارد. این روش‌ها معمولاً به دو دسته کلی تقسیم می‌شوند: رویکردهای کیفی (دانش‌محور) که به قضاوت تخصصی محققان متکی هستند ۳۲ ، ۳۶ ، ۳۹ ، ۴۰ و رویکردهای کمی (داده‌محور) که از مدل‌های ریاضی یا آماری برای مرتبط کردن زمین‌لغزش‌ها با عوامل کنترل‌کننده آنها استفاده می‌کنند ۴۱ ، ۴۲٫ مطالعات اخیر نشان می‌دهد که روش‌هایی مانند AHP و مدل‌های آماری مانند Yc و FR از جمله رایج‌ترین روش‌های مورد استفاده برای LSZ در مقیاس بزرگ و کوچک هستند ۳۲ ، ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷٫ این مطالعه از ترکیبی از این مدل‌ها برای کاهش سوگیری بالقوه هر روش واحد استفاده می‌کند و نتایج از طریق تحلیل ROC اعتبارسنجی می‌شوند.

این تحقیق با غلبه بر محدودیت‌های قابل توجه در ارزیابی‌های قبلی، پهنه‌بندی ملی حساسیت به رانش زمین (NLSZ) را با وضوح بالا بهبود می‌بخشد. اگرچه ۴۸ نقشه حساسیت به رانش زمین را برای کل کشور هند تهیه کردند، اما تحقیقات آنها به دلیل تعداد کمی از عوامل ایجادکننده، بدون در نظر گرفتن پیش‌بینی‌کننده‌های مهمی مانند سنگ‌شناسی، ژئومورفولوژی، کاربری/پوشش زمین و تراکم زلزله، که همگی از عوامل مهم مؤثر بر احتمال رانش زمین هستند، محدود شده بود. این تحقیق این پیش‌بینی‌کننده‌های ضروری را با پیش‌بینی‌کننده‌های زمین‌محیطی اضافی ترکیب می‌کند و به طور قابل توجهی دقت پیش‌بینی‌شده نقشه‌برداری حساسیت را بهبود می‌بخشد. شناسایی پیش‌بینی‌کننده‌های کلیدی به بینش جامع کارشناسی، بررسی جامع ادبیات و ارزیابی دقیق هم‌خطی چندگانه متکی است و یک مدل تاب‌آور را تضمین می‌کند. این کار از وضوح مکانی ۹۰ متر استفاده می‌کند، که بهبود یافته‌ای بالاتر از وضوح ۱۰۰ متر ۴۸ است ، از این رو اطلاعات مکانی پیشرفته‌تری ارائه می‌دهد. برای بهبود بیشتر ارزیابی‌های حساسیت، این تحلیل به ایالت‌ها و سرزمین‌های اتحادیه (SUT) مستعد رانش زمین محدود شده و مناطقی با شیب ملایم‌تر حذف شده‌اند تا خطاهای طبقه‌بندی کاهش یابد. علاوه بر این، این مطالعه شامل یک رویکرد اکتشافی مبتنی بر داده برای حذف وابستگی به یک مدل واحد و بهبود نتایج از طریق ارزیابی مقایسه‌ای مدل‌ها است. مدل‌های حساسیت با استفاده از تحلیل منحنی مشخصه عملکرد گیرنده (ROC) و با استفاده از مجموعه داده‌های گسترده رانش زمین (شامل همه رانش‌های زمین، رانش‌های آموزشی و رانش‌های آزمایشی) تا قابلیت اطمینان رباتیک، اعتبارسنجی می‌شوند. پس از اعتبارسنجی، بهترین نقشه پهنه‌بندی حساسیت برای ارزیابی خطر رانش زمین استفاده می‌شود و بینش‌های ضروری را برای کاهش بلایا ارائه می‌دهد.

ایجاد یک چارچوب روش‌شناختی جدید و با وضوح بالا برای پهنه‌بندی حساسیت به زمین‌لغزش و ارزیابی ریسک در مقیاس ملی، یکی از مهمترین دستاوردهای این مطالعه است. این رویکرد با ادغام سیستماتیک عناصر اصلی سببی در وضوح مکانی نود متر در کل منطقه، دقت، قابلیت اطمینان و سودمندی مدل‌های حساسیت را بهبود می‌بخشد. نتایج این تحقیق نه تنها برای جامعه علمی، بلکه برای کسانی که در مورد سیاست‌های اقلیمی و زیست‌محیطی تصمیم می‌گیرند، آژانس‌های تأمین مالی بین‌المللی مانند بانک جهانی، نهادهای دولتی و صنایعی که در برنامه‌ریزی زیرساخت‌ها، مدیریت کاربری زمین و کاهش خطر بلایا دخیل هستند، ارزش قابل توجهی دارد.

جدول ۱ مروری بر مطالعات قبلی در مورد LSM از مقیاس جهانی تا ملی.
میز تمام سایز

منطقه مورد مطالعه

هجده منطقه‌ی SUT انتخاب‌شده، نمونه‌ای از مستعدترین مناطق هند برای رانش زمین هستند که دارای مناطق فیزیوگرافی و ویژگی‌های خطر متنوعی می‌باشند. مناطق NWH و NEH شامل شیب‌های تند، فعالیت لرزه‌ای بالا و بارش‌های موسمی قابل توجه هستند که منجر به رانش‌های مکرر زمین می‌شود. منطقه‌ی شبه‌جزیره شامل ایالت‌هایی مانند کرالا، گوا، ماهاراشترا، تامیل نادو و کارناتاکا می‌شود که دارای رشته‌کوه‌های غربی هستند، جایی که بارندگی‌های کوه‌نوردی و توپوگرافی کوهستانی خطر رانش زمین را افزایش می‌دهد. مناطق SUT با شیب‌های ملایم‌تر و حساسیت کم، برای حفظ ارتباط ژئو-محیطی لازم برای LSZ دقیق، حذف می‌شوند. منطقه‌ی مورد مطالعه‌ی انتخاب‌شده، تنوع جغرافیایی و خطر کامل مناطق مستعد رانش زمین هند را در بر می‌گیرد و آن را برای تدوین استراتژی ملی مؤثر ضروری می‌سازد. این پوشش گسترده، تدوین برنامه‌های کاهش خطر مختص منطقه را در یک چارچوب ملی یکپارچه تسهیل می‌کند.

منطقه مورد مطالعه (شکل ۱ )، که تقریباً ۱,۳۶۵,۸۲۶ کیلومتر مربع را پوشش می‌دهد، شامل مناطقی در هند است که به شدت مستعد رانش زمین هستند، مانند NWH و NEH، و همچنین تپه‌های گات غربی و کونکان ( https://ndma.gov.in ). طبق سوابق GSI ۲۷ ، رانش زمین بیشتر در NWH و پس از آن NEH و گات غربی رخ می‌دهد . سیستم‌های رودخانه‌ای در این مناطق عمدتاً از شمال به جنوب جریان دارند که توسط شیب‌های تند و وجود یخچال‌های طبیعی در قسمت‌های شمالی و شمال شرقی هند هدایت می‌شوند. ماسینرام در مگالایا رکورد بیشترین بارندگی سالانه در هند را دارد و با میانگین بارندگی سالانه ۱۱,۸۷۲ میلی‌متر ۵۹ به عنوان مرطوب‌ترین مکان روی زمین شناخته می‌شود . در سال ۱۹۸۵، ماسینرام با دریافت ۲۶۰۰۰ میلی‌متر بارندگی، طبق کتاب رکوردهای جهانی گینس، رکورد جهانی را به نام خود ثبت کرد. کمربند هیمالیا، به عنوان یک منطقه زمین‌شناسی جوان و از نظر تکتونیکی فعال، عمدتاً از سنگ‌های رسوبی دگرگون‌شده تشکیل شده است که به شدت مستعد فرسایش و فرسایش هستند . ۱۲٫ ترکیب دامنه‌های شیب‌دار و رودخانه‌های با جریان سریع در این منطقه منجر به فرسایش قابل توجه پنجه کوه و در نتیجه دامنه‌های ناپایدار می‌شود. علاوه بر عوامل زمین‌شناسی، فعالیت‌های انسانی و عوامل طبیعی، مانند شدت و مدت بارندگی، نقش مهمی در وقوع مکانی و زمانی رانش زمین دارند. اکثر رانش‌های زمین در این مناطق در سمت بادخیز دامنه‌های جنوب غربی رشته‌کوه‌های گهات غربی و هیمالیا رخ می‌دهند، جایی که بارندگی شدید است. فعالیت‌های انسانی، به ویژه ساخت و تعریض جاده‌ها، خطر رانش زمین را در این مناطق مستعد بیشتر افزایش می‌دهد.

منطقه تحقیقاتی عمدتاً در مناطق فعال لرزه‌ای ۲۸ ، به ویژه مناطق لرزه‌ای IV و V واقع شده است که پتانسیل قابل توجهی برای خطرات ناشی از زلزله، از جمله رانش زمین، نشان می‌دهد. ارتفاع از ۱۲ تا ۸۵۴۶ متر بالاتر از سطح دریا متغیر است که نشان دهنده تنوع توپوگرافی قابل توجه است. این منطقه دارای تنوع زمین‌شناسی، فیزیوگرافی و ژئومورفولوژی قابل توجهی است که شامل لایه‌های سنگ‌شناسی از هولوسن تا دوران پالئوپروتروزوئیک ۲۷ است .

شکل ۱
شکل ۱

موقعیت منطقه مورد مطالعه روی نقشه جهان، با برجسته کردن وقوع زمین لغزش. (نرم افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل

مواد و روش‌ها

سازمان GSI به عنوان نهاد مرکزی برای فعالیت‌های مرتبط با زمین‌لغزش در سراسر کشور عمل می‌کند و از طریق کار گسترده در زمینه فهرست‌برداری زمین‌لغزش و نقشه‌برداری حساسیت در مناطق مختلف هند، سهم قابل توجهی در این زمینه داشته است . ۲۷ برای دستیابی به پوشش ملی جامع، GSI نقشه‌برداری ملی حساسیت زمین‌لغزش (NLSM) را آغاز کرد که در مقیاس ۱:۵۰۰۰۰، بین سال‌های ۲۰۱۳ تا ۲۰۲۰ انجام شد. با توجه به اعتبار و صحت پایگاه داده GSI، فهرست‌برداری به همراه سنگ‌شناسی، خطواره‌های ساختاری و سایر مجموعه داده‌های مرتبط، برای استفاده در این کار تحقیقاتی از وب‌سایت GSI ( www.gsi.gov.in ) تهیه شده است. جزئیات خاص مجموعه داده‌های اضافی مورد استفاده در این تحقیق، که از منابع مربوطه به دست آمده‌اند، در جدول ۲ آمده است .

