Landslide Susceptibility Assessment of the Adıyaman City Using Logistic Regression Method

Yıl 2021, , 34 - 41, 31.03.2021

Senem Tekin

https://doi.org/10.30516/bilgesci.883519

Öz

Bu çalışmada; Adıyaman il geneli (7.298,96 km2) için mantıksal regresyon yöntemi kullanılarak heyelan duyarlılık çalışması gerçekleştirilmiştir. İl sınırı içerisinde yaklaşık 600 heyelan bulunmakta olup; Adıyaman il yüzölçümünün % 6’sını kapsamaktadır. Adıyaman ili heyelan envanter haritası, Türkiye tarihsel heyelan envanteri temel alınarak, ortofotolar, uzaktan algılama görüntüleri ve arazi araştırmaları ile hazırlanmıştır. Lojistik regresyon yöntemi, bağımlı değişkenin ikili gözlendiği durumlarda, bir veya daha fazla bağımsız değişken bulunan veri kümesini analiz etmek için kullanılan popüler istatistiksel bir yöntemlerden biridir. Heyelanları hazırlayıcı çevresel değişkenler Coğrafi Bilgi Sistemleri ortamında hazırlanmış olup; başta jeoloji haritası olmak üzere sayısal yükseklik modeli, yamaç eğimi, yamaç eğrisellikleri, pürüzlülük indeksi gibi tematik haritalar kullanılmıştır. Sonuç olarak elde edilen heyelan duyarlılık haritasına göre; il sınırının % 28.57’si heyelanların ise % 75.13’ü yüksek ve çok yüksek duyarlı alanlarda yer almaktadır. Elde edilen haritanın doğruluğu Alıcı işletim karakteristik eğrisi ve eğri altında kalan alan (AUC) ile değerlendirilmiş olup AUC 0.820 olarak hesaplanmıştır.

Anahtar Kelimeler

Adıyaman, logistic regression method, Landslide inventory, Geographical Information Systems, Receiver Operating Characteristic Curve

Mantıksal Regresyon Yöntemi ile Adıyaman İli Heyelan Duyarlılık Değerlendirmesi

Öz

Bu çalışmada; Adıyaman il geneli (7.298,96 km2) için mantıksal regresyon yöntemi kullanılarak heyelan duyarlılık çalışması gerçekleştirilmiştir. İl sınırı içerisinde yaklaşık 600 heyelan bulunmakta olup; Adıyaman il yüzölçümünün % 6’sını kapsamaktadır. Adıyaman ili heyelan envanter haritası, Türkiye tarihsel heyelan envanteri temel alınarak, ortofotolar, uzaktan algılama görüntüleri ve arazi araştırmaları ile hazırlanmıştır. Lojistik regresyon yöntemi, bağımlı değişkenin ikili gözlendiği durumlarda, bir veya daha fazla bağımsız değişken bulunan veri kümesini analiz etmek için kullanılan popüler istatistiksel bir yöntemlerden biridir. Heyelanları hazırlayıcı çevresel değişkenler Coğrafi Bilgi Sistemleri ortamında hazırlanmış olup; başta jeoloji haritası olmak üzere sayısal yükseklik modeli, yamaç eğimi, yamaç eğrisellikleri, pürüzlülük indeksi gibi tematik haritalar kullanılmıştır. Sonuç olarak elde edilen heyelan duyarlılık haritasına göre; il sınırının % 28.57’si heyelanların ise % 75.13’ü yüksek ve çok yüksek duyarlı alanlarda yer almaktadır. Elde edilen haritanın doğruluğu Alıcı işletim karakteristik eğrisi ve eğri altında kalan alan (AUC) ile değerlendirilmiş olup AUC 0.820 olarak hesaplanmıştır.

