ΑΝΑΠΤΥΞΗ ΠΡΟΓΝΩΣΤΙΚΟΥ ΧΩΡΙΚΟΥ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΔΕΚΤΙΚΟΤΗΤΑΣ ΥΠΟ ΤΟ ΠΡΙΣΜΑ ΤΗΣ ΚΛΙΜΑΤΙΚΗΣ AΛΛΑΓΗΣ

PROJECTING LANDSLIDE SUSCEPTIBILITY UNDER CLIMATE CHANGE (english)

  1. MSc thesis
  2. ΧΡΥΣΑΦΗ, ΑΙΚΑΤΕΡΙΝΗ-ΑΛΕΞΑΝΔΡΑ
  3. Περιβαλλοντικός Σχεδιασμός Έργων Υποδομής (ΠΣΕ)
  4. 19 September 2020 [2020-09-19]
  5. Ελληνικά
  6. 242
  7. ΗΛΙΑ, ΙΩΑΝΝΑ
  8. ΛΟΥΠΑΣΑΚΗΣ, ΚΩΝΣΤΑΝΤΙΝΟΣ
  9. Κατολισθήσεις, Κατολησθητική Επιδεκτικότητα, Κλιματική Αλλαγή, Γεωγραφικά Συστήματα Πληροφοριών (Γ.Σ.Π.), Λογιστική Παλινδρόμηση | Landslides, Landslide Susceptibility, Climate Change, Geographical Information System (G.I.S.), Logistic Regression (LR)
  10. 38
  11. 257
  12. Εικόνες, Σχήματα, Πίνακες
  13. Ανάπτυξη προγνωστικού χωρικού μοντέλου για την εκτίμηση της κατολισθητικής επιδεκτικότητας υπό το πρίσμα της Κλιματικής Aλλαγής/Χρυσάφη Αικατερίνη-Αλεξάνδρα
    • Είναι καλά τεκμηριωμένο ότι φυσικά φαινόμενα (όπως βροχόπτωση, θερμοκρασία, σεισμική και ηφαιστειακή δραστηριότητα) καθώς και διάφορες διεργασίες που προκαλούνται από τον άνθρωπο επηρεάζουν την ευστάθεια των πρανών και την εξέλιξη των κατολισθήσεων. Όσον αφορά τις κλιματικές μεταβλητές, κυρίως η βροχόπτωση και σε κάποιο βαθμό η θερμοκρασία επηρεάζει τη ευστάθεια των πρανών σε διάφορες χωρικές και χρονικές κλίμακες. Ο κύριος στόχος της παρούσας μελέτης ήταν να εκτιμηθεί ο αντίκτυπος της προβλεπόμενης κλιματικής αλλαγής στην εμφάνιση κατολισθήσεων στην ορεινή περιοχή του Πηλίου, μια περιοχή με σημαντική ιστορία κατολισθήσεων και τουριστικής ανάπτυξης. Η μεθοδολογία που αναπτύχθηκε αφορούσε δύο φάσεις, που περιγράφονται στις ακόλουθες παραγράφους. Η πρώτη φάση επίτευξης του στόχου μας ήταν να εκτιμήσουμε την επιδεκτικότητα των κατολισθήσεων. Η επιδεκτικότητα των κατολισθήσεων εκφράζει την πιθανότητα εμφάνισης κατολισθήσεων σε μια περιοχή βάσει των τοπικών συνθηκών εδάφους. Το μοντέλο Λογιστικής Παλινδρόμησης (Logistic Regression Model) χρησιμοποιήθηκε ως μοντέλο πρόβλεψης, ενώ αναλύθηκαν δώδεκα μεταβλητές σχετικές με κατολισθήσεις. Συγκεκριμένα, το υψόμετρο, οι μορφολογικές κλίσεις, οι διευθύνσεις των μορφολογικών κλίσεων, η απόσταση από το υδρογραφικό δίκτυο, η καμπυλότητα κατά την διεύθυνση κλίσης, ο δείκτης μεταφοράς ιζήματος (STI), ο δείκτης ισχύος ροής (SPI), ο δείκτης τοπογραφικής υγρασίας (TWI), η καμπυλότητα, η καμπυλότητα κάθετα στην διεύθυνση κλίσης, η απόσταση από τεκτονικά στοιχεία, η λιθολογία ήταν οι δώδεκα μεταβλητές που προσδιορίστηκαν ως πιο σημαντικές και σχετικές με τα φαινόμενα κατολισθήσεων που καταγράφηκαν στην περιοχή έρευνας. Επίσης, αναλύθηκαν 187 γεγονότα