Journal of Geography 1305-2128 İstanbul Üniversitesi 10.26650/JGEOG2021-814561 Producing Landslide Susceptibility Maps Using Statistics and Machine Learning Techniques: The Rize-Taşlıdere Basin Example Heyelan Duyarlılık Haritalarının İstatistik ve Makine Öğrenmesi Teknikleri Kullanılarak Üretilmesi: Taşlıdere Havzası Örneği (Rize) https://orcid.org/0000-0003-4912-9027 Aydınoğlu Arif Çağdaş Gebze Teknik Üniversitesi, Harita Mühendisliği Bölümü, Kocaeli, Türkiye https://orcid.org/0000-0003-4070-0223 Altürk Gehver T.C. Tarım ve Orman Bakanlığı, Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü, Ankara, Türkiye 01 06 2022 43 159 176 10 22 2020 12 27 2021 Copyright © 1985, Coğrafya Dergisi 1985 Coğrafya Dergisi

As a disaster type, landslides cause significant life and economic losses; hence, producing landslide susceptibility maps is a priority research topic. This study aims to perform a landslide susceptibility analysis for shallow landslides by using statistics and machine learning techniques and evaluate the model performance using the Rize-Taşlıdere Basin as an example. First, literature was examined. Next, a detailed research was performed on the study area characteristics and the landslide inventory creation. Fifteen parameters (i.e., land use, lithology, elevation, slope, aspect, roughness, plan curvature, profile curvature, stream erosion index, topographic humidity index, sediment-carrying capacity, drainage density, distance to drainage, road density, and distance to road) produced by the geographic information system techniques were used as the input parameters in producing the landslide susceptibility map. Using the landslide inventory and input parameters, a parameter analysis was performed for the landslide susceptibility map in five classes by employing the frequency ratio (FR), logistic regression (LR), and artificial neural network (ANN) methods. The area under the curve and the area under the relative operating curve (AUC) were used to evaluate the model performance. The results show FR of 0.72, LR of 0.83, and ANN of 0.87. Although the ANN technique provided results with a higher accuracy, the LR technique that was near accurate was usable.

Heyelanlar, ülkemizde önemli derecede can ve ekonomik kayba neden olmuş afet türü olduğundan heyelan duyarlılık haritalarının üretilmesi öncelikli araştırma konularındandır. Bu çalışmada, istatistik ve makine öğrenmesi teknikleri kullanılarak sığ heyelanlara ilişkin heyelan duyarlılık analizinin gerçekleştirilmesi ve Rize- Taşlıdere Havzası örneği ile modelin performansının değerlendirilmesi amaçlanmaktadır. Öncelikle konuya ilişkin literatür irdelenmiş, havzanın drenaj alanı içerisinde çalışma alanı genel özellikleri ve sığ heyelan envanterinin oluşturulmasına yönelik ayrıntılı araştırmalar yürütülmüştür. Heyelan duyarlılık haritasının üretilmesinde girdi parametresi olarak Coğrafi Bilgi Sistemleri (CBS) teknikleri ile üretilmiş onbeş parametre kullanılmıştır. Bu parametreler; arazi kullanımı, litoloji, yükselti, eğim, bakı, pürüzlülük, plan eğriselliği, profil eğriselliği, pürüzlülük indeksi, akarsu aşındırma gücü indeksi, topoğrafik nemlilik indeksi, sediman taşıma kapasitesi, drenaj yoğunluğu, drenaja olan mesafe, yol yoğunluğu ve yola olan mesafedir. Heyelan duyarlılık haritası için heyelan envanteri ve girdi parametreleri kullanılarak, Frekans Oranı (FO), Lojistik Regresyon (LR) ve Yapay Sinir Ağları (YSA) yöntemleri ile uygun parametre kestirimi ve analizler gerçekleştirilmiştir. Üretilen haritalar beş duyarlılık sınıfında belirlenmiş, performansının değerlendirilmesinde ROC (Bağıl İşlem Eğrisi) eğrisi altında kalan alan olan AUC (Eğri altındaki alan) değeri FO 0,72, LR 0.83, YSA 0.87 olarak elde edilmiştir. Böylelikle mevcut YSA tekniğinin daha yüksek doğrulukta sonuç vermesine rağmen, LR tekniğinin yakın doğrulukta ve kullanılabilir olduğu görülmektedir.