جدول ۲٫ نمای کلی مجموعه داده‌های مورد استفاده در مطالعه، شامل نوع داده، مقیاس و منبع.
میز تمام سایز

هدف اصلی این تحقیق، توسعه یک LSZ برای SUT های مستعد رانش زمین در هند از طریق تجزیه و تحلیل مقایسه‌ای روش‌های مختلف است ۳۴ ، ۴۶٫ انتخاب عوامل ایجاد کننده در روش‌های آماری و داده محور معمولاً با ویژگی‌های خاص منطقه مورد مطالعه و در دسترس بودن داده‌ها تعیین می‌شود ۳۶ ، ۶۰ ، ۶۱ ، ۶۲٫ با توجه به فقدان معیارهای جهانی برای انتخاب عوامل مؤثر بر رانش زمین، این مطالعه ده عامل را بر اساس شرایط زمین و بررسی گسترده ادبیات و در دسترس بودن داده‌ها در نظر می‌گیرد ۶۰ ، ۶۳ ، ۶۴ ، ۶۵ ، ۶۶ ، ۶۷ ، ۶۸ ، ۶۹ ، ۷۰٫ این عوامل شامل تأثیرات توپوگرافی، هیدروژئولوژیکی، ژئومورفولوژیکی، زمین‌شناسی، انسانی و عوامل محرک هستند. گنجاندن طیف متنوعی از عوامل ایجاد کننده، امکان تجزیه و تحلیل جامع از روابط متقابل بین هر عامل و توزیع زمین لغزش را فراهم می‌کند و در نهایت به شناسایی مناسب‌ترین LSZ کمک می‌کند. در این مطالعه، از مدل‌های داده‌محور پرکاربرد، مانند FR و Yc، و AHP برای محاسبه وزن عوامل مختلف مؤثر استفاده شده است که سپس برای تولید NLSZ اعمال می‌شوند. تجزیه و تحلیل مقایسه‌ای در تعیین مناسب‌ترین مدل برای زمین هند مؤثر است. روش‌شناسی دقیق اتخاذ شده در این مطالعه در شکل ۲ ارائه شده است .

شکل ۲
شکل ۲

چارچوب روش‌شناختی برای تهیه نقشه‌های حساسیت و خطر زمین‌لغزش. (نرم‌افزار: QGIS، نسخه: ۳.۴.۴، آدرس اینترنتی: https://qgis.org/download/ و آدرس اینترنتی مایکروسافت پاورپوینت: https://www.microsoft.com/microsoft-365/powerpoint ).

تصویر در اندازه کامل

همخطی چندگانه

در LSZ، ارزیابی همخطی چندگانه بین عوامل برای اطمینان از قابل اعتماد و صحیح بودن مدل بسیار مهم است ۷۱٫ همخطی چندگانه زمانی اتفاق می‌افتد که متغیرهای پیش‌بینی‌کننده به شدت به هم مرتبط باشند، که باعث می‌شود مقادیر ضرایب ناپایدار شوند و درک مدل دشوارتر شود ۷۲٫ ضریب تورم واریانس (VIF) و تحمل (TOL) دو روش رایج برای یافتن همخطی چندگانه هستند ۷۳٫ مقدار بالای TOL، نزدیک به ۱، نشان دهنده همخطی چندگانه حداقل است، در حالی که مقدار پایین TOL، نزدیک به ۰، نشان دهنده همخطی چندگانه قابل توجه است که ممکن است چالش‌هایی را ایجاد کند ۷۴٫ VIF بیش از ۱۰ معمولاً به عنوان معیاری برای همخطی چندگانه قابل توجه در نظر گرفته می‌شود. این معیارها را می‌توان با استفاده از نرم‌افزار RStudio ( RStudio-2025.09.2–۴۱۸٫exe https://posit.co/download/rstudio-desktop/ ) محاسبه کرد و از نظر تئوری به صورت زیر نمایش داده می‌شوند:

در این مورد، Ri² ضریب تعیین حاصل از رگرسیون متغیر iام در برابر سایر متغیرهای پیش‌بینی‌کننده را نشان می‌دهد. TOL کسری از واریانس در یک متغیر پیش‌بینی‌کننده را نشان می‌دهد که توسط سایر متغیرهای مستقل توضیح داده نشده است. VIF میزان افزایش واریانس یک ضریب رگرسیون را در نتیجه هم‌خطی کمّی می‌کند.

فرآیند تحلیل سلسله مراتبی (AHP)

AHP یک روش تصمیم‌گیری چندمعیاره (MCDM) محبوب برای تعیین سیستماتیک احتمال وقوع زمین‌لغزش با دادن وزن‌های مختلف به عوامل بر اساس نظر کارشناسان است . ۴۰٫ AHP برای ترکیب بسیاری از عوامل زمین‌محیطی به خوبی عمل می‌کند و با موفقیت در ارزیابی‌های خطر زمین‌لغزش مورد استفاده قرار گرفته است . ۳۲٫ روش مورد استفاده برای پیاده‌سازی AHP در این کار چندین مرحله دارد. اولین مرحله انتخاب عوامل مؤثر بر زمین‌لغزش مناسب بر اساس میزان اهمیت آنها در وقوع زمین‌لغزش است. سپس، یک ماتریس مقایسه زوجی (PCM) ایجاد می‌شود تا اهمیت هر عامل با عوامل دیگر مقایسه شود. با استفاده از مقیاس ۹ نقطه‌ای، عدد ۱ به این معنی است که دو چیز به یک اندازه مهم هستند، عدد ۳ به این معنی است که آنها نسبتاً مهم هستند، عدد ۵ به این معنی است که آنها بسیار مهم هستند، عدد ۷ به این معنی است که آنها بسیار مهم هستند و عدد ۹ به این معنی است که آنها بسیار مهم هستند . ۷۵٫ برای دقیق‌تر کردن مقایسه‌ها، از اعداد وسط (۲، ۴، ۶ و ۸) استفاده می‌شود. بر اساس ۶۵ ، ۷۶ ، کارشناسان بر اساس آنچه در مورد ویژگی‌های زمین‌های مستعد رانش زمین می‌دانند، امتیاز می‌دهند. این امر تضمین می‌کند که رتبه‌بندی نشان می‌دهد که چگونه هر عامل واقعاً بر احتمال رانش زمین تأثیر می‌گذارد. از روش بردار ویژه برای بدست آوردن وزن‌های تعدیل‌شده برای هر عامل پس از ساخت PCM استفاده می‌شود . رویکرد بعدی برای محاسبه وزن تعدیل‌شده (Wi) برای هر پیش‌بینی‌کننده به کار گرفته می‌شود:

که در آن Aij نشان دهنده مقدار سطر i ام و ستون j ام در PCM است و n تعداد کل عوامل است. این مرحله تضمین می‌کند که به همه عوامل مؤثر بر اساس اهمیت نسبی آنها در وقوع زمین لغزش، وزن‌های مناسبی اختصاص داده شود.

وزن‌های نهایی به‌دست‌آمده از تحلیل AHP برای محاسبه شاخص حساسیت زمین‌لغزش (LSI) از طریق روش ترکیب خطی وزنی (WLC) ۴۳ ، ۷۷ استفاده می‌شوند . LSI برای AHP با استفاده از معادله زیر محاسبه می‌شود:

W AHP نشان دهنده وزن اختصاص داده شده به هر عامل مؤثر در زمین لغزش است.

نسبت فرکانس (FR)

روش FR یک تکنیک آماری دو متغیره رایج است که برای ارزیابی حساسیت زمین لغزش با بررسی همبستگی بین زمین لغزش‌های تاریخی و عناصر سببی آنها به کار می‌رود ۷۸٫ این روش احتمال توسعه زمین لغزش را در رابطه با هر دسته از اجزای مؤثر، کمّی می‌کند و یک ارزیابی عینی از حساسیت ارائه می‌دهد ۷۹ ، ۸۰٫ مرحله اولیه مستلزم تهیه مجموعه داده‌های دقیق موجودی زمین لغزش است که از بررسی‌های میدانی، سنجش از دور و اسناد تاریخی جمع‌آوری شده است. عناصر شرطی متعددی که بر پایداری شیب تأثیر می‌گذارند بر اساس تحقیقات قبلی و اهمیت آنها در منطقه مورد مطالعه انتخاب می‌شوند ۸۱٫ تمام لایه‌های موضوعی با استفاده از روش‌های GIS پردازش می‌شوند و وضوح مکانی ثابتی را برای تجزیه و تحلیل تضمین می‌کنند. سپس مقدار FR برای هر دسته از عوامل با استفاده از الگوریتم ۶۸ محاسبه می‌شود :

صورت کسر، تعداد پیکسل‌های زمین‌لغزش را در یک کلاس فاکتور تعیین‌شده نشان می‌دهد، در حالی که مخرج کسر، کسری از آن کلاس را در منطقه تحقیق نشان می‌دهد. مقدار FR نشان‌دهنده احتمال نسبی وقوع زمین‌لغزش در یک دسته خاص از یک عامل شرطی است. FR بزرگتر از ۱ نشان‌دهنده ارتباط قوی بین کلاس جزء و زمین‌لغزش است، در حالی که FR کمتر از ۱ نشان‌دهنده حساسیت کاهش‌یافته است ۶۹ .

ضریب شکست LSI با جمع کردن مقادیر ضریب شکست تمام پارامترهای انتخاب شده ۸۱ ، ۸۲ تعیین می‌شود .

FR نشان دهنده نسبت فراوانی هر کلاس فاکتور است. نقشه نهایی LSI در مناطق مستعد مختلف قرار داده می‌شود.

ضریب یول (Yc)

روش YC ، همراه با امتیاز فراوانی وقوع زمین لغزش (LOFS)، یک چارچوب آماری برای ارزیابی همبستگی بین رویدادهای زمین لغزش و عوامل مؤثر ارائه می‌دهد ۸۳ ، ۸۴ ، ۸۵٫ این رویکرد با ادغام همبستگی‌های عاملی طبقه‌بندی‌شده و فراوانی رویدادهای زمین لغزش در طبقات عاملی تعیین‌شده ۸۶، LSZ را بهبود می‌بخشد . مرحله اولیه شامل گردآوری فهرست زمین لغزش و لایه‌های موضوعی است که عوامل مؤثر ضروری ۸۷ را نشان می‌دهند . از فهرست زمین لغزش برای مشخص کردن مناطق تحت تأثیر زمین لغزش و مناطق بدون تأثیر برای تجزیه و تحلیل آماری استفاده می‌شود. یک اکسل احتمالی برای هر طبقه از عوامل مؤثر ایجاد می‌شود تا رابطه بین وقوع زمین لغزش و این پارامترها کمی‌سازی شود. ضریب یول (Yc) همانطور که در ۸۳ توضیح داده شده است محاسبه می‌شود .