κατολισθήσεων και μαζί με 187 μη κατολισθητικά συμβάντα, που προσδιορίστηκαν σύμφωνα με ορισμένα κριτήρια, αποτέλεσαν την αρχική βάση δεδομένων. Για τους σκοπούς των διαδικασιών ελέγχου-επαλήθευσης, η αρχική βάση δεδομένων διαχωρίστηκε σε μια βάση δεδομένων εκπαίδευσης και επικύρωσης, ενώ η αξιολόγηση της προγνωστικής απόδοσης της ανεπτυγμένης μεθοδολογίας έγινε με τον υπολογισμό της περιοχής κάτω από την καμπύλη επιτυχίας και πρόβλεψης (AUC) σχετικά με τον τελικό χάρτη επιδεκτικότητας στις κατολισθήσεις. Η δεύτερη φάση αφορούσε την εκτίμηση της διαφοράς του Τροποποιημένου Δείκτη Fourier (MFI), ο οποίος αντιπροσωπεύει τη σχέση μεταξύ της μέσης μηνιαίας βροχόπτωσης και της μέσης ετήσιας βροχόπτωσης, ενός ισχυρού δείκτη ραγδαιότητας βροχοπτώσεων, για δύο χρονικές περιόδους, για το παρόν και το 2050. Για την παρούσα μελέτη χρησιμοποιήθηκε το κλιματικό μοντέλο HadGEM2-ES από το έργο Coupled Model Intercomparison. Από τη διεξαγόμενη ανάλυση και για την πρώτη φάση, ο χάρτης επιδεκτικότητας κατολισθήσεων ταξινομήθηκε σε 5 κατηγορίες, συγκεκριμένα: πολύ χαμηλή επιδεκτικότητα, χαμηλή επιδεκτικότητα, μέτρια επιδεκτικότητα, υψηλή επιδεκτικότητα και πολύ υψηλή επιδεκτικότητα. Το ανατολικό τμήμα της περιοχής παρουσιάζει τη μεγαλύτερη επιδεκτικότητα σε κατολισθήσεις, η οποία καλύπτεται κυρίως από μεταμορφωμένα πετρώματα (σχιστόλιθους, γνεύσιους, φυλλίτες, χαλαζίτες), με υψόμετρα που κυμαίνονται μεταξύ 400 - 600 μέτρων και μορφολογικές κλίσεις μεταξύ 16-25 μοιρών. Το LRM, με βάση τα δεδομένα εκπαίδευσης και επικύρωσης έδειξε σχετική πυκνότητα κατολισθήσεων για την πολύ υψηλή επιδεκτική ζώνη που έφτασε το 50,61% κατά τη χρήση της βάσης δεδομένων εκπαίδευσης και το 43,67% κατά τη χρήση της βάσης δεδομένων επικύρωσης. Η AUC για τα δεδομένα εκπαίδευσης υπολογίστηκε 0,7181 και η τιμή AUC για τα δεδομένα επικύρωσης 0,7118. Και τα δύο δείχνουν ότι το LRM είχε μια αρκετά προγνωστική ικανότητα όσον αφορά τον εντοπισμό περιοχών οι οποίες είναι επιρρεπείς σε κατολισθήσεις. Όσον αφορά τη δεύτερη φάση, παρατηρήθηκε αύξηση 13 έως 18% στις τιμές των MFI, καλύπτοντας ολόκληρη την περιοχή μελέτης, η οποία θα επηρεάσει την εξέλιξη των κατολισθήσεων. Συγκεκριμένα, το νότιο τμήμα της περιοχής μελέτης, είναι πιθανό να παρουσιάσουν την υψηλότερη αύξηση, ενώ οι περιοχές με υψηλή και πολύ υψηλή επιδεκτικότητα θα έχουν αύξηση περίπου, πάνω από 16%. Τα αποτελέσματα της παρούσας μελέτης θα μπορούσαν να βοηθήσουν σε εκτιμήσεις επιδεκτικότητας σε κατολισθήσεις που έχουν επιπλέον έμφαση στην κλιματική αλλαγή παρέχοντας σημαντικές χωρικές πληροφορίες και γνώσεις στις τοπικές και περιφερειακές αρχές.
