bilgiz.org

TüRKİye harita biLİmsel ve teknik kurultayi

  • Anahtar Sözcükler
  • Lee ve Min (2001)
  • Calışma Alanı ve Verinin Hazırlanması
  • Ana Veri Seti Üretilen Haritalar CBS Veri tipi Ölçek
  • 2.2 Coğrafi Ağırlıklandırılmış Regresyon (CAR) metodu



  • Tarih01.10.2017
    Büyüklüğü102.96 Kb.

    Indir 102.96 Kb.

    TÜRKİYE HARİTA BİLİMSEL VE TEKNİK KURULTAYI

    Heyelan Analizlerinde Coğrafi Ağırlıklandırılmış Regrasyon (CAR) Metodu
    A. Erener1, H.S.B Düzgün2
    1Jeodezi ve Cografi Bilgi Teknolojileri, Orta Dogu Teknik Universitesi, Ankara, erener@metu.edu.tr

    2Jeodezi ve Cografi Bilgi Teknolojileri, Orta Dogu Teknik Universitesi, Ankara, duzgun@metu.edu.tr

    ÖZET
    Heyelanların neden olduğu afetler toplumsal, ekonomik ve çevresel olarak büyük kayıplara yol açabilmektedir. Heyelanların değerlendirilmesi içincoğrafi bilgi sistemlerinde (CBS) geliştirilmiş farklı birçok yaklaşım vardır. Bunlar genel olarak nitel ve nicel metodlar olarak iki ana başlık altında toplanabilir. Nicel metodlardan, heyelan oluşumu ve parametreler arası ilişkiyi kurma temeline dayalı istatistiksel metodlar; güvenilir heyelan değerlendirmesi için en çok tercih edilen metodlardan biridir. İstatistiksel metodlar, son yıllarda heyelan değerlendirmede, parametreler arasındaki mekansal ilişkiyi ele alarak önemli bir gelişim göstermiştir. Heyelanların oluşumu yerel ölçekte değişim gösterdiği için,sinir ağları veya lojistik regresyon gibi global modeller lokal ölçekli değişimleri dikkate almamaktadır. Ayrıca lojistik regresyon analizleri tüm alanda var olmayabilecek global veya ortalama bir ilişkiyi bulmaktadır. Fakat heyelan oluşumuna neden olan parametreler arasında mekansal korelasyona bağlı lokal bir değişim vardır. Bu nedenle bilinen istatistiksel metodlar, parametrelerin mekansal korelasyon yapısını modelleyemediği için heyelana duyarlı alanların belirlenmesinde yetersiz kalmaktadırlar. Bu nedenle çaışsma alanında uygulanan global bir metod olan Lojistik regresyon metodu ile elde edilen heyelan tehlike analizleri, Coğrafi Ağırlıklandırılmış Regresyon (CAR) metodu ile geliştirilmiştir. Coğrafi Ağırlıklandırılmış Regrasyon (CAR) metodu mekansal analizlerde güçlü biraçıklayıcı metodudur. Lokal detayların anlaşılmasında ve global modellerin maskelediği lokal değişimlerin meydana çıkarılmasında kullanılmaktadır. Bu çalışmada sayısal yükseklik modelinden çıkarılmış eğim, bakı ve eğrilik, plan ve profil eğrilikleri, Landsat Uydu görüntüsünden çıkarılmış çizgisellik ve bitki örtüsü parametreleri, Jeolojik haritadan elde edilmiş jeolojik formasyon ve ölçümlerden elde edilmiş tektonik yükselme veileri ve tetikleyici faktörlerden yağış dikkate alınarak Norveç’ te More & Romstal alanına uygulanmıştır. CAR metodunun heyelan oluşumunu açıklama kabiliyetinin global bir metod olanl lojistik regresyona göre, arttığı görülmüştür.
    Anahtar Sözcükler: Heyelan, Coğrafi Ağırlıklandırılmış Regresyon (CAR), Tehlike Analizi, CBS
    ABSTRACT

    Geographic Weighted Regression Method in the assessment of Landslides
    Hazards due to mass movements may pose human suffering, economical losses, and environmental degradation. There are several methods developed in Geographic Information Systems (GIS) for the assessment of landslides hazard. Different landslide hazard evaluation procedures can be classified in two main groups: qualitative or quantitative methods. Statistical models are the most preferred methods among many different hazard assessment methods for reliable hazard assessment of landslides. At recent years the statistical methods for landslide hazard assessment extended and pose important developments by handling spatial relationships between influencing factors. As the landslide occurrences have local scale variations, use of global models such as neural networks or ordinary logistics regression, cause the ignorance of local scale variations in hazard assessment. Also in the analysis of logistic regression, an average or global relationship that might not be valid over the entire area is produced. However there is a local variability between landslide occurrences and influencing factors which depend on the spatial correlation. By including these relationships the predictive ability of the developed model increases. In this respect, landslide hazard assessment methods are improved by the application of geographically weighted regression (GWR) method. GWR allows local rather than global parameters to be estimated which are specific to each location. Hence, it serves for understanding factors that cause landslide occurrences in local scale. The proposed model is implemented to a case study area from More and Romsdal region of Norway. Topographic parameters (slope, aspect, curvature, plan and profile curvatures), geological parameters (geological formations, tectonic uplift and lineaments), land cover parameters (vegetation coverage) and triggering factors (precipitation) are considered landslide influencing factors. As a result it is found that the predictive ability of the model increases by using GWR, compared to Logistic regression which is a global modelling technique.