Fab نشان‌دهنده تطابق مثبت است، که در آن هم زمین لغزش و هم کلاس فاکتور وجود دارند. F a’b و F ab’ نشان‌دهنده نواحی عدم تطابق هستند، به طوری که X a’b نشان‌دهنده عدم وجود یک کلاس فاکتور خاص با وجود وجود زمین لغزش است ، در حالی که Fab’ نشان‌دهنده وجود یک کلاس فاکتور در غیاب زمین لغزش است. F a’b’ نشان‌دهنده تطابق منفی است، که در آن هم زمین لغزش و هم کلاس فاکتور وجود ندارند. مقادیر ضریب همبستگی پیرسون و Y C از ۱- تا ۱+ متغیر است، که مقادیر مثبت نشان‌دهنده ارتباط مکانی بیشتر و مقادیر منفی نشان‌دهنده عکس آن است. LOFS زمین لغزش با استفاده از مقادیر Y C از همه نقشه‌های پیش‌بینی محاسبه می‌شود .

LOFS نشان دهنده میزان تأثیر هر کلاس عامل بر حساسیت به شکست است که از صفر تا یک متغیر است، در حالی که YCmax حداکثر Yc را در بین تمام کلاس‌ها در یک پیش‌بینی‌کننده مکانی نشان می‌دهد.

عناصر مکانی مختلف ممکن است به شیوه‌های منحصر به فردی با رانش زمین مرتبط باشند. با این حال، به دلیل ارتباط رانش زمین با متغیرهای تعاملی متعدد، بررسی وزن‌های بین پیش‌بینی‌کننده‌ها برای مدل‌سازی حساسیت پیش‌بینی ضروری است. درک جامع از پیش‌بینی‌کننده‌های رانش زمین می‌تواند تجزیه و تحلیل را بهبود بخشد؛ با این حال، دانش تخصصی ذهنی است و ممکن است وزن‌های دلخواهی را به متغیرهای مختلف اختصاص دهد. با استفاده از معادله ۳، وزن پیش‌بینی (Wi) برای همه عوامل جغرافیایی محاسبه شد که بر اساس میزان ارتباط جغرافیایی با رانش زمین پیش‌بینی شده بود.

برای تعیین وزن‌های پیش‌بینی‌کننده برای هر عامل جغرافیایی، اختلاف مطلق بین حداکثر و حداقل مقادیر Yc بر حداقل مقدار Yc تقسیم شد.

LSI برای Yc با ادغام مقادیر LOFS برای هر کلاس ژئوفاکتور (معادله ۲) و مقادیر Wi برای هر نقشه ژئوفاکتور (معادله ۳) از طریق روش همپوشانی شاخص چند طبقه‌ای وزن‌دار در پلتفرم GIS محاسبه شد.

 

که در آن i تعداد نقشه‌های پیش‌بینی‌کننده و j نشان‌دهنده کلاس‌های پیش‌بینی‌کننده در نقشه‌ها است. نقشه تولید شده (LSI) یک مدل احتمالاتی از حساسیت زمین لغزش را نشان می‌دهد و بینش‌هایی در مورد احتمال شکست شیب در منطقه مورد بررسی ۶۰ ارائه می‌دهد .

فهرست زمین لغزش‌ها

فهرست زمین لغزش به طور سیستماتیک رخدادهای زمین لغزش را به همراه مکان‌ها و ویژگی‌های آنها مستند می‌کند و به عنوان مبنایی برای نقشه‌برداری حساسیت، ارزیابی ریسک و سیستم‌های هشدار اولیه عمل می‌کند ۸۸ ، ۸۹٫ فرض بر این است که زمین لغزش‌های آینده در شرایطی مشابه با رخدادهای قبلی رخ خواهند داد، بنابراین نیاز به یک فهرست جامع برای مدل‌های قابل اعتماد ۹۰ است . زمین لغزش‌ها را می‌توان با بررسی‌های میدانی، تصاویر هوایی و سنجش از دور، بسته به دامنه مطالعه و در دسترس بودن داده‌ها، مشخص کرد ۹۱٫ این مطالعه از داده‌های زمین لغزش از GSI ۲۷ استفاده کرد که یک فهرست ملی جامع را نگهداری می‌کند که مجموعه داده‌های چندضلعی و نقطه‌ای را که نشان‌دهنده ویژگی‌های زمین لغزش منطقه‌ای هستند، ادغام می‌کند. داده‌های چندضلعی و نقطه‌ای از مناطق هیمالیا و گات با تبدیل چندضلعی‌ها به نقاط استاندارد شدند و متعاقباً برای حذف موارد تکراری، پاک‌سازی شدند و فهرستی از ۱۰۹۵۰۴ زمین لغزش با وضوح ۹۰ متر به دست آمد. شکل ۱ توزیع مکانی زمین لغزش‌ها را در مناطق مختلف مستعد زمین لغزش در SUT های هند نشان می‌دهد. زمین لغزش‌های ناشی از بارندگی در هیمالیا و گات‌ها غالب هستند، اما حوادث ناشی از زلزله در مناطق فعال تکتونیکی کمربند تکتونیکی فعال هیمالیا متمرکز شده‌اند.

نقشه‌های پیش‌بینی زمین‌لغزش

انتخاب متغیرهای پیش‌بینی‌کننده مناسب برای تولید LSZ قابل اعتماد ضروری است ۳۴ ، ۹۲٫ این کار مجموعه‌ای گسترده از پیش‌بینی‌کننده‌ها را برای زمین‌های هیمالیا و غیر هیمالیا گردآوری می‌کند و تنوع مکانی و ژئومورفولوژیکی را تضمین می‌کند ۵۳ ، ۹۳ ، ۹۴ ، ۹۵٫ پیش‌بینی‌کننده‌ها به عوامل زمین‌شناسی (سنگ‌شناسی، تراکم گسل)، توپوگرافی (شیب، جهت، تحدب)، ژئومورفولوژیکی (ژئومورفون‌ها)، هیدرولوژیکی (تراکم زهکشی)، اقلیمی (بارندگی سالانه)، انسانی (کاربری زمین/پوشش زمین) و لرزه‌شناسی (بزرگی زلزله) طبقه‌بندی می‌شوند که هر یک از آنها بر ناپایداری دامنه تأثیر می‌گذارند ۶۴ ، ۶۶ ، ۶۹ ، ۹۶ ، ۹۷ ، ۹۸ ، ۹۹ ، ۱۰۰ ، ۱۰۱ . مجموعه داده‌های پیش‌بینی‌کننده خام، که در وضوح‌ها و فرمت‌های متنوع (بردار و رستری) موجود هستند، با تبدیل تمام لایه‌ها به فرمت رستری و نمونه‌برداری مجدد آنها برای همسو شدن با وضوح ۹۰ متر مدل ارتفاعی رقومی (DEM) استاندارد می‌شوند. برای کاهش هم‌خطی بین پیش‌بینی‌کننده‌ها، مشکلی که ممکن است روابط آماری را نادرست نشان دهد، این تحقیق از TOL و VIF ۱۰۲ استفاده می‌کند . متغیرهایی که در دهک بالا با مقادیر VIF بالاتر از پنج قرار دارند، به تدریج حذف می‌شوند تا زمانی که تمام متغیرهای باقی‌مانده مقادیر VIF زیر این آستانه را نشان دهند، از این رو استحکام آماری ۱۰۳ را فراهم می‌کنند . پس از حذف متغیرهای هم‌خطی، مجموعه داده‌های پیش‌بینی‌کننده با داده‌های آموزشی برای مدل‌سازی LSZ همگام‌سازی می‌شوند. ارتفاع به دلیل تأثیر نامتناسب بالای آن بر خروجی‌های LSZ، که شاید ناشی از واریانس ارتفاعی قابل توجه در منطقه مورد مطالعه باشد، از مدل نهایی حذف شد. آرایه پیش‌بینی‌کننده‌های به کار رفته در تجزیه و تحلیل و اهمیت مربوط به آنها در زیر خلاصه شده است:

جنبه

جهت شیب‌ها بر متغیرهای خرداقلیمی، از جمله تابش خورشید، تبخیر و تعرق و هوازدگی تأثیر می‌گذارد. در شبه قاره هند، شیب‌های رو به جنوب به دلیل قرار گرفتن طولانی مدت در معرض نور خورشید، اغلب دچار هوازدگی تسریع‌شده می‌شوند، در حالی که سایر جهت‌ها ممکن است به دلیل کاهش تبخیر، سطح رطوبت خاک را بالا نگه دارند و از این رو خطر شکست‌های ناشی از اشباع را افزایش دهند . ۲۱٫ طبقه‌بندی جنبه در شکل ۳ الف نشان داده شده است.

تحدب

تحدب زمین (شکل ۳ ب) به طور قابل توجهی بر انتقال و تجمع مواد تأثیر می‌گذارد. مناطق مقعر عموماً به عنوان مکان‌های رسوب‌گذاری عمل می‌کنند و مواد سست را انباشته می‌کنند، در حالی که مناطق محدب بیشتر مستعد فرسایش هستند و به عنوان مکان‌های جدایش عمل می‌کنند، از این رو احتمال شروع زمین لغزش را افزایش می‌دهند ۱۲ .

درینج

نزدیکی به شبکه‌های زهکشی یک ویژگی محوری است که بر حساسیت به زمین لغزش تأثیر می‌گذارد، زیرا مناطق مجاور نهرها و رودخانه‌ها اغلب فرسایش زیاد، اشباع خاک و فرسایش شیب را تحمل می‌کنند. نزدیکی به کانال‌های زهکشی عموماً نشان‌دهنده مناطقی با رواناب سطحی بالا و ظرفیت نفوذ کاهش‌یافته است، به ویژه در مکان‌هایی که بارندگی‌های موسمی شدید را تجربه می‌کنند و در نتیجه احتمال شکست شیب را افزایش می‌دهند ۴۸ ، ۵۹٫ این مطالعه از تحلیل فاصله اقلیدسی مبتنی بر GIS برای تعیین فاصله تا زهکشی استفاده کرد که به عنوان یک عامل تعیین‌کننده مهم در مدل حساسیت ادغام شد (شکل ۳c ).

