بارندگی یک محرک شناخته شده برای زمین لغزش است و به دلیل تأثیر آن بر مکانیک خاک به طور گسترده مورد مطالعه قرار گرفته است. [۱,۲]. نفوذ آب باران به خاک باعث افزایش فشار آب منفذی می شود که می تواند پایداری شیب ها را کاهش داده و زمین لغزش را ایجاد کند. علاوه بر این، بارندگی می تواند مکش ماتریک را کاهش دهد، که تمایل آب به چسبیدن به ذرات خاک است. این کاهش در مکش ماتریک خاک را بیشتر ضعیف می کند و آن را مستعد زمین لغزش می کند [۳]. پیش بینی آب و هوا می تواند مقادیر بالقوه بارندگی را چندین روز قبل برای مناطق مستعد زمین لغزش پیش بینی کند که می تواند نشان دهنده احتمال فعالیت زمین لغزش باشد. در نتیجه، آستانه‌های بارش به یکی از مقرون‌به‌صرفه‌ترین ابزارها در سیستم‌های هشدار زمین لغزش و تحلیل حساسیت تبدیل شده‌اند که به طور گسترده در بسیاری از مناطق اجرا شده است. [۴,۵,۶,۷]. ایجاد آستانه های بارش به طور پیچیده ای با توسعه پایدار هشدار و پیشگیری از خطرات جغرافیایی منطقه ای مرتبط است.

مفهوم آستانه بارندگی به سطح بحرانی بارندگی اشاره دارد که در صورت رسیدن یا فراتر رفتن از آن، احتمال ایجاد رانش زمین وجود دارد. [۸]. دو رویکرد برای تعریف آستانه بارش وجود دارد: رویکرد فیزیکی و رویکرد تجربی. رویکرد فیزیکی شامل در نظر گرفتن فرآیندهای فیزیکی حاکم بر شروع زمین لغزش است. از این روش می توان با شبیه سازی فرآیندهای هیدروژئولوژیکی و حرکت مواد برای تعیین میزان بارندگی که باعث زمین لغزش می شود استفاده کرد. [۹,۱۰]. با این حال، این رویکرد نیاز به درک عمیقی از شرایط هیدروژئولوژیکی، ژئومورفولوژیکی، مکانیک خاک و سنگ‌شناسی زمین لغزش دارد که معمولاً در مقیاس منطقه‌ای در دسترس نیستند. بنابراین، رویکرد فیزیکی را فقط می توان برای سایت های بسیار کوچک اعمال کرد [۱۱]. در مقابل، رویکرد تجربی یا آماری بر تجزیه و تحلیل رویدادهای زمین لغزش تاریخی و شرایط بارش متناظر آنها تکیه دارد. در مقیاس منطقه ای بزرگتر، این روش به طور گسترده با همبستگی های تجربی عملکردی بین مقادیر بارندگی و وقوع زمین لغزش استفاده شده است. آستانه ها اغلب با رسم خطوط کران پایین بر روی نقشه همبستگی بین دو شرایط بارندگی به دست می آیند. به طور کلی، چهار نوع همبستگی معمولاً برای توصیف آستانه‌های بارندگی به کار گرفته شده است: (۱) همبستگی شدت بارش – مدت (I-D) [12,13,14]; (2) بارش کوتاه مدت و بارندگی موثر قبلی [۱۵,۱۶]; (iii) بارش انباشته و مدت بارندگی (E-D) [17,18]; و (IV) بارش انباشته و شدت متوسط ​​بارندگی [۴,۱۹]. در بیشتر موارد، خطوط متعددی که سطوح مختلف سیستم هشدار را نشان می‌دهند، برای مدیریت بهتر به‌دست آمد [۲۰,۲۱]. معادلات ساده ریاضی برای توصیف این خطوط و پیش بینی احتمالات آینده وقوع زمین لغزش استفاده شد.