    Key Words: Landslide, Geographically Weighted Regression (GWR), Hazard assessment, GIS

    1.GİRİŞ
    Yerleşim yerlerinin, sanayi tesislerinin ve iletişim ağlarının yeralacağı alanlarda heyelan gibi doğal afetlerin etkileri planlamada ve uygulamalarda dikkate alınmalıdır. Heyelan riskinin artması genelde tehlike ve tehlikeden etkilenecek etmenlerin artmasıyla olmaktadır (Aleotti ve Chowdhury 1999). Kayıpların azaltılması etkin bir planlamayla, sistematik değerlendirmelerle ve heyelan riskinin iyi şekilde yönetimiyle gerçekleştirilmelidir. Risk genellikle tehlikenin heyelan sonuçlarıyla çarpılması şeklinde tanımlanır. Tehlike, riskin önemli bir bileşenidir ve bundan dolayı doğru şekilde belirlenmelidir.


    Coğrafi Bilgi sistemleri’nde heyelan tehlike haritalarının oluşturulması için birçok değişik metod önerilmiş veya uygulanmıştır. Literatür araştırmalarına göre Carrara (1983), Chung and Leclerc (1994), Van Westen (1993), Chung and Fabbri  (1999), Pistocchi (2002), Guzetti et.al (1999), Aleotti and Chowdhury (1999) heyelan tehlikesinin değerlendirmesinde farkli metod ve teknikler önermişlerdir ayrıca Varnes (1984), Anagnosti and Lesevic, (1991), Van Westen (1997), Chung and Fabbri (1999), Dai and Lee (2001), Baeza & Corominas (2001), Lee and Min (2001), Pistocchi et al. (2002), Lee and Dan (2005), Yesilnacar and Topal (2005), Lee and Pradhan (2006) gibi tehlike değerlendirmesini ele alan makalelerin çoğu verinin hazırlanması ve metodu uygulamakla ilgilenmektedir. Heyelan tehlike değerlendirilmesi prosedürleri genel olarak nitel ve nicel metodlar olmak üzere iki ana başlık altında toplanabilir. Nitel metodlar, incelemeyi yapan kişinin, arazideki geçmiş ve şu anki heyelan durumunu göz önüne alarak, gelecekte heyelan olabilecek alanları tahmin etmesine dayanır (Carrara et al., 1995). Yani bu değerlendirmeler, doğrudan arazide incelemeyi yapan kişinin deneyimine ve kişinin görüşüne bağlı olarak, herhangi bir kuraldan bağımsız olarak gerçekleşmektedir. Ayrıca incelemeyi yapan kişinin değişmesiyle, oluşacak haritalar yine kişinin bakış açısı ile değişmektedir. Bu metodların ayrıntıları Varnes (1984) ve Van Westen (1993) tarafından verilmiştir.
    Nicel metodlar ise heyelanın olma olasılığını herhangi bir tehlike alanında sayısal tahminlerle (olasılıklarla) belirlemektedir. Bu nicel metodlarda, tahmin edilen sonuçların tehlike seviyeleri, olasılık fonksyonları gibi matematiksel fonksyonlarla tanımlanmaktadır. Bu metodları uygulayanlardan, literaturde adı gecen makaler den bazıları Carrara, 1983, Van Westen et al,1997, Sakellariou and Ferentinou 2001, Carrara 1999, Baeza ve Corominas 2001dir. Nicel metodlardan, heyelan oluşumu ve parametreler arası ilişkiyi kurma temeline dayalı istatistiksel metodlar; güvenilir heyelan değerlendirme için, en çok tercih edilen metodlardan biridir. Çok değişkenli istatistik metodlarından biri olan Lojistik regresyon (LR), heyelana etkiyen faktörleri, coğrafi hücrelerde heyelan meydana gelmesi ve gelmemesi ile ilişkilendirir ve bu ilişkiyi gelecekte olabilecek heyelan bölgelerinin haritalanmasında kullanır (Ohlmacher & John 2003.). Lojistik regresyon, heyelan tehlike ve duyarlılık haritaları Dai and Lee (2001), Lee ve Min (2001), Dai ve Lee (2002), Ohlmacher ve Davis (2003), Lee (2004) ,  Guzetti et al. (2005), Yesilnacar ve Topal (2005) tarafindan uygulanmıştır.
    Bu geleneksel metodlardaki kısıtlama, bu metodlarda, heyelana neden olabilecek herbir etki için tüm alan içinde sadece ortalama bir parametre değeri elde edilebilmesidir. Bu nedenle de kurulan ilişki global bir karakterde tanımlanır. (Fotheringham ve ark., 2001). Bu geleneksel metodlar verideki mekansal değişikliği ve lokal farklılıkları dikkate almamaktadır. Bu nedenle bu çalışma global bir metod olan LR’ın Coğrafi Ağırlıklandırılmış Regrasyon (CAR) metodu ile geliştirilmesini ele almaktadır. CAR metodu verideki ilişkilerin lokal değişiminin araştırılması için kullanılmaktadır. CAR metodu, global parametreler yerine lokal parametrelerin tahmin edilerek, verideki mekansal heterojenliğin izlenmesi ve veride var olan mekansal değişimin keşfedilmesi amacıyla kullanılır. Ayrıca CAR metodu, global modellerdeki eksik tanımlamaya neden olan, ilişkilerdeki durağansızlığın araştırılmasında kullanılır. Bu calışma Norveç Geoteknik Enstitüsün’ün sağladığı verilerle More&Romstal bölgesine uygulanmış ve hücreler haritalama birimi olarak alınarak, çalışma bölgesel bir ölçekte yapılmıştır. Heyelana neden olan parametreler sayısal yükseklik modelinden çıkarılmış eğim, bakı, eğrilik, plan ve profil eğrilikleri, Landsat uydu görüntüsünden çıkarılmış çizgisellik ve bitki örtüsü parametreleri, jeolojik haritadan çıkarılmış jeolojik formasyon ve arazi ölçümlerinden elde edilmiş tektonik yükselme verileri ve tetikleyici faktörlerden yağış dikkate alınarak uygulanmıştır. Bu parametrelerden, mekansal bir veri tabanı oluşturulmuştur. Oluşturulan veri tabanı kullanılarak çalışma alanında LR uygulanmış ve hesaplanan parametrelere göre heyelanı etkileyen faktörlerin heyelan oluşumuna etkisi incelenerek heyelan duyarlılık haritası oluşturulmuştur. LR metodu coğrafik bağlamdaki potansiyel mekansal değişkenliği ele almadiği için, her bir parametrenin heyelan oluşumuna lokal etkisi CAR metodu ile incelenmiştir. Mekansal analizlerde güçlü bir açıklayıcı metodu olan CAR, potansiyel olarak karmaşık yapıdaki mekan ve ilişkilerin doğasını ele almasiyla, özellikle sosyal bilimlerde oldukça tercih edilen bir metoddur. Bu çalışmada göstermiştir ki heyelan tehlike analizleri CAR metodu ile iyileştirilmiştir..


