Σχολή Περιβάλλοντος, Γεωγραφίας & Εφαρμοσμένων Οικονομικών. Τμήμα Γεωγραφίας. Εφαρμογές Γεωπληροφορικής στην διαχείριση καταστροφών

Transcript

1 Σχολή Περιβάλλοντος, Γεωγραφίας & Εφαρμοσμένων Οικονομικών Τμήμα Γεωγραφίας Εφαρμογές Γεωπληροφορικής στην διαχείριση καταστροφών Ζωνοποίηση επιδεκτικότητας σε εκδήλωση κατολίσθησης Εργασία του Παπαδόπουλου Αλέξανδρου Α.Μ Ιούνιος/2017

2 Περιεχόμενα 1.Εισαγωγή Βιβλιογραφική ανασκόπηση Δεδομένα Μεθοδολογία-Αποτελέσματα Συμπεράσματα Βιβλιογραφία... 19

3 1.Εισαγωγή Αναφερόμενοι στην παράκτια ζώνη της Βόρειας Πελοποννήσου, η εργασία αυτή στοχεύει στην κατάδειξη των δυνατόν χρήσεων GIS δεδομένων σε εφαρμογές ζωνοποίησης της επιδεκτικότητας σε κατολισθητικά φαινόμενα. Πρέπει να γίνει ξεκάθαρο στον αναγνώστη ότι η άσκηση έχει αυστηρά εκπαιδευτικό χαρακτήρα με τη στόχευση που προαναφέρθηκε. Ο λόγος είναι ότι τα δεδομένα έχουν υποστεί σημαντικές γενικεύσεις και συνεπώς είναι ακατάλληλα, αφενός για την ακριβή εκτίμηση της επιδεκτικότητας, αφετέρου για πραγματικές εφαρμογές προγραμματισμού του χώρου. Ακόμη, γίνεται χρήση του στατιστικού πακέτου SPSS για την παραγωγή ακριβέστερων αποτελεσμάτων και εξοικείωση του συγγραφέα-πιθανού ελεγκτή της μελέτης, με το στατιστικό πακέτο.

4 2. Βιβλιογραφική ανασκόπηση Οι κατολισθήσεις αποτελούν έναν από τους κύριους τύπους γεωπεριβαλλοντικών κινδύνων μέσω φυσικών καταστροφών. Παρά τις προόδους της επιστήμης και της τεχνολογίας, αυτά τα γεγονότα συνεχίζουν να έχουν ως αποτέλεσμα οικονομικές, ανθρώπινες και περιβαλλοντικές απώλειες παγκοσμίως. Η ευαισθησία σε κατολίσθηση είναι η τάση του εδάφους ή του βράχου για την παραγωγή διαφόρων τύπων κατολισθήσεων. Ένας χάρτης ευαισθησίας σε κατολίσθηση παρουσιάζει περιοχές με δυνατότητες κατολίσθησης στο μέλλον συνδυάζοντας μερικούς από τους κρίσιμους παράγοντες που συνέβαλαν στην εμφάνιση προηγούμενων κατολισθήσεων. Ένας τέτοιος χάρτης είναι πολύτιμος για την αξιολόγηση των τρεχόντων και δυνητικών κινδύνων που μπορούν να χρησιμοποιηθούν για την ανάπτυξη συστημάτων έγκαιρης προειδοποίησης και σχέδια καταλληλότερων θέσεων για την κατασκευή δομών και οδών. Υψόμετρο, κλίση, έκθεση, λιθολογία, κάλυψη γης ή και μέση ετήσια βροχόπτωση μπορεί να είναι παράγοντες στη μελέτη κατολισθήσεων. Σε μεθόδους στατιστικής ανάλυσης, ο συνδυασμός παραμέτρων που οδήγησαν σε κατολισθήσεις στο παρελθόν προσδιορίζεται στατιστικά και γίνονται ποσοτικές προβλέψεις για περιοχές που δεν επηρεάζονται από κατολισθήσεις αλλά υπάρχουν παρόμοιες συνθήκες υπόβαθρου. Στην διμεταβλητή ανάλυση, κάθε ένας μεμονωμένος παράγοντας επηρεασμού των κατολισθήσεων συνδυάζεται με ένα χάρτη απογραφής κατολισθήσεων και τιμές βάρους με βάση τις πυκνότητες κατολίσθησης που υπολογίζονται για τις αντίστοιχες τάξεις. Όταν χρησιμοποιείται η μέθοδος διμεταβλητής ανάλυσης για τη ζώνη ευαισθησίας σε κατολίσθηση ο υπολογισμός της συχνότητας συχνά αναφέρεται ως δείκτης ευαισθησίας κατολισθήσεων (LSI) (Chalkias et al., 2014). Η λογιστική παλινδρόμηση χρησιμοποιείται για την μελέτη μιας πολυμεταβλητής συσχέτισης μεταξύ μιας εξαρτημένης και πολλών ανεξάρτητων μεταβλητών. Η λογιστική παλινδρόμηση χρησιμεύει στην παραγωγή του βέλτιστου μοντέλου περιγραφής της σχέσης μεταξύ ανεξάρτητης και εξαρτημένων μεταβλητών. Όμως βασική αρχή της λογιστικής παλινδρόμησης είανι η εξαρτημένη μεταβλητή να είναι εκφρασμένη διχοτομικά (binary) (Πολυκρέτης, 2017).

