تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,122,850 |
تعداد دریافت فایل اصل مقاله | 97,231,051 |
ارزیابی خطر زمینلغزش با استفاده از مدل ترکیبی تحلیل شبکه (ANP) و منطق فازی (مطالعۀ موردی: حوضۀ صلواتآباد، سنندج) | ||
اکوهیدرولوژی | ||
مقاله 12، دوره 6، شماره 4، دی 1398، صفحه 993-1002 اصل مقاله (1.13 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2019.282485.1128 | ||
نویسندگان | ||
حسین یوسفی* 1؛ یزدان یاراحمدی2 | ||
1دانشیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
2کارشناس 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 | ||
حوضۀ صلواتآباد؛ زمینلغزش؛ فرایند تحلیل شبکه؛ Super Decision | ||
مراجع | ||
[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. | ||
آمار تعداد مشاهده مقاله: 565 تعداد دریافت فایل اصل مقاله: 455 |