      1. Calışma Alanı ve Verinin Hazırlanması

    Çalışma alanı 12168 km2’lik bir alandır ve Norveç’in batı kısmında yeralmaktadır. More &Romstal alanı 62° 57' 0" Kuzey ve 7° 1' 0" Doğu coğrafi koordinatlarda bulunmaktadır. Şekil 1’de çalışma alanına ait bölge gösterilmektedir. Şekilden görüldüğü gibi çalışma alanı Norveç fiyortlarının geniş bir alan kapladığı bir bölgeyi içermektedir.

    Şekil 1: Çalışma alanına ait bölge, More&Romsdal



    Analizlere başlamadan önce oluşturulan her bir veriden deniz ve göl bölgeleri maskelenmiştir. Heyelan tehlike/duyarlılık değerlendirmelerine başlamanın ilk adımı, geçmişte olmuş olan heyelan alanları hakkında bilgi edinmektir. Çünkü gelecekteki heyelanların, şimdiki ve geçmişte olmuş heyelanlarla benzer şartlar altında gerçekleşebileceği varsayılmaktadır (Varnes, 1984; Carrara ve ark. 1995). Bu nedenle ilk olarak çalışma alanına ait Norveç Geoteknik Enstitüsünden heyelan envanter haritası elde edilip sayısallaştırılmış ve CBS ortamında veri tabanında, heyelanların olduğu alanlara 1 olmadığı alanlara 0 atanmıştır. Bu veri analizlerde bağımlı değişken olarak kullanılmıştır. Bu bölgesel ölçekli, geçmiş heyelan lokasyonları ile, heyelana sebep olan koşullar arasında ilişki kurulup gelecekte heyelan olabilecek alanlar tahmin edilmiştir. Bu nedenle heyelan olmasına katkıda bulunan faktörler incelenip belirlenmelidir. Bu çalışmada 13 faktör analizlerde kullanılmıştır. Heyelana neden olabilecek bu bağımsız değişkenler beş ana veri setinden çıkarılmıştır. Bu veri setleri, uzaktan algılama görüntüsü (Landsat TM görüntüsü, 30X30), topoğrafik harita (Kontur haritası, 1/50000), jeolojik harita (1/250000), yağış haritası (Norveç’e ait yıllık yağış haritası,1x1 km2), ve yükselti haritası (yükseklik değişimi ölçümleri, 1/100000). Sonuç olarak heyelana neden olabilecek 13 olası katman oluşturulmuştur. Bunlar: eğim, bakı kosinüsü, bakı sinüsü, eğrilik, plan ve profil eğriliği, yağış, bitki örtüsü, çizgisellik, yükselti ve üçe ayrılan jeolojik birimlerden şist, gnays ve yekpare kaya analizlerde değerlendirilmiştir.