5 3.Δεδομένα Σε αυτή την άσκηση ο χάρτης επιδεκτικότητας θα κατασκευαστεί με βάση τους παρακάτω χάρτες παραγόντων/μεταβλητών: λιθολογικός χάρτης, τοπογραφικός χάρτης (με τον οποίο θα παραχθούν: Χάρτης κλίσεων, Χάρτης εκθέσεων, χάρτης υψομέτρου), χάρτης υδρογραφικού δικτύου, χάρτης σεισμικής έντασης, χάρτης τεκτονικών γραμμών και χάρτης οδικού δικτύου. Επιπλέον, από εργασίες πεδίου έχουν προσδιοριστεί οι θέσεις των κατολισθήσεων και έχουν καταγραφεί σε αρχείο πίνακα (το οποίο περιέχει τις Χ,Υ συντ/νες κάθε κατολίσθησης).

6 4.Μεθοδολογία-Αποτελέσματα Ως πρώτο βήμα θα χρειαστεί να εισαχθούν τα δεδομένα της άσκησης σε περιβάλλον ArcGIS και να πραγματοποιηθούν οι κατάλληλες επεξεργασίες. Τα δεδομένα εισόδου είναι είτε σε μορφή πίνακα (πίνακας κατολισθήσεων) είτε σε διανυσματική μορφή (όριο περιοχής μελέτης, υδρ. δίκτυο, οδικό δίκτυο, λιθολογία, τεκτονικές γραμμές) είτε σε ψηφιδωτή μορφή (σεισμικές εντάσεις, ψηφιακό μοντέλο εδάφους). Επόμενο βήμα είναι να πραγματοποιηθεί η δευτερογενής επεξεργασία των μεταβλητών. Αρχικά θα πρέπει να δημιουργηθούν οι κατηγορίες για κάθε παράγοντα (λιθολογία, κλίση, έκθεση, υψόμετρο, απόσταση από την ακτογραμμή, απόσταση από οδικό δίκτυο, απόσταση από ρήγματα, πυκνότητα υδρ. δικτύου, σεισμική ένταση). Από τους παραπάνω παράγοντες μόνο για τη λιθολογία έχουμε ήδη κατηγοριοποίηση. Για τους υπόλοιπους θα πρέπει να πραγματοποιηθεί κάποιου είδους επεξεργασία. Για τα διανυσματικά επίπεδα ρηγμάτων, δρόμων και υδρογραφικού δικτυού παράγονται επιπέδα ευθείας απόστασης με την λειτουργία ευκλείδειας απόστασης (επέκταση Spatial Analyst, Euclidean Distance tool). Ακόμη για τα διανυσματικά επίπεδα ρηγμάτων, δρόμων και υδρογραφικού δικτυού παράγονται επίπεδα πυκνότητας γραμμικών οντοτήτων με την λειτουργία density (επέκταση Spatial Analyst, Line Density tool). Τέλος γίνεται αξιοποίηση του ψηφιακού μοντέλου εδάφους (DEM). Από το Ψηφιακό μοντέλο εδάφους μπορούν στη συνέχεια να εξαχθούν οι παράγοντες της κλίσης και της έκθεσης από τις λειτουργίες slope και aspect, αντίστοιχα. Φυσικά, δεν παραλείπεται να οριστούν extent και cell size για την συνέχεια των εργασιών μέσω του εργαλείου Environment (εντός του Geoprocessing), με πρότυπο το επίπεδο του aspect. Στις περιπτώσεις που οι ανωτέρω εργασίες ξεπερνούν τα όρια της περιοχής μελέτης, χρησιμοποιείται στο επίπεδο αυτό το εργαλείο extract by mask, κατά dem. Ακόλουθο βήμα είναι όλοι οι παράγοντες τα που επιθυμείται να μελετηθούν να έχουν την ίδια κλίμακα (εικ.4.1). Για να έρθουν τα επίπεδα σε μία κλίμακα 1-5 επιλέγεται η ταξινόμηση να γίνει ανά ίσες εκτάσεις. Χρησιμοποιώντας τη λειτουργία slice in 5 equal areas, παράγονται για κάθε παράγοντα 5 πολύγωνα (ή λιγότερα) με σχεδόν ίσο αριθμό κελιών(δηλαδή έκταση). Η λειτουργία του slice επαναλαμβάνεται σε όλα τα επίπεδα εκτός από τη λιθολογία και την έκθεση. Για την λιθολογία απλώς ορίζουμε τιμές 1-5 για κάθε έναν από τους λιθολογικούς τύπους, ανάλογα με την αντοχή τους όπως ανέδειξε η βιβλιογραφία. Για την έκθεση γίνεται επαναταξινόμηση σε 5 κατευθύνσεις μέσω του εργαλείου reclassify. Στην έκθεση τα όρια των τάξεων είναι 0-45, , , και , αλλά οι μοίρες & 0-45, παίρνουν ίδια τιμή, με αποτέλεσμα να παράγονται 4 κλάσεις.

