نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار/ دانشگاه محقق اردبیلی

2 مدرس-دانشگاه تبریز

3 هیئت علمی دانشگاه افسری امام علی (ع)

چکیده

 





 





تشخیص و طبقه بندی زمین لغزش ها یک نیاز حیاتی در تجزیه و تحلیل خطر قبل و بعد از وقوع فاجعه است. و دردرجه اول از طریق نقشه برداری زمینی یا تفسیر سنتی تصاویر انجام      می­گردد. در این مقاله به شناسایی و طبقه بندی انواع زمینلغزش با رویکرد روش شیءگرا، پرداخته شده است. داده های مورد استفاده در این پژوهش شامل تصاویر رنگی کاذب مستخرج از داده های ماهواره Resourcesat-1 با قدرت تفکیک مکانی 5.8  متر و مدل ارتفاع رقومی  با قدرت تفکیک 10 متری حاصل از تصاویر 2.5 متری ماهواره Cartosat-1استفاده گردیده است. این روش برای قسمت شمال غرب حوضه آبریز به کار گرفته شد و پس از آن بدون اصلاحات بیشتر در قسمت های شرقی حوضه مورد استفاده واقع شداز این بین 70 درصد زمین­لغزش­ها برای اجرای مدل و 30 درصد دیگر برای اعتبارسنجی به کار رفته است. با توجه به نتایج بدست آمده 02/34 درصد از اراضی محدوده مورد مطالعه به عنوان منطقه­ای با پتانسیل خیلی زیاد و زیاد برای وقوع زمین لغزش در نظر گرفته شده­اند. همچنین، درصد قابل توجهی از زمین لغزش­ها در طبقه با حساسیت زیاد و خیلی زیاد(05/57) قرار دارند. در مجموع سه نوع لغزش با استفاده از این روش با دقت شناسایی71.11٪ و دقت کلاس بندی91.4٪ تشخیص داده شده است. لذا می­توان گفت دقت مدل­های بکار رفته در پهنه­بندی حساسیت وقوع زمین­لغزش قابل قبول و خوب است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identification and classification of landslides type using spatial and spectral features procedures by object-oriented approach (Nasirabad to Sattarkhan dam of Ahar Chay)

نویسندگان [English]

  • musa abedini 1
  • shahram roostaei 2
  • Mohammad Hossein Fathi 3

2 Professor- tabriz university

چکیده [English]

Diagnosis and classification of landslides is a critical need in the risk analysis before and after the disaster. And primarily through land surveying or traditional interpretation of images was done. In this paper to identify and classify types of object-oriented approach landslide has been paid. The data used in this study consisted of false color images obtained from satellite data Resourcesat-1 with spatial resolution of 5.8 meters and digital elevation models with 2.5-meter resolution satellite image of 10 meters of Cartosat-1 was used. This method was used for the North West basin and then used without further reforms in the eastern part of the basin. A total of three sliding using this method accurately identified 71.11% and 91.4% classification accuracy has been detected. In this way, the landslide early detection of high accuracy and speed, hence has great potential to assist in risk analysis, disaster management and decision making process after the earthquake or heavy rainfall, can be used related entities, including crisis management headquarters, natural resources and watershed institutions.

کلیدواژه‌ها [English]