    Ana Veri Seti

    Üretilen Haritalar

    CBS Veri tipi

    Ölçek

    Sınıflandırma

    Uzaktan algılama

    Bitki örtüsü

    Hücre

    30X30

    Bitki örtüsü

    Çizgisellik

    Çizgi

    30X30

    Yapısal Jeoloji

    Topoğrafik harita

    Eğim

    Hücre

    30X30

    Topoğrafik

    Bakı

    Hücre

    30X30

    Topoğrafik

    Eğrilik

    Hücre

    30X30

    Topoğrafik

    Plan eğriliği

    Hücre

    30X30

    Topoğrafik

    Profil eğriliği

    Hücre

    30X30

    Topoğrafik l

    Yağış haritası

    Yağış

    Hücre

    1X1 km^2

    Yağış verisi

    Jeoloji Haritası

    Litoloji

    Poligon

    1:250000

    Jeoloji

    Tektonik Yükselti Verisi

    Tektonik Yükselti Haritası

    Nokta

    1:250000

    Yapisal Jeoloji

    Tablo1: Çalismada kullanilan veri tipleri ve ölçekleri

    Sayısal yükseklik modelleri (SYM) ya da sayısal arazi modelleri (SAM), eşit aralıklı düzenli hücre yükseklikleri (raster) ile, topoğrafik yüzeyin dijital gösterimidir (Wang, 2005). Çalışma alanına ait SYM oluşturmak için, ilk olarak kontur haritası kullanılarak üçgenleme metodu uygulanmış ve üçgensel yüzeyler 30m lik hücresel formata dönüştürülmüştür. SYM’leri CBS’de en yaygın olarak kullanılan mekansal veri kaynaklarından biridir. Oluşturulan SYM’den ArcGIS 9.1 kullanılarak eğim, bakı kosinüsü, bakı sinüsü, eğrilik, plan ve profil eğriliği oluşturulmuştur. Eğim açısı suraylılık analizlerinde, yeryüzünün ne kadar dik olduğunu gösteren ana bileşenlerden biridir. Yapılan analizlere göre çalışma alanında 25 dereceden fazla olan açıların, heyelan oluşumuna yüksek korelasyon gösterdiği görülmüştür. Bakı, eğim yüzeyinin derece olarak kuzeyden olan yönünü vermektedir. Heyelanlar güneş almayan, kuzeye dönük yüzeylerde daha çok bulunmaktadır. Eğiklik topoğrafyanın morfolojik yapısını göstermektedir. Bu haritalar SYM’nin ikinci türevi olarak elde edilirler diğer bir deyişle, eğimdeki değişimi gösterirler. Pozitif eğrilik, bir hücrede yüzeyin yukarıya doğru dışbükey olduğunu, negatif eğrilik ise yüzeyin o hücrede yukarı doğru içbükey, sıfır değeri ise yüzeyin düz olduğunu temsil eder. Uygulamadaki bakış açısına göre eğrilik drenaj havzasının fiziksel karakterini anlatarak heyelan davranışını anlamak için kullanılan bir yoldur. Alandaki eğrilik değerleri incelendiğinde en çok heyelaniın doğal olarak, içbükey ve dışbükey alanlarda olduğu görülmektedir.


    Plan eğriliği, ıraksak ve yakınsak akış alanlarının belirlenmesini sağlayan, konturlara parallel olan eğimin eğriliğidir. Yakınsak akış alanı genellikle yüksek erozyon ve nakil potansiyelini gösterirken, ıraksak akış, düşük potansiyeli göstermektedir. Profil eğriliği SYM’de konturlara parallel olan eğriliktir. Bu değer akışın hızlanmasını veya yavaşlamasını etkilemektedir, bu nedenle heyelan oluşumunu etkilemektedir.
    Çizgisellik ve bitki örtüsü 30x30 m çözünürlükteki Landsat Enhanced Thematic Mapper (ETM) görüntüsü kullanılarak farklı görüntü işleme ve zenginleştirme teknikleri kullanılarak elde edilmiştir. Çizgisellik tektonik yapıyı temsil eden ve topoğrafik kırıkları gösteren jeomorfolojik bir özelliktir (Ayalew ve Yamagishi, 2005). 7. banttan çizgiselliklerin otomatik çıkarılmasında PCI Geomatica 9.1 kullanılmıştır. 7. bantın kullanılmasının nedeni bu bantin çizgisellik mineral ve kaya tipi gibi diğer jeolojik özelliklerden ayrılmasında kullanılabilirliğidir. Sonuçta otomatik çıkarılmış çizgisellikler CBS ortamiıa aktarılmıştır. Çizgiselliklere yakınlık analizi yapılarak en çok heyelanın 1500 m’ye kadar olduğu, sonraki mesafelerde ise bu oranın düştüğü görülmüştür.

    Normalize edilmiş bitki indeksi farkı (Normalized Difference Vegetative Index, NDVI) ile Landsat görüntüsünün 4. ve 3. bantları kullanılarak alandaki bitki örtüsü belirlenmiştir. NDVI değerleri -1 ile +1 arasında değişmektedir ve yoğun bitki örtüsü yüksek değerlerde bulunmaktadır (http://www.fews.net/imagery/?pageID=imageryNdvi ). Çalışma alanında yapılan heyelan bitki örtüsü ilişkisi göstermiştir ki, heyelan olmuş lokasyonlar bitki örtüsünün azalması ile artmaktadır.