زلزله

زلزله‌ها با لرزش زمین، روانگرایی و کاهش مقاومت برشی در مواد غیر متراکم باعث رانش زمین می‌شوند ۴۶ ، ۴۷٫ یک نقشه چگالی لرزه‌ای با استفاده از تقریباً یک قرن ثبت لرزه‌ای مبتنی بر بزرگی ایجاد شد که برای مدل‌سازی فضایی با وضوح ۹۰ متر نمونه‌برداری مجدد شد (شکل ۳d ).

گسل

نزدیکی به گسل‌های فعال و مناطق راندگی به طور قابل توجهی بر حساسیت زمین لغزش تأثیر می‌گذارد، زیرا این مناطق اغلب به دلیل شکستگی‌های تکتونیکی، فعالیت لرزه‌ای و تغییر شکل تجمعی زمین از نظر ساختاری ضعیف می‌شوند. ۶۶ ، ۶۷٫ این مطالعه فاصله تا گسل‌ها را با استفاده از تحلیل فاصله اقلیدسی مبتنی بر GIS ارزیابی کرد، که به عنوان یک عامل تعیین‌کننده حیاتی در چارچوب مدل‌سازی حساسیت در نظر گرفته شده است (شکل ۳e ).

ژئومورفون

طبقه‌بندی مبتنی بر ژئومورفون ۴۶، ویژگی‌های شکل زمین از جمله پشته‌ها، دره‌ها و گودال‌ها را شناسایی می‌کند و یک رویکرد ساختاریافته برای توصیف مورفولوژی زمین ارائه می‌دهد (شکل ۳ و). این طبقه‌بندی، تشخیص مناطق ژئومورفیکی را که بیشتر مستعد حرکات توده‌ای هستند، بهبود می‌بخشد . ۶۸ ، ۶۹. ژئومورفون‌ها با استفاده از SAGA GIS تولید و در فرآیند مدل‌سازی گنجانده شدند (Jasiewicz & Stepinski, ۲۰۱۳).

LULC

تغییرات کاربری زمین ناشی از فعالیت‌های انسانی، از جمله جنگل‌زدایی، کشاورزی و شهرنشینی، تعادل طبیعی شیب را مختل کرده و حساسیت را افزایش می‌دهد، در حالی که مناطق دارای پوشش گیاهی از طریق تقویت ریشه و مدیریت هیدرولوژیکی، پایداری شیب را تقویت می‌کنند . ۵۳ ، ۶۳٫ مجموعه داده‌های جهانی LULC از ESRI به کار گرفته شد و با وضوح ۹۰ متر (شکل ۳g ) دوباره نمونه‌برداری شد.

بارندگی

بارندگی طولانی و شدید، کاتالیزور اصلی برای زمین لغزش‌های سطحی و عمیق است، زیرا فشار آب منفذی را افزایش می‌دهد، تنش مؤثر را کاهش می‌دهد و مقاومت برشی مصالح شیب را کم می‌کند. ۴۷٫ این کار از داده‌های بارش شبکه‌بندی شده از اداره هواشناسی هند (IMD، ۲۰۲۳) در یک بستر GIS استفاده کرد و آن را برای سازگاری با سایر ورودی‌های مدل، با وضوح مکانی ۹۰ متر مجدداً نمونه‌برداری کرد (شکل ۳ ساعت).

شیب

زاویه شیب یک عنصر توپوگرافی حیاتی است که بر شروع رانش زمین تأثیر می‌گذارد، زیرا شیب‌های تندتر نیروهای جاذبه را تقویت و پایداری را کاهش می‌دهند. احتمال شکست به ویژه زمانی افزایش می‌یابد که شیب‌های تند با سنگ‌شناسی ضعیف و مناطقی با بارندگی قابل توجه همزمان باشند . ۳۰ روش‌های استاندارد طبقه‌بندی شیب در طول فرآیند مدل‌سازی مورد استفاده قرار گرفتند (شکل ۳i ).

شکل ۳
شکل ۳

نقشه‌های توزیع مکانی نقشه‌های پیش‌بینی‌کننده زمین‌لغزش: (الف) جنبه، (ب) تحدب، (ج) فاصله از زهکشی، (د) بزرگی زلزله، (ه) فاصله از گسل، (و) ژئومورفون، (ز) کاربری/پوشش زمین (LULC)، (ح) بارندگی، و (ط) شیب. (نرم‌افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل

سنگ‌شناسی

سنگ‌شناسی‌ها از نظر میزان هوازدگی، نفوذپذیری و مقاومت مکانیکی با هم متفاوت هستند. سنگ‌شناسی‌های بسیار شکسته، درزه‌دار یا هوازده در مقایسه با بلوک‌های سنگی بزرگ و مقاوم، حساسیت بسیار بیشتری به شکست دارند. ۳۳ ، ۴۱٫ واحدهای سنگ‌شناسی بر اساس سن زمین‌شناسی طبقه‌بندی شدند تا قابلیت تفسیر و عملکرد مدل بهبود یابد و از این رو پیچیدگی مجموعه داده‌ها مدیریت شود (شکل ۴ ).

شکل ۴
شکل ۴

توزیع فضایی سنگ‌شناسی‌ها، طبقه‌بندی‌شده بر اساس سن زمین‌زمان‌شناسی آنها. (نرم‌افزار: QGIS، نسخه: ۳.۴.۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل

نتایج

مقادیر VIF به حداکثر ۲٫۵۵ رسید، در حالی که مقادیر TOL در ۰٫۹۹۸ یا بالاتر باقی ماند، که نشان دهنده عدم وجود همخطی چندگانه بین متغیرهای پیش‌بین است (شکل‌های  ۵ الف و ب را ببینید). این مقادیر به طور قابل توجهی پایین‌تر از آستانه‌های استاندارد مورد توجه هستند (مثلاً VIF > 10، TOL ≈ ۰)، در نتیجه قابلیت اطمینان ورودی‌های مدل را تأیید می‌کنند. پیش‌بینی‌کننده‌های توپوگرافی، که با دانش تخصصی و ادبیات موجود هدایت می‌شوند، هم از نظر آماری قوی و هم از نظر نمایندگی، و در نتیجه اعتبار نقشه‌های LSZ را تقویت می‌کنند.

عوامل مؤثر بر توزیع زمین لغزش

بررسی فراوانی زمین لغزش در بین چندین پیش‌بینی‌کننده، اختلاف مشخصی را در حساسیت نشان می‌دهد (شکل  ۶ ). شیب‌های بین ۱۵۷٫۵ درجه و ۲۰۲٫۵ درجه، بالاترین فراوانی زمین لغزش را با ۲۰٫۱٪ نشان دادند و پس از آن شیب‌های بین ۱۱۲٫۵ درجه و ۱۵۷٫۵ درجه با ۱۹٫۲٪ و شیب‌های بین ۲۰۲٫۵ درجه و ۲۴۷٫۵ درجه با ۱۷٪ قرار گرفتند (شکل  ۶ الف). برعکس، فواصل بین ۳۲۷٫۵ تا ۳۶۰ درجه و ۲۹۲٫۵ تا ۳۲۷٫۵ درجه به ترتیب با ۲٫۸٪ و ۶٫۳٪ کمترین فراوانی را داشتند. هیچ زمین لغزشی در زمین مسطح (۰ درجه) رخ نداد که تأثیر شیب و جهت شیب را برجسته می‌کند. در مورد تحدب، مناطقی با مقادیر کم (۰ تا ۲۱٫۷) هیچ گونه زمین لغزشی نداشتند که نشان دهنده افزایش پایداری است (شکل  ۶ ب). میزان وقوع زمین لغزش با افزایش تحدب به طور قابل توجهی افزایش یافت و به حداکثر ۵۶٪ در محدوده ۴۷.۹-۸۰.۴ و ۳۸.۲٪ در محدوده ۴۲.۹-۴۷.۹ رسید. داده‌ها نشان می‌دهند که دامنه‌های بسیار محدب، احتمالاً به دلیل کاهش تکیه‌گاه، افزایش تنش برشی و نفوذ آب، بیشتر مستعد شکست هستند.

شکل ۵
شکل ۵

ارزیابی هم‌خطی چندگانه بین پیش‌بینی‌کننده‌ها با استفاده از مقادیر (الف) VIF و (ب) TOL، که نشان‌دهنده حداقل هم‌خطی است.

تصویر در اندازه کامل

حساسیت زمین لغزش با فاصله از شبکه‌های زهکشی به طور قابل توجهی تغییر می‌کند (شکل  ۶ ج). بیشترین فراوانی (۳۴٫۶۶٪) در فاصله ۲۰۰۰ تا ۵۰۰۰ متر رخ می‌دهد، که نشان می‌دهد فواصل میانی بیشتر مستعد شکست شیب هستند، احتمالاً به دلیل عواملی مانند اشباع خاک، فرسایش و توپوگرافی شیب‌دار. در مقابل، مناطق نزدیک به زهکشی (۰ تا ۱۰۰ متر: ۳٫۸٪) یا دور از آن (۱۰۰۰۰ تا ۵۰۰۰۰ متر: ۳٫۳۱٪) فعالیت زمین لغزش کمی را نشان می‌دهند. فراوانی به طور پیوسته از ۳٫۸٪ در ۱۰۰ متر به ۱۶٫۷٪ در ۲۰۰۰ متر افزایش می‌یابد، قبل از اینکه فراتر از ۵۰۰۰ متر کاهش یابد (۱۷٫۷۳٪ در ۵۰۰۰ تا ۱۰۰۰۰ متر؛ ۳٫۳۱٪ در ۱۰۰۰۰ تا ۵۰۰۰۰ متر)، که نشان دهنده کاهش حساسیت در فواصل بیشتر از کانال‌های آب است. به طور مشابه، توزیع زمین لغزش نسبت به گسل‌های تکتونیکی، اوج فراوانی (۲۵٫۳۹٪) را در ارتفاع ۲۰۰۰ تا ۵۰۰۰ متر نشان می‌دهد (شکل  ۶ د)، که احتمالاً به دلیل تعامل تضعیف ساختاری و شرایط نامطلوب ژئومورفیک است. افزایش قابل توجهی نیز در ارتفاع ۱۰۰۰ تا ۲۰۰۰ متر (۱۴٫۲۱٪) مشاهده می‌شود، و پس از ۵۰۰۰ متر کاهش تدریجی (۱۷٫۹۲٪ در ارتفاع ۵۰۰۰ تا ۱۰۰۰۰ متر؛ ۱۷٫۹۷٪ در ارتفاع ۱۰۰۰۰ تا ۵۰۰۰۰ متر) مشاهده می‌شود. مناطقی که در فاصله ۰ تا ۱۰۰ متر از گسل‌های نقشه‌برداری شده قرار دارند، کمترین فراوانی زمین لغزش (۲٫۶۶٪) را دارند که نشان‌دهنده تأثیر ملی است. در مکان‌های فعال تکتونیکی مانند هیمالیا، نزدیکی گسل مستقیماً فراوانی زمین لغزش را افزایش می‌دهد که نشان‌دهنده واریانس‌های منطقه‌ای در حساسیت مرتبط با گسل است.

