Влияние разрешения цифровой модели рельефа на оценку оползневой опасности (на примере района Шапа провинции Лаокай, Вьетнам

Введение

Качество имеющихся исходных данных играет важную роль в достоверности результатов моделирования оползневой опасности. Одним из наиболее значимых параметров для выполнения анализа является информация о рельефе местности [16].

Цифровая модель рельефа (ЦМР) может быть создана с использованием различных методов, включая наземную съемку, аэрофотограмметрию, LiDAR (англ. Light Detection and Ranging) и InSAR (англ. Interferometric Synthetic Aperture Radar) съемки. Качество ЦМР может быть оценено на основе ее пространственного разрешения. Пространственное разрешение – величина, определяющая количество точек (элементов растрового изображения) на единицу площади (или единицу длины). Разрешение растровой структуры данных может быть охарактеризовано в терминах размера ячеек сетки. Выбор оптимального размера зависит от целей исследований и масштаба анализа [6].

Объект исследований

Лаокай – одна из северных провинций Вьетнама, наиболее подверженная оползневым процессам [15]. Расположенный на ее северо-западе район Шапа (Рисунок 2.1) находится примерно в 38 км от города Лаокай и в 376 км от Ханоя. Он покрывает площадь 675,8 км2 и имеет высоту над уровнем моря от 150 м до более чем 3000 м. Район Шапа столкнулся с проблемой активизации оползневых и эрозионных процессов вследствие сельскохозяйственного освоения и развития туризма [7].

Рис.1. Расположение района исследования

Оценка оползневой опасности является важнейшим компонентом национальной стратегии предотвращения и уменьшения последствий стихийных бедствий. Главной задачей при проведении анализа оползневой опасности является определение условий оползнеобразования, под которыми следует понимать всю совокупность природных и антропогенных факторов, нарушающих равновесие масс горных пород [3]. Для каждой территории набор таких условий может существенно отличаться. Разработка карты оползневой опасности зависит от сложной взаимосвязи между проявлениями оползней и оползневыми факторами. Переменные, которые способствовали составлению карт, были выбраны на основе обзора литературы и подробных полевых исследований [8]. Обе модели учитывали следующие факторы оползнеобразования: 1) крутизна склонов; 2) состав грунтов; 3) расстояние от активных разломов; 4) вертикальное расчленение рельефа; 5) горизонтальное расчленение рельефа; 6) обводненность массивов; 7) количество осадков; 8) тип растительности.

Важнейшим элементом, необходимым для оценки достоверности выполненной оценки оползневой опасности является информация о фактическом распределении существующих проявлений оползневых процессов, которая отображается на «карте инвентаризации оползней» [9]. При составлении карт инвентаризации (LIM) внимание фокусируется на определении границ оползней и игнорирует особенности оползневых деформаций. Наряду с отображением пространственного распределения оползней карта инвентаризации может включать другие виды информации, такие как: геометрические характеристики оползня (размеры, площадь, глубина захвата склонового массива оползневыми деформациями), особенности геологического строения (литология, структура, свойства грунтов) и гидрогеологических условий [14].

В районе исследования было выявлено в общей сложности 130 оползней, при этом наименьшая площадь оползня составила 395,6 м², а самая большая площадь оползня – 70447,4 м². Большинство оползней было зафиксировано в коммуне Чунгчай, в центре района Шапа, в коммунах Лаочай, Таван и Банхо (Рис. 1).

Методы исследования

Метод анализа иерархий (англ. Analytic Hierarchy Process – AHP), предложенный Т. Л. Саати [5, 12], предоставляет экспертам относительно простой и эффективный способ измерения объективных и субъективных факторов посредством попарных относительных сравнений и вычисления соответствующих приоритетов шкалы отношений. Он является примером полуколичественного подхода – многокритериального анализа [13].

Ранее выполненные исследования [4, 10, 11] показали, что основным недостатком классической формулировки AHP является необходимость использования экспертных оценок, что вносит определенный субъективизм в результат оценки региональной оползневой опасности.

