Akademik Veri Yönetim Sistemi
ENVIRONMENTAL EARTH SCIENCES, cilt.83, ss.1-17, 2024 (SCI-Expanded)
Bu çalışma, Türkiye'nin Karadeniz Bölgesi'nde yer alan Trabzon ilinin Beşikdüzü ilçesindeki sığ heyelan duyarlılık haritalarının oluşturulmasında istatistiksel, makine öğrenmesi ve fiziksel tabanlı modeller de dahil olmak üzere çeşitli modelleme yaklaşımlarının etkinliğini değerlendirmeyi ve karşılaştırmayı amaçlamaktadır. 2000-2018 yıllarını kapsayan heyelan envanter verileri, titiz saha araştırmaları ve Google Earth uydu görüntülerinin analizi yoluyla elde edilmiştir. Eğim, bakı, topografik ıslaklık indeksi, akış gücü indeksi, plan ve profil eğriliği ve jeolojik birimler gibi temel topografik ve jeolojik girdi parametreleri, sırasıyla yüksek çözünürlüklü 10 m uzaysal DEM (Sayısal Yükseklik Modeli) ve 1:25.000 ölçekli sayısal jeoloji haritasından çıkarılmıştır. Ayrıca, fiziksel temelli model için kritik olan toprak birim ağırlığı ve kayma mukavemeti parametreleri saha numuneleri aracılığıyla belirlenmiştir. Heyelan duyarlılığını değerlendirmek için lojistik regresyon, rastgele orman ve Shalstab seçilen yöntemler olarak kullanılmıştır. Her bir yöntemle oluşturulan duyarlılık haritalarının doğruluğu, eğri altındaki alan yöntemi kullanılarak değerlendirilmiş ve rastgele orman modeli için 0,99, lojistik regresyon modeli için 0,97 ve Shalstab modeli için 0,93 gibi etkileyici değerler elde edilmiştir. Bu sonuçlar, her üç yöntemin de sağlam performansının altını çizmekte ve sadece Karadeniz Bölgesi'nde değil, aynı zamanda benzer alanlarda sığ heyelan duyarlılık haritaları oluşturmak için uygulanabilirliklerini göstermektedir.
This study endeavors to assess and compare the efcacy of various modeling approaches, including statistical, machine
learning, and physical-based models, in the creation of shallow landslide susceptibility maps within the Besikduzu district
of Trabzon province, situated in the Black Sea Region of Türkiye. The landslide inventory data, spanning from 2000 to
2018, was acquired through meticulous feld surveys and analysis of Google Earth satellite imagery. Key topographic and
geologic input parameters, such as slope, aspect, topographic wetness index, stream power index, plan and profle curvature,
and geologic units, were extracted from a high-resolution 10 m spatial DEM (Digital Elevation Model) and a 1:25,000 scaled
digital geology map, respectively. Additionally, soil unit weight and shear strength parameters, critical for the physical-based
model, were determined through feld samples. To evaluate landslide susceptibility, logistic regression, random forest, and
Shalstab were employed as the chosen methods. The accuracy of susceptibility maps generated by each method was assessed
using the area under the curve method, yielding impressive values of 0.99 for the random forest model, 0.97 for the logistic
regression model, and 0.93 for the Shalstab model. These results underscore the robust performance of all three methods,
suggesting their applicability for generating shallow landslide susceptibility maps not only in the Black Sea Region but also
in analogous areas with similar geological characteristics.