    Heyelanlar genellikle yağışlarla tetiklenir ve yağışın sızması sonucu, gözeneklerdeki su basıncı artar ve yakın yüzeyde makaslama dayanımının azalmasına neden olur. Çalışma alanına ait aylık ortalama yağış haritası, Ole Einar Tveito’ da bulunan meteoroloji istasyonundan hücresel formatta 1 km çözünürlükte elde edilmiştir. Haritanın tüm ülke için yapılmasından dolayı ve alanda kayaların dağılımının yüksek olmasından dolayı yukarıdaki teze aykırı olarak, alanda yağışın az olduğu yerlerde, heyelan yoğunluğunun fazla olduğu gözlemlenmiştir.

    Tektonik yükselti heyelan oluşumuna neden olan morfolojik nedenlerden biridir. Tektonik yükselti değerleri tüm alan için kriging yapılarak tahmin edilmiş ve doğu bölgesinin batıya göre daha çok yükseldiği görülmüştür ve hareketin fazla olduğu yerlerde de heyelan sayısının yüksek olduğu görülmüştür.

    Alana ait elde edilen jeolojik harita 16 formasyon göstermektedir. Bu alanların çoğu diorittir. Bu 16 ünite litolojik karakterlerine göre, uzman jeolog görüşüne göre 3 ana sınıfa ayrılmıştır. Bunlar şist, gnays ve yekpare kaya tır. Poligon formatında olan bu veriler hücre tipi veriye çevrilmiştir. Format çevriminden sonra her bir hücreye formasyon ile ilgili var ya da yok bilgisi atanmıştır.
    Tüm veriler oluşturulduktan sonra hepsi aynı boyuttaki hücre veri formatına çevrilmiş ve dikkate alınan her bir faktör için bir değer atanarak istatistiksel analizlerde kullanılabilir hale getirilmiştir.


      1. Lojistik Regresyon

    Lojistik regresyon genellikle açıklayıcı değişkenler seti ile (X1,X2,…,Xn), iki değer alan bağımlı değişken (Y) arasındaki ilişkiyi modellemek üzere kullanılır (Yaprak. ve Özdemir, 2006.). Bağımlı değişkenin sürekli olmaması (kesikli olmasi) durumunda eşitliğin diğer tarafı eksi sonsuz ile artı sonsuz arasında değişecektir. Kesikli yani belli iki sayı ya da durum arasında değişen bağımsız ile bir eşitlik sağlanamayacaktır. Bu durumda iki tarafı da sonsuza uzatmak için, iki tarafında logaritması alınarak belirli bir dönüşüm uygulanır. Bu dönüşümle çıkan modele lojit model denir. Bu çalışmada bağımlı değişken heyelanın olma ya da olmama durumunu tanımlamaktadır. Genellikle iki değer alan lojistik regresyon modeli aşağıdaki şekildeki formülle (1) tanımlanır:

    (1)

    Burada , Y olayının gerçekleşme olasılığı, p(Y=1) , ise "olasılıklar oranı" veya olabilirlik oranı, ln[] ise olasılıklar oranının log değeri, veya "lojit" fonksiyonunu gösterir. , kesişim parametresi, eğim parametrelerinin vektörüdür ve her bir bağımsız değişkenin, bağımlı değişkene, yani heyelan olma olasılığına olan katkısını ölçer. Bu çalışmada 13 bağımsız değişken LR modeli için dikkate alınmıştır.Bunlar: eğim, bakı kosinüsü, bakı sinüsü, eğrilik, plan ve profil eğriliği, yağış, bitki örtüsü, çizgisellik, tektonik yükselti ve üçe sınıflandırılan jeolojik birimlerden şist, gnays ve yekpare kaya analizlerde değerlendirilmiştir.

    Gelistirilen modelde, heyelan olması artan şist ve gnays formasyonuyla pozitif olarak arttığı fakat plan eğriliğine ve yükseltiye negatif korelasyonlu olduğu görülmektedir.
    f(x)=0.25683+ [eğim] *0.087707 + profil eğriliği] * 2.3077621 + [plan eğriliği] *-2.147324 + [eğrilik] * 1.1307730 + [bakı sinüsü] * 0.258290 + [bakı kosinüsü] *0.081968 + [Yağış] * -0.016905 + [bitki örtüsü] *0.936140 + [çizgisellik] * 0.000032+ [yükselti] * -1.180106 + [şist] *3.514688 + [Gnays] * 3.871039 + 2.708418 * [yekpare kaya] (2)

    Log olasılık istatistiği -290.9 bulunmuştur. Bu değer modelin ne kadar iyi ya da kötü tahmin ettiğini göstermektedir ve değer ne kadar düşükse o kadar iyi tahmin yapılmaktadır. Sonuç daha sonra McFadden R2 ve Estrella R2 değerleri ile değerlendirilmiş ve sırasıyla bu değerler 0.1470 ve 0.1978 bulunmuştur.

