تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

پهنه بندی و ارزیابی پتانسیل وقوع زمین لغزش در حوضه آبریز کندیرق چای با استفاده از مدل ANP

نویسندگان
عقیل مددی 1
ابراهیم بهشتی جاوید 2
نازفر آقازاده 3
1 دانشیار ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 دکتری ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران
3 دانشجوی دکتری ژئومورفولوژی دانشگاه محقق اردبیلی، اردبیل، ایران
10.52547/jgs.21.62.243
چکیده
در سالهای اخیر با افزایش خسارات ناشی از وقوع زمین­ لغزش، بشر در صدد کاهش زیان‌های آن برآمده است. بنابراین، با شناسایی مناطق مستعد زمین­ لغزش و رتبه ­بندی آنها می­توان تا حدودی از خطرات ناشی از رخداد این پدیده جلوگیری نمود. هدف این پژوهش شناسایی عوامل مؤثر در وقوع زمین­لغزش حوضه کندیرق چای و پهنه­ بندی این حوضه به لحاظ خطر رخداد زمین لغزش با استفاده از روش­های فرایند تحلیل شبکه می­باشد. در این راستا با توجه به مرفومتری حوضه و نیز نتایج پژوهش­های گذشته،١٠ عامل مؤثر در رخداد زمین‌لغزش‌های حوضه آبریز کندیرق چای شامل لیتولوژی، کاربری اراضی، بارش، شیب، جهت شیب، فاصله از جاده، فاصله از گسل و فاصله از آبراهه، شاخص قدرت آبراهه( SPI)و شاخص حمل رسوب(STI)، شناسایی و مورد استفاده قرار گرفتند. در ادامه جهت امتیازدهی به عوامل و معیارها و طبقه­بندی­ آنها از روش فرایند تحلیل شبکه‌ای ANPاستفاده شده است. بدین‌صورت که برای مقایسه و رتبه­ بندی پارامترها از فرایند تحلیل شبکه‌ای(ANP) استفاده ‌شده است. نقشه نهایی نشان دادکه حوضه از نظر زمین‌لغزش دارای ۴کلاس می‌باشد. نتایج نشان می­دهد که پهنه­ های با خطر کم و پهنه‌هایی با خطر زیاد دارای کمترین مساحت در سطح حوضه کندیرق‌چای هستند. از طرف دیگر پهنه­ های با خطر متوسط وخطر خیلی زیاد بیشترین مساحت حوضه را به خود اختصاص داده­اند. تطبیق سطوح لغزش یافته و پهنه­های مