DOI: https://doi.org/10.1186/s40677-024-00307-3
تاريخ النشر: 2025-01-12
المؤلف: Vipin Chauhan وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تستكشف هذه الورقة البحثية قابلية الانزلاق الأرضي في أوتاراخند، الهند، وهي منطقة معرضة لمخاطر الانزلاق الأرضي الكبيرة بسبب تضاريسها الفريدة، وهيدروجيها، والأنشطة البشرية. تستخدم الدراسة منهجية شاملة تدمج التحليل الثنائي المتغير، واتخاذ القرار متعدد المعايير (MCDA)، وتقنيات التعلم الآلي المتقدمة، وتحديداً الغابات العشوائية (RF) وتعزيز التدرج المتطرف (XGBoost)، باستخدام ستة عشر عاملاً يؤثر على حدوث الانزلاق الأرضي. تشير النتائج إلى أن حوالي 18.47% من المنطقة مصنفة كمناطق عالية إلى عالية جداً من حيث القابلية، وتقع بشكل أساسي في مناطق أوتاركاشي، وتشامولي، وبيثوراغاره، بينما تقع 21% في فئة القابلية المعتدلة. في المقابل، توجد مناطق القابلية المنخفضة جداً إلى المنخفضة بشكل رئيسي في مناطق تاراي-بهابار والمناطق تحت الهيمالايا، مثل هاريدوار وأودام سينغ ناغار.
تؤكد النتائج على فعالية نماذج RF وXGBoost في التنبؤ بقابلية الانزلاق الأرضي، مما يبرز المناطق الحرجة للتخطيط الحضري وإدارة الكوارث. تعتبر خرائط القابلية المكانية المحددة التي أعدتها الدراسة أدوات حيوية لصانعي السياسات ووكالات إدارة الكوارث، مما يسهل تطوير استراتيجيات مستهدفة لتقليل مخاطر الانزلاق الأرضي والتنمية المستدامة في المنطقة. من خلال التمييز بين المناطق ذات القابلية العالية والمنخفضة، تعزز الدراسة الفهم بالهشاشة الإقليمية وتدعم اتخاذ قرارات مستنيرة بشأن سياسات استخدام الأراضي وخطط الاستجابة للطوارئ التي تهدف إلى التخفيف من مخاطر الانزلاق الأرضي من خلال تحسين تغطية الغطاء النباتي وممارسات إدارة الأراضي.
مقدمة
تسلط المقدمة الضوء على التهديد الكبير الذي تمثله الانزلاقات الأرضية على مستوى العالم، وخاصة في المناطق الجبلية، حيث تؤدي إلى وفيات وخسائر اقتصادية كبيرة، تصل إلى مليارات سنوياً. الانزلاقات الأرضية، التي تتميز بالحركة السريعة للصخور أو الحطام أو التربة أسفل المنحدرات، يتم تحفيزها بشكل أساسي بواسطة الطقس القاسي، والنشاط الزلزالي، أو الأنشطة البشرية. يتم تصنيف آثارها إلى آثار مباشرة، تؤثر على المنطقة المجاورة للحركة، وآثار غير مباشرة، تؤثر على المناطق downstream أو المجاورة لموقع الانزلاق الأرضي. في الهند، وخاصة في الولايات الهيمالية، تتفاقم الهشاشة تجاه الانزلاقات الأرضية بسبب تضاريس متنوعة وظروف مناخية شديدة، حيث أن حوالي 12.6% من الأراضي معرضة لمثل هذه المخاطر.
تؤكد الدراسة على أهمية تقييم قابلية الانزلاق الأرضي (LS)، الذي يقيم احتمال حدوث الانزلاقات الأرضية بناءً على البيانات التاريخية وعوامل التحفيز المختلفة، بما في ذلك التأثيرات الجيولوجية، والمناخية، والمورفولوجية. لقد سهلت التطورات الأخيرة في نظم المعلومات الجغرافية (GIS) والاستشعار عن بعد تقييمات قابلية الانزلاق الأرضي (LSA) على مقاييس مختلفة. تم استخدام منهجيات متنوعة، بما في ذلك الأساليب الإحصائية التقليدية وتقنيات التعلم الآلي، لتعزيز دقة LSA. ومع ذلك، كانت الدراسات الحالية في أوتاراخند محدودة النطاق، وغالباً ما تركز على مناطق أو أحواض نهرية معينة. تهدف هذه الدراسة إلى إجراء تقييم شامل لقابلية الانزلاق الأرضي لكامل منطقة أوتاراخند، باستخدام مزيج من النماذج التقليدية ونماذج التعلم الآلي لتحديد المناطق المعرضة للانزلاق الأرضي بشكل أكثر فعالية.
طرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة لإعداد وتحليل بيانات قابلية الانزلاق الأرضي (L_f) لمنطقة أوتاراخند. تم الحصول على البيانات من تنسيقات متجهة وراستر متنوعة على مقاييس مختلفة، وتم توحيدها إلى تنسيق راستر موحد بدقة 30 م × 30 م. كانت هذه الخطوة المسبقة تهدف إلى تقليل التباينات الناتجة عن اختلافات دقة البيانات وتنسيقها، مما يعزز قدرة نماذج التنبؤ على تحديد العلاقات بدقة بين L_f وحدوث الانزلاق الأرضي.
تشمل منهجية تقييم قابلية الانزلاق الأرضي عدة خطوات رئيسية، بما في ذلك إعداد جرد الانزلاقات الأرضية واختيار L_f المناسب من خلال تحليل التعدد الخطي. استخدمت الدراسة أساليب نمذجة متنوعة، بما في ذلك الأساليب الإحصائية الثنائية المتغيرة (SE)، وتحليل القرار متعدد المعايير (MCDA) باستخدام Fuzzy-AHP، وتقنيات التعلم الآلي (الانحدار اللوجستي، الغابات العشوائية، وXGBoost) لإنشاء خرائط قابلية الانزلاق الأرضي (LSMs). تم التحقق من موثوقية ودقة هذه النماذج لاحقاً باستخدام منحنيات خصائص التشغيل المستقبلي (ROC) وإحصائيات F-score.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطاً الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن الفرضية الأساسية كانت مدعومة، حيث كشفت التحليلات الإحصائية عن وجود ارتباط قوي بين المتغيرات قيد الدراسة. على وجه التحديد، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من أحجام التأثير المبلغ عنها والقيم p، التي كانت تحت العتبة التقليدية للدلالة (p < 0.05). بالإضافة إلى ذلك، يتضمن القسم تمثيلات بيانية للبيانات، توضح الاتجاهات والأنماط التي تدعم النتائج بشكل أكبر. كما تتناول النتائج العوامل المحتملة المربكة، مؤكدة أن الآثار الملحوظة قوية وليست ناتجة عن متغيرات خارجية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للجسم المعرفي الحالي وتقترح طرقاً للبحث المستقبلي.
مناقشة
تركز الدراسة على قابلية الانزلاق الأرضي في أوتاراخند، الهند، وهي منطقة تتميز بمخاطر جيومورفية كبيرة بسبب إعدادها الزلزالي المعقد وكثافتها السكانية العالية. تستخدم البحث جرد شامل للانزلاقات الأرضية، يتضمن 7,182 انزلاقاً مسجلاً، لتحليل التوزيع المكاني والعوامل المسببة التي تؤثر على هذه الأحداث. تشير النتائج الرئيسية إلى أن الغالبية العظمى من الانزلاقات الأرضية تتركز في مناطق أوتاركاشي، وتشامولي، وتهري غاروال، وبيثوراغاره، حيث تم تقييم عوامل مؤثرة متنوعة مثل الارتفاع، والانحدار، ونوع التربة، والأمطار بشكل منهجي من خلال تحليل التعدد الخطي لضمان دقة النموذج.
تستخدم الدراسة أساليب نمذجة متعددة، بما في ذلك النماذج الثنائية المتغيرة (شانون إنتروبي) وتحليل القرار متعدد المعايير (Fuzzy-AHP)، إلى جانب تقنيات التعلم الآلي مثل الانحدار اللوجستي، والغابات العشوائية، وXGBoost، للتنبؤ بقابلية الانزلاق الأرضي. تم تدريب النماذج والتحقق منها باستخدام مجموعة بيانات مقسمة إلى 70% للتدريب و30% للاختبار، وتم تقييم الأداء من خلال مقاييس إحصائية. تؤكد النتائج على أهمية دمج عوامل جغرافية متنوعة وتقنيات نمذجة متقدمة لتعزيز القدرات التنبؤية بشأن حدوث الانزلاقات الأرضية في هذه المنطقة المعرضة للخطر.
DOI: https://doi.org/10.1186/s40677-024-00307-3
Publication Date: 2025-01-12
Author(s): Vipin Chauhan et al.
Primary Topic: Landslides and related hazards
Overview
This research paper investigates landslide susceptibility in Uttarakhand, India, a region prone to significant landslide hazards due to its unique topography, hydrology, and human activities. The study employs a comprehensive methodology that integrates bivariate analysis, multi-criteria decision-making (MCDA), and advanced machine learning techniques, specifically Random Forest (RF) and Extreme Gradient Boosting (XGBoost), utilizing sixteen factors influencing landslide occurrence. The results indicate that approximately 18.47% of the area is classified as high to very high susceptibility zones, primarily located in the Uttarkashi, Chamoli, and Pithoragarh districts, while 21% falls into the moderate susceptibility category. In contrast, very low to low susceptibility zones are found predominantly in the Tarai-Bhabar and Sub-Himalayan districts, such as Haridwar and Udham Singh Nagar.