 Heyelan Duyarlılık Yapay Sinir ağları Lojistik Regresyon Landslide Susceptibility Neural Networks Logistic Regression Aleotti, P., & Chowdhury, R. (1999). Landslide Hazard Assessment: Summary Review and New Perspectives. Bulletin of Engineering Geology and the Environment, 58(1), 21-44. google scholar Alkevli, T. (2015). Heyelan duyarlılık haritalarının üretilmesinde örneklem stratejileri ve bazı karar verme ağaçları algoritmalarının kullanımın üzerine bir araştırma. Ankara: Hacettepe Üniversitesi. google scholar Altürk, G. (2019). Coğrafi bilgi sistemleri ortamında makine öğrenmesi ve istatistiksel yöntemler kullanılarak heyelan duyarlılık haritalarının üretilmesi: Rize Taşlıdere havzası örneği. Kocaeli, Gebze: Gebze Teknik Üniversitesi. google scholar Arca, D., & Kutoğlu, Ş. (2017). Frekans Oranı Metodu ile Heyelan Duyarlılık Haritasının Üretilmesi. TMMOB Harita ve Kadastro Mühendisleri Odası, 16. Türkiye Harita Bilimsel ve Teknik Kurultayı. Ankara. Harita Kadastro Mühendisleri Odası: https:// www.hkmo.org.tr/resimler/ekler/23443add7429229_ek.pdf adresinden alındı google scholar Ayalew, L., & Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains. Geomorphology, 65(1- 2), 15-31. google scholar Ayalew, L., Yamagishi, H., & Ugawa, N. (2004). Landslide susceptibility mapping using GIS-based weighted linear combination,The case in Tsugawa area of Agano river,Niigata Prefecture,Japan. Landslides, 1(1), 73-81. google scholar Barling, R. (1992). Saturation Zones and ephemerel on arable land in southeastern Australia. Unpublished Phd Dissertation. University of Melbourne. google scholar Basher, I., & Hajmeer, M. (2000). Artificial neural networks: fundamentals,computing, design, and application. Journal of Microbiological Methods, 1(43), 3-31. google scholar Beven, K., & Kirkby, M. (1979). A Physically Based, Variable Contributing Area Model of Basin Hydrology. Un modele â base physique de zone d’appel variable de l’hydrologie du bassin versant. Hydrological Sciences Bulletin, (24), 43-69. google scholar Bonham-Carter, G. (1994). Geographic Information Systems for Geoscientists, Modeling with GIS. Oxford: Pergamon Press. google scholar Can, A. (2014). Yapay sinir ağları ile heyelan duyarlılık haritalarının üretilmesinde farklı algoritmaların kullanımının araştırılması. Hacettepe Üniversitesi Yüksek Lisans Tezi. Ankara: Hacettepe Üniversitesi. google scholar Cruden, D. (1991). A simple definition of a landslide. Bulletin of the International Association Engineering Geology, 27-29. google scholar Çan T., Tekin S. (2016). İl sınırları bazında heyelan duyarlılık haritaları: Mersin Adana Osmaniye ve Hatay Örnekleri. Ulusal Heyelan Sempozyumu. Ankara. google scholar ÇEMGM, (2016-2). Giresun İli Bulancak Havzası Heyelan Duyarlılık Haritası ve Değerlendirme Projesi. Ankara. google scholar ÇEMGM, (2016). Rize ili Güneysu Mikrohavzası Heyelan Duyarlılık ve Tehlike Haritası Yapım Projesi. Ankara. google scholar Daelo, J. (1993). Receiver operating characteristic laboratory (ROCLAB):software for developing decision strategies that account for uncertainty. (2nd) International Symposium on Uncertainty Modeling and Analysis, (s. 318-315). google scholar Eker, A., Dikmen, M., Cambazoğlu, S., Düzgün, Ş., & Akgün, H. (2012). Bartın,Ulus ilçesi için yapay sinir ağı ve lojistik regresyon yöntemlerinin heyelan duyarlılık çalışmasına uygulanması ve karşılaştırılması. Gazi Üniversitesi Müh.Mim.Fak.Der., 27(1), 163173. google scholar Ercanoglu, M. & Temiz, F.A. (2011). Aplication of logistic regression and fuzzy operators to landslide susceptibility assesment in Azdavay. Environmental Earth Sciences, 64(4), 949-964. google scholar Ercanoğlu, M. (2005). Landslide susceptibility assesment of SE Bartın (West Black Sea region,Turkey) by artificial neural networks. Natural Hazards and Earth System Sciences, 5(6), 979-992. google scholar