Yapay Sinir Ağları Yöntemi ile Ermenek Havzası’nın (Karaman) Kayma Türü Heyelan Duyarlılık Değerlendirmesi

Abstract

Ermenek Nehri havzası 4020 km2 ile Göksu nehrinin ana alt havzalarından birini oluşturmaktadır. Havzada heyelanlar yaygın olarak yanal ve düşey geçişli Miyosen kırıntılı ve karbonatlı birimlerin içerisinde gözlenmektedir. 1000 m’nin üzerinde derinliğe sahip vadi yamaçlarında derin kayma türü heyelanlar, resifal kireçtaşlarının oluşturduğu platform kenarlarındaki dik yamaçlarda ise kaya düşmeleri yaygındır. Bu çalışmada Ermenek nehri havzasında kayma türü heyelanların duyarlılık değerlendirmesi yapay sinir ağları yöntemi kullanılarak gerçekleştirilmiştir. Çalışma alanında toplam alanı 161 km2 olan 302 adet heyelan bulunmaktadır. Duyarlılık değerlendirmelerinde heyelanları hazırlayıcı faktörler olarak jeoloji, sayısal yükseklik modeli, yamaç eğimi, pürüzlülük indeksi, teğet, düzlemsel, kesit yamaç eğrisellikleri, topoğrafik nemlilik indeksi, ortalama eğim, yüzey-röliyef oranı değişkenleri kullanılmıştır. Heyelan duyarlılık modellemesi için elde edilen veri seti, rastgele seçim yöntemiyle %15 test, %15 doğrulama ve %70 analiz olarak üç bölüme ayrılmıştır. Elde edilen duyarlılık haritası çok düşük – çok yüksek arasında 5 sınıfta değerlendirilmiştir. Duyarlılık haritasının doğruluğu, başarı tahmin ve alıcı işletim karakteristiği eğrileriyle elde edilmiştir. Duyarlılık haritasında mevcut heyelanların %77’sinin, çalışma alanının %29’una karşılık gelen yüksek ve çok yüksek duyarlı sınıflar içerisinde yer aldığı, alıcı işletim eğrisi altında kalan alan ise 0.893 olarak bulunmuştur. Sonuç olarak elde edilen duyarlılık haritasının yüksek kestirim kapasitesine sahip olduğu görülmüştür.

Keywords

• Emenek Havzası,Heyelan,Yapay sinir ağları,Heyelan duyarlılık

Slide Type Landslide Susceptibility Assessment of the Ermenek River Watershed (Karaman) Using Artificial Neural Network Method

Abstract

Ermenek River is one of the major tributary of the Göksu river with a watershed area of 4020 km2 .The lateral and vertical transitional Miocene clastic and carbonate units are widely exposed in the area along the deeply incised valleys with elevation range of more than 1000 m. Deep-seated slides on the valley sides and the rock fall events along the steep slopes on the edge of the reefal limestone platforms are abundant in the area. In this study susceptibility assessments for slide type landslides were evaluated using artificial neural network method. 302 landslides covering an area of 161 km2 were identified in the study area. Geology, digital elevation model, slope, roughness index, tangential, plan and profile curvatures, topographic wetness index, mean slope, surface-relief ratio were used for the landslide preparatory factors during the susceptibility assessments. The data base used in susceptibility models were randomly separated into three of which, 70 % for the analysis and 15 % for the test and validation sets. Landslide susceptibility map has been classified into five susceptibility classes from very low to very high. The validation of the landslide susceptibility map was evaluated by the prediction-success rate and receiver operator characteristics curve. As a consequence, it has seen that the produced susceptibility map has high prediction capacity where 77 % of the substantial landslides were located in the high and very high susceptiblity classes corresponding 29 % of the study area with the area under the receiver operator characterisctic curve of 0.893. 