7 Εικ 4.1. Επαναταξινομημένοι παράγοντες κατολίσθησης: i) Λιθολογία, ii) dem, iii) ευκλείδεια απόσταση από δρόμους, iv) πυκνότητα δρόμων, v) σεισμικότητα, vi) κλίση, vii) πυκνότητα ρηγμάτων, viii) ευκλείδεια απόσταση από ρήγματα, ix) έκθεση, x) πυκνότητα υδρογραφικού δικτύου και xi) ευκλείδεια απόσταση από υδρογραφικό δίκτυο. Επόμενο βήμα είναι ο υπολογισμός της πυκνότητας κατολισθήσεων για κάθε μια κλάση των παραγόντων. Εφόσον η κάθε μια κατηγορία καταλαμβάνει την ίδια έκταση, η πυκνότητα σε αυτές τις κατηγορίες οφείλει να είναι ανάλογη με το πλήθος των κατολισθήσεων οι οποίες τοποθετούνται εντός της κατηγορίας. Το πλήθους των κατολισθήσεων σε κάθε μια κατηγορία των παραγόντων υπολογίζεται με μία ακολουθία διεργασιών. Αρχικά, δημιουργείται το επίπεδο των κατολισθήσεων με τη λειτουργία ADD XY Data του πίνακα κατολισθήσεων. Ακολούθως αξιοποιείται συνδυαστικά αυτό το επίπεδο των κατολισθήσεων και τα επίπεδα των κατηγοριών για τους παράγοντες που δημιουργήθηκαν στο προηγούμενο βήμα. Επικαλείται η λειτουργία Sample για να τα επίπεδα των παραγόντων και το επίπεδο των κατολισθήσεων. Κατά αυτό τον τρόπο δημιουργείτε πίνακας όπου για κάθε παράγοντα έχει τον αριθμό της κλάσης (1-5) στην οποία εμπίπτει η κατολίσθηση (όπως στην εικ.4.2).