Erinç, S. (1965). Yağış Müessiriyeti Üzerine Bir Deneme ve Yeni Bir İndis. İstanbul: İstanbul Üniv.Coğ.Enst.Yayınları google scholar Evans, I. (1972). General geomorphometry,derivatives of altitude and descriptive statistics In Chorley. Spatial Analysis in Geomorphology (s. 17-90). içinde Harper & Row. google scholar Frehner, M., Wasser, B., & Schwitter, R. (2007). Sustainability and success monitoring in protection forests. Bern: Federal Office for the Environment. google scholar Furniss, M., T.D., R., & Yee, C. (1991). Road construction and maintenance. American Fisheries SocietyiSpecial Publication, 19, 297-324. google scholar Gedikoğlu, A., Pelin, S., & Özsayar, T. (1979). Tectonic evolution of the eastern Pontides in Mesozoic. Geocome-I, 428(1), 68. google scholar Gomez, H., & Kavzoğlu, T. (2005). Assesment of shallow lanslide susceptibility using artifucal neural networks in Jabonosa River Basin. Engineering Geology, 78(1-2), 11-27. google scholar Gökçeoğlu, C., & Ercanoğlu, M. (2001). Heyelan Duyarlılık Haritalarının Hazırlanmasında Kullanılan Parametrelere İlişkin Belirsizlikler. Yerbilimleri, 22(23), 189-206. google scholar Güven, İ. (1998). Trabzon-C30 ve D30 Paftaları. Ankara: 1/100,000 Ölçekli Açınsama Nitelikli Türkiye Jeoloji Haritaları. google scholar Harr, R., & Nichols, R. (1993). Stabilizing forest roads to help restore fish habitats:a northwest Washington example. Fisheries, 18(4), 1822. google scholar Hect-Nielsen, R. (1990). Neurocomputing. Addison-Wesley. google scholar Horton, R. (1945). Erosional development of streams and their drainage basins: hydrophysical approach to quantitative morphology. Bulletin Of The Geological Society Of America, 56(3), 275-370. google scholar Hosmer, D., Stanley Lemeshow , S., & Sturtdivant, R. (2013). Applied Logitic Regression (3 b.). New Jersey: John Wiley & Sons,. google scholar Jacobs, R. (1998). Increased rates of convergence through learning rate adaptation. Neural Networks 1, 1(4), 295-307. google scholar Kaastra, I., & Boyd, M. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215-236. google scholar Konar, A. (2005). Computational Intelligence: Principles, Techniques and Applications (2005 edition b.). Almanya: Springer. google scholar Larsen, M., & Parks, J. (1997). How wide is a Road?The association of roads and mass movements in a forested mountane environment. Earth Surface Process and Landforms, 22, 835-848. google scholar Lee, S., & Talib, J. (2005). Probabilistic landslide susceptibility and factor effect analysis. Environmental Geology, 47(7), 982-990. google scholar Lee, S., Ryu, J., Min, K., & Won, J. (2003). Landslide susceptibility analysis using GIS and artificial neural network. Earth Surface Processes and Landforms, 28(12), 1361-1376. google scholar Milewski, I., Markoski, B., Gorin, S., & Jovanovski, M. (2009). Application of remote sensinh and GIS in detection of potential landslide areas. Scientific Symposium Geography and Sustainable Development, (s. 455-465). Ohrid,Republic of Macedonia. google scholar Moore, I., & Burch, G. (1986). Sediment transport capacity of sheet and rill flow:application of unit stream power theory. Water resources research, 22(8), 1350-1360. google scholar Moore, I., & Wilson, J. (1992). Length-slope factors for the Revised Universal Soil Loss Equation :simplified method for estimation. Journal of Soil and Water Conversation, 47(5), 423-428. google scholar Moore, I., Grayson, R., & Ladson, A. (1991). Digital terrain modelling:a review of hydrological,geomorphological and biological applications. Hydrological Processes, 5(1), 3-30. google scholar Nefeslioğlu, H. A., Gokceoglu, C. & Sonmez, H. (2008). An assesment on the use of logistic regression and artificual neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Engineering Geology, 97(3-4), 171-191. google scholar Negnevitsky, M. (2002). Artificial