Keywords

• Ermenek watershed,Landslide,Artificial neural network,Landslide susceptibility

References

1. Abanco, C., Hurlimann, M., Moya, J., and Berenguer, M. (2016). Critical rainfall conditions for the initiation of torrential flows. Results from the Rebaixader catchment (Central Pyrenees). Journal of Hydrology, 541, 218-229, doi:10.1016/j.jhydrol.2016.01.019.
2. Achour, Y., Garcia, S., and Cavaleiro, V. (2018). GIS-based spatial prediction of debris flows using logistic regression and frequency ratio models for Zezere River basin and its surrounding area, Northwest Covilha, Portugal. Arabian Journal of Geosciences, 11(18), doi:Artn 550 10.1007/S12517-018-3920-9.
3. Basheer, I.A., Hajmeer, M., (2000) Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods 43, 3–31.
4. Chawla, A., Chawla, S., Pasupuleti, S., Rao, A. C. S., Sarkar, K., and Dwivedi, R. (2018). Landslide Susceptibility Mapping in Darjeeling Himalayas, India. Advances in Civil Engineering, doi:Artn 6416492 10.1155/2018/6416492.
5. Chen, W., Pourghasemi, H. R., Naghibi, S. A. (2018). Prioritization of landslide conditioning factors and its spatial modeling in Shangnan County, China using GIS-based data mining algorithms. Bulletin of Engineering Geology and the Environment, 77(2), 611-629, doi:10.1007/s10064-017-1004-9.
6. Chu, H. J., Chen, Y. C. (2018). Crowdsourcing photograph locations for debris flow hot spot mapping. Natural Hazards, 90(3), 1259-1276, doi:10.1007/s11069-017-3098-6.
7. Corominas, J., van Westen, C., Frattini, P., Cascini, L., Malet, J. P., Fotopoulou, S., et al. (2014). Recommendations for the quantitative analysis of landslide risk. Bulletin of Engineering Geology and the Environment, 73(2), 209-263, doi:10.1007/s10064-013-0538-8.
8. Duman, T.Y., Çan, T., Emre, Ö. (2011). Türkiye Heyelan Envanteri Haritası - 1/1,500,000 Ölçekli, Maden Tetkik ve Arama Genel Müdürlüğü Özel Yayınlar Serisi-27, Ankara, 23.

9. Hu, W., Scaringi, G., Xu, Q., Huang, R. Q. (2018). Internal Erosion Controls Failure and Runout of Loose Granular Deposits: Evidence From Flume Tests and Implications for Postseismic Slope Healing. Geophysical Research Letters, 45(11), 5518-5527, doi:10.1029/2018GL078030.
10. Ietto, F., Perri, F., Cella, F. (2018). Weathering characterization for landslides modeling in granitoid rock masses of the Capo Vaticano promontory (Calabria, Italy). Landslides, 15(1), 43-62, doi:10.1007/s10346-017-0860-5.
11. Ilgar, A., Esirtgen, T., Demirkaya, S., (2016). 1/100:000 Ölçekli Jeoloji Haritaları Serisi Silifke 0-31 Paftası Jeoloji Etütkleri Dairesi No:233 Ss.27 Maden Tetkik Ve Arama Genel Müdürlüğü, Ankara-TÜRKİYE.
12. Karsoliya, S., (2012) Approximating Number of Hidden layer neurons in Multiple Hidden Layer BPNN Architecture, International Journal of Engineering Trends and Technology, V.3(6) pp.714-717.
13. Kohonen, T., (1982), “Self-organised Formation of Topologically Correct Feature Maps”, Biological Cybernetics, Vol. 43, pp. Vol. pp. 59 – 69.
14. Nsengiyumva, J. B., Luo, G. P., Nahayo, L., Huang, X. T., Cai, P. (2018). Landslide Susceptibility Assessment Using Spatial Multi-Criteria Evaluation Model in Rwanda. International Journal of Environmental Research and Public Health, 15(2), doi:Artn 243 10.3390/Ijerph15020243.
15. Riley, S. J, S. D., DeGloria, R. Elliot, (1999) A terrain ruggedness index that quantifies topographic heterogeneity. Intermountain Journal of Sciences, 5(1-4).
16. Silva, R. F., Marques, R., Gaspar, J. L. (2018). Implications of Landslide Typology and Predisposing Factor Combinations for Probabilistic Landslide Susceptibility Models: A Case Study in Lajedo Parish (Flores Island, Azores-Portugal). Geosciences, 8(5), doi:UNSP 153 10.3390/geosciences8050153.
17. Şenel, M., Bedi, Y., Usta M., (2016)., 1/100:000 Ölçekli Jeoloji Haritaları Serisi Sikifke P-28 Paftası Jeoloji Etütkleri Dairesi No:223 Ss.29 Maden Tetkik Ve Arama Genel Müdürlüğü, Ankara-Türkiye.
18. Taga, H., Zorlu, K., (2017). Dik Yamaçlardaki Kaya Düşme Tehlikesinin Değerlendirilmesi: Ermenek (Karaman, Türkiye). Hacettepe Üniversitesi Yerbilimleri Uygulama ve Araştırma Merkezi Bülteni, 2017, 38 (2), 161-178.
19. Tekin, S., Çan, T. (2018). Effects of Landslide Sampling Strategies on the Prediction Skill of Landslide Susceptibility Modelings. Journal of the Indian Society of Remote Sensing, 46(8), 1273-1283, doi:10.1007/s12524-018-0800-4.
20. Tekin, S., Çan, T., (2015) “Ermenek Havzasının Yapay Sinir Ağları Yöntemi İle Heyelan Duyarlılık Değerlendirmesi” S. 114-115. Doğu Anadolu Jeoloji Sempozyumu 7-11 Eylül 2015, YYU-Van/Türkiye.