Heyelanların verdiği zararların azaltılması amacıyla heyelan oluşumunun önceden tahmini ve heyelana duyarlı
alanların literatürde mevcut yöntemlerle belirlenmesi son derece önemlidir. Bu doğrultuda, heyelanların aynı
litolojide geliştiği Bartın ilinin Ulus ilçesinin heyelan duyarlılık haritalamasının yapılması amaçlanmıştır. Çalışmanın
önemli noktası, Chebyshev teoreminin bu çalışmada seçilen çalışma alanı için sınanması ve bu yöntemle üretilen
duyarlılık haritasının mevcut literatürde sıklıkla kullanılan tüm heyelan kütlesi içerisindeki piksel sayma tekniği ile
oluşturulan veri seti kullanılarak üretilen heyelan duyarlılık haritası ile karşılaştırılmasıdır. Çalışma alanında toplam
195 adet heyelan haritalanmış ve heyelanlı ve heyelanlı olmayan alanların belirlenmesinde Chebyshev teoremi
ve tüm heyelan kütlesi içerisindeki piksel sayma tekniği olmak üzere iki farklı örneklem tekniği kullanılmıştır.
Heyelan duyarlılık analizlerinde kullanılmak üzere topoğrafik yükselik, eğim, bakı, eğrisellik ve NDVI (normalize
edilmiş fark bitki örtüsü indeksi) olmak üzere toplam 5 adet parametre haritası üretilmiştir. Her iki örneklem tekniği
kullanılarak yapılan duyarlılık analizlerinde literatürde sıklıkla kullanılan Frekans Oranı (FO) yöntemi kullanılmış
ve iki farklı harita üretilmiştir. Duyarlılık haritalarının performansı ise Eğri Altında Kalan Alan yöntemine (ROCEAA)
göre değerlendirilmiş ve EAA değerleri sırasıyla Chebyshev teoremi için 0.78 ve tüm heyelan kütlesindeki
piksel sayılarına göre yapılan örneklem tekniği için ise 0.72 olarak belirlenmiştir. Bu değerlere göre, üretilen her
iki duyarlılık haritasının da kabul edilebilir düzeyde olduğu ve Chebyshev teoremi ile örneklem yapılarak üretilen
duyarlılık haritasının performansının, diğer örneklem yöntemine göre nispeten daha yüksek çıktığı görülmüştür.
Elde edilen bu sonuç, çalışmada kullanılan Chebyshev yönteminin de heyelan duyarlılık haritalama çalışmalarında
etkin olarak kullanılabilir alternatif bir yöntem olduğunu ve bu yöntemle üretilen duyarlılık haritasının da başarılı bir
kestirime sahip olduğunu göstermiştir.
Aditian, A., Kubota, T., Shinohara, Y., 2018.
Comparison of GIS-based landslide susceptibility
models using frequency ratio, logistic regression,
and artificial neural network in a tertiary region
of Ambon, Indonesia. Geomorphology, 318,
101-111.
Akgün, A., Dağ, S., Bulut, F., 2008. Landslide
susceptibility mapping for a landslide-prone
area (Findikli, NE of Turkey) by likelihood–
frequency ratio and weighted linear combination
models. Environmental Geology, 54, 1127–1143.
Akgün, A., Türk, N., 2010. “İki ve Çok Değişkenli
İstatistik ve Sezgisel Tabanlı Heyelan Duyarlılık
Modellerinin Karşılaştırılması: Ayvalık
(Balıkesir, Kuzeybatı Türkiye) Örneği”. Jeoloji
Mühendisliği Dergisi, 34(2), 85-112.
Aleotti, P., Chowdhury, R., 1999. Landslide
hazard assessment: summary review and new
perspectives. Bulletin of Engineering Geology
and Environment, 58, 21-44.
Althuwaynee, O.F., Pradhan, B., Park, H.J., 2014. A
novel ensemble bivariate statistical evidential
belief function with knowledge-based analytical
hierarchy process and multivariate statistical
logistic regression for landslide susceptibility
mapping. Catena, 114, 21-36. DOI: 10.1016/
j.catena.2013.10.011.
Ayalew, L., Yamagishi, H., 2005. The application
of GIS-based logistic regression for landslide
susceptibility mapping in the Kakuda-Yahiko
Mountains, Central Japan. Geomorphology 65,
15-31.
Beguería, S., 2006. Validation and evaluation of
predictive models in hazard assessment and risk
management. Natural Hazards 37(3), 315–329.
Can, A., Dagdelenler, G., Ercanoglu, M., Sonmez,
H., 2019. Landslide susceptibility mapping
at Ovacık-Karabük (Turkey) using different
artificial neural network models: comparison
of training algorithms. Bulletin of Engineering
Geological Environment, 78, 89-102.
Cevik, E., Topal, T., 2003. GIS-based landslide
susceptibility mapping for a problematic segment
of the natural gas pipeline, Hendek (Turkey).
Environmental Geology, 44, 949-962.
Chen, W., Li, W., Chai, H., Hou, E., Li, X., Ding,
X., 2016. GIS-based landslide susceptibility
mapping using analytical hierarchy process
(AHP) and certainty factor (CF) models for
the Baozhong region of Baoji City, China.
Environmental Earth Sciences, 75, 1–14.