زلزله‌های با بزرگی متوسط ​​(۴.۵۷ تا ۴.۹۲ مگاوات) با بیشترین فراوانی رانش زمین (۳۴.۷٪) مرتبط هستند و پس از آنها زلزله‌های با بزرگی ۴.۲۵ تا ۴.۵۷ مگاوات (۲۹.۳٪) قرار دارند که نشان می‌دهد رویدادهای لرزه‌ای کم تا متوسط ​​به طور قابل توجهی بر فروریختن شیب‌ها تأثیر می‌گذارند (شکل  ۶ ه). این بزرگی‌ها احتمالاً باعث رانش زمین در شیب‌های از پیش ضعیف شده یا تخریب شده می‌شوند. برعکس، زلزله‌های با بزرگی کمتر (۱.۸ تا ۴.۲۵ مگاوات) تنها ۱۱.۴٪ از رخدادها را تشکیل می‌دهند که احتمالاً به دلیل انرژی لرزه‌ای ناکافی است. زلزله‌های با بزرگی بالا (۵.۳۹ تا ۸.۵ مگاوات) تنها ۷.۱٪ را تشکیل می‌دهند که احتمالاً به دلیل کم بودن فراوانی آنها، وقوع در سازندهای زمین‌شناسی یا تمایل به ایجاد خرابی‌های کمتر اما مخرب‌تر است.

لندفرم‌های مرتبط با شیب در طبقات ژئومورفون به عنوان عامل اصلی تعیین‌کننده وقوع زمین‌لغزش عمل می‌کنند و ناپایداری ذاتی زمین‌های شیب‌دار تحت تأثیر نیروهای گرانشی، هوازدگی شدید و فرآیندهای اتلاف جرم را نشان می‌دهند (شکل  ۶ و). گودال‌ها (۱۹٫۷٪) و آبراه‌ها (۱۶٫۷٪) بیشترین فراوانی زمین‌لغزش را نشان می‌دهند که نشان می‌دهد هر دو شکل مقعر و محدب به دلیل تمایل آنها به جمع‌آوری آب، هوازدگی ناهموار و تخریب ساختاری در بی‌ثباتی نقش دارند. دره‌ها فعالیت قابل توجهی (۱۴٫۶٪) نشان می‌دهند که شاید تحت تأثیر فرآیندهای پنجه‌شکنی و فرسایشی مربوط به شبکه‌های زهکشی سطحی باشد. برعکس، لندفرم‌هایی که عموماً با پایداری مرتبط هستند، مانند مناطق مسطح (۰٪)، شانه‌ها (۰٫۱٪) و دامنه‌های کوه (۰٫۱٪)، به دلیل شیب‌های ملایم خود که تنش گرانشی را کاهش داده و فشارهای فرسایشی را محدود می‌کنند، فعالیت زمین‌لغزش کمتری دارند. قله‌ها (۱٫۲٪) و گودال‌ها (۳٫۶٪) فعالیت کمی دارند که احتمالاً با فرسایش موضعی یا ریزش‌های گسسته مرتبط است. احتمال وقوع زمین لغزش در پشته‌ها نسبتاً کم است (۹.۱٪)، که احتمالاً به دلیل انعطاف‌پذیری سنگ‌شناسی، پوشش گیاهی و حداقل دخالت انسان است.

نتایج تحلیل LULC نشان می‌دهد که اکثر زمین‌لغزش‌ها در مناطق جنگلی با ارتفاع درختان ۱۵ فوت یا بیشتر رخ می‌دهند که ۶۱.۹٪ از کل زمین‌لغزش‌ها را تشکیل می‌دهند (شکل  ۶ g). فراوانی بالای زمین‌لغزش‌ها در مناطق جنگلی را می‌توان به عدم طبقه‌بندی بر اساس تراکم جنگل نسبت داد. طبقه‌بندی مناطق جنگلی به سطوح تراکم پراکنده، متوسط ​​و متراکم ممکن است الگوها یا همبستگی‌های قابل توجهی را آشکار کند. پوشش گیاهی عموماً با پایداری شیب مرتبط است، احتمالاً به دلیل شیوع توپوگرافی شیب‌دار در مناطق کوهستانی جنگلی متراکم. در برخی شرایط، بارندگی شدید، اشباع طولانی مدت خاک و ضعف‌های زمین‌شناسی از پیش موجود می‌تواند اثر تثبیت‌کننده سیستم‌های ریشه را تحت الشعاع قرار دهد و منجر به زمین‌لغزش‌های سطحی و عمیق شود. مراتع ۲۸.۷٪ از حوادث زمین‌لغزش را تشکیل می‌دهند که نشان‌دهنده حساسیت آنها به دلیل پوشش گیاهی کم و خاک‌های در معرض فرسایش و بی‌ثباتی هیدرولوژیکی است. برعکس، مناطق مسکونی (۴.۱٪) و زمین‌های بایر (۳.۲٪) فراوانی کمتری دارند که احتمالاً به دلیل حفاظت از شیب‌های ساخته شده یا شرایط ذاتاً پایدار است. زمین‌های کشاورزی فعالیت ناچیزی در زمینه رانش زمین نشان می‌دهند (۰.۷٪)، شاید به دلیل توپوگرافی مسطح و محیط‌های کشت شده آنها.

در مناطقی با حداقل بارندگی سالانه (۵۲-۵۰۰ میلی‌متر)، زمین‌لغزش‌ها نادر هستند و تقریباً ۳٫۶٪ از حوادث را تشکیل می‌دهند (شکل  ۶ ساعت)، که نشان دهنده پتانسیل محدود هیدرولوژیکی در محیط‌های خشک تا نیمه‌خشک است. فراوانی زمین‌لغزش‌ها با بارندگی به طور قابل توجهی افزایش می‌یابد و در محدوده ۱۰۰۰-۱۵۰۰ میلی‌متر به اوج خود می‌رسد. کاهش جزئی در دسته ۱۵۰۰-۲۰۰۰ میلی‌متر (۲۴٫۳٪) نشان داده شده است، با این حال آسیب‌پذیری همچنان ادامه دارد که نشان دهنده تأثیر بی‌ثبات‌کننده بارندگی طولانی مدت بر روی مصالح شیب است. بالاتر از ۲۰۰۰ میلی‌متر، فراوانی زمین‌لغزش‌ها به تدریج کاهش می‌یابد – ۱۸٫۲٪ (۲۰۰۰-۲۵۰۰ میلی‌متر)، ۹٪ (۲۵۰۰-۳۰۰۰ میلی‌متر) و ۱۰٪ (> 3000 میلی‌متر) – که به طور بالقوه به تاب‌آوری زمین‌شناسی، محدودیت‌های اشباع یا پوشش گیاهی نسبت داده می‌شود. این روندها اهمیت بارندگی متوسط ​​تا زیاد را در وقوع رانش زمین، به ویژه هنگامی که با عوامل دیگری مانند شیب و سنگ شناسی همراه باشد، برجسته می‌کند.

توزیع زمین لغزش‌ها نسبت به شیب شیب نشان می‌دهد که اکثر موارد در شیب‌های بین ۳۰ تا ۴۵ درجه (۳۷٫۹٪) و از ۲۰ تا ۳۰ درجه (۳۱٫۳٪) رخ می‌دهد، جایی که نیروهای گرانشی تحت شرایط خاص تحریک، از مقاومت شیب پیشی می‌گیرند (شکل  ۶ i). زمین‌های با شیب متوسط ​​(۱۰ تا ۲۰ درجه) ۱۸٫۸٪ از زمین لغزش‌ها را تشکیل می‌دهند، که نشان می‌دهد چنین شیب‌هایی ممکن است تحت شرایط خاص زمین‌شناسی یا هیدرولوژیکی ناپایدار شوند. شیب‌دارترین شیب‌ها (۴۵ تا ۸۷ درجه) کمترین فراوانی (۴٫۹٪) را دارند که احتمالاً به دلیل تجمع محدود خاک، سنگ بستر نمایان و عناصر تثبیت‌کننده ذاتی مانند زبری سطح و پوشش گیاهی است.

شکل ۶
شکل ۶

تغییرات حساسیت به رانش زمین (%) در بین عوامل کلیدی کنترل‌کننده در منطقه مورد مطالعه. (الف) طبقات جنبه، (ب) محدوده تحدب، (ج) انواع ژئومورفون، (د) دسته‌بندی‌های کاربری/پوشش زمین (LULC)، (ه) محدوده شیب (درجه)، (و) محدوده بارندگی (میلی‌متر)، (ز) طبقات فاصله زهکشی (متر)، (ح) طبقات فاصله گسل (متر) و (ط) فواصل بزرگی زلزله (مگاوات). نمودارهای میله‌ای متغیرهای دسته‌بندی‌شده را نشان می‌دهند، در حالی که نمودارهای خطی روندها را در متغیرهای پیوسته مرتب‌شده نشان می‌دهند و مقادیر درصد برای وضوح بیشتر حاشیه‌نویسی شده‌اند. این تجسم‌ها تأثیر نسبی هر عامل بر وقوع رانش زمین را برجسته می‌کنند.