  • Landslide
  • object-oriented approach
  • identification
  • segmentation
  • IRS satellite
- روستایی، شهرام (1378)، تحلیل­های مورفومتری و مفاهیم ژئومورفیک زمین لغزش­ها در حوضه اهرچای علیا، جغرافیا و برنامه­ریزی،  سال پنجم شماره  7، صص 96-71.
- عابدینی، موسی، فتحی، محمد حسین (1393)، پهنه بندی حساسیت خطر وقوع زمینلغزش در حوضه آبخیز خلخال چای، ژئومورفولوژی کمی، سال دوم، شماره4، صص 85-71.
- عابدینی، موسی و بهاره قاسمیان (1394)، پهنه­ بندی خطرزمین لغزش با مدل AHP و  نقش آن در برنامه ریزی شهری. مطالعه موردی: شهرستان بیجار›› جغرافیا و برنامه ریزی ، شماره 52. سال 19،صص 227-205.
- عابدینی، موسی و حسن ستایش­نسار (1393)، پهنه­بندی خطر وقوع زمین­لغزش با استفاده از مدل تحلیل سلسله مراتبی (AHP) مطالعه موردی: حوضه آبخیز گُلجه ،جغرافیا و برنامه­ریزی،  شماره 49. سال 18،صص 165-139.
-Abedini, M & Tulabi, S., 2018. Assessing LNRF, FR, and AHP models in landslide susceptibility mapping index: a comparative study of Nojian watershed in Lorestanprovince, Iran. Enviro Earth Sci 77:405. https://doi.org/10.1007/s12665-018-7524-1
-Barlow, J., Franklin, S., Martin, Y., 2006. High spatial resolution satellite imagery derivatives, and image segmentation for the detection of mass wasting processes. 72, 687–692.
-Barlow, J., Martin, Y., Franklin, S.E., 2003. Detecting translational landslide scars usingsegmentation of Landsat ETM+ and DEM data in the northern Cascade Mountains,. Canadian Journal of Remote Sensing 29, 510–517.
-Borghuis, A.M., Chang, K., Lee, H.Y., 2007. Comparison between automated and manual mapping of typhoon-triggered landslides from SPOT-5 imagery. International Journal of Remote Sensing 28, 1843–1856.
-Brardinoni, F., Slaymaker, O., Hassan, M.A., 2003. Landslide inventory in a rugged forested watershed: a comparison between air-photo and field survey data. Geomorphology54, 179–196.
-Cruden, D., Varnes, D.J., 1996. Landslide types and processes. In: Turner, A.K., Schuster,R.L. (Eds.), Landslides Investigation and Mitigation.: Special Report, 247.Transportation Research Board, National Academy of Sciences, Washington D.C,pp. 36–75.
-Dragut, L., Blaschke, T., 2006. Automated classification of landform elements using object-based image analysis. Geomorphology 81, 330–344.
-eCoginiton Developer 2012: Userguide, eCoginiton Developer Imaging.
-Dewitte, O., Demoulin, A., 2005. Morphometry and kinematics of landslides inferredfrom precise DTMs in. Natural Hazards and Earth System Sciences 5,259–265.Geological Society of America Bulletin 87, 1153–1162.
-Guzzetti, F., Cardinali, M., Reichenbach, P., Carrara, A., 2000. Comparing landslide maps: acase study in the upper Tiber River Basin, central Italy. Environmental Management25, 247–263.
-Hobbling, Daniel., Friedl, Barbara & Eisank Clemens, 2015. An object-based approach for semi-automated landslide change detection and attribution of changes to landslide classes in northern Taiwan., Earth Sci Inform (2015) 8:327–335., DOI 10.1007/s12145-015-0217-3.
-James D; Hurad. Daniel L; Civco. Martha S; Gilmore. Emily H; Wilson. 2006. Tidal Wetland Classification from Landsat Imagery Using an Integrated Pixel-based and Object-based Classification Approach. ASPRS 2006 Annual Conference Reno, Nevada. May 1-5, 2006.
-Mantovani, F., Soeters, R., van Westen, C.J., 1996. Remote sensing techniques forlandslide studies and hazard zonation in Europe. Geomorphology 15, 213–225.
-Schneevoigt, N.J., van der Linden, S., Thamm, H.-P., Schrott, L., 2008. Detecting Alpinelandforms from remotely sensed imagery. A pilot study in the Bavarian Alps.Geomorphology 93, 104–119.
-Singhroy, V., Mattar, K.E., Gray, A.L., 1998. Landslide characterisation in Canada using interferometric SAR and combined SAR and TM images. Advances in Space Research 21, 465–476.
-Strahler, A.N., 1965. Introduction to Physical Geography. Wiley & Sons.
Tarantino, C., Blonda, P., Pasquariello, G., 2007. Remote sensed data for automaticdetection of land-use changes due to human activity in support to landslide studies. Natural Hazards 41, 245–267.
-Tapas R,Martha .,  Norman, Kerle ., Cees J. van Westen ., Victor Jetten.,K. Vinod Kumar .,2012., Object-oriented analysis of multi-temporal panchromatic images for creationof historical landslide inventories., ISPRS Journal of Photogrammetry and Remote Sensing 67 (2012) 105–119.
-Tarboton, D.G., 1997. A new method for the determination of flow directions andcontributing areas in grid digital elevation models. Water Resources Research 33,309–319.
-van Asselen, S., Seijmonsbergen, A.C., 2006. Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM. Geomorphology 78,309–320.
-Van Den Eeckhaut, M., et al., 2007. Use of LIDAR-derived images for mapping oldlandslides under forest. 32, 754–769.
-Varnes, D.J., 1978. Slope movements types and processes. In: Schuster, R.L., Krizek, R.L. (Eds.), Landslides: Analysis and Control. Special Report 176. Transportation Research Board, National Academy of Sciences, Washington D.C, pp. 11–33.