    Elde edilen lojistik regresyon modeline dayalı olarak her bir birim için tahmin edilen heyelan olma olasılığı aşağıda formülle bulunmuş ve çalışma alanına ait duyarlılık haritası oluşturulmuştur.

    (3)

    Burada elde edilen harita, zamansal olasılık içermeyip mekansal olasılığa ait bilgi gösterdiği için oluşturulan harita tehlike haritası değil duyarlılık haritasıdır. Elde edilen harita daha sonra şekilde gösterildiği gibi geçmiş heyelan envanteri ile çakıştırılmış ve güvenilirliği test edilmiştir.

    Formul 3’e göre elde edilen heyelan olma olasılığı değerleri az, orta ve yüksek şeklinde sınıflandırılmıştır. Sonuçta elde edilen duyarlılık haritası ile geçmiş heyelan noktaları karşılaştırıldığında, yüksek duyarlı bölgede geçmiş heyelan noktalarının toplamının, % 47’si bulunmakta, orta ve az duyarlı bölgelerde ise sırasıyla % 28 ve %24’ü bulunmaktadır.

    Şekil 2: LR sonucu ile elde edilen Heyelan Duyarlilik Haritası



    2.2 Coğrafi Ağırlıklandırılmış Regresyon (CAR) metodu
    LR modeli bir ilişkiyi tanımlamada global bir eğilim gösterir ve heyelanı etkileyen her bir faktör için tüm alanda ortalama bir parametre elde edilir. Fakat mekansal olayların dünya üzerinde potansiyel değişkenlikleri vardir. CAR metodu, global tahmin yerine lokal parametre tahmini yapabilmektedir ve bu metod mekansal olmayan regresyon metodunun geliştirilmesiyle ortaya çıkmıştır. Lokal mekansal analizlerdeki son gelişmeler dünyanın daha gerçekçi şekilde tanımlanmasını sağlamıştır.Lokal bir model olan CAR metodu çalışma alanındaki lokal değişimleri dikkate aldığı için oldukça tercih edilen bir metoddur (Páez 2002).
    CAR metodunda regresyon katsayıları, her bir mekansal bölge için hesaplanmaktadır. Böylelikle her bir parametrenin heyelan oluşumuna lokal etkisi ve değişimi incelenebilmektedir.

    CAR metodunda:



    (4)

    Burada , herbir β elemanına karşılık gelen herbir X bağımsız değişken ile çarpılmasını sağlayan operatördür. Ve 1 ise 1’ler vektörüdür (Kazar ve ark.,2005 ).


    k sayıdaki bağımsız değişkeni olan, n sayıdaki mekansal bölge için, β ve X in, n x (k+1) boyutu vardır ve sonuç olarak 1’in (k+1) x 1 boyutu olur.
    Buna göre βi (i)’ye ait en küçük kareler tahmini (Eşitlik 5) ve bunların varyansı (Eşitlik 6):

    (5)

    (6)

    Burada Wi köşe olmayan elemanları 0 olan ve köşe elemanları coğrafi ağırlık olan, n x n boyutlu ağırlık matrisidir. (Formul 7).



    (7)

    Burada ağırlık matrisinin seçimi, sabit (bant aralığı) ya da değişken (bantaralığı) formunda olabilen, seçilecek çekirdek fonksyonuna bağlıdır. Formul 8’de Wi için tipik bir çekirdek verilmiştir. Çekirdek fonksyonları hakkında daha fazla bilgi için Fotheringham, ve ark., 2002 ye bakınız. Burada b bant genişliği ve dij ise mekansal i ve j bölge merkezlerinin birbirine uzaklığıdır.


    (8)

    Bu çalışmada mekansal düzensizliği ortaya çıkarma ve heyelana katkıda bulunan faktörlerin heyelana lokal ölçekteki etkisini incelemek için, CAR metodu uygulanmıştır. Burada bağımlı değişkenimizin yine, iki değer alması dolayısı ile lojistik CAR metodu uygulanmıştır.


    Uygulanan CAR metodu sonrası elde edilen lokal R2 heyelan oluşumunun %54 varyansını açıklayabilmektedir. Görüldüğü üzere CAR metodunun modeli açıklama düzeyi LR metodundan çok daha fazladır. Bunun nedeni lokal modellerin değişkenler arası mekansal değişimi ele alarak, modelin gereçeğe uygunluk derecesini.artırmasıdır.

    Global bir model olan LR’da bulunan her bir parametre tüm çalışma alanı boyunca sabittir fakat CAR metodunda her bir hücre değeri için, farklı bir regresyon katsayısı bulunmuştur.


    CAR Modeli sonucu bulunan parametre istatistikleri tablo 2’de verildiği gibidir:





    CAR Özet sonuçları




























    Eğim

    Prof E.

    Plan E.