8 Εικ. 4.2 Παρουσιάζονται για 10 από τις κατολισθήσεις η τάξη των παραγόντων πυκνότητας ρηγμάτων, λιθολογίας και ευκλείδειας απόστασης από υδρ. δίκτυο στην αντίστοιχη θέση. Με το υπολογιστικό φύλλο του Excel είναι δυνατό για κάθε παράγοντα να αριθμηθεί η εμφάνιση της κάθε κλάσης στις θέσεις των κατολισθήσεων. Με μία εντολή όπως: =COUNTIF(E1:E113,"=1"), όπου αριθμείται η συχνότητα της κλάσης έναν στις κατολισθήσεις για τον παράγοντα της στήλης Ε. Τα αποτελέσματα είναι αρκετά διαφορετικά για κάθε παράγονται και γίνεται πιο εμφανές αν υπολογιστούν η τυπική απόκλιση και η διακύμανση. Επιπλέον στο σημείο αυτό θα χρειαστεί για κάθε κλάση των παραγόντων να σημειωθεί η έκταση της. Η έκταση υπολογίζεται αυτόματα από το ArcGIS, αρκεί να ανοιχτεί ο attribute table κάθε παράγοντα και θα εμφανιστεί ο αριθμός του count ανά κλάση. Με τα δεδομένα του υπολογιστικού φύλλου συντελεστής είναι δυνατό να βρεθεί ο δείκτης βαρύτητας (δείκτης επιδεκτικότητας) για κάθε μια κατηγορία, σε κάθε παράγοντα. Η σχέση που υπολογίζει τον δείκτη βαρύτητας, είναι: LN (πυκνότητα κατολισθήσεων ανά κατηγορία / πυκνότητα συνόλου του χάρτη) Όπου LN = φυσικός λογάριθμος. Οι δείκτες βαρύτητας (LSI) εμφανίζονται στον παρακάτω πίνακα 4.1. Sl_LDfaults lithology_raster RSl_EDhydro Sl_LDhydro RSl_EDroads κλάση κλάση2 #ΔΙΑΙΡ/0! κλάση3 #ΔΙΑΙΡ/0! κλάση κλάση διακύμανση τυπ/απόκλιση Sl_LD_roads Sl_seismi Sl_Slope Recla_Aspect Slice_dem RSlED_faults #ΔΙΑΙΡ/0! Οι δείκτες κατολίσθησης πρέπει να αποδοθούν σε θεματικούς χάρτες για κάθε κριτήριο, όπως στο παράδειγμα της εικόνας 4.3.

9 Εικ 4.3 Δείχνει τον δείκτη κατολίσθησης για τις κλάσεις την έκθεσης. O χάρτης ολικής επιδεκτικότητας (εικ.4.4 ) παράγεται με το συνδυασμό όλων των παραπάνω χαρτών δεικτών κατολίσθησης. Ο χάρτης ολικής επιδεκτικότητας μπορεί να δημιουργηθεί απλά με την άθροιση των σταθμισμένων χαρτών, μέσω του raster calculator. Στη συνέχεια μπορούμε να κατηγοριοποιήσουμε τον τελικό αυτό χάρτη σε τρείς κλάσεις μικρής, μέσης και μεγάλης επιδεκτικότητας σε εκδήλωση κατολίσθησης (εικ.4.5). Δοκιμάζονται διαφορετικά όρια κλάσεων αλλά θα πρέπει η παλιά τιμή 0 να είναι στη ζώνη 3, λόγω της φυσικής σημασίας της.

10 Εικ.4.4 Χάρτης ολικής επιδεκτικότητας με συνεχείς τιμές.

11 Εικ.4.5 Χάρτης ολικής επιδεκτικότητας σε πέντε κλάσεις. Μετά την δημιουργία του χάρτη ολικής επιδεκτικότητας σε κατολίσθηση, είναι επιθυμητό να γίνει επικύρωση των αποτελεσμάτων. Η επικύρωση θα γίνει μέσω ROC ανάλυσης και για το σκοπό αυτό, πέρα από τα σημεία των κατολισθήσεων, θα χρειαστούν και άλλα τυχαία σημεία. Τυχαία σημεία παράγονται με τη λειτουργία random points. Επειδή η λειτουργία των random points χρειάζεται ως δεδομένο ένα πολύγωνο με τα όρια της περιοχής μελέτης, το πολύγωνο της περιοχής παράγεται με merge των κλάσεων επίπεδου λιθολογίας. Επειδή παράγονται τυχαία σημεία, είναι μικρές οι πιθανότητες κάποιο από αυτά τα σημεία να συμπίπτει με τα σημεία gps κατολισθήσεων και για αυτό δεν θα γίνει η προσπάθεια αφαίρεσης των κελιών του χάρτη ολικής επιδεκτικότητας για τα σημεία κατολισθήσεων. Με τα δύο σύνολα σημείων (κατολίσθησης και μη κατολίσθησης) γίνεται sample από το επίπεδο επικινδυνότητας κατολίσθησης. Τα δύο sample χρησιμοποιούνται για την ROC ανάλυση (εικ4.6).