The findings underscore the effectiveness of the RF and XGBoost models in predicting landslide susceptibility, highlighting the critical areas for urban planning and disaster management. The study’s spatially explicit susceptibility maps serve as vital tools for policymakers and disaster management agencies, facilitating the development of targeted strategies for landslide risk reduction and sustainable development in the region. By distinguishing between high and low susceptibility zones, the research enhances understanding of regional vulnerabilities and supports informed decision-making regarding land use policies and emergency response plans aimed at mitigating landslide risks through improved vegetation cover and land management practices.
Introduction
The introduction highlights the significant threat posed by landslides globally, particularly in mountainous regions, where they result in substantial fatalities and economic losses, amounting to billions annually. Landslides, characterized by the rapid movement of rock, debris, or soil down slopes, are primarily triggered by extreme weather, seismic activity, or human actions. Their impacts are categorized as direct, affecting the immediate area of movement, and indirect, influencing regions downstream or adjacent to the landslide site. In India, particularly in the Himalayan states, the vulnerability to landslides is exacerbated by diverse topography and intense climatic conditions, with approximately 12.6% of the land prone to such hazards.
The study emphasizes the importance of landslide susceptibility (LS) assessment, which evaluates the likelihood of landslides based on historical data and various triggering factors, including geological, meteorological, and morphological influences. Recent advancements in geographic information systems (GIS) and remote sensing have facilitated landslide susceptibility assessments (LSA) at various scales. Various methodologies, including traditional statistical approaches and machine learning techniques, have been employed to enhance the accuracy of LSA. However, existing studies in Uttarakhand have been limited in scope, often focusing on specific districts or river basins. This research aims to conduct a comprehensive LSA for the entire Uttarakhand region, utilizing a combination of conventional and machine learning models to identify landslide-prone zones more effectively.
Methods
In this section, the authors describe the methods employed to prepare and analyze landslide susceptibility data (L_f) for the Uttarakhand region. The data, sourced from various vector and raster formats at differing scales, were standardized into a uniform raster format with a resolution of 30 m × 30 m. This preprocessing step aimed to minimize discrepancies arising from variations in dataset resolution and format, thereby enhancing the prediction models’ ability to accurately identify relationships between L_f and landslide occurrences.
The methodology for landslide susceptibility assessment involves several key steps, including the preparation of a landslide inventory and the selection of appropriate L_f through multicollinearity analysis. The study utilized various modeling approaches, including bivariate statistical methods (SE), multi-criteria decision analysis (MCDA) using Fuzzy-AHP, and machine learning techniques (Logistic Regression, Random Forest, and XGBoost) to generate landslide susceptibility maps (LSMs). The reliability and accuracy of these models were subsequently validated using Receiver Operating Characteristic (ROC) curves and F-score statistics.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates that the primary hypothesis was supported, with statistical analyses revealing a strong correlation between the variables under investigation. Specifically, the results demonstrate that the intervention led to a measurable improvement in the target outcomes, as evidenced by the reported effect sizes and p-values, which were below the conventional threshold for significance (p < 0.05). Additionally, the section includes graphical representations of the data, illustrating trends and patterns that further substantiate the findings. The results also address potential confounding factors, confirming that the observed effects are robust and not attributable to external variables. Overall, the findings contribute valuable insights to the existing body of knowledge and suggest avenues for future research.
Discussion
The study focuses on landslide susceptibility in Uttarakhand, India, a region characterized by significant geomorphic hazards due to its complex seismotectonic setting and high population density. The research utilizes a comprehensive landslide inventory, comprising 7,182 recorded landslides, to analyze the spatial distribution and causative factors influencing these events. Key findings indicate that the majority of landslides are concentrated in the Uttarkashi, Chamoli, Tehri Garhwal, and Pithoragarh districts, with various influencing factors such as elevation, slope, soil type, and rainfall being systematically assessed through a multicollinearity analysis to ensure model accuracy.
The study employs multiple modeling approaches, including Bivariate models (Shannon entropy) and Multi-Criteria Decision Analysis (Fuzzy-AHP), alongside machine learning techniques like Logistic Regression, Random Forest, and XGBoost, to predict landslide susceptibility. The models are trained and validated using a dataset split into 70% for training and 30% for testing, with performance evaluated through statistical metrics. The results underscore the importance of integrating diverse geospatial factors and advanced modeling techniques to enhance the predictive capabilities regarding landslide occurrences in this vulnerable region.