Chen, W., Pourghasemi, H.R., Panahi, M., Kornejady,
A., Wanh, J., Xie, X., Cao, S., 2017. Spatial
prediction of landslide susceptibility using an
adaptive neuro-fuzzy inference system combined
with frequency ratio, generalized additive
model, and support vector machine techniques.
Geomorphology, 297, 69-85.
Choi, J., Oh, H.-J., Lee, C., Lee, S., 2012. Combining
landslide susceptibility maps obtained from
frequency ratio, logistic regression and artificial
neural network models using ASTER images
and GIS, Engineering Geology, 124, 12-23.
Clerici, A., Perego, S., Tellini, C., Vescovi, P.,
2006. A GIS-Based Automated Procedure
for Landslide Susceptibility Mapping by the
Conditional Analysis Method: The Baganza
Valley Case Study (Italian Northern Apennines).
Environmental Geology, 50, 941-961.
Conforti, M., Pascale, S., Robustelli, G., Sdao, F.,
2014. Evaluation of prediction capability of the
artificial neural networks for mapping landslide
susceptibility in the Turbolo River catchment
(Northern Calabria, Italy). Catena, 113, 236-250.
Year 2020,
Volume: 44 Issue: 1, 19 - 38, 19.06.2020
Aditian, A., Kubota, T., Shinohara, Y., 2018.
Comparison of GIS-based landslide susceptibility
models using frequency ratio, logistic regression,
and artificial neural network in a tertiary region
of Ambon, Indonesia. Geomorphology, 318,
101-111.
Akgün, A., Dağ, S., Bulut, F., 2008. Landslide
susceptibility mapping for a landslide-prone
area (Findikli, NE of Turkey) by likelihood–
frequency ratio and weighted linear combination
models. Environmental Geology, 54, 1127–1143.
Akgün, A., Türk, N., 2010. “İki ve Çok Değişkenli
İstatistik ve Sezgisel Tabanlı Heyelan Duyarlılık
Modellerinin Karşılaştırılması: Ayvalık
(Balıkesir, Kuzeybatı Türkiye) Örneği”. Jeoloji
Mühendisliği Dergisi, 34(2), 85-112.
Aleotti, P., Chowdhury, R., 1999. Landslide
hazard assessment: summary review and new
perspectives. Bulletin of Engineering Geology
and Environment, 58, 21-44.
Althuwaynee, O.F., Pradhan, B., Park, H.J., 2014. A
novel ensemble bivariate statistical evidential
belief function with knowledge-based analytical
hierarchy process and multivariate statistical
logistic regression for landslide susceptibility
mapping. Catena, 114, 21-36. DOI: 10.1016/
j.catena.2013.10.011.
Ayalew, L., Yamagishi, H., 2005. The application
of GIS-based logistic regression for landslide
susceptibility mapping in the Kakuda-Yahiko
Mountains, Central Japan. Geomorphology 65,
15-31.
Beguería, S., 2006. Validation and evaluation of
predictive models in hazard assessment and risk
management. Natural Hazards 37(3), 315–329.
Can, A., Dagdelenler, G., Ercanoglu, M., Sonmez,
H., 2019. Landslide susceptibility mapping
at Ovacık-Karabük (Turkey) using different
artificial neural network models: comparison
of training algorithms. Bulletin of Engineering
Geological Environment, 78, 89-102.
Cevik, E., Topal, T., 2003. GIS-based landslide
susceptibility mapping for a problematic segment
of the natural gas pipeline, Hendek (Turkey).
Environmental Geology, 44, 949-962.
Chen, W., Li, W., Chai, H., Hou, E., Li, X., Ding,
X., 2016. GIS-based landslide susceptibility
mapping using analytical hierarchy process
(AHP) and certainty factor (CF) models for
the Baozhong region of Baoji City, China.
Environmental Earth Sciences, 75, 1–14.
Chen, W., Pourghasemi, H.R., Panahi, M., Kornejady,
A., Wanh, J., Xie, X., Cao, S., 2017. Spatial
prediction of landslide susceptibility using an
adaptive neuro-fuzzy inference system combined
with frequency ratio, generalized additive
model, and support vector machine techniques.
Geomorphology, 297, 69-85.
Choi, J., Oh, H.-J., Lee, C., Lee, S., 2012. Combining
landslide susceptibility maps obtained from
frequency ratio, logistic regression and artificial
neural network models using ASTER images
and GIS, Engineering Geology, 124, 12-23.
Clerici, A., Perego, S., Tellini, C., Vescovi, P.,
2006. A GIS-Based Automated Procedure
for Landslide Susceptibility Mapping by the
Conditional Analysis Method: The Baganza
Valley Case Study (Italian Northern Apennines).
Environmental Geology, 50, 941-961.
Conforti, M., Pascale, S., Robustelli, G., Sdao, F.,
2014. Evaluation of prediction capability of the
artificial neural networks for mapping landslide
susceptibility in the Turbolo River catchment
(Northern Calabria, Italy). Catena, 113, 236-250.
Dağdelenler, G. (2020). İki Farklı Örneklem Tekniği Kullanılarak Oluşturulan Heyelan Duyarlılık Haritalarının Frekans Oranı (FO) Yöntemi ile Karşılaştırılması. Jeoloji Mühendisliği Dergisi, 44(1), 19-38. https://doi.org/10.24232/jmd.740509