Autor: dr. sc. Marko Sinčić, mag. ing. geol.
Približno 30% teritorija Hrvatske podložno je nastanku klizišta. Ovi prirodni procesi mogu izazvati ozbiljnu štetu na kućama, cestama i drugim građevinama te ugroziti ljudske živote. Upravo zato je razumijevanje gdje i zašto klizišta nastaju ključno za zaštitu zajednica i smanjenje rizika od katastrofa. Jedan od najvažnijih alata za sprječavanje šteta od klizišta su karte hazarda. One stručnjacima pomažu predvidjeti gdje, kada i kolike razmjere klizište može imati. No, da bi se takve karte mogle izraditi, znanstvenici prvo moraju razumjeti podložnost na klizanje odnosno kolika je vjerojatnost da će se na određenom području dogoditi klizište (Guzzetti et al., 1999).
Doktorsko istraživanje predstavljeno u ovom blogu bilo je usmjereno na razvoj metodologije za izradu karata podložnosti na klizanje u krupnom mjerilu, slijedeći definirane korake procjene podložnosti na klizanje (Reichenbach et al., 2018). Istraživanje se posebno bavilo malim i plitkim klizištima, koja su vrlo česta u Panonskom bazenu – velikoj nizini koja se proteže kroz dijelove Hrvatske i susjednih zemalja. U radu su korištene statističke metode i metode strojnog učenja kako bi se bolje razumjeli odnosi između okolišnih uvjeta i pojave klizišta. Metodologija se temeljila na pet ključnih koraka:
Analiza kvalitete podataka – provjera točnosti i potpunosti dostupnih podataka o klizištima.
Testiranje metoda klasifikacije – ispitivanje načina na koji se različiti preduvjeti klizanja mogu najbolje kategorizirati.
Istraživanje strategija uzorkovanja – određivanje načina uzorkovanja podataka sa stabilnih (bez klizišta) i nestabilnih (s klizištima) područja (Slika 1).
Usporedba statističkih metoda – procjena različitih modela i njihove učinkovitost u predviđanju klizišta.
Analiza rezultata – provjera pouzdanosti modela pomoću različitih mjera točnosti.
Okvir metodologije primijenjen je na tri pilot područja u Hrvatskoj, koja predstavljaju tipične geološke i okolišne uvjete Panonskog bazena: područje Hrvatskog zagorja (20 km²), manje područje Podsljemena (21 km²) te cijelo područje Podsljemena (130 km²) (Slika 2).
Figure 1 Primjeri strategija uzorkovanja: (A) uzorkovanje po poligonima, (B) uzorkovanje pomoću “buffer” zone i (C) uzorkovanje po “smooth” preduvjetima klizanja. (Sinčić et al., 2024)
Figure 2 Geografski položaj pilot područja: u Europi (A), u Hrvatskoj (B), u sjeverozapadnoj Hrvatskoj (C). Detaljan prikaz pilot područja: cijelo područje Podsljemena u Gradu Zagrebu (D), odabrano reprezentativno područje Podsljemena (E) i reprezentativni dio Hrvatskog zagorja (F) (Sinčić, 2025)
Prvo važno otkriće istraživanja bilo je da je kvaliteta podataka najvažnija. Kako bi se izradile pouzdane karte, potrebno je imati točan inventar klizišta (zabilježene lokacije i obuhvat prijašnjih klizišta) te kvalitetne podatke o preduvjetima klizanja koji na njih utječu, poput vrste tla i stijena, nagiba terena i vegetacije. Takvi se podaci najčešće prikupljaju pomoću daljinskih istraživanja (Slika 3), osobito pomoću LiDAR-a (Light Detection and Ranging) i ortofoto snimaka visoke rezolucije iz zraka, koji omogućuju otkrivanje i najmanjih promjena u reljefu (Sinčić et al., 2022).
Figure 3 Primjer kako karte izvedene iz digitalnog modela terena (DMT) visoke rezolucije koji je dobiven LiDAR-om omogućuju poboljšavanje prostorne točnosti geoloških preduvjeta klizanja (Sinčić et al., 2022)
U istraživanju su uspoređene različite metode modeliranja. Pokazalo se da tehnike strojnog učenja, poput neuronskih mreža i slučajnih šuma, daju najbolje rezultate u predviđanju klizišta. Međutim, ti su modeli osjetljiviji na male promjene u parametrima modeliranja. S druge strane, „starije“ metode, poput logističke regresije i metode informacijske vrijednosti, pokazale su veću stabilnost i jednostavniju primjenu, uz sličnu razinu točnosti.