آستانه های تجربی را می توان برای مطالعه مناطق در مقیاس های مختلف، از چند هزار کیلومتر مربع تا مقیاس جهانی به کار برد. [۲۲]. محققان تلاش کرده‌اند با بررسی دقیق داده‌های زمین لغزش جهانی، آستانه‌های جهانی را تعیین کنند. [۲۳,۲۴]. در حالی که این آستانه های جهانی می توانند به عنوان مرجعی برای مطالعه و پیش بینی زمین لغزش ها در غیاب داده های محلی عمل کنند، آستانه های محلی در سیستم های هشدار زمین لغزش ارزشمندتر هستند. این به این دلیل است که آستانه های محلی به طور ضمنی شرایط آب و هوایی محلی و تنظیمات زمین شناسی و ژئومورفولوژیکی محلی را در نظر می گیرند. [۸]، فرآیند پیش بینی دقیق تری را ارائه می دهد. بنابراین، آستانه های تجربی معمولاً پس از تعیین مناطق حساس به خطرات زمین به دست می آیند. [۶,۲۵,۲۶]. از اطلاعات مربوط به زمین لغزش ها و رکوردهای بارندگی با وضوح بالا، ما قادر به انتخاب پارامترهای مناسب در تعیین آستانه زمین لغزش هستیم. [۲۷,۲۸].

تجزیه و تحلیل آستانه سنتی منجر به عدم قطعیت زیادی در مورد پیش‌بینی وقوع زمین لغزش می‌شود. دقت هر دو مدل I-D و E-D به عوامل متعددی بستگی دارد، که هر کدام وزن خاص خود را از نظر تأثیرگذاری بر نتایج، مانند تفکیک داده‌های بارش و خطرات جغرافیایی دارند. [۲۹]، مکان های نسبی باران سنج و رانش زمین در نزدیکی [۳۰]و معیاری که برای تعریف کران پایین آستانه استفاده می شود. برای افزایش دقت پیش‌بینی آستانه‌های بارش با توجه به وقوع زمین لغزش، تکنیک‌های پایش پیشرفته‌تر و مدل‌های آماری پیچیده‌تر در دهه گذشته توسعه یافته‌اند، از جمله استفاده از بارش با وضوح بالاتر و داده‌های مکانی. [۵,۳۱]ادغام مدل های هیدرولوژیکی مرتبط با زمین لغزش [۳۲,۳۳]ادغام اطلاعات دقیق زمین شناسی و ژئومورفولوژیکی در منطقه مورد مطالعه [۳۴,۳۵]، استفاده از مدل های جعبه سیاه برای تحلیل های پیش بینی [۳۶,۳۷]، و استفاده از داده های بارندگی غیر محرک در تجزیه و تحلیل [۳۸]. این روش ها امکانات را در زمینه پیش بینی زمین لغزش گسترش دادند و درک جامع تری از دینامیک زمین لغزش ارائه کردند.

چالش در تشخیص دقیق اینکه آیا یک زمین لغزش توسط بارندگی کوتاه مدت یا بلند مدت در رویکرد تجربی ایجاد می شود وجود دارد. [۳۹]. به طور کلی، لغزش های کم عمق و جریان زباله های شیب معمولاً توسط بارندگی های کوتاه مدت و شدید ایجاد می شوند و لغزش های نسبتاً عمیق تر در طول رویدادهای بارندگی طولانی و پایدار بیشتر رخ می دهد. [۴۰,۴۱]. با این حال، تحقیقات قبلی در ارائه یک روش کمی برای افتراق این انواع ناقص بوده است [۲۱,۴۲,۴۳]. این تعیین به درک جامعی از تنظیمات زمین‌شناسی و ژئومورفولوژیکی زمین لغزش بستگی دارد. متأسفانه، اطلاعات دقیق لازم برای هر زمین لغزش منفرد، اغلب در مطالعات منطقه ای غیرقابل دسترس است.

مطالعات قبلی نشان داده‌اند که آستانه‌های بارش عمدتاً بر اساس شواهد تجربی، احتمال وقوع زمین لغزش را تعیین می‌کنند و این آستانه‌ها معمولاً برای یک منطقه خاص تعیین می‌شوند. [۶,۱۶,۲۲]. با این حال، چنین آستانه هایی ممکن است پیش بینی و جلوگیری از لغزش های خاص را دشوار کند. تعیین آستانه بارندگی برای زمین لغزش‌های منفرد از طریق یک روش آماری ساده و تمایز کمی بین لغزش‌های ناشی از بارندگی بلندمدت و کوتاه‌مدت دو چالش در تحقیقات مدل آستانه باقی مانده است. این مطالعه با هدف محاسبه آستانه بارندگی برای زمین لغزش های منفرد با استفاده از درونیابی زمین آماری انجام شده است، روشی که برای این منظور موثر است. [۳۵]. علاوه بر این، ما با تعریف و اعمال ضریب تقسیم، زمین لغزش‌ها را به رویدادهای محرک بارندگی کوتاه‌مدت و بلندمدت طبقه‌بندی می‌کنیم. یافته‌های ما نشان می‌دهد که درون‌یابی زمین‌آماری ابزار ارزشمندی در پیش‌بینی احتمال وقوع زمین لغزش است.

