ارزیابی خطر زمین‌لغزش با استفاده از مدل ترکیبی تحلیل شبکه (ANP) و منطق فازی (مطالعۀ موردی: حوضۀ صلوات‌آباد، سنندج)

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

2 کارشناس ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

چکیده

شناسایی مناطق مستعد وقوع زمین‌لغزش از طریق پهنه‌بندی خطر، یکی از اقدامات مؤثر و ضروری در کاهش خطرات احتمالی و مدیریت خطر است. نقشۀ پهنه‏بندی زمین‌لغزش این امکان را فراهم می‏سازد که مناطق آسیب‌پذیر شناسایی شوند و در برنامه‌ریزی‏‏های محیطی مد نظر قرار گیرند. هدف از پژوهش حاضر، پهنه‌بندی خطر زمین‌لغزش در حوضۀ صلوات‌آباد شهر سنندج از طریق تهیۀ لایه‏‏های اطلاعاتی و عوامل مؤثر بر خطر وقوع زمین‌لغزش، با استفاده از روش فازی و فرایند تحلیل شبکه (ANP) است. به منظور پهنه‌بندی خطر زمین‌لغزش در حوضۀ صلوات‌آباد از متغیر‏‏های شیب، جهت شیب، زمین‌شناسی، کاربری اراضی، بارش، فاصله از رودخانه، فاصله از گسل، فاصله از جاده برای پهنه‌بندی خطر زمین‌لغزش استفاده شد. لایه‏‏های فازی استانداردشده در محیط GIS همپوشانی و سازماندهی شد. سپس، وزن عوامل مؤثر به وسیلۀ مدل ANP محاسبه و بر لایه‏‏های اطلاعاتی برای در محیط GIS اعمال و با همپوشانی آنها نقشۀ پهنه‌بندی وقوع زمین‌لغزش در 5 طبقه حساسیت خیلی زیاد، زیاد، متوسط، کم و خیلی کم تهیه شد. نتایج این ارزیابی نشان داد از کل مساحت حوضۀ صلوات‌آباد منطقه با خطر متوسط با مساحت 70/804 هکتار (18/32 درصد) را به خود اختصاص داد. از میان 8 عامل بررسی‌شده روی وقوع زمین‌لغزش، معیارهای شیب و زمین‌شناسی به‌ترتیب با وزن‌های 243/0 و ‌194/0، بیشترین وزن و همچنین، معیار‏‏های فاصله از گسل، فاصله از رودخانه و بارش، به‌ترتیب با وزن‌های 036/0، ‌058/0 و 056/0، کمترین وزن را در پهنه‌بندی خطر وقوع زمین‌لغزش به خود اختصاص دادند. بیشترین خطر زمین‌لغزش در جهت شیب‏‏های جنوب، جنوب شرق و شرق است. همچنین، شیب‏‏های بیشتر از 10 درصد بیشترین میزان وقوع خطر زمین‌لغزش را به خود اختصاص داد.

