İstatistiksel Yöntemler Uygulanarak Tokat İl Merkezinin Heyelan Duyarlılık Haritalarının Üretilmesi

Türkiye'nin Karadeniz bölgesinde meydana gelen heyelanlar bölge sakinlerinin yaşamları için büyük tehditler oluşturmaktadır. Bu tehditlerin ortadan kaldırılması için bölgede meydana gelebilecek olası heyelanların oluşmadan önceki durumlarının belirlenmesi hayatidir. Bu amaçla bölgedeki heyelan duyarlılıklarının araştırılması ileride meydana gelebilecek olası heyelanların tahmini için önemli bir yer tutmaktadır. Bu çalışmada Türkiye'nin Orta Karadeniz bölgesinde yer alan Tokat il merkezi araştırma alanı olarak seçilmiştir. Çalışmada, heyelan duyarlılık haritaları (HDH) üretmek için istatistiksel yöntemlerden olan Frekans Oranı (FO) ve Lojistik Regresyon (LR) yöntemleri kullanılmıştır. Ek olarak, çalışma alanında heyelan duyarlılık değerlendirmeleri için eğim, bakı, eğrilik, yükseklik, yağış, litoloji, faylara olan uzaklık, yollara olan uzaklık ve akarsulara olan uzaklık olmak üzere dokuz adet etki parametresi seçilmiş ve parametre verileri FR ve LR yöntemleri kullanılarak analiz edilmiştir. İki farklı yöntem kullanılarak üretilen HDH’ler çok düşük, düşük, orta, yüksek ve çok yüksek duyarlı olmak üzere beş farklı heyelan duyarlılık sınıfına ayrılmıştır. Kullanılan yöntemlerin performanslarının değerlendirilmesi için Göreceli Çalışma Karakteristiği (ROC) değerlendirme yöntemi kullanılarak eğri altında kalan alan (AUC) değerleri belirlenmiştir. ROC değerlendirme sonuçlarına göre AUC değerleri sırasıyla FO yöntemi için 0,803, LR yöntemi için 0,783 olarak elde edilmiştir. Bu kapsamda üretilen HDH'lerin uygulanabilir olduğu ve gerçeği belirlemede en uygun yöntemin 0,803 performans değeri ile FO yöntemi olduğu sonucuna varılmıştır.

Anahtar Kelimeler:

Heyelan duyarlılık haritası, Coğrafi Bilgi Sistemi, Frekans oranı, Lojistik regresyon, Tokat

Keywords:

Heyelan duyarlılık haritası, Coğrafi Bilgi Sistemi, Frekans oranı, Lojistik regresyon, Tokat,

PDF

___

Altural, T., 2012. Coğrafi Bilgi Sistemiyle Akşehir (Konya) Çevresinin Heyelan Duyarlılık İncelenmesi. Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Jeoloji Mühendisliği Anabilim Dalı, Konya, 112.
Ataol, M., ve Yeşilyurt, S., 2014. Çankırı-Ankara karayolu boyunca (Akyurt-Çankırı Arası) Heyelan Risk Bölgelerinin Belirlenmesi. Journal of Geography (DergiPark). 0, 29, 51-69.
Atkinson, P.M. ve Massari, R., 1998. Generalized Linear Modelling of Susceptibility to Attributes. Engineering Geology. 32, 81-100.
Brabb, E.E., 1984. Innovative approaches to landslide hazard mapping. Proc. 4th. International Symposium, Landslides. Google Scholar, Toronto, 1, 307-324.
Chen, W., Panahi, M., Tsangaratos, P., Shahabi, H., Ilia, I., Panahi, S., Ahmad, B.B., 2019. Applying population-based evolutionary algorithms and a neuro-fuzzy system for modeling landslide susceptibility. Catena. 172,212-231.
Demir, G., 2018. Landslide Susceptibility Mapping by Using Statistical Analysis in the North Anatolian Fault Zone (NAFZ) on the Northern Part of Suşehri Town, Turkey. Natural Hazards. 92(1)133-154.
Demir, G., 2019. GIS-Based Landslide Susceptibility Mapping for a Part of the North Anatolian Fault Zone between Reşadiye and Koyulhisar (Turkey). Catena. 183,104211.
Erener, A., Lacasse, S., 2007. Landslide susceptibility mapping using GIS, 28th Asian Conference on Remote Sensing, 2007, Kuala Lumpur, Malesia.
Hosmer, D.W., Jovanovic, B., Lemeshow, S., 1989. Best Susbets Logistic Regression. Division of Public Heaith, University of Massachusetts, Amberst, Massachusetts, U.S.A.
Guzzetti, F., Reichenbach, P., Cardinali, M., Galli, M., 2005. Probabilistic landslide hazard assessment at the basin scale. Geomorphology. 272-299.
Jaafari, A., Termeh, S.V.R., Bui, D.T., 2019. Genetic and firefly metaheuristic algorithms for an optimized neuro-fuzzy prediction modeling of wildfire probability. Journal of Environmental Management. 243, 358-369.
Karaman, M.O., Çabuk, S.N., Pekkan, E., 2022. Utilization of Frequency Ratio Method for the Development of Landslide Susceptibility Maps: Karaburun Peninsula Case. Turkey. Research Square.
Kleinbaum, D.G., Kupper, L.L., Muller, K.E., 1998. Applied regression analysis and other multivariable methods. 3rd Edition, Duxbury Press, California, 798.
Lee, S., 2019. Current and Future Status of GIS-based Landslide Susceptibility Mapping: A Literature Review. Korean Journal of Remote Sensing. 35, 1, 179-193.
Park, S., Choi, C., Kim, B., Kim J., 2012. Landslide Susceptibility Mapping Using Frequency Ratio, Analytic Hierarchy Process, Logistic Regression and Artificial Neural Network Methods at the Inje Area. Korea. Env. Earth. Sci. 68(5): 1443-1464.
Pham, B.T., Bui, D.T., Indra, P., Dholakia, M., 2015. Landslide Susceptibility Assessment at a Part of Uttarakhand Himalaya, India using GIS - based Statistical Approach of Frequency Ratio Method. International Journal of Engineering Research & Technology (IJERT), 2278-0181, 4, 11.
Pham, B.T., Pradhan, B., Bui, D.T., Prakash, I., Dholakia, M.B., 2016. A comparative study of different machine learning methods for landslide susceptibility assessment: a case study of Uttarakhand area (India). Environmental Modelling and Software. 84, 240-250.
Pourghasemi, H.R., Rahmati, O., 2018. Prediction of the landslide susceptibility: Which algorithm, which precision? Catena. 162,177-192.
Reichenbach, P., Rossi, M., Malamud, B.D., Mihir, M., Guzzetti, F., 2018. A review of statistically-based landslide susceptibility models. Elsevier. 180, 60-91.
Silalahi, F.E.S., Arifianti, P.Y., Hidayat, F., 2019. Landslide susceptibility assessment using frequency ratio model in Bogor. West Java, Indonesia. Geoscience Letters. 6,10.
Van Dao, Dç, Jaafari, A., Bayat, M., Gholami, D.M., Qi, C., Moayedi, H., Van Phong, T., Ly, H.B., Le, T.T., Trinh, P.T., Luu, C., Quoc, N.K., Thanh, B.N., Pham, B.T., 2020. A spatially explicit deep learning neural network model for the prediction of landslide susceptibility. Catena. 188, 104451.
Van Westen, C.J., 1994. GIS in landslide hazard zonation: a review, with examples from the Andes of Colombia. In: Price MF, Heywood DI (eds) Geographical information systems in landslide hazard zonation GIS applications for mountain areas. London, England, 135-165.