Devrek İlçesi’nin (Zonguldak) Yapay Sinir Ağları ile Heyelan Duyarlılık Değerlendirmesi

Abstract

ÖZ Heyelan, eğimli bir yamaçta dengede duran irili ufaklı malzemenin, yük dengesinin değişmesi, aşırı yağışa maruz kalması ve/veya depremler sonucu ortaya çıkan sismik titreşimler sonucu tetiklenmesiyle eğim aşağı hareketine denilmektedir. Her yıl binlerce insanın can ve mal kaybına yol açan heyelanlara karşı önlem almak yerel yöneticiler için önemli bir konudur. Çalışma sahası olarak seçilen Devrek İlçesi’nin heyelan duyarlılığının değerlendirilmesinde yapay sinir ağları (YSA) yöntemi tercih edilmiştir. Çalışma sahasına ait heyelan envanterine göre 115 aktif kayma tipinde heyelan haritalanmıştır. Toplamda 952,5 km2 olan çalışma sahasının %2’sine denk gelen 20,6 km2’lik saha, heyelan alanı olarak değerlendirilmiştir. Bu çalışmada Devrek ilçesinin heyelan duyarlılık değerlendirmesini yapabilmek amacıyla öncelikle heyelan envanterindeki heyelan sahaları var/bulunma verisine dönüştürülmüştür. Ardından toprak tipleri, litoloji, faylara uzaklık, akarsulara yakınlık, drenaj yoğunluğu, topografik yükseklik, eğim, bakı, yamaç yönelimi, ortalama eğim, eğim konumu sınıflandırması (SPC), düzlemsel eğrilik, teğetsel eğrilik, topografik nemlilik indeksi (TWI), yüzey-rölyef oranı (SRR), yüzey-alan oranı (SAR), birleşik nemlilik indeksi (IMI), maruziyet indeksi (SEI), topografik konum indeksi (TPI), birleşik topografik indeks (CTI), arazi şekil indeksi (LC) olmak üzere toplamda yirmi bir farklı parametre oluşturulmuştur. Bu parametreler kullanılarak beş farklı parametre grubu oluşturulmuştur. Her bir parametre grubu Bayesian Regularization Backpropagation (BR) ve Scaled Conjugate Gradient Backpropagation (SCG) eğitim algoritmaları ile eğitilmiştir. Modellerin eğitiminde kullanmak amacıyla heyelan sahalarına 250, heyelan olmayan sahalara 250 olmak üzere toplamda 500 örnek alan belirlenmiştir. Ağlar bu örnek alanlara göre eğitilmiştir. Ağlara sunulan veri setinin %70’i eğitim, %15’i test, %15’i doğrulama için kullanılmıştır. Sonuç olarak Devrek için on adet heyelan duyarlılık modeli üretilip haritalanmıştır. Haritalar, model çıktılarının beş eşit aralığa bölünmesi ile oluşturulmuştur. Buna göre 0-0,2 arası “çok düşük”, 0,2-0,4 arası “düşük”, 0,4-0,6 arası “orta”, 0,6-0,8 arası “yüksek”, 0,8-1 arası ise “çok yüksek” heyelan duyarlılığı olarak sınıflandırılmıştır. Modellerin doğruluk değerlendirmelerini yapmak amacıyla AUC (Area Under the Curve) ve hata matrisi (confusion matrix) yöntemleri kullanılmıştır. Tüm parametre grupları için BR eğitim algoritmasının SCG algoritmasına göre daha yüksek performansla kestirim yaptığı görülmüştür. En yüksek doğruluk değerlerinin elde edildiği modellerin kurulduğu ikinci (toprak, litoloji, eğim, ortalama eğim, yamaç yönelimi, SPC, SEI) ve dördüncü (toprak, litoloji, akarsulara yakınlık, ortalama eğim, SRR, SEI, TPI) parametre grupları çalışma sahası için yapılacak heyelan duyarlılık haritalarında kullanılması önerilmektedir. Bu iki parametre grubundan yola çıkarak çalışma sahasının heyelan duyarlılığının; toprak, litoloji ve topografik karakter ile eğim ilişkisini farklı şekillerde yansıtan indeksler kullanılarak belirlenmesinin doğru bir yaklaşım olacağı sonucuna ulaşılmıştır. Toplam on modelin çıktıları karşılaştırıldığında çalışma sahasındaki Tosunlar, Gürçeşme, Kurudere, Eveyikli, Velibeyler, Serdaroğlu, Yeşilyurt köylerinin bulunduğu alanlar tüm haritalarda “çok yüksek” heyelan duyarlılığına sahip olarak sınıflandırılmıştır. Özellikle bu yerleşme alanlarında bulunan eğimli yamaçlarda heyelan olaylarını tetikleyecek her türlü yol, bina ve tarımsal faaliyetten kaçınılması