کلیدواژه‌ها

موضوعات


[1].          Marrapu BM, Jakka RS. Landslide hazard zonation methods: A critical Review. Int J Civ Eng Res. 2014;5(3):215–20.
[2].          Lin W-T, Chou W-C, Lin C-Y. Earthquake-induced landslide hazard and vegetation recovery assessment using remotely sensed data and a neural network-based classifier: a case study in central Taiwan. Nat hazards. 2008;47(3):331–47.
[3].          Hussin HY, Zumpano V, Reichenbach P, Sterlacchini S, Micu M, van Westen C, et al. Different landslide sampling strategies in a grid-based bi-variate statistical susceptibility model. Geomorphology. 2016;253:508–23.
[4].          Shadman Roodposhti M, Aryal J, Shahabi H, Safarrad T. Fuzzy shannon entropy: a hybrid GIS-based landslide susceptibility mapping method. Entropy. 2016;18(10):343.
[5].          Karimi H, Naderi F, Naseri B, Salajeqeh A. Comparisons of different models for landslide susceptibility mapping in Zangvan watershed, Ilam province. J Range Watershed Manag. 2014;67(3):459–85.
[6].          Young, O. C., Cheung, K. & J-Chul UC. The Comparative Research of Landslide Susceptibility Mapping Using FR, AHP, LR, ANN. In: conference Environmental Geology San Diego, CA. 2010.
[7].          Colkesen I, Sahin EK, Kavzoglu T. Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression. J African Earth Sci. 2016;118:53–64.
[8].          Gorsevski P V, Brown MK, Panter K, Onasch CM, Simic A, Snyder J. Landslide detection and susceptibility mapping using LiDAR and an artificial neural network approach: a case study in the Cuyahoga Valley National Park, Ohio. Landslides. 2016;13(3):467–84.
[9].          Bui DT, Pradhan B, Revhaug I, Nguyen DB, Pham HV, Bui QN. A novel hybrid evidential belief function-based fuzzy logic model in spatial prediction of rainfall-induced shallow landslides in the Lang Son city area (Vietnam). Geomatics, Nat Hazards Risk. 2015;6(3):243–71.
[10].        Lian C, Zeng Z, Yao W, Tang H, Chen CLP. Landslide displacement prediction with uncertainty based on neural networks with random hidden weights. IEEE Trans neural networks Learn Syst. 2016;27(12):2683–95.
[11].        Chen W, He B, Zhang L, Nover D. Developing an integrated 2D and 3D WebGIS-based platform for effective landslide hazard management. Int J Disaster Risk Reduct. 2016;20:26–38.
[12].        Wang Y, Seijmonsbergen AC, Bouten W, Chen Q. Using statistical learning algorithms in regional landslide susceptibility zonation with limited landslide field data. J Mt Sci. 2015;12(2):268–88.
[13].        Moghimi, E., Yamani, M., and Vahimi S. Landslide hazard assessment and zoning in Roodbar using network analysis process. Quant Res. 2013;4:103–18.
[14].        Safaeepoor M, Shojaeean A, Atashafrooz N. Landslide Using AHP Model In GIS Case Study: Valley Village Qalandar Flour City Dehdez. 2016;9(31):105–18.
[15].        Nazmfar H, Behesti A. Application of Combined model analytical network process and fuzzy logic models in Landslide susceptibility zonation (Case Study: chellichay Catchment). Geogr Environ Plan. 2016;27(1):53–68.
[16].        Masomeh Rajabi, KHalil Valizaeh kamran H abedi gheshlaghi. Evaluation and zoning landslide hazard by using the analysis network process and artificial neural network (case study Azarshahr Chay basin). Quant Geomorphol Res. 2018;5(1):60–74.
[17].        Goetz JN, Brenning A, Petschko H, Leopold P. Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling. Comput Geosci. 2015;81:1–11.
[18].        Shahram Rostaei LKh. Assessment of Analysis Network Process and Logistic Regression in the Investigation of Landslide Potential in the Axis Range and Reservoir Dam (Case Study: Ghalea Chai Dam). Quant Geomorphol Res. 2018;5(3):67–80.
[19].        Hadi Nayeri, Mohammadreza Karami MS. Landslide hazard zonation by evaluating environmental variables using network analysis (case study: Bijar city). Quant Geomorphol Res. 2018;5(4):121–36.
[20].        Ali Akbar Matkan ARSP. Urban Waste Iandfill Site Selection by GIS (Case Study: Tabriz City). Environ Sci. 2009;6(2):121–32.
[21].        Salari M, Moazed H RF. Site Selection for Solid Waste by GIS & AHP-FUZZY Logic (Case Study: Shiraz City). J Toloo-e-behdasht. 2012;11(1):96–109.
[22].        M. Abedini, SH. Rostaeai MF. Landslides susceptibility mapping using hybrid model of Bayes’ theorem & ANP, Case Study: Ahar drainage basin South boundary (From Nasirabad to Sattar Khan dam). Quant Geomorphol Res. 2018;5(1):142–59.
دوره 6، شماره 4
دی 1398
صفحه 993-1002
  • تاریخ دریافت: 20 بهمن 1397
  • تاریخ بازنگری: 30 تیر 1398
  • تاریخ پذیرش: 30 تیر 1398
  • تاریخ اولین انتشار: 01 دی 1398
  • تاریخ انتشار: 01 دی 1398