تصویر در اندازه کامل

اهمیت عوامل

در AHP، وزن‌های پیش‌بینی‌کننده با استفاده از مقیاس مقایسه زوجی Saaty (1-9) به دست آمدند که نسبت سازگاری ۰٫۰۹۶ (< 0.1) را نشان می‌دهد، از این رو اعتبار ارزیابی‌های کارشناسی را تأیید می‌کند (جداول  ۳ و ۴ ). نتایج AHP نشان داد که شیب (۲۲٫۸٪)، کاربری/پوشش زمین (۱۹٫۸٪) و سنگ‌شناسی (۱۴٫۸٪) مهم‌ترین عوامل هستند که تأثیر شیب زمین و فعالیت‌های انسانی را بر وقوع زمین‌لغزش برجسته می‌کنند (شکل  ۷ ). مدل FR، با استفاده از نسبت‌های فراوانی، تحدب (۲۴٫۶٪)، کاربری/پوشش زمین (۱۲٫۵٪) و شیب (۱۱٫۴٪) را به عنوان متغیرهای غالب شناسایی کرد که تأثیر قابل توجه انحنای زمین را برجسته می‌کند. برعکس، مدل Yc وزن‌های تقریباً یکنواختی (~ ۱۰٫۷٪) به شیب، سنگ‌شناسی، ژئومورفون‌ها، جهت و نزدیکی گسل اختصاص داد که نشان دهنده سهم عادلانه‌تر بین اجزا است. اثرات زلزله در همه مدل‌ها ناچیز بود، و کمترین وزن‌ها به AHP (2.7%) و Yc (3.6%) نسبت داده شد که نشان‌دهنده تأثیر محدود بر حساسیت در سراسر منطقه تحقیق است.

جدول ۳ ماتریس مقایسه زوجی AHP برای وزن عوامل.
میز تمام سایز
جدول ۴ محاسبه شاخص سازگاری (CI)، شاخص تصادفی (RI) و نسبت سازگاری (CR).
میز تمام سایز
شکل ۷
شکل ۷

اهمیت مقایسه‌ای متغیرهای پیش‌بینی‌کننده در مدل‌های AHP، FR و Yc، بر اساس مقادیر وزنی اختصاص داده شده به آنها برای ارزیابی حساسیت زمین لغزش.

تصویر در اندازه کامل

پهنه‌بندی ملی خطر زمین‌لغزش

توزیع مکانی حساسیت به لغزش (LS) واریانس کم اما قابل توجهی را بین مدل‌های AHP، FR و Yc نشان می‌دهد (شکل‌های  ۸ ، ۹ و ۱۰ ). مدل FR گسترده‌ترین منطقه با حساسیت بسیار بالای لغزش (VHLS) را با ۱۰٫۹٪ شناسایی می‌کند، که پس از آن Yc با ۱۰٫۱٪ و AHP با ۹٫۷٪ قرار دارند (شکل  ۱۱ )، که هیچ تغییر عمده‌ای را نشان نمی‌دهد. در دسته حساسیت بالا (HLS)، AHP 17٪ را تشکیل می‌دهد، در حالی که Yc 14.9٪ و FR 13.7٪ را تشکیل می‌دهد. همه مدل‌ها پوشش تقریباً قابل مقایسه‌ای را برای حساسیت متوسط ​​(MLS) ارائه می‌دهند، با ۱۹٫۴٪ (AHP)، ۱۹٫۶٪ (Yc) و ۱۹٫۵٪ (FR)، که نشان دهنده تطابق مداوم در مناطق حساسیت انتقالی است. ناحیه حساسیت پایین (LLS) در Yc (24.7%) و FR (24%) شایع‌تر از AHP (19.4%) است، با این حال AHP با ۳۴٫۶% بیشترین نسبت حساسیت بسیار پایین (VLLS) را به خود اختصاص می‌دهد، که پس از آن FR (31.9%) و Yc (30.6%) قرار دارند، که نشان دهنده یک روش طبقه‌بندی محافظه‌کارانه‌تر به کار گرفته شده توسط AHP است.

در سطح ملی (مساحت کل ≈ ۳,۲۸۷,۲۶۳ کیلومتر مربع)، مناطق VHLS شامل ۴.۵٪ (FR)، ۴.۲٪ (Yc) و ۴.۰٪ (AHP) از خشکی هند هستند که با یافته‌های قبلی (۴.۷٪) با تکنیک‌های ML⁴⁸ مطابقت دارد. منطقه مستعد ترکیبی (HLS + VHLS) شامل ۱۱.۰٪ (AHP)، ۱۰.۴٪ (Yc) و ۱۰.۲٪ (FR) است که با تخمین‌های قبلی (۱۲.۶٪ توسط GSI؛ ۱۳.۱۷٪ توسط Sharma و همکاران⁴⁸) همسو است، از این رو دقت مدل‌ها را تأیید می‌کند. AHP، سیکیم را با ۵۴.۹٪ دارای بالاترین نسبت VHLS شناسایی می‌کند و پس از آن اوتاراکند با ۴۴.۱٪ و هیماچال پرادش با ۴۰.۵٪ قرار دارند. آروناچال پرادش وسیع‌ترین منطقه VHLS را با مساحت تقریبی ۳۲۹۴۲ کیلومتر مربع در بر می‌گیرد (جدول  ۵ ). مدل Yc، ناگالند (۵۵٫۰٪)، میزورام (۵۳٫۱٪) و آروناچال پرادش (۵۲٫۱٪) را به عنوان بالاترین منطقه رتبه‌بندی می‌کند، در حالی که آروناچال پرادش حدود ۴۴۳۹۲ کیلومتر مربع را در بر می‌گیرد (جدول  ۵ ). به همین ترتیب، FR، ناگالند (۶۰٫۸٪)، میزورام (۵۷٫۹٪) و اوتاراکند (۵۱٫۲٪) را به عنوان دارای بزرگترین نسبت‌ها تعیین می‌کند، در حالی که آروناچال پرادش حدود ۴۳۸۶۰ کیلومتر مربع را به عنوان VHLS طبقه‌بندی می‌کند (جدول  ۵ ).

علیرغم واریانس‌های مبتنی بر مدل، یکنواختی در تعیین دقیق مناطق بسیار حساس به ویژه هیمالیا و گهات غربی، شکنندگی ژئودینامیکی این مناطق را برجسته می‌کند. نتایج، اهمیت روش‌های چند مدلی برای نقشه‌برداری مؤثر از LSZ و ارتباط آن با برنامه‌ریزی متمرکز کاربری زمین، کاهش خطر و ابتکارات آمادگی در برابر بلایا را برجسته می‌کند.

شکل ۸
شکل ۸

این شکل نقشه حساسیت زمین لغزش هند را که از طریق روش AHP تهیه شده است، نشان می‌دهد و مناطق مختلف مستعد را در سراسر کشور نشان می‌دهد. (نرم‌افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل
شکل ۹
شکل ۹

این شکل نقشه LSZ هند را که از طریق روش FR بدست آمده است، نشان می‌دهد و مناطق مستعد زلزله مختلف را در سراسر کشور نشان می‌دهد. (نرم‌افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل
شکل ۱۰
شکل ۱۰

LSZ هند که با استفاده از روش Yc تولید شده است، تغییرات مکانی در مناطق مستعد در سراسر کشور را برجسته می‌کند. (نرم‌افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل
شکل ۱۱
شکل ۱۱

درصد منطقه مستعد لغزش در طبقات مختلف در مدل‌های AHP، Yc و FR.

تصویر در اندازه کامل
جدول ۵ این جدول مقایسه‌ای از مدل‌های مختلف حساسیت زمین‌لغزش را ارائه می‌دهد و رویکرد، درصد تمرکز VHLS، مساحت VHLS، نقاط قوت و محدودیت‌های هر مدل را برجسته می‌کند.
میز تمام سایز

شناسایی ۱۰ دانشگاه برتر SUT مستعد ابتلا به سرطان در هند

سیکیم بالاترین VHLS را در مدل AHP با ۵۴٫۹٪، مدل FR با ۵۲٫۱٪ و مدل Yc با ۴۵٪ نشان داد (شکل  ۱۲ ). آروناچال پرادش (AP) و میزورام VHLS قابل توجهی را نشان دادند، به طوری که AP مقادیری از ۳۸٫۷٪ در مدل AHP تا ۵۲٫۱٪ در Yc و ۵۱٫۵٪ در FR را نشان داد، در حالی که میزورام از ۳۱٫۵٪ در AHP تا ۵۳٫۱٪ در Yc و ۵۷٫۹٪ در FR متغیر بود. VHLS ناگالند تغییرات قابل توجهی را نشان داد، به طوری که AHP 25٪ و Yc و FR به ترتیب ۵۵٪ و ۶۰٫۸٪ بود. مانیپور کاهش حساسیت را نشان داد، با نمرات VHLS 14.7٪ (AHP)، ۳۰٫۶٪ (Yc) و ۲۵٫۲٪ (FR). اوتاراکند (بریتانیا) و هیماچال پرادش (HP)، که هر دو مستعد رانش زمین مکرر هستند، VHLS متوسط ​​تا بالایی را نشان دادند، به طوری که بریتانیا ۴۴.۱٪ در AHP، ۴۰٪ در Yc و ۵۱.۲٪ در FR ثبت کرد، در حالی که HP ۴۰.۵٪ در AHP، ۲۸.۹٪ در Yc و ۳۷.۶٪ در FR گزارش داد. جامو و کشمیر (J&K) و مگالایا VHLS کاهش یافته‌ای را نشان دادند، به طوری که J&K ۲۷.۴٪ (AHP)، ۲۰.۲٪ (Yc) و ۲۵.۱٪ (FR) را ثبت کرد، در حالی که مگالایا ۱۰.۹٪ (AHP)، ۲۲٪ (Yc) و ۱۸.۷٪ (FR) را گزارش کرد. تریپورا در تمام مدل‌ها VHLS ≤ ۸٪ را نشان داد.

مقادیر بالای VHLS در مدل‌های Yc و FR احتمالاً نشان‌دهنده‌ی پاسخگویی داده‌محور آنها به متغیرهایی مانند جنگل‌زدایی و شدت بارندگی است. نتایج، تأثیر قابل توجه شیب‌های تند، بارندگی شدید و سازندهای زمین‌شناسی ناپایدار را برجسته می‌کند، اما تفاوت‌های جزئی بین مدل‌ها نشان‌دهنده‌ی تفاوت در حساسیت و رویکرد روش‌شناختی است.

شکل ۱۲
شکل ۱۲

تغییرات مدل VHLS (%) در ده منطقه‌ی SUT هند که بیشترین حساسیت را به زمین‌لغزش دارند.