gerekmektedir. ABSTRACT A landslide is the downward movement of large and small materials standing in balance on an inclined slope, trigerred by the change in the load balance due to excessive rainfall and/or seismic vibrations associated to earthquakes. It is an important issue for local administrators to take preventive measures against landslides that cause the loss of life and property of thousands of people every year. Artificial neural networks (ANN) method used in assessment of landslide susceptibility of the selected study area of Devrek District. 115 active-slide type landslides are mapped according to the landslide inventory of the study area. An area of 20.6 km2 which makes 2% of the total 952.5 km2 of the study area has been evaluated as a landslide area. In this study, landslide areas in the landslide inventory were first transformed into 0-1 data in order to assessment the landslide susceptibility of Devrek District. Subsequently, twenty one different parameters are created which are soil types, lithology, distance to faults, distance to streams, drainage density, topographic elevation, slope, aspect, slope aspect, mean slope, slope position classification (SPC), planar curvature, profile curvature, topographic wetness index (TWI), surface-relief ratio (SRR), surface-area ratio (SAR), integrated moisture index (IMI), exposure index (SEI), topographic position index (TPI), compound topographic index (CTI), landform classification (LC). Afterwards, five different parameter groups are created using these 21 parameters. Each parameter group has been trained with Bayesian Regularization Backpropagation (BR) and Scaled Conjugate Gradient Backpropagation (SCG) training algorithms. A total of 500 sample areas comprising 250 to the landslide areas and 250 to the non-landslide areas are determined to use in the training of the models. Networks have been trained according to these sample areas. For this purpose, 70% of the data set presented to the networks is used for training, 15% for testing while 15% for validation. As a result, ten landslide susceptibility models have been produced and mapped for Devrek. Maps are created by dividing the model outputs into five equal intervals. According to these intervals the value between 0-0.2 is classified as “very low”, following by the values between 0.2-0.4 as “low”, 0.4-0.6 as “medium”, 0.6-0.8 as “high” and 0.8-1 as “very high” landslide susceptibility. AUC (Area Under the Curve) and confusion matrix methods were used to evaluate the accuracy of the models. It was seen that BR training algorithm predicts with higher performance than SCG algorithm for all parameter groups. The second (soil, lithology, slope, mean slope, slope aspect, SPC, SEI) and the fourth (soil, lithology, distance to streams, mean slope, SRR, SEI, TPI) parameter groups where the models with the highest accuracy values are established for the study area are recommended for the use in landslide susceptibility maps. Therefore, it is concluded that a correct approach to determine the relationship between soil, lithology, topographic character and slope in different ways to determine the landslide susceptibility of the study area based on these two parameter groups. The areas including Tosunlar, Gürçeşme, Kurudere, Eveyikli, Velibeyler, Serdaroğlu, Yeşilyurt villages are located in study area are classified as having “very high” landslide susceptibility on all maps in comparison of all the ten models. Therefore, kinds of activities like building and road constructions, alongside agriculture that will trigger landslide events should be avoided especially on slopes in these settlements.