    Eğrilik

    Bakısin

    Bakıcos

    Yağış

    Bitki

    Çizgisellik

    Yükselti

    Şist

    Gnays

    Yekpare kaya

    Min

    0.1066

    0.6557

    -0.6733

    0.6864

    0.212

    0.1703

    -0.028

    0.6086

    0.000027

    -1.671

    0.5072

    0.8118

    -0.0329

    Maks

    0.1164

    0.9084

    -0.6015

    0.8501

    0.2242

    0.1755

    -0.0274

    0.633

    0.000034

    -1.6431

    0.6733

    0.9783

    0.2066

    Ortalam

    0.1112

    0.6888

    -0.5562

    0.7062

    0.2172

    0.1727

    -0.0275

    0.6156

    0.000031

    -1.6491

    0.5787

    0.8823

    0.0896

    Ort.Sap.

    0.0019

    0.0091

    0.0015

    0.0053

    0.0026

    0.0012

    0.0001

    0.0048

    0.000002

    0.005

    0.0335

    0.0335

    0.0563

    Tablo 2: CAR metodu parametrelerinin istatistik değerleri

    CAR metodu herbir hücre için farklı regresyon parametresi verdigi için, bu sonuçlar haritalanıp her bir faktör için parametrelerdeki mekansal değişim izlenebilir. Örneğin CAR metodu sonucunda eğim için herbir Hücrede elde edilen parametre dağılımına bakıldığında görülür ki: global modeldeki gibi heyelan oluşumuna etkisi positiftir fakat global modelden farklı olarak bu etki tüm alan boyunca sabit deyil mekansal olarak değişim göstermektedir. Etki çalışma alanının güney kısımlarında fazladır ve kuzeye doğru düşmektedir (Şekil 3). Bu değişimin nedeni eğimin fiyortlara yakın kısımlarda artması (Şekil 4) ve geçmiş heyelan lokasyonlarınında dağılımınında buralarda daha çok olması nedeni ile, ilişkinin bu kısımlarda daha iyi kurulması olabilir.

    Yağış (Şekil 5) ve yükselti haritaları (Şekil 7) ise benzer özellik göstermekte ve bu haritalara göre heyelan oluşumuna etki negatif olmaktadır ayrıca doğu ve batı bölgelerinde bu etki daha fazladır ve güneyden kuzeye doğru azalmaktadır.

    Yağışın CAR haritasında (Şekil 5) doğu ve batıda modelin daha yüksek etkisinin olmasının nedeni yine yağış haritasına bakıldığında (Şekil 6) bu kısımlarda yağışın diğer bölgelere göre daha fazla ve daha az dağılımı olabilir.

    Yükselti haritasındaysa yine doğuda yükseltinin batıya göre daha fazla olduğu gözlemlenmektedir (Şekil 8).

    Şist, gnays ve yekpare kaya CAR haritalarına göre (Şekil 9, Şekil 10, Şekil 11) bu litolojiler benzer karakter göstermekte ve güneyde az etki gösterirken kuzeyde bu etki artmaktadir. Jeoloji haritasına göre schist formasyonu güney ve kuzeyde bulunmakta diğer kısımlarda ise bulunmamakta ve gnaysin ise geri kalan alanlarda bulunduğu gözlemlenmektedir.



    Şekil 3: CAR modeli eğim haritası Şekil 4: Çalışma alanına ait eğim haritası



    Şekil 5: CAR modeli yağış haritası Şekil 6: Çalışma alanına ait yağış haritası



    Şekil 7: CAR modeli yükselti haritası Şekil 8: Çalışma alanına ait yükselti haritası



    Şekil 3: CAR modeli schist haritası Şekil 4: Çalışma alanına ait gnays haritası


    Şekil 3: CAR modeli yekpare kaya haritası Şekil 4: Çalışma alanına ait jeoloji haritası




    1. Sonuç

    Bu çalışmada Lojistik Regresyon (LR) ve Coğrafi Ağırlıklandırılmış Regresyon (CAR) metodu uygulanarak heyelan duyarlılığı değerlendirilmiştir. Sonuçlar göstermiştir ki, geleneksel heyelan duyarlılık metodu olan LR modeli, mekansal regresyon modelinin uygulanması ile geliştirilebilmektedir.

    LR modelinin tahmin etme performansının mekansal korelasyonu gözönüne alan lokal metodlara göre daha düşük olduğu görülmüştür. Bunun nedeni olarak da LR modelinin regresyon parametrelerinde mekansal değişimi dikkate almamasıdır. Ayrıca heyelan duyarlılık haritalamalarında, her bir heyelanı etkileyecek faktörün heyelan oluşumuna etkisinin, çalışma alanı boyunca değişebileceği bilinmesine rağmen, bu değişimler LR gibi global modellerde analizlere katılamamaktadır. Bu çalışmada gösterildiği gibi, heyelan oluşumuna neden olan faktörleri lokal ölçekte inceleyen CAR metodu oldukça etkin bir metoddur.



    4. Referanslar

    Aleotti P & Chowdhury R (1999). Landslide hazard assessment: summary review and new perspectives. Bull Eng Geol Env. 58 : 21–44

    Anagnosti P and Lesevic Z (1991) Probabilistic versus deterministic approach in hazard assessment of landslides along man made reservoirs. Landslides, 2 : 1221-1227

    Ayalew L, Yamagishi H (2005) The application of GIS-based logistic regression for susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65(1-2):15-31.

