İki Farklı Örneklem Tekniği Kullanılarak Oluşturulan Heyelan Duyarlılık Haritalarının Frekans Oranı (FO) Yöntemi ile Karşılaştırılması

Yıl 2020, , 19 - 38, 19.06.2020

Gülseren Dağdelenler

https://doi.org/10.24232/jmd.740509

Cited By: 2

Öz

Heyelanların verdiği zararların azaltılması amacıyla heyelan oluşumunun önceden tahmini ve heyelana duyarlı
alanların literatürde mevcut yöntemlerle belirlenmesi son derece önemlidir. Bu doğrultuda, heyelanların aynı
litolojide geliştiği Bartın ilinin Ulus ilçesinin heyelan duyarlılık haritalamasının yapılması amaçlanmıştır. Çalışmanın
önemli noktası, Chebyshev teoreminin bu çalışmada seçilen çalışma alanı için sınanması ve bu yöntemle üretilen
duyarlılık haritasının mevcut literatürde sıklıkla kullanılan tüm heyelan kütlesi içerisindeki piksel sayma tekniği ile
oluşturulan veri seti kullanılarak üretilen heyelan duyarlılık haritası ile karşılaştırılmasıdır. Çalışma alanında toplam
195 adet heyelan haritalanmış ve heyelanlı ve heyelanlı olmayan alanların belirlenmesinde Chebyshev teoremi
ve tüm heyelan kütlesi içerisindeki piksel sayma tekniği olmak üzere iki farklı örneklem tekniği kullanılmıştır.
Heyelan duyarlılık analizlerinde kullanılmak üzere topoğrafik yükselik, eğim, bakı, eğrisellik ve NDVI (normalize
edilmiş fark bitki örtüsü indeksi) olmak üzere toplam 5 adet parametre haritası üretilmiştir. Her iki örneklem tekniği
kullanılarak yapılan duyarlılık analizlerinde literatürde sıklıkla kullanılan Frekans Oranı (FO) yöntemi kullanılmış
ve iki farklı harita üretilmiştir. Duyarlılık haritalarının performansı ise Eğri Altında Kalan Alan yöntemine (ROCEAA)
göre değerlendirilmiş ve EAA değerleri sırasıyla Chebyshev teoremi için 0.78 ve tüm heyelan kütlesindeki
piksel sayılarına göre yapılan örneklem tekniği için ise 0.72 olarak belirlenmiştir. Bu değerlere göre, üretilen her
iki duyarlılık haritasının da kabul edilebilir düzeyde olduğu ve Chebyshev teoremi ile örneklem yapılarak üretilen
duyarlılık haritasının performansının, diğer örneklem yöntemine göre nispeten daha yüksek çıktığı görülmüştür.
Elde edilen bu sonuç, çalışmada kullanılan Chebyshev yönteminin de heyelan duyarlılık haritalama çalışmalarında
etkin olarak kullanılabilir alternatif bir yöntem olduğunu ve bu yöntemle üretilen duyarlılık haritasının da başarılı bir
kestirime sahip olduğunu göstermiştir.

Anahtar Kelimeler

Chebyshev Teoremi, Eğri Altında Kalan Alan (EAA)

Kaynakça

• Aditian, A., Kubota, T., Shinohara, Y., 2018. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology, 318, 101-111. Akgün, A., Dağ, S., Bulut, F., 2008. Landslide susceptibility mapping for a landslide-prone area (Findikli, NE of Turkey) by likelihood– frequency ratio and weighted linear combination models. Environmental Geology, 54, 1127–1143. Akgün, A., Türk, N., 2010. “İki ve Çok Değişkenli İstatistik ve Sezgisel Tabanlı Heyelan Duyarlılık Modellerinin Karşılaştırılması: Ayvalık (Balıkesir, Kuzeybatı Türkiye) Örneği”. Jeoloji Mühendisliği Dergisi, 34(2), 85-112. Aleotti, P., Chowdhury, R., 1999. Landslide hazard assessment: summary review and new perspectives. Bulletin of Engineering Geology and Environment, 58, 21-44. Althuwaynee, O.F., Pradhan, B., Park, H.J., 2014. A novel ensemble bivariate statistical evidential belief function with knowledge-based analytical hierarchy process and multivariate statistical logistic regression for landslide susceptibility mapping. Catena, 114, 21-36. DOI: 10.1016/ j.catena.2013.10.011. Ayalew, L., Yamagishi, H., 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 65, 15-31. Beguería, S., 2006. Validation and evaluation of predictive models in hazard assessment and risk management. Natural Hazards 37(3), 315–329. Can, A., Dagdelenler, G., Ercanoglu, M., Sonmez, H., 2019. Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms. Bulletin of Engineering Geological Environment, 78, 89-102. Cevik, E., Topal, T., 2003. GIS-based landslide susceptibility mapping for a problematic segment of the natural gas pipeline, Hendek (Turkey). Environmental Geology, 44, 949-962. Chen, W., Li, W., Chai, H., Hou, E., Li, X., Ding, X., 2016. GIS-based landslide susceptibility mapping using analytical hierarchy process (AHP) and certainty factor (CF) models for the Baozhong region of Baoji City, China. Environmental Earth Sciences, 75, 1–14. Chen, W., Pourghasemi, H.R., Panahi, M., Kornejady, A., Wanh, J., Xie, X., Cao, S., 2017. Spatial prediction of landslide susceptibility using an adaptive neuro-fuzzy inference system combined with frequency ratio, generalized additive model, and support vector machine techniques. Geomorphology, 297, 69-85. Choi, J., Oh, H.-J., Lee, C., Lee, S., 2012. Combining landslide susceptibility maps obtained from frequency ratio, logistic regression and artificial neural network models using ASTER images and GIS, Engineering Geology, 124, 12-23. Clerici, A., Perego, S., Tellini, C., Vescovi, P., 2006. A GIS-Based Automated Procedure for Landslide Susceptibility Mapping by the Conditional Analysis Method: The Baganza Valley Case Study (Italian Northern Apennines). Environmental Geology, 50, 941-961. Conforti, M., Pascale, S., Robustelli, G., Sdao, F., 2014. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (Northern Calabria, Italy). Catena, 113, 236-250.