12 Εικ. 4.6 Διάγραμμα ROC ανάλυσης RED symbols and BLUE line: Fitted ROC curve. GRAY lines: 95% confidence interval of the fitted ROC curve. BLACK symbols ± GREEN line: Points making up the empirical ROC curve. Number of Cases: 216 Fitted ROC Area: Empiric ROC Area: Number Correct: 132 Accuracy: 61.1% Sensitivity: 100% Specificity: 21.5% Pos Cases Missed: 0 Neg Cases Missed: 84 (A rating of 3 or greater is considered positive.) Στη συνέχεια πραγματοποιείται λογιστική παλινδρόμηση έτσι ώστε αν είναι δυνατό, να δημιουργηθεί ένα πιο ακριβές μοντέλο προβλεπτικής ικανότητας, δηλαδή με υψηλότερο δείκτη ROC ανάλυσης. Εξαρτημένη μεταβλητή θα είναι η εκδήλωση κατολίσθησης και ανεξάρτητες μεταβλητές θεωρούνται οι συντελεστές βαρύτητας (LSI) που υπολογίστηκαν στα προηγούμενα βήματα. Αναγκαία προϋπόθεση για την λογιστική παλινδρόμηση είναι όλες οι ανεξάρτητες μεταβλητές να είναι συγκρίσιμες. Προκειμένου οι συντελεστές να είναι συγκρίσιμοι επιλέγεται να του φέρουμε σε κλίμακα 0 έως 1. Η μετατροπή είναι απλή, για κάθε συντελεστή προσθέτουμε στον εαυτό το απόλυτο του μικρότερου δείκτη βαρύτητας και διαιρούμε όλες τις κλάσεις με το σύνολο του απόλυτου μικρότερου δείκτη και το μέγιστο δείκτη βαρύτητας. Ακολουθεί ο τύπος που χρησιμοποιήθηκε στο raster calculator για την παραγωγή των συγκρίσιμων δεικτών βαρύτητας: (Float(any_layer)+Abs(manually_input_layer s_lowest_value))/(abs( manually_input_layer s_lowest_value) + manually_input_layer s_maximum_value)

13 Αφού για κάθε ανεξάρτητη μεταβλητή οι δείκτες βαρύτητας έχουν μετατραπεί σε κλίμακα 0 έως 1, θα γίνει δειγματοληψία με την εντολή Sample. Όπως και πριν θα γίνει δειγματοληψία για όλες τις μεταβλητές για το σύνολο σημείων με κατολίσθηση και το σύνολο τυχαίων σημείων. Τα αποτελέσματα των διεργασιών sample εισάγονται στο στατιστικό πρόγραμμα SPSS. Στο φύλλο Data View εισάγονται οι τιμές των ανεξάρτητων μεταβλητών και μία ακόμα στήλη με όνομα Land Code, όπου με binary μορφή (0 1) χαρακτηρίζονται τα σημεία ως θέσεις κατολισθήσεων (1) ή όχι (0). Στο φύλλο Variable View εισάγονται οι ιδιότητες των μεταβλητών που εισήχθηκαν στο άλλο φύλλο (εικόνα 4.7). Εικ. 4.7 Εικόνα από το SPSS για το Variable View των μεταβλητών. Εν συνεχή, θα εξεταστεί αν οι ως τώρα θεωρούμενες ανεξάρτητες μεταβλητές είναι όντως ανεξάρτητες μεταξύ τους. Για τον έλεγχο ανεξαρτησίας γίνεται χρήση γραμμικής παλινδρόμησης μέσα από τις επιλογές Analyze -> Regression -> Linear. Οι τιμές Land Code εισάγονται ως εξαρτημένη μεταβλητή και οι υπόλοιπες ως ανεξάρτητες και επιλέγεται ο υπολογισμός των Collinearity diagnostics. Αποτέλεσμα είναι ο πίνακας της εικόνας 4.8 όπου αναζητούνται οι μεταβλητές με Tolerance >=0.2 και VIF < 10. Εφόσον όλες οι μεταβλητές πληρούν τα κριτήρια, επιβεβαιώθηκε ότι όλες οι μεταβλητές είναι ανεξάρτητες μεταξύ τους.