    Baeza C, Corominas J (2001) Assessment of shallow landslide susceptibility by means of multivariate statistical techniques. Earth Surf Process Landforms 26:251–1263

    Carrara A, (1983), Multivariate methods for landslide hazard evaluation. Mathematical Geol, 15: 403–426

    Carrara A, Cardinalli M, Guzetti F, Reichenbach P, (1995). GIS technology in mapping landslide hazard. Geographical Information Systems in assessing Natural Hazards, 135-175

    Chung CJF & Fabbri AG (1999) Probabilistic Models for landslide Hazard Mapping, Photogrammetric Engineering & Remote Sensing, 65(12,): 1389-1399

    Chung CF and Fabbri AG (1993) Representation of Geoscience Information for Data Integration. 29th IGC, Kyoto, Japan

    Chung CF, Leclerc Y (1994) A Quantitative Technique for Zoning Landslide hazard. International Association for

    Mathematical Geology Annual Conference, Mont Tremblant, Québec : 87-93.

    Chung CJF & Fabbri AG (1999) Probabilistic Models for landslide Hazard Mapping, Photogrammetric Engineering & Remote Sensing, 65(12,): 1389-1399

    Dai FC & Lee CF (2001) Terrain-based mapping of landslide susceptibility using a geographical information system: a case Study. Can. Geotech. J. 38: 911–923

    Dai FC & Lee C F (2002) Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong. Geomorphology, 42: 213-228

    Düzgün H.Ş.B. and Kemeç, S., 2007, Spatial Regression and Geographically Weighted Regression for spatial prediction, GIS Ansiklopedia (Under Press)

    Fotheringham AS, Charlton ME and Brunsdon C (2001) Spatial variations in school performance: A local analysis using geographically weighted regression. Geographical and Environmental Modelling, 5: 43–66.

    Fotheringham AS, Brunsdon C and Charlton M, Geographically Weigthed Regression the Analysis of Spatially Varying Relationships. John Wiley and Sons Ltd., 2002.

    Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P., 1999. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, central Italy. Geomorphology 31, 181–216.

    Guzzetti, F., Reichenbach, P., Cardinali, M., Galli, M., Ardizzone, F., 2005. Landslide hazard assessment in the Staffora basin, northern Italian Apennines. Geomorphology 72, 272–299.

    Gokceoglu C, Sonmez H and Ercanoglu M. , 2000, Discontinuity controlled probabilistic slope failure risk maps of the Altindag (settlement) region in Turkey; Engineering Geology 55 277–296.

    Kazar B. M., Shekhar S., Boley D., Lilja D. J., Pace R. K. and LeSage J. P., 2005. Parameter Estimation for the Spatial Autoregression Model: A Rigorous Approach, IEEE Transactıons On Knowledge And Data Engıneerıng.

    Lee S, Min K ,2001, Statistical analysis of landslide susceptibility at Yongin, Korea. Environmental Geology, 40:1095–1113

    Lee S., 2004, Application of likelihood ratio and logistic regression models to landslide susceptibility mapping using GIS. Environ Manage 34:223–232

    Lee S., and Pradhan B. , 2006. Probabilistic landslide hazards and risk mapping on Penang Island, Malaysia, J. Earth Syst. Sci. 115, No. 6, pp. 661–672

    Ohlmacher G. C. & John C. D. 2003. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA, Engineering Geology 69 331–343

    Páez A., 2002. Spatially weighted regression: space and non-stationarity in multiple contexts. Ontario, Canada

    Pistocchi A, Luzi L, Napolitano P (2002) The use of predictive modeling techniques for optimal exploitation of spatial databases: a case study in landslide hazard mapping with expert system-like methods. Environ Geol 41:765–775

    Sakellariou M. and M. Ferentinou (2001): “GIS-based Estimation of Slope Stability”, Natural Hazards Review (ASCE), Vol 2, No1, pp 12-21.

    Wang H., Liu G., Xu W. and Wang G., 2005 GIS- based landslide hazard assessment: an overview, Progress in Physical Geography 29, 4, pp. 548-567

    Varnes, D.J., 1984, with IAEG Commission on landsildes and other Mass movements: Landslide hazard zonation: a rewiev of principles and practices. Paris:UNESCO Press, 63 pp.

    Van Westen C.J., 1993. Application of Geographic Information System to landslide hazard zonation. ITC-Publication No. 15, ITC, Enschede, 245 pp.

    Van Westen CJ ,1997, Statistical landslide hazard analysis. ILWIS 2.1 for Windows application guide. ITC Publication, Enschede, pp 73–84



    Yaprak A. & Özdemir N. G. , 2006. Sirali küme örneklemesinde yiğin oraninin tahminiüzerine bir çalışma , Ankara Üniversitesi Fen Fakültesi İstatistik Bölümü 5. İstatistik Günleri Sempozyumu

    Yesilnacara E.& Topal T. 2005. Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology 79, 251–266






        Ana sayfa


    TüRKİye harita biLİmsel ve teknik kurultayi

    Indir 102.96 Kb.