Intelligence A Guide to Intelligent Systems (2 b.). Great Britain: Addison-Wesley. google scholar Okay, I., & Şahintürk, Ö. (1997). Geolog of the Eastern Pontides. n A.G.Robinson(ed.) Rgional and petroleum of the Black Sea and surriounding region,AAPG Memoir. google scholar OGM (2007). Orman Genel Müdürlüğü Amenajman Planı. Ankara. google scholar Özdemir, A. (2008). Zemin Mekaniği ve Zemin Mühendisliğine Giriş. Konya: İnci Matbaası. google scholar Özsayar, T., Pelin, S., & Gedikoğlu, A. (1981). Doğu Pondidlerde kretase. KTÜ Yerbilimleri Dergisi, 65-114. google scholar Saha, A., Gupta, R., & Arora, M. (2002). GIS-based landslide hazard zonation in Bhagirathi (Ganga) valley,Himalayas. Int.J.Remote Sensing, 23(2), 357-369. google scholar Soeters, R., & Van Western, C. (1996). Slope instability recognition,analysis and zonation. Transportation Research Board, National Research Council. Washington D.C.: National Academy Press. google scholar Şaroğlu, F., & Yılmaz, Y. (1986). Geological Evolution and Basin Models During Neotectonic Episode in the Eastern Anatolia. Maden Tetkik ve Arama Dergisi, 107(107), 70-93. google scholar Tekin, S., & Çan, T. (2019). Yapay Sinir Ağları Yöntemi ile Ermenek Havzası nın (Karaman) Kayma Türü Heyelan Duyarlılık Değerlendirmesi. Bilge International Journal of Science and Technology Research, 3(1), 21-28. google scholar Tekin, S., Çan, T., & Mazman, T. T. (2015). Doğu Akdeniz Bölgesinin Yapay Sinir Ağları Yöntemi İle Heyelan Duyarlılık Değerlendirmesi. MÜHJEO’2015: Ulusal Mühendislik Jeolojisi Sempozyumu, KTÜ, (s. 137-144). Trabzon. google scholar Uzunsoy, M., & Görcelioğlu, E. (1985). Havza Islahında Temel İlke ve Uygulamalar. İstanbul: İ .Ü.Orman Fakültesi Yayınları. google scholar Wang, C. (1994). Theory of generalization in learning machines with neural application. USA: The University of Pennsylvania. google scholar Web (2018). 9 12, 2018 tarihinde psilolojik.gen.tr: https://www. psikolojik.gen.tr/yapay-sinir-aglari.html adresinden alındı google scholar Wilson, J., & Gallant, J. (2000). Terrain Analysis :Principles and Applications (1 edition b.). Wiley. google scholar Wythoff, B. (1993). Backpropagation neural networks: a tutorial. Chemometrics and Intelligent Laboratory Systems, 18(2), 115-155. google scholar Varnes, D. (1978). Slope movement types and processes, in Schuster, R.L., and Krizek, R.J., eds., Landslides—Analysis and control. National Research Council, Transportation Research Board. Washington: National Academy of Sciences. google scholar Yalçın, A. (2008). GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey):Comparisons of results and confirmations. Catena, 72(1), 1-12. google scholar Yeon, Y., & Ryu, K. (2010). Landslide susceptibility mapping in Injae,Korea,Using a decision tree. Engineering Geology, 116(3-4), 274-283. google scholar Yesilnacar, E., & Topal, T. (2005). Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study, Hendek region. Engineering Geology, 79(3-4), 251-266. google scholar Yılmaz, I. (2009). Comparison of landslide susceptibility mapping methodologies for Koyulhisar, Turkey: conditional probability,logistic regression,artificial neural network and support vector machine. Environmental Earth Science, 61(4), 821-836. google scholar Yılmaz, I. (2010). The effect of the sampling strategies on the landslide susceptibility mapping conditional probability and artificial neural networks. Environmental Earth Science, 60(3), 505-519. google scholar Yılmaz, I., Terlemez, İ., & Uysal, Ş. (1998). Hınıs (Erzurum güneydoğusu) dolaylarının bazı stratigrafik ve tektonik özellikleri. MTA Dergisi, 108. google scholar Yüksel, N. (2007). Coğrafi Bilgi Sistemleri Tabanlı Heyelan Duyarlılık Haritalarının Oluşturulmasında İstatistiksel Yöntemlerin ve Yapay Sinir Ağlarının Kullanılması: Kumluca-Ulus (Bartın) Bölgesi. Ege Coğrafya Dergisi, 23(2), 19-35. google scholar