14 Unstandardized Coefficients Standardized Coefficients Collinearity Statistics Model B Std. Error Beta t Sig. Tolerance VIF 1 (Constant) ed_faults dem aspect slope seismi LD_roads ed_roads ld_hydro ed_hydro ld_faults lithology a. Dependent Variable: landcode Εικ.4.8 Πίνακας με τα αποτελέσματα της γραμμικής παλινδρόμησης από το SPSS. Γνωρίζοντας πλέον την ανεξαρτησία των ανεξάρτητων μεταβλητών, θα αναζητηθεί η σημαντικότητα της σχέσης που έχει η κάθε ανεξάρτητη μεταβλητή με την εξαρτημένη. Η σχέση εξαρτημένης με ανεξάρτητη μεταβλητή υπολογίζεται με λογιστική παλινδρόμηση. Η λειτουργία logistic regression του SPSS βρίσκεται ακλουθώντας τις επιλογές Analyze->Regression->Binary Logistic Regression. Εισάγονται ως εξαρτημένη μεταβλητή το Land Code και ως ανεξάρτητες τις υπόλοιπες και για Forward LR μέθοδο, το αποτέλεσμα είναι αυτό της εικόνας 4.9. Το αποτέλεσμα της λογιστικής παλινδρόμησης αποδίδει το ψηφιακό μοντέλο εδάφους( dem), την έκθεση (aspect), την κλίση (slope) και πυκνότητα των δρόμων ως σημαντικούς παράγοντας στην επιδεκτικότητα κατολίσθησης. Variables in the Equation B S.E. Wald df Sig. Exp(B) Step 1 a dem Constant Step 2 b dem LD_roads Constant Step 3 c dem slope LD_roads Constant

15 Step 4 d dem aspect slope LD_roads Constant Εικ. 4.9 Αποτελέσματα λογιστικής παλινδρόμησης από το SPSS. Για την παραγωγή του βέλτιστου μοντέλου περιγραφής της εξαρτημένης και ανεξάρτητων μεταβλητών χρησιμοποιείται ο μαθηματικός τύπος: έως 1 και:, όπου Ρ είναι η πιθανότητα εκδήλωσης ενός κατολισθητικού φαινομένου με τιμές 0, n = ο αριθμός των ανεξάρτητων μεταβλητών xi (i = 1, 2,, n) = οι ανεξάρτητες μεταβλητές b0 = η σταθερά του μοντέλου bi (i = 1, 2,, n) = οι συντελεστές βαρύτητας (coefficients). Στο raster του ArcGIS αξιοποιούμενα τα αποτελέσματα της λογιστικής παλινδρόμησης και του ανώτερου μαθηματικού τύπου ως εξής: 1/(1+Power(2.718,(-( *"finus_lsi_ld_roadus" *"finus_lsi_slopus" *"finus_lsi_aspectus"+2.404*"finus_lsi_demmus")))) Αποτέλεσμα της τελευταία λειτουργίας είναι ένα επίπεδο επιδεκτικότητας σε κατολίσθηση. Το επίπεδο επιδεκτικότητας σε κατολίσθηση είναι δυνατό να ταξινομηθεί σε 5 κλάσεις μέσω της λειτουργίας reclassify(εικ.4.10).

16 Εικ Χάρτης επιδεκτικότητας κατολίσθησης χρησιμοποιώντας μόνο τις ανεξάρτητες μεταβλητές με τη μεγαλύτερη σημαντικότητα. Για τον έλεγχο του τελευταίου επιπέδου επιδεκτικότητας σε κατολίσθηση θα πραγματοποιηθεί ROC ανάλυση. Όπως σε προηγούμενα βήματα, έτσι κι εδώ, για δύο σύνολο δειγμάτων στα σημεία κατολισθήσεων και μη, θα μετρηθούν οι τιμές P με χρήση της λειτουργίας sample. Οι τιμές Ρ για τα σημεία κατολίσθησης θα πάρουν τιμές 1 και οι τιμές εκτός σημείων κατολίσθησης θα πάρουν τιμή 0 για να υπολογιστή η ROC καμπύλη (εικ.4.11).