В настоящем исследовании был использован модифицированный метод анализа иерархий (MAHP) [1, 2, 4] при двух разных разрешениях ЦМР - 30 м (MAHP30) и 10 м ( MAHP10). В исследовании Нгуена Ч. К. [3], модель MAHP30 использовалась для оценки оползневой опасности в северо-западном регионе провинции Лаокай, который включал район Батсат, район Шапа и город Лаокай. Модель MAHP10 была использована авторами для оценки оползневой опасности в районе Шапа [1]. Основным критерием для определения значимости фактора в MAHP является форма функции распределения выявленных оползней по информационным классам рассматриваемого фактора [2].

Результаты и обсуждение

В результате были получены карты, на которых район исследования был разделен на пять зон по оползневой опасности: очень низкая, низкая, средняя, высокая и очень высокая.

Достоверность карт определялась с использованием обучающей выборки (91 оползень - обучающая выборка и 39 оползней – данные для проверки).

Зоны очень высокой и очень низкой оползневой опасности – две зоны, которые вызывают наибольший интерес для анализа, поскольку категории неустойчивости/устойчивости для них выражены наиболее контрастно. Уровень достоверности, полученный для этих двух зон имеет определяющее значение для оценки точности карт оползневой восприимчивости и опасности (Рис. 2 и Рис. 3).

Рис. 2. Карта оползневой восприимчивости (a), карта оползневой опасности (б) с применением модели MAHP30

Рис. 3. Карта оползневой восприимчивости (a), карта оползневой опасности (б) с применением модели MAHP10

Распределение зон оползневой опасности по площади приведено на рис. 4 и в таблице 1. Площадь зоны очень низкой оползневой опасности составляет 30,26% на карте, построенной на основе ЦМР, с разрешением 30м. (MAHP30) и 24,86%, на карте, построенной на основе ЦМР, с разрешением 10м. (MAHP10). Зона очень высокой оползневой опасности занимает 12,3% (MAHP 30) и 14,73% (MAHP10) соответственно.

Рис. 4. Распределение зон оползневой опасности по площади с использованием моделей MAHP30 и MAHP10

Таблица . Распределения оползней по классам оползневой опасности

Чтобы оценить, какая модель является более достоверной, было изучено распределение оползней в пределах, выделенных по степени опасности зон с использованием результатов по обучающей выборке и данных проверки (Рис. 5 и Рис. 6).

Рис. 5. Сравнение распределения процента площади оползней с использованием обучающей выборки

Рис. 6. Сравнение распределения процента площади оползней с использованием данных проверки

AUC ROC (площадь под кривой ошибок) анализ так же показал, что при использовании ЦМР более высокого разрешения, достоверность модели увеличивается (Рис. 7) и, таким образом, можно сделать вывод, что качество оценки оползневой опасности имеет прямую корреляцию с пространственным разрешением цифровой модели рельефа.

Рис. 7. Кривая успеха (a) и прогнозирования (b) моделей MAHP30 и MAHP10 по кривой ROC

Заключение

Выполненный анализ показал, что модель MAHP10 является более достоверной (площадь оползней в зоне очень высокой опасности, полученная оползня с использованием обучающей выборки – 28,59%, площадь оползней, полученная в зоне очень высокой опасности с использованием данных проверки - 20,96%), в сравнении с моделью MAHP30 (площадь оползней в зоне очень высокой опасности, полученная оползня с использованием обучающей выборки – 26,16%, площадь оползней, полученная в зоне очень высокой опасности с использованием данных проверки – 11,27%). Аналогичные результаты получены и для зоны с очень низкой опасностью. В модели MAHP10 ее площадь составила 6,38% (для обучающей выборки) и 3,76% (для данных проверки), в модели MAHP10 – 32,14% и 8,6% соответственно.

Список литературы

1.Зыонг В. Б., Фоменко И. К., Ву Х. Д., et al., 2021. Региональная оценка оползневой опасности модифицированным методом анализа иерархий в геоинформационной системе (на примере района Шапа провинции Лаокай Вьетнама). Инженерная геология, Т. ХVI, № 2, с. 6-20, https://doi.org/10.25296/1993-5056-2021-16-2-6-20.