ما از روش درونیابی کریجینگ برای تعیین آستانه های بارندگی برای زمین لغزش های جداگانه با در نظر گرفتن داده های بارندگی محلی و مکان هر زمین لغزش استفاده کردیم. در مقایسه با مدل آستانه بارندگی تجربی سنتی، این روش امکان تعیین آستانه بارندگی را برای هر مکان لغزش فراهم می‌کند، اما مقایسه خروجی‌های این روش و روش‌های تجربی سنتی به دلیل متفاوت بودن اهداف مطالعه دشوار است. مدل آستانه تجربی سنتی مبتنی بر یک مفهوم منطقه‌ای است که بر مناطق حاوی عوامل مختلف زمین‌شناسی و ژئومورفولوژیکی تمرکز دارد. بنابراین، ارزیابی حساسیت یا خطر معمولاً برای تعیین مقیاس منطقه قبل از محاسبه آستانه انجام می شود. [۵۲]. در مقابل، درونیابی زمین آماری فرض می کند که تمام اطلاعات، از جمله زمین شناسی، ژئومورفولوژی و سنگ شناسی، وابسته به همبستگی فضایی مبتنی بر واریوگرام بین دو نقطه در فضا است و از توزیع ناهمگن چند گاوسی پیروی می کند. این رویکرد به طور گسترده در مدل‌سازی اقلیمی و زمین‌شناسی، به‌ویژه در مناطقی که داده‌های دقیق وجود ندارد، استفاده شده است. [۵۳]. روش ما ترجیح داده می‌شود زیرا به حداقل داده‌ها برای ارزیابی حساسیت زمین لغزش نیاز دارد، و همچنین بهتر از استفاده مستقیم از مدل‌های تجربی سنتی در یک منطقه بزرگ است زیرا این مدل‌ها فقط اطلاعاتی را با توزیع همگن در نظر می‌گیرند. با این حال، این فرض کامل نیست زیرا توزیع‌های زمین‌شناسی و ژئومورفولوژیکی بسیار پیچیده هستند و توسط عوامل متعددی کنترل می‌شوند. چندین مطالعه نشان داده‌اند که توزیع مبتنی بر واریوگرام برای توزیع‌های زمین‌شناسی خاص، مانند مناطقی با سازندهای بسیار متصل و مناطقی با گسل‌ها یا چین‌خوردگی‌های بزرگ مناسب نیست. [۵۴,۵۵,۵۶]. در نتیجه، تحقیقات آینده باید با هدف ادغام جزئیات بیشتر در مورد توزیع زمین شناسی، توزیع سنگ شناسی، و توزیع خطرات زمین در مدل های زمین آماری باشد. [۳۵].

کمیت و کیفیت داده ها عوامل مهمی هستند که نتایج پیش بینی را تعیین می کنند [۵۷]. مهندسانی که قصد استفاده از این روش را دارند باید از در دسترس بودن مقدار کافی داده لغزش و بارش سنج دقیق در محدوده مورد مطالعه اطمینان حاصل کنند. مکان های دقیق زمین لغزش ها باید به دست آید و ثبت بارش ها باید دقیق باشد. در این مطالعه، بیشتر داده های زمین لغزش فاقد زمان دقیق وقوع در روز بودند. محلول از بالاترین مقدار بارش برای H1 و H12 استفاده می کند. با این حال، تنها ۶٫۴ درصد از ۷۸ موردی که زمان مشخص شده بود، در زمان بیشترین بارندگی ساعتی دچار شکست زمین لغزش شدند. این درصد زمانی که پنجره مشاهده را گسترش دادیم تا رخدادهای زمین لغزش در ۴ ساعت پس از اوج بارندگی را شامل شود به ۲۸٫۲ درصد افزایش یافت. این مرحله خاص از طریق درونیابی کریجینگ، عدم قطعیت را در پیش بینی های بعدی وارد کرد. این عدم قطعیت به میزان موفقیت پیش‌بینی کمتر مشاهده‌شده برای روش H1-D7 در مقایسه با سایر تکنیک‌ها کمک کرد. در مقابل، برای ۶۶٫۶٪ از ۷۸ مورد، شکست زمین لغزش در دوره ۱۲ ساعته مداوم رخ داده است که کل بارش در آن روز بیشترین میزان بارش را داشته است. در نتیجه، میزان موفقیت پیش‌بینی روش H12-D7 نزدیک به روش H24-D7 است.