17 Εικ Διάγραμμα ROC ανάλυσης RED symbols and BLUE line: Fitted ROC curve. GRAY lines: 95% confidence interval of the fitted ROC curve. BLACK symbols ± GREEN line: Points making up the empirical ROC curve. Number of Cases: 223 Fitted ROC Area: Number Correct: 158 Empiric ROC Area: Accuracy: 70.9% Sensitivity: 93.8% Specificity: 47.7% Pos Cases Missed: 7 Neg Cases Missed: 58 (A rating of 3 or greater is considered positive.)

18 5.Συμπεράσματα Στην εργασία αυτή μελετήθηκαν πολλές ανεξάρτητες μεταβλητές για την εξαρτημένη μεταβλητή της επιδεκτικότητας κατολίσθησης. Ο δείκτης βάρους LSI δίνει ικανοποιητικά αποτελέσματα με μεγάλη διακύμανση για τις διαφορετικές κλάσεις όλων των ανεξάρτητων μεταβλητών. Ο χάρτης της εικόνας 4.5 είναι ικανοποιητικός ώστε να δώσουμε ένα γενικό μοντέλο επιδεκτικότητας κατολίσθησης. Πέρα από την λογική που είναι το πρώτο κριτήριο για την αξιολόγηση των αποτελεσμάτων, παρατηρείται ότι όλες οι καταγεγραμμένες κατολισθήσεις βρίσκονται σε μία ζώνη υψηλής ή πολύ υψηλής επιδεκτικότητας και σε λίγες περιπτώσεις μέτριας επιδεκτικότητας. Επιπλέον, η ROC ανάλυση στην εικόνα 4.6 δίνει αποτέλεσμα Fitted ROC Area: 0.783, τιμή που ξεπερνά το 0.75 και χαρακτηρίζει το μοντέλο ως αξιόπιστο. Όμως η αναζήτηση ενός ακριβέστερου μοντέλου οδηγεί στην δημιουργία του χάρτη εικόνας Η γραμμική παλινδρόμηση επιβεβαιώνει, όπως φαίνεται στην εικόνα 4.8, ότι οι ανεξάρτητες μεταβλητές είναι και μεταξύ τους ανεξάρτητες. Όμως η λογιστική παλινδρόμηση αναδεικνύει ότι δεν είναι όλες οι ανεξάρτητες μεταβλητές το ίδιο σημαντικές για την επιδεκτικότητα της κατολίσθησης (εικ.4.9). Ο παραγόμενος χάρτης της εικόνας 4.10 με μόνο τις σημαντικότερες μεταβλητές δεν έχει εμφανισιακά μεγάλες διαφορές με την εικόνα 4.5. Παρά όλα αυτά η ROC ανάλυση στην εικόνα 4,11, δίνει Fitted ROC Area: 0.803, που όχι μόνο είναι μεγαλύτερη από το 0.75 αλλά είναι μεγαλύτερη από το ROC ανάλυση του προηγούμενο μοντέλου. Η σύγκριση των ROC αναλύσεων καθιστά το δεύτερο (εικ.4.9) να χαρακτηριστεί ως πιο αξιόπιστο μοντέλο για την επιδεκτικότητα κατολίσθησης. Συμπερασματικά, προτείνεται στον φορέα που επιθυμεί να δράσει κατά τέτοιο τρόπο ώστε να μειωθούν οι κατολισθήσεις στην περιοχή, να επικεντρώσει τους πόρους του στους παράγοντες ψηφιακού μοντέλου, έκθεσης, κλίσης και πυκνότητας των δρόμων.

19 6.Βιβλιογραφία CHALKIAS, C., FERENTINOU, M., POLYKRETIS, C., GIS-Based Landslide Susceptibility Mapping on the Peloponnese Peninsula, Greece. Geosciences 2014, 4, ; doi: /geosciences ΠΟΛΥΚΡΕΤΗΣ, Χ., ΕΚΤΙΜΗΣΗ ΕΠΙΔΕΚΤΙΚΟΤΗΤΑΣ ΚΑΤΟΛΙΣΘΗΣΕΩΝνΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ ΜΟΝΤΕΛΟΥ "ΛΟΓΙΣΤΙΚΗΣ ΠΑΛΙΝΔΡΟΜΗΣΗΣ". Παρουσίαση στο μάθημα "Εφαρμογές Γεωπληροφορικής στη Διαχείριση Καταστροφών". Στο Πρόγραμμα Μεταπτυχιακών Σπουδών "Εφαρμοσμένη Γεωγραφία και Διαχείριση του Χώρου".