2.Зыонг М. Х., Фоменко И. К., Пендин В. В., 2013. Региональный прогноз оползневой опасности для района Ха Лонг-Кам Фа на севере-востоке Вьетнама. Инженерная геология, № 1, с. 46-54,

3.Нгуен Ч. К., 2018. Научно-методические основы региональной оценки риска от оползневых процессов (на примере района северо-западный Лаокай Вьетнама), в дис ... кандидата геол. минер. наук: 25.00.08. МГРИ-РГГРУ, Москва.

4.Нгуен Ч. К., Фоменко И. К., Пендин В. В., Нгуен К. Т., 2017. Применение метода анализа иерархий при региональной оценке оползневой опасности (на примере района северо-западный Лаокай, Вьетнам). Геоинформатика, № 2, с. 53-66.

5.Саати Т. Л., 1993. Принятие решений - Метод анализа иерархий (Пер.с англ). Радио и связь, Москва.

6.Chang K.-T., Merghadi A., Yunus A. P., et al., 2019. Evaluating scale effects of topographic variables in landslide susceptibility models using GIS-based machine learning techniques. Scientific Reports, Vol. 9, Issue 1, https://doi.org/10.1038/s41598-019-48773-2.

7.Dang K. B., Burkhard B., Mьller F., Dang V. B., 2018. Modelling and mapping natural hazard regulating ecosystem services in Sapa, Lao Cai province, Vietnam. Paddy and Water Environment, Vol. 16, Issue 4, pp. 767-781, https://doi.org/10.1007/s10333-018-0667-6.

8.Getachew N., Meten M., 2021. Weights of evidence modeling for landslide susceptibility mapping of Kabi-Gebro locality, Gundomeskel area, Central Ethiopia. Geoenvironmental Disasters, Vol. 8, Issue 1, https://doi.org/10.1186/s40677-021-00177-z.

9.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, Vol. 31, Issue 1, pp. 181-216, https://doi.org/10.1016/S0169-555X(99)00078-1.

10.Hasekioрullarэ G. D., Ercanoglu M., 2012. A new approach to use AHP in landslide susceptibility mapping: a case study at Yenice (Karabuk, NW Turkey). Natural Hazards, Vol. 63, Issue 2, pp. 1157-1179, https://doi.org/10.1007/s11069-012-0218-1.

11.Kayastha P., Dhital M. R., De Smedt F., 2013. Application of the analytical hierarchy process (AHP) for landslide susceptibility mapping: A case study from the Tinau watershed, west Nepal. Computers & Geosciences, Vol. 52, pp. 398-408, https://doi.org/10.1016/j.cageo.2012.11.003.

12.Saaty T. L., 1977. A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, Vol. 15, Issue 3, pp. 234-281, https://doi.org/10.1016/0022-2496(77)90033-5.

13.Saaty T. L., Vargas L., 2001. Models, Methods, Concepts & Applications of the Analytic Hierarchy Process. International Series in Operations Research & Management Science. Springer US, New York.

14.Su Z., Chow J. K., Tan P. S., et al., 2021. Deep convolutional neural network–based pixel-wise landslide inventory mapping. Landslides, Vol. 18, Issue 4, pp. 1421-1443, https://doi.org/10.1007/s10346-020-01557-6.

15.Thanh N. K., Miyagi T., Isurugi S., et al., 2021. Developing Recognition and Simple Mapping by UAV/SfM for Local Resident in Mountainous Area in Vietnam - A Case Study in Po Xi Ngai Community, Laocai Province. In Guzzetti F., Mihaliж Arbanas S., et al., (eds), Understanding and Reducing Landslide Disaster Risk: Volume 2 From Mapping to Hazard and Risk Zonation. WLF 2020. Springer International Publishing, Cham. pp. 103-109, https://doi.org/10.1007/978-3-030-60227-7_10.

16.Tran T. V., Lee G., An H., Kim M., 2017. Comparing the performance of TRIGRS and TiVaSS in spatial and temporal prediction of rainfall-induced shallow landslides. Environmental Earth Sciences, Vol. 76, Issue 8, pp. 1-16, https://doi.org/10.1007/s12665-017-6635-4.