Još jedan važan uvid odnosio se na uzorkovanje i klasifikaciju preduvjeta klizanja. Prilikom odabira stabilnih područja, najbolji rezultati postignuti su slučajnim odabirom točaka (Sinčić et al., 2024). Također je utvrđeno da se točnost modela povećava kada se preduvjeti klizanja klasificiraju u više od deset kategorija — ili još bolje, kada se koriste kao kontinuirani podaci bez kategorizacije (Sinčić et al., 2025).
U radu je ispitano i kako se modeli mogu primijeniti na velikim prostornim područjima. Na većem području Podsljemena (130 km²) pokazano je da se rezultati dobiveni na manjem, ali geološki sličnom dijelu (21 km²) mogu učinkovito primijeniti na cijelu regiju, čime je proces izrade karata brži i isplativiji. Ovakav pristup može biti vrlo koristan za izradu većih regionalnih karata podložnosti na klizanje (Bernat Gazibara et al., 2023).
Na kraju, istraživanje je naglasilo važnost kombiniranja kvantitativnih (numeričkih) procjena (Slika 4) s kvalitativnim analizama (Slika 5), koje uključuju stručne procjene temeljene na poznavanju terena. Kombiniranjem tih pristupa dobivaju se pouzdaniji i potpuniji rezultati.
Figure 4 Primjer kvantitativne procjene modela, prikaz Cohen Kappa vrijednosti i iznose površine ispod krivulje (engl. Area Under the Curve tj. „AUC“) (Sinčić et al., 2024)
Figure 5 Primjer kvalitativne procjene modela, usporedba klasificiranih modela podložnosti na klizišta u uvećanom prikazu (Sinčić et al., 2024)
Zaključno, doktorsko istraživanje pružilo je jasnu i primjenjivu metodologiju za procjenu podložnosti na klizanje u krupnom mjerilu. Predloženi okvir definira ključne korake, od prikupljanja i provjere podataka do primjene najprikladnijih modela te naglašava važnost korištenja točnih ulaznih podataka tj. inventara klizišta i preduvjeta klizanja. Dobiveni rezultati mogu doprinijeti boljem prostornom planiranju, smanjenju rizika i mjerama ublažavanja posljedica od klizišta.
Reference
Bernat Gazibara, S., Sinčić, M., Krkač, M., Lukačić, H., Mihalić Arbanas, S. (2023): Landslide susceptibility assessment on a large scale in the Podsljeme area, City of Zagreb (Croatia). Journal of Maps, 19, 1.
Guzzetii, F., Galli, M., Reichenbach P., Ardizzone, F., Cardinali, M. (1999): Landslide Hazard assessment in the Collazzone area, Umbria, Central Italy. Natural hazards and earth system sciences, 6, 1, 115-131.
Reichenbach, P., Rossi, M., Malamud, B.D., Mihir, M., Guzzetti, F. (2018): A review of statistically-based landslide susceptibility models. Earth-Science Reviews, 180, 60-91.
Sinčić, M., Bernat Gazibara, S., Krkač, M., Lukačić, H. & Mihalić Arbanas, S. (2022) The Use of High-Resolution Remote Sensing Data in Preparation of Input Data for Large-Scale Landslide Hazard Assessments. Land, 11, 1360.
Sinčić, M., Bernat Gazibara, S., Rossi, M., Krkač, M., Mihalić Arbanas, S. (2024): A Comprehensive Comparison of Stable and Unstable Area Sampling Strategies in Large-Scale Landslide Susceptibility Models Using Machine Learning Methods. Remote Sensing, 16, 16, 2923.
Sinčić, M. (2025.): Statistically-based methodology for large scale landslide susceptibility modelling of small and shallow landslides in the Pannonian Basin 2025., doktorska disertacija, Rudarsko-geološko-naftni fakultet, Zagreb, 174 str.
Sinčić, M., Bernat Gazibara, S., Rossi, M., Mihalić Arbanas, S. (2025): Comparison of conditioning factor classification criteria in large-scale statistically based landslide susceptibility models. Natural Hazards and Earth System Sciences, 25, 183-206.
Dr. sc. Marko Sinčić, mag. ing. geol. je poslijedoktorand na Zavodu za naftno-plinsko inženjerstvo i energetiku na Rudarsko-geološko-naftnom fakultetu Sveučilišta u Zagrebu. Doktorirao je 23.4.2025. godine s doktorskim radom pod nazivom Statistically-based methodology for large scale landslide susceptibility modelling of small and shallow landslides in the Pannonian Basin (Metodologija modeliranja podložnosti na klizanje malih i plitkih klizišta u Panonskom bazenu u krupnom mjerilu primjenom statističkih metoda).
E-portfolio Link
ResearchGate Link
Google Scholar Link
CROSBI Link
Stranica projekta Link
