Heyelan Duyarlılık Analizi: CBS ile Risk Zonlaması

Heyelan, Türkiye'de depremden sonra en çok can ve mal kaybına yol açan ikinci doğal afettir. Karadeniz kıyı şeridi, Doğu Anadolu dağlık alanları ve Ege'nin dik yamaçları özellikle yüksek riskli bölgeler arasındadır. Heyelan duyarlılık analizi, bir bölgede heyelan oluşumunu tetikleyebilecek doğal ve beşerî faktörleri CBS katmanları olarak değerlendirip her noktaya risk skoru atayan mekansal bir yaklaşımdır. Bu rehberde hangi veri katmanlarının kullanıldığı, nasıl sınıflandırıldığı ve QGIS ile Python'da ağırlıklı çakışma analizinin adım adım nasıl yapıldığı anlatılmaktadır.

Heyelanı Etkileyen Faktörler

Heyelan duyarlılığı tek bir değişkene bağlı değildir; birden fazla fiziksel faktörün bir arada olumsuz koşul oluşturmasıyla ortaya çıkar:

• Eğim (Slope): En kritik faktör. %30'un üzerindeki eğimler yüksek riskli kabul edilir.
• Bakı (Aspect): Kuzey ve kuzeybatı yamaçlar daha az güneş alır, nem tutarak zemin dayanımını azaltır.
• Litoloji (Kaya Türü): Kil, şist ve volkanik tüf gibi zayıf kayaçlar ayrışmaya duyarlıdır.
• Arazi Örtüsü: Ormansızlaşma kök tutuşunu azaltır, drenajı bozar.
• Yağış: Şiddetli yağış gözenekli suyu artırıp zemin basıncını yükseltir.
• Akarsu Mesafesi: Dere yataklarına yakın yamaçlar taban aşınımından etkilenir.
• Deprem ivmesi: Sismik titreşim yamaçları istikrarsızlaştırır.

1. DEM'den Türetilen Katmanlar

Sayısal Yükseklik Modeli (DEM), birden fazla kritik katmanın kaynağıdır. QGIS'te Raster → Analiz → DEM (Arazi Modelleri) ya da Python ile:

import richdem as rd import numpy as np import rasterio dem = rd.LoadGDAL("copernicus_dem_30m.tif") # Eğim (derece cinsinden) egim = rd.TerrainAttribute(dem, attrib="slope_degrees") rd.SaveGDAL("egim.tif", egim) # Bakı (0-360 derece) baki = rd.TerrainAttribute(dem, attrib="aspect") rd.SaveGDAL("baki.tif", baki) # Tepe Islak Dizini (TWI) — drenaj yoğunlaşması twi = rd.TerrainAttribute(dem, attrib="TWI") rd.SaveGDAL("twi.tif", twi)

2. Her Faktörün Sınıflandırılması (1–5 Skoru)

Her katman, heyelan duyarlılığına katkısına göre 1 (düşük risk) ile 5 (çok yüksek risk) arasında sınıflandırılır:

Faktör	Sınıf	Skor
Eğim	<10°	1
Eğim	10°–20°	2
Eğim	20°–30°	3
Eğim	30°–40°	4
Eğim	>40°	5
Litoloji	Sert magmatik	1
Litoloji	Kireçtaşı	2
Litoloji	Şist / fillit	4
Litoloji	Kil, alüvyon	5
Arazi örtüsü	Yoğun orman	1
Arazi örtüsü	Tarım alanı	3
Arazi örtüsü	Çıplak toprak	5

3. Ağırlıklı Çakışma Analizi

Tüm faktörler 1–5 arasında sınıflandırıldıktan sonra literatürden ve uzman görüşünden türetilen ağırlıklarla çarpılıp toplanır:

import numpy as np import rasterio def oku(dosya): with rasterio.open(dosya) as src: return src.read(1).astype(float), src.profile egim, profil = oku("egim_sinif.tif") litoloji, _ = oku("litoloji_sinif.tif") arazi, _ = oku("arazi_sinif.tif") yagis, _ = oku("yagis_sinif.tif") akarsu, _ = oku("akarsu_mesafe_sinif.tif") # Ağırlıklar (toplamı 1.0) duyarlilik = (egim * 0.30 + litoloji * 0.25 + arazi * 0.20 + yagis * 0.15 + akarsu * 0.10) profil.update(dtype=rasterio.float32) with rasterio.open("heyelan_duyarlilik.tif", "w", **profil) as dst: dst.write(duyarlilik.astype(np.float32), 1)

4. Doğrulama: ROC Eğrisi ile Model Başarısı

Duyarlılık haritasının doğruluğunu ölçmek için bilinen heyelan noktaları kullanılır. Heyelan envanter noktalarının %70'i model oluşturmak, %30'u doğrulama için ayrılır. ROC (Receiver Operating Characteristic) eğrisi altındaki alan (AUC) 0.70'in üzerindeyse model kabul edilebilir, 0.85'in üzerindeyse mükemmel kabul edilir.

from sklearn.metrics import roc_auc_score, roc_curve import matplotlib.pyplot as plt # y_true: 1=heyelan var, 0=yok (doğrulama seti) # y_score: o noktanın duyarlılık harita değeri auc = roc_auc_score(y_true, y_score) fpr, tpr, _ = roc_curve(y_true, y_score) plt.plot(fpr, tpr, label=f"AUC = {auc:.3f}") plt.plot([0,1],[0,1],"--", color="grey") plt.xlabel("Yanlış Pozitif Oranı"); plt.ylabel("Doğru Pozitif Oranı") plt.title("Heyelan Duyarlılık Modeli — ROC Eğrisi") plt.legend(); plt.tight_layout(); plt.savefig("roc.png", dpi=150)

Faktör Ağırlıkları Özet Tablosu

Faktör	Veri Kaynağı	Ağırlık
Eğim	Copernicus DEM 30 m	%30
Litoloji	MTA Jeoloji Haritası	%25
Arazi örtüsü	CORINE 2018	%20
Yıllık yağış	MGM / ERA5	%15
Akarsu mesafesi	DEM türevli	%10

Kaynaklar

• Yalcin, A. ve ark. (2011). A GIS-based comparative study of frequency ratio, analytical hierarchy process, bivariate statistics and logistics regression methods for landslide susceptibility mapping. Catena, 85(3), 274–287.
• Copernicus DEM — spacedata.copernicus.eu
• CORINE Land Cover 2018 — land.copernicus.eu