داده‌های زمین لغزش غیر محرک عامل دیگری بالقوه کیفیت داده است که می‌تواند بر پیش‌بینی مدل تأثیر بگذارد، اما این عامل در این مطالعه در نظر گرفته نشده است. در نظر گرفتن رویدادهای غیر محرک در تجزیه و تحلیل آماری آستانه بارندگی به طور قابل توجهی استحکام مدل های آستانه را افزایش می دهد. [۳۱]. در رویکردمان، ما عمدتاً از روش‌های درون‌یابی برای ساختن توزیع آستانه استفاده می‌کردیم. با این حال، مقادیر بارندگی مرتبط با رویدادهای غیر محرک حذف شدند. این حذف می تواند منجر به احتمال بالاتر هشدارهای غلط در پیش بینی های مدل شود. توسعه یک روش جامع‌تر برای ادغام رویدادهای محرک و غیرمحرک در فرآیند درون‌یابی، یک راه ارزشمند برای تحقیقات آینده ارائه می‌کند. این امر به ویژه برای مناطق مستعد زمین لغزش با موارد محدود مهم است [۳۸].

ما عملکرد روش های زمین آماری را در پیش بینی وقوع زمین لغزش با استفاده از اطلاعات بارندگی گذشته نشان دادیم. با این حال، در کاربردهای عملی این روش، پیش بینی آب و هوا یکی دیگر از عوامل حیاتی است. پیش‌بینی‌های آب و هوا در پیش‌بینی آینده نزدیک، مانند بارش یک ساعت آینده، در مقایسه با پیش‌بینی‌های سه روز آینده، دقیق‌تر هستند. این نشان می دهد که خطاهای اساسی در پیش بینی های بلند مدت آب و هوا ممکن است دقت مدل های آستانه بارندگی را کاهش دهد. بنابراین، اگرچه نتایج ما نشان داد که روش آستانه H72-D7 بالاترین میزان موفقیت در پیش‌بینی زمین لغزش‌ها را داشت.شکل ۶، H72-D7 ممکن است کمترین میزان موفقیت پیش بینی را به دلیل عدم قطعیت زیاد در پیش بینی های آب و هوا نشان دهد. بنابراین، ارتباط بالقوه بین شرایط آب و هوایی و زمین لغزش یک جهت مهم برای بررسی در تحقیقات آینده است. علاوه بر این، باید تلاش‌های بیشتری برای افزایش کارایی پیش‌بینی مدل‌های H1-D7 تا H24-D7 انجام شود، زیرا پیش‌بینی‌های کوتاه‌مدت بارندگی ذاتاً در سیستم‌های پیش‌بینی آب‌وهوا دقیق‌تر هستند.

از نظر تئوری و آشکارا درست است که زمین لغزش‌های بیشتری باید در منطقه شمالی به سه دلیل زیر رخ دهد: (۱) آستانه‌های کوتاه‌مدت بارندگی در منطقه شمال کمتر از مناطق جنوبی است.شکل ۷) (ii) بارش در شمال بیشتر است (شکل ۲ب)؛ و (iii) منطقه شمال دارای مناطق کوهستانی بیشتری است. با این حال، لغزش های بیشتری در منطقه جنوبی مشاهده می شود (شکل ۲ج). این به احتمال زیاد به دلیل جمعیت بیشتر و فعالیت های انسانی شدیدتر، مانند ساخت و ساز و زیرساخت های حمل و نقل، در منطقه دشت جنوبی است. بنابراین، کار هشدار و پایش زمین لغزش بیشتر بر منطقه جنوبی متمرکز است و در نتیجه لغزش های بیشتری ثبت می شود. اگر چه داده‌های از دست رفته برای شمال به شدت بر آستانه‌ها تأثیر نمی‌گذارد اگر پایگاه داده داده‌های معمولی کافی در طول فرآیند درونیابی داشته باشد، وضعیت نشان می‌دهد که عوامل انسانی نقش مهمی در پیش‌بینی و پایش زمین لغزش دارند. این نشان می دهد که عوامل انسانی در جمع آوری داده ها و توزیع داده ها باید در ارزیابی آسیب پذیری زمین لغزش در نظر گرفته شود.