Anahtar Kelimeler

Adıyaman, Mantıksal regresyon yöntemi, heyelan envanteri, coğrafi bilgi sistemleri, Alıcı işletim karakteristik eğirisi

Kaynakça

• Achour, Y., Garçia, S., 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 J. Geosci. 11 (18), 550.
• Akbaş, B., Akdeniz, N., Aksay, A., Altun, İ., Balcı, V., Bilginer, E., Bilgiç, T., Duru, M., Ercan, T., Gedik, İ., Günay, Y., Güven, İ.H., Hakyemez, H. Y., Konak, N., Papak, İ., Pehlivan, Ş., Sevin, M., Şenel, M., Tarhan, N.,Turhan, N., Türkecan, A., Ulu, Ü., Uğuz, M.F., Yurtsever, A. and others, Turkey Geology Map General Directorate of Mineral Reserach and Exploration Publications. Ankara Turkey.
• Atkinson, P.M., Massari, R. (2011) Auto logistic Modelling Of Susceptibility to Landsliding In The Central Apennines, Italy, Geomorphology, DOIdoi:10.1016/j.geomorph.2 011.02.001.
• Aydın, M., İnan, U.İ., zorlu, K., Servi, T., Günaydin, O. (2013). Adıyaman İlinin İstatistiksel Deprem Risk Analizi, Doğrudan Faaliyet Destek Programı (TRC1/13/DFD/3027), ss: 71.
• Bolat, A. (2012). Adıyaman İli Kuzeyini Jeolojisi ve Petrol Potansiyeli, Yüksek Lisans tezi, yayınlanmamış, Çukurova Üniversitesi Fen Bilimleri Enstitüsü, 112 s. Adana.
• Chen, W., Zhao, X., Shahabi, H. (2019) Spatial Prediction Of Landslide Susceptibility By Combining Evidential Belief Function, Logistic Regression And Logistic Model Tree, Geocarto Int 34:1177-1201 doidoi:10.1080/10106049.2019.1588393.
• 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.
• 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.
• EMDAT, 2019. OFDA/CRED International Disaster Database, Université catholique de Louvain – Brussels – Belgium https://ourworldindata.org/natural-disasters
• Emre Ö, Duman, T., Özalp, S., Şaroğlu, F., Olgun, Ş., Elmacı, H., Çan, T. (2018) Active Fault Database of Turkey. Bulletin of Earthquake Engineering. 16. 3229-3275. 10.1007/s10518-016-0041-2.
• Hong, Y., Adler, R., Huffman, G. (2007) Use of satellite remote sensing data in the mapping of global landslide susceptibility. Nat Hazards 43:245–256. doi:10.1007/s11069-006-9104-z
• Hong, A., Adler, R.F. (2008) Predicting global landslide spatiotemporal distribution: integrating landslide susceptibility zoning techniques and real-time satellite rainfall estimates. Int J Sediment Res 23:249–257
• Worldclim (http://www.worldclim.org/version1).
• Kirschbaum, D.B., Adler, R., Hong, Y., Hill, S., Lerner-Lam AL. (2010) A global landslide catalog for hazard applications: method, results, and limitations. Nat Hazards 52:561–575. doi:10.1007/s11069-009-94014
• Kirschbaum, D., Stanley, T., Zhou, Y. (2015) Spatial and temporal analysis of a global landslide catalog. Geomorphology 249:4–15
• Nadim, F., Kjekstad, O., Peduzzi, P., Herold, C., Jaedicke, C. (2006) Global landslide and avalanche hotspots. Landslides 3:159–173. doi: 10.1007/s10346-006-0036-1
• Park HJ, Jang JY, Lee JH (2019) Assessment of rainfall-induced landslide susceptibility at the regional scale using a physically based model and fuzzy-based Monte Carlo simulation Landslides 16:695-713 doi:10.1007/s10346-018-01125-z
• Perinçek, D. ve Eren, A. G. (1990) Doğrultu atımlı Doğu Anadolu ve Ölü Deniz fay zonları etki alanında gelişen Amik Havzası’nın kökeni, 8. Petrol Kongresi, 180-192.
• Pradhan, B., Al-Najjar, H.A.H., Sameen, M.I., Mezaal, M.R., and Alamri, AM. (2020) Landslide Detection Using a Saliency Feature Enhancement Technique from LiDAR-Derived DEM and Orthophotos. Ieee Access, 8: 121942-121954.
• Rohmer, J., Foerster, E. (2011). Global sensitivity analysis of large-scale numerical and slide models based on Gaussian-Process meta-modeling. Comput Geosci 37:917–927
• 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.