تصویر در اندازه کامل

اعتبارسنجی

منحنی مشخصه عملیاتی گیرنده (ROC) ابزاری مؤثر در LSZ است، زیرا ارزیابی قابلیت پیش‌بینی مدل برای رانش زمین را ارائه می‌دهد ۸۱٫ این منحنی شناسایی تعادل ایده‌آل بین پیش‌بینی دقیق رانش زمین و به حداقل رساندن هشدارهای کاذب را تسهیل می‌کند. منحنی ROC محققان را قادر می‌سازد تا قابلیت اطمینان مدل‌های حساسیت را ارزیابی کنند، مقادیر پارامترها را بهینه کنند و دقت پیش‌بینی کلی را افزایش دهند ۱۰۴٫ نقشه‌های حساسیت با استفاده از مجموعه داده‌های آزمایشی مستقل شامل ۳۰٪ از وقایع رانش زمین و غیر رانش زمین اعتبارسنجی شدند. نتایج اعتبارسنجی، مقادیر مساحت زیر منحنی (AUC) 0.889 را برای مدل Yc، ۰٫۸۹۱ را برای مدل AHP و ۰٫۹۰۵ را برای مدل FR به دست داد (شکل ۱۳ )، که نشان‌دهنده قابلیت پیش‌بینی قوی است. علاوه بر این، اعتبارسنجی متقابل با استفاده از روش یادآوری دقیق، مقادیر AUC برابر با ۰٫۸۵۶ برای Yc، ۰٫۸۶۷ برای AHP و ۰٫۸۷۲ برای FR را تولید کرد (شکل ۱۴ ). در مجموع، این ارزیابی‌ها عملکرد و قابلیت اطمینان بالای هر سه مدل را تأیید می‌کنند.

شکل ۱۳
شکل ۱۳

منحنی حساسیت و ویژگی که عملکرد مدل‌های مختلف حساسیت را نشان می‌دهد.

تصویر در اندازه کامل
شکل ۱۴
شکل ۱۴

منحنی دقت-فراخوانی که عملکرد مدل‌های مختلف حساسیت را نشان می‌دهد.

تصویر در اندازه کامل

اعتبارسنجی نقشه‌ها از طریق توزیع زمین‌لغزش

نقشه‌ها همچنین با بررسی توزیع مکانی زمین‌لغزش در طبقات مستعد، اعتبارسنجی می‌شوند. مناطق VHLS شامل اکثر زمین‌لغزش‌ها هستند، به ترتیب با ۶۰٫۶٪، ۵۸٫۰٪ و ۶۶٫۸٪ برای مدل‌های AHP، Yc و FR (شکل  ۱۵ ). این رابطه قابل توجه بین مناطق VHLS و زمین‌لغزش‌ها، توانایی مدل‌ها را در شناسایی مناطق مستعد تأیید می‌کند. مناطق HLS شامل غلظت زمین‌لغزش حدود ۲۸٫۲٪ در AHP، ۳۰٫۷٪ در Yc و ۲۵٫۴٪ در مدل‌های FR هستند که قابلیت اطمینان پیش‌بینی مدل‌ها را تأیید می‌کند. MLS زمین‌لغزش‌های کمتری را پوشش می‌دهد، از ۶٫۷٪ (FR) تا ۹٫۴٪ (Yc)، که نشان دهنده یک منطقه انتقالی بین زمین پایدار و ناپایدار است. مناطق LLS و VLLS درصد زمین‌لغزش کمی را پوشش می‌دهند که از ۱٫۹٪ تجاوز نمی‌کند، که نشان می‌دهد این مکان‌ها پایدارتر هستند. VHLS و HLS شامل غلظت‌های زیادی از زمین‌لغزش هستند که نشان می‌دهد این مدل‌ها در پیش‌بینی مکان‌های مستعد زمین‌لغزش خوب هستند.

شکل ۱۵
شکل ۱۵

درصد تعداد زمین لغزش‌ها در کلاس‌های مختلف حساسیت در مدل‌های AHP، Yc و FR.

تصویر در اندازه کامل

اعتبارسنجی زمینی

مشاهدات میدانی نشان می‌دهد که اکثر زمین‌لغزش‌های اخیر، از جمله رویدادهای ویرانگر تاریخی، در مناطقی که به عنوان HLS و VHLS طبقه‌بندی شده‌اند، متمرکز شده‌اند (شکل  ۱۶ ). این همبستگی مکانی قوی بین وقوع زمین‌لغزش‌های مشاهده‌شده و مناطق پرخطر پیش‌بینی‌شده، اعتبار تجربی قوی برای مدل ارزیابی فراهم می‌کند. چنین سازگاری نه تنها دقت نقشه‌برداری حساسیت را تأیید می‌کند، بلکه اعتماد به نفس در استفاده از آن برای مدیریت ریسک بلایا، برنامه‌ریزی کاربری زمین و سیستم‌های هشدار اولیه را نیز افزایش می‌دهد.

شکل ۱۶
شکل ۱۶

زمین لغزش‌های روی نقشه حساسیت، که تطابق قوی با مناطق با حساسیت و خطر بالا و بسیار بالا را نشان می‌دهد. (نرم‌افزار: QGIS، نسخه: ۳.۴.۴، آدرس اینترنتی: https://qgis.org/download/ و آدرس اینترنتی مایکروسافت پاورپوینت: https://www.microsoft.com/microsoft-365/powerpoint ).

تصویر در اندازه کامل

بهترین مدل متناسب

نقشه LSZ تولید شده توسط مدل Yc بر اساس معیارهای ارزیابی مختلف، از جمله اهمیت وزن‌های پیش‌بینی‌کننده (شکل  ۷ )، مقادیر ROC (شکل‌های  ۱۳ و ۱۴ ) و هم‌ترازی مکانی با رخدادهای زمین‌لغزش مستند شده (شکل  ۱۵ )، مناسب‌ترین نقشه برای تجزیه و تحلیل بیشتر تشخیص داده شد. در نتیجه، نقشه LSZ مشتق شده از Yc برای نقشه‌برداری بیشتر خطر زمین‌لغزش انتخاب شد. شکل  ۱۷ نقشه LSZ تولید شده توسط مدل Yc را نشان می‌دهد که با مرزهای STU مربوطه برای بهبود تجزیه و تحلیل و تجسم جغرافیایی تطبیق داده شده است.

شکل ۱۷
شکل ۱۷

LSZ هند با استفاده از روش Yc تولید شده است و درجات مختلف حساسیت را در SUT ها مشخص می‌کند. (نرم‌افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل

نقشه خطر زمین لغزش ملی (NLRM) در مقیاس کیفی

مطالعه قبلی ۱۰۵ که در شهرک گوپشوار، ناحیه چامولی، اوتاراکند، هند انجام شد، بر ارزیابی ریسک بر اساس انواع ساختمان‌ها در یک منطقه مشخص به مساحت ۸٫۳۹ کیلومتر مربع متمرکز بود. با این حال، مطالعه ما از یک روش کلی استفاده می‌کند که ارزیابی ریسک کیفی جامعی را در سطح ملی ارائه می‌دهد. نقشه ریسک کیفی با ترکیب لایه‌های منطقه ساخته شده و شبکه جاده‌ای با HLS VHLS به دست آمده از مدل Yc ایجاد شد (شکل ۱۸ ). تجزیه و تحلیل نشان می‌دهد که حدود ۸۶۰۶٫۱۳ کیلومتر مربع از منطقه مورد مطالعه در مناطق پرخطر تا بسیار پرخطر واقع شده است که حدود ۰٫۲۶٪ از کل مساحت کشور را نشان می‌دهد. تقریباً ۲۳۹۸٫۶۶ کیلومتر مربع به عنوان خطر بسیار بالا تعیین شده است، در حالی که ۶۲۰۷٫۴۷ کیلومتر مربع به عنوان خطر بالا در منطقه مورد مطالعه طبقه‌بندی شده است.

شکل ۱۸
شکل ۱۸

نقشه خطر زمین لغزش SUT ها را که از طریق روش Yc بدست آمده است، نشان می‌دهد. (نرم افزار: QGIS، نسخه: ۳٫۴٫۴، آدرس اینترنتی: https://qgis.org/download/ ).

تصویر در اندازه کامل

بحث

این تحقیق، چارچوب دقیقی برای ایجاد NLSZ و NLRM ارائه می‌دهد که بر اساس مشاوره تخصصی، بررسی کامل متون و تحلیل دقیق هم‌خطی چندگانه استوار است. هر سه مدل (FR، Yc و AHP) نتایج ثابتی را نشان دادند، به طوری که مناطق VHLS شامل ۱۰٫۹٪ (FR)، ۱۰٫۱٪ (Yc) و ۹٫۷٪ (AHP) از منطقه مورد مطالعه بودند که نشان‌دهنده تغییرات ناچیز در تعیین دقیق‌ترین مناطق مستعد است. مدل AHP، مناطق HLS را حدود ۱۷٪ شناسایی کرد، در حالی که این مقدار برای Yc 14.9٪ و برای FR 13.7٪ بود، در حالی که مناطق با حساسیت متوسط ​​نسبت‌های مشابهی در بین مدل‌ها داشتند که نشان‌دهنده طبقه‌بندی ثابتی از زمین‌های انتقالی است. مناطق با حساسیت کم و بسیار کم، حداقل نوسان را نشان دادند، به طوری که FR بزرگترین منطقه (۵۵٫۹٪) را شامل می‌شد و پس از آن Yc (55.4٪) و AHP (53.9٪) قرار داشتند. پوشش بسیار بالای به‌دست‌آمده در هند، که از ۴٫۰٪ (AHP) تا ۴٫۵٪ (FR) متغیر است، تقریباً با نتایج قبلی ۴۸ (مثلاً ۴٫۷٪ به‌دست‌آمده با استفاده از مدل‌های یادگیری ماشین) همسو است. ادغام مناطق با حساسیت بالا و VHLS (10.2٪ -۱۱٫۰٪) با تخمین‌های GSI و Sharma و همکاران ۲۰۲۴ ۴۸ (به ترتیب ۱۲٫۶٪ و ۱۳٫۱۷٪) همسو است، از این رو، قابل اعتماد بودن و استحکام مدل‌ها را برای ارزیابی حساسیت زمین‌لغزش در مقیاس ملی تأیید می‌کند.

