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.
Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü’nün Rize ili Güneysu Havzası Heyelan Duyarlılık Haritalaması Projesi kapsamında oluşturulan sığ heyelan envanteri verisi G. Altürk’ün yüksek lisans tez çalışmasında kullanılmıştır.
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.
Landslide Susceptibility Neural Networks Logistic Regression
Birincil Dil | Türkçe |
---|---|
Bölüm | Araştırma Makalesi |
Yazarlar | |
Yayımlanma Tarihi | 6 Ocak 2022 |
Gönderilme Tarihi | 22 Ekim 2020 |
Yayımlandığı Sayı | Yıl 2021 Sayı: 43 |