    • It is well documented that a variety of natural phenomena (such as precipitation, temperature, seismic and volcanic activity) and also human induced processes influence the stability of slopes and the evolution of landslides. Concerning climate variables, mainly precipitation and in some extent temperature influences slope stability in varying spatial and temporal scales. The main objective of the present study was to assess the impact of the projected climate change on the occurrence of landslides in the mountainous area of Pelion, Greece, an area with significant history of landslide and tourism development. The developed methodology involved two phases, described in the following paragraphs. The first phase in achieving our goal was to assess the landslide susceptibility. Landslide susceptibility expresses the likelihood of a landslide occurring in an area on the basis of local terrain conditions. Logistic Regression Model (LRM) was used as the predictive model, whereas twelfe landslide related variables were analyzed. Specifically, elevation, slope angle, aspect, distance from the river network, profile curvature, stream transportation index (STI), stream power index (SPI), terrain wetness index (TWI), curvature, plan curvature, distance from faults and lithology were the nine variables identified as most important and relevant to the landslide phenomena recorded in the research area. Also, 187 landslide events were analyzed and along with 187 non-landslide events, identified following certain criteria, consisted the original database. For the purpose of validation procedures the original database was separated into a training and validation database, whereas the evaluation of the learning and predictive performance of the developed methodology was made by the calculation of the area under the success and predictive curve (AUC) concerning the final landslide susceptibility map. The second phase involved the estimation of the difference of the Modified Fourier Index (MFI), which represents the ratio between average monthly rainfall and average annual rainfall, a strong indicator of rainfall aggressiveness, for two time periods, at the present and in 2050. For the present study, the climate model HadGEM2-ES from the Coupled Model Intercomparison project was used. From the conducted analysis and for the first phase, the landslide susceptibility map was classified into 5 levels, namely: very low susceptibility, low susceptibility, medium susceptibility, high susceptibility and very high susceptibility. The eastern part of the area exhibits the largest landslide prone area, that is mainly covered by metamorphic rocks (schists, gneisses, phyllites, quartzites), with elevations ranging between 400 – 600 meters and slopes between 16-25 degrees. The LRM, based on the training and validation data showed a relative landslide density for the very high susceptible zone that reached 50.61 % when using the training database and 43.67 % when using the validation database. The AUC for the training data was calculated to be 0.7181 and the AUC value for the validation data 0.7118. Both indicate that the LRM had a quite significant learning and predictive ability concerning identifying landslide prone areas. Concerning the second phase, a 13 to 18 % increase in the MFI values was observed, covering the whole study area, which will effect the evolution of landslides. Specifically, the south parts of the study area, are likely to exhibit the highest increase, whereas the areas of high and very high susceptibility will have an increase of approximately, above 16%. The results of the present study could assist in landslide susceptibility assessments that have an additional focus in climate change providing significant spatial information and knowledge to local and regional authorities.
  15. Attribution-NoDerivatives 4.0 Διεθνές