تحقیقات ایالتی نشان می‌دهد که مدل AHP بالاترین درصد VHLS را در سیکیم (۵۴٫۹٪) و پس از آن اوتاراکند (۴۴٫۱٪) و هیماچال پرادش (۴۰٫۵٪) شناسایی می‌کند. در همین حال، آروناچال پرادش با مساحت ۳۲۹۴۲ کیلومتر مربع، گسترده‌ترین منطقه VHLS را در اختیار دارد. مدل‌های Yc و FR، ناگالند، میزورام و آروناچال پرادش را به عنوان آسیب‌پذیرترین مناطق شناسایی می‌کنند که نشان‌دهنده تنوع منطقه‌ای تحت تأثیر عوامل زمین‌شناسی، اقلیمی و انسانی است ۱۰۶٫ ناسازگاری‌های جزئی بین مدل‌ها نشان‌دهنده تغییرات در حساسیت روش‌شناختی است، به طوری که مدل‌های داده‌محور (Yc، FR) پاسخگویی بیشتری به تغییرات زیست‌محیطی اخیر، از جمله جنگل‌زدایی و توسعه زیرساخت‌ها ۱۰۷ ، نشان می‌دهند . اعتبارسنجی مدل، مقادیر AUC بین ۰٫۸۷۴ و ۰٫۹۰۵ را تولید کرد که نشان‌دهنده اثربخشی پیش‌بینی قوی است. بخش قابل توجهی از زمین لغزش‌های نقشه‌برداری شده (۶۰٫۶%-۶۶٫۸%) در محدوده خطر زمین لغزش بالا و VHLS قرار دارند که همبستگی مکانی بین خطر پیش‌بینی‌شده و وقایع ثبت‌شده را تأیید می‌کند ۱۰۸٫ VLLS گسترده‌ترین منطقه جغرافیایی را در بین همه مدل‌ها دارد، که نشان می‌دهد بخش قابل توجهی از هند با حداقل خطر زمین لغزش مواجه است.

در میان مدل‌ها، Yc از نظر دقت طبقه‌بندی و حساسیت مکانی عملکرد فوق‌العاده‌ای دارد. بالاترین VHLS در ناگالند (۵۵٫۰٪)، میزورام (۵۳٫۱٪) و آندرا پرادش (۵۲٫۱٪) شناسایی شده است و پس از آن سیکیم (۴۵٫۰٪)، اوتاراکند (۴۰٫۰٪)، مانیپور (۳۰٫۶٪)، هیماچال پرادش (۲۸٫۹٪)، جامو و کشمیر (۲۰٫۲٪)، مگالایا (۲۲٫۰٪)، تریپورا (۸٫۰٪)، بنگال غربی (۱٫۹٪)، آسام (۲٫۹٪)، گوا (۳٫۷٪)، کرالا (۲٫۹٪)، لاداخ (۰٫۷٪)، کارناتاکا (۰٫۳٪)، تامیل نادو (۰٫۳٪) و ماهاراشترا (۰٫۲٪) قرار دارند. این یافته‌ها حساسیت مدل را به متغیرهای اساسی از جمله توپوگرافی، بارندگی و شدت کاربری زمین برجسته می‌کند. انتخاب مدل عمیقاً بر درک ریسک و نتایج سیاست‌گذاری تأثیر می‌گذارد. ترکیب روش‌های چند مدلی با GIS و پایش بلادرنگ می‌تواند نقشه‌برداری از زمین‌لغزش را بهبود بخشد و تکنیک‌های کاهش خطر کارآمدتری را تسهیل کند .

مقایسه با مطالعات قبلی در مقیاس جهانی و ملی

این کار، ارزیابی‌های قبلی حساسیت زمین‌لغزش ملی و جهانی را با استفاده از مجموعه داده‌های موضوعی با وضوح بالا، چندین عنصر سببی و فهرست گسترده‌ای از ۱۰۹۵۰۴ مورد وقوع زمین‌لغزش بهبود می‌بخشد و منجر به بهبود دقت پهنه‌بندی حساسیت می‌شود. در سطح جهانی، یافته‌ها با مطالعات قبلی ۱۱۰ مطابقت دارند که نشان‌دهنده آسیب‌پذیری قابل توجه در هیمالیا و گهات غربی است (شکل ۱۹ الف)، اگرچه دقت را از طریق داده‌های بهبود یافته و گنجاندن عوامل گسترده‌تر افزایش می‌دهد. نتایج تا حدی نقشه‌های جهانی قبلی ۱۹ را تأیید می‌کنند ، به ویژه در مورد حساسیت بالا در هیمالیا (شکل ۱۹ ب)، در حالی که تعمیم‌های بیش از حد حساسیت متوسط ​​در مناطق غیر مستعد را اصلاح می‌کنند. به همین ترتیب، نقشه جهانی ۱۱۱  مناطق مستعد را در مناطق هیمالیا و گهات غربی مشخص می‌کند (شکل ۱۹ ج). با این وجود، این مطالعه با استفاده از مجموعه داده‌های متمرکز، که منجر به تخمین بیش از حد حساسیت در مناطق پایدار می‌شود، از چنین خطاهایی جلوگیری می‌کند. برخلاف مطالعه قبلی ۴۸ که یک NLSM ایجاد کرد، این کار بر روی آسیب‌پذیرترین SUTها تمرکز دارد (شکل ۱۹ د). این مطالعه پارامترهای مرتبط‌تری را با وضوح بیشتری نسبت به مطالعات قبلی ۴۸ که بسیاری از آنها نادیده گرفته شده بودند، در بر می‌گیرد. آخرین یافته‌ها همچنین مناطق جدید با حساسیت بالا تا بسیار بالا، به ویژه در لاداخ و مناطق منتخب جامو و کشمیر، را که قبلاً شناسایی نشده بودند، آشکار می‌کند.

شکل ۱۹
شکل ۱۹

نقشه‌های حساسیت زمین‌لغزش منفرد از مطالعات گذشته منتخب، از جمله لین و همکاران (۲۰۱۷)، استنلی و کیرشباوم (۲۰۱۷)، تیتی و همکاران (۲۰۲۱) و شارما و همکاران (۲۰۲۴)، که برای زمینه‌سازی و مقایسه الگوهای حساسیت با مطالعه حاضر استفاده شده‌اند. (نرم‌افزار: QGIS، نسخه: ۳.۴.۴، آدرس اینترنتی: https://qgis.org/download/ و آدرس اینترنتی مایکروسافت پاورپوینت: https://www.microsoft.com/microsoft-365/powerpoint ).

تصویر در اندازه کامل

اهمیت، محدودیت‌ها، عدم قطعیت و جهت‌گیری‌های تحقیقاتی آینده

این کار، نقشه‌برداری از آسیب‌پذیری و خطر زمین‌لغزش در هند را افزایش می‌دهد و بر ضرورت به‌روزرسانی‌های دوره‌ای فهرست زمین‌لغزش GSI برای افزایش دقت تأکید می‌کند. مطالعات آینده باید شامل داده‌های زمین‌محیطی با وضوح بالا و فهرست‌های اصلاح‌شده‌ای باشد که آسیب‌پذیری پویای شکل‌گرفته توسط تأثیرات محیطی و انسانی را در نظر بگیرند.

نقشه‌های فعلی، نمای کلی ارائه می‌دهند و از داده‌های ساخته‌شده و جاده‌ای مبتنی بر LULC برای مدل‌سازی ریسک استفاده می‌کنند که دقت را محدود می‌کند. تغییرات ناشی از انتخاب مدل، طبقه‌بندی موجودی و جزئیات داده‌ها است. گنجاندن آمار دقیق‌تر، اجزای آسیب‌پذیر تکمیلی (مانند کشاورزی و زیرساخت‌ها) و موجودی زمین‌لغزش به طور مستقیم در مدل‌های ریسک، دقت منطقه‌ای و ارزیابی ریسک را بهبود می‌بخشد.

نتیجه‌گیری

این مطالعه، ارزیابی جامعی در مقیاس ملی از حساسیت و خطر زمین‌لغزش در هند ارائه می‌دهد که از یک چارچوب ترکیبی که مدل‌های اکتشافی (AHP) و مبتنی بر داده (FR، Yc) را ترکیب می‌کند، بهره می‌برد. گنجاندن ده متغیر پیش‌بینی‌کننده با دقت انتخاب‌شده از حوزه‌های زمین‌شناسی، توپوگرافی، هیدرولوژیکی، اقلیمی، انسانی و زلزله‌شناسی، همراه با یک فهرست جامع از زمین‌لغزش‌ها، دقت و قابلیت اطمینان مدل را بهبود می‌بخشد. ارزیابی مقایسه‌ای نشان می‌دهد که مدل Yc عملکرد پیش‌بینی بهبود یافته (AUC به ۰٫۹۰۵ می‌رسد) و تطابق جغرافیایی بیشتری با توزیع‌های واقعی زمین‌لغزش نشان می‌دهد. لیتولوژی و کاربری/پوشش زمین به عنوان عوامل اصلی مؤثر بر حساسیت شناسایی شدند و پس از آن شیب، ژئومورفون‌ها و نزدیکی به گسل‌ها قرار گرفتند. اگرچه بارندگی و نزدیکی به زهکشی به طور قابل توجهی نقش دارند، متغیرهای لرزه‌ای تأثیر کمی در چارچوب Yc نشان دادند.

مدل FR، مساحت غالب VHLS را ۱۰٫۹ درصد تعیین کرد، که پس از آن Yc با ۱۰٫۱ درصد و AHP با ۹٫۷ درصد قرار گرفتند. در HLS، AHP تقریباً ۱۷ درصد بود، درست بالاتر از Yc (14.9 درصد) و FR (13.7 درصد). MLS توزیع قابل مقایسه‌ای را در بین مدل‌ها نشان داد که نشان‌دهنده یکنواختی توپوگرافی است. مساحت LLS و VLLS در FR (55.9 درصد) بیشترین شیوع را داشت و پس از آن Yc (55.4 درصد) و AHP (53.9 درصد) قرار داشتند.

در سطح ملی، مناطق VHLS طبق مدل‌های AHP، Yc و FR به ترتیب تقریباً ۴.۰٪، ۴.۲٪ و ۴.۵٪ از مساحت هند را در بر می‌گیرند که با تحقیقات قبلی سازگار است. مناطق ترکیبی HLS و VHLS تقریباً ۱۱.۰٪ در AHP، ۱۰.۴٪ در Yc و ۱۰.۵٪ در مدل‌های FR را تشکیل می‌دهند. اعتبارسنجی، دقت پیش‌بینی قوی را نشان داد، با مقادیر AUC از ۰.۸۷۴ تا ۰.۹۰۵. نقشه‌برداری خطر با مدل Yc نشان می‌دهد که حدود ۰.۲۶٪ از هند (حدود ۸۶۰۶ کیلومتر مربع) در مناطق با خطر زمین لغزش زیاد تا بسیار زیاد واقع شده است.

این یافته‌ها، بینش‌های مکانی ضروری برای کاهش خطر بلایا ارائه می‌دهند و بر ضرورت نظارت متمرکز بر شیب، آگاهی عمومی و گنجاندن خطر رانش زمین در برنامه‌ریزی کاربری زمین در مقیاس نقشه‌برداری تأکید می‌کنند.