Yapay Sinir Ağları Yöntemi ile Adıyaman Gölbaşı-Adıyaman Merkez Arasının Heyelan Duyarlılık Değerlendirmesi

Öz

Bu çalışmada, Gölbaşı-Merkez (Adıyaman) arasında kalan yaklaşık 1200 km2’lik bölgede yapay sinir ağları yöntemi ile heyelan duyarlılık değerlendirmesi yapılmıştır. Çalışma alanında 177 heyelan bulunmakta olup, 79,85 km2’lik alana sahiptir. Duyarlılık değerlendirmesi için yükseklik, jeoloji, yamaç eğimi, pürüzlülük, topoğrafik nemlilik indeksi parametreleri heyelan hazırlayıcı faktörler olarak kullanılmıştır. Çalışma alanından elde edilen veri seti rastgele seçim yöntemiyle %80’i analiz, %10’u test ve %10’u doğrulama verisi olmak üzere üçe ayrılmıştır. Elde edilen duyarlılık haritası çok düşük ile çok yüksek arasında 5 sınıfta değerlendirilmiştir. Elde edilen heyelan duyarlılık haritasına göre; çalışma alanının yaklaşık %30’u, mevcut heyelanların ise %78,4’ü yüksek ve çok yüksek duyarlı alanlarda yer almaktadır. Elde edilen heyelan duyarlılık haritasının doğruluğu alıcı işletim karakteristik eğrisi ve eğri altında kalan alan ile değerlendirilmiş olup 0,84 olarak hesaplanmıştır Bu değer kurulan modelin doğruluğunun yüksek bir değere sahip olduğunu göstermektedir

Anahtar Kelimeler

• Heyelan
• Yapay sinir ağları
• Heyelan duyarlılık değerlendirmesi

Landslide Susceptibility Assessment Between Adıyaman Gölbaşı-Adıyaman Center with Artificial Neural Network Methods

Öz

In this study, landslide susceptibility assessment was carried out using artificial neural networks in an area of approximately 1200 km2 between Gölbaşı and Center (Adıyaman). There are 177 landslides in the study area and the area cover 79.85 km2. Digital elevation model, geology, slope, roughness index, topographic position index (TPI) parameters were used as factors that controlling landslides in susceptibility evaluations. The data set belonging to the study area was divided into three as %80 analysis, %10 test and %10 validation data by the random selection method. The susceptibility map obtained was evaluated in 5 classes, from very low to very high. According to the susceptibility map; approximately %30 of the study area and %78.4 of landslides are located in high and very sensitive areas. The accuracy of the landslide susceptibility map obtained was evaluated with the receiver operating characteristic curve and the area under the curve and it was calculated as 0.84. This value shows that the accuracy of the established model has a high value.

Anahtar Kelimeler

• Landslide
• Artificial neural network
• Landslide susceptibility assesment

Kaynakça

1. 1. Lee, C.F., Li, J., Xu, Z. W., Dai, F.C., 2001. Assessment of Landslide Susceptibility on the Natural Terrain of Lantau Island, Hong Kong. Environmental Geology, 40(3), 381-391.
2. 2. Çevik, E., Topal, T., 2003. GIS-based Landslide Susceptibility Mapping for a Problematic Segment of the Natural Gas Pipeline, Hendek (Turkey). Environmental Geology, 44(8), 949-962.
3. 3. Scheuren, J.M., Le Polain, O., Below, R., Guha-Sapir, D., Ponserre, S., 2007. Annual Disaster Statistical Review. The Numbers and Trends, Proc. Annu. Hawaii Int. Conf. Syst. Sci., 2002 (Janua), 1060-1069.
4. 4. Pradhan, B., 2010. Landslide Susceptibility Mapping of a Catchment Area Using Frequency Ratio, Fuzzy Logic and Multivariate Logistic Regression Approaches. Journal of the Indian Society of Remote Sensing, 38, 301-320.
5. 5. Pradhan, B., Youssef, A.M., 2010. Manifestation of Remote Sensing Data and GIS on Landslide Hazard Analysis Using Spatial-based Statistical Models. Arabian Journal of Geosciences, 3, 319-326.
6. 6. Bednarik, M., Yilmaz, I., Marschalko, M., 2012. Landslide Hazard and Risk Assessment: a Case Study from the Hlohovec–Sered’landslide Area in South-west Slovakia. Natural hazards, 64, 547–575.
7. 7. Devkota, K.C., Regmi, A.D., Pourghasemi, H.R., Yoshida, K., Pradhan, B., Ryu, I.C., Althuwaynee, O.F., 2013. Landslide Susceptibility Mapping Using Certainty Factor, Index of Entropy and Logistic Regression Models in GIS and Their Comparison at Mugling-narayanghat Road Section in Nepal Himalaya. Natural hazards, 65, 135–165.
8. 8. Regmi, A.D., Devkota, K.C., Yoshida, K., Pradhan, B., Pourghasemi, H.R., Kumamoto, T., Akgun, A., 2014. Application of Frequency Ratio, Statistical Index, and Weights-of-evidence Models and Their Comparison in Landslide Susceptibility Mapping in Central Nepal Himalaya. Arabian Journal of Geosciences, 7, 725–742.

9. 9. Tekin, S., Çan, T., 2019. Yapay Sinir Ağları Yöntemi ile Ermenek Havzası’nın (Karaman) Kayma Türü Heyelan Duyarlılık Değerlendirmesi. Bilge Int. J. Sci. Technol. Res., 3(1), 21-28.
10. 10.Chu, H.J., Chen, Y.C., 2018. Crowdsourcing Photograph Locations for Debris Flow Hot Spot Mapping. Nat. Hazards, 90(3), 1259-1276.
11. 11.Hu, W., Scaringi, G., Xu, Q., Huang, R., 2018. Internal Erosion Controls Failure and Runout of Loose Granular Deposits: Evidence From Flume Tests and Implications for Postseismic Slope Healing. Geophys. Res. Lett., 45(11), 5518-5527.
12. 12.URL-1: https://www.mgm.gov.tr/, Erişim Tarihi: 01.02.2021.
13. 13.Yildirim, N., Parlak, O., Robertson, A., 2012. Geochemistry and Tectonic Significance of the Koçali Ophiolite and the Related Koçali Melange , Adiyaman region, SE Turkey, 65th Geological Congress of Turkey, 82-83.
14. 14.Akbaş, B., Akdeniz, N., Aksay, A., Altun, İ.E., 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., ve Diğerleri, 2011. 1:1.250.000 Ölçekli Türkiye Jeoloji Haritası. Maden Tetkik ve Arama Genel Müdürlüğü Yayını, Ankara-Türkiye.
15. 15.Duman, Ö., Çan, T.Y., Emre, T., 2011. Türkiye Heyelan Envanteri Haritası-1/1,500,000 Ölçekli, Maden Tetkik ve Arama Genel Müdürlüğü Özel Yayınlar Serisi, 27, 23.
16. 16.Corominas, J., Van, Westen, C., Frattini, P., Cascini, L., Malet, J.P., Fotopoulou, S., Catani, F., Van Den Eeckhaut, M., Mavrouli, O., Agliardi, F., Pitilakis, K., Winter, M.G., Pastor, M., Ferlisi, S., Tofani, V., Hervás, J., Smith, J.T., 2014. Recommendations for the Quantitative Analysis of Landslide Risk. Bulletin of Engineering Geology and the Environment, 73(2), 209-263.
17. 17.Kohonen, T., 1982. Self-organized Formation of Topologically Correct Feature Maps. Biol. Cybern., 43(1), 59–69.
18. 18.Karsoliya, S., 2012. Approximating Number of Hidden Layer Neurons in Multiple Hidden Layer BPNN Architecture. Int. J. Eng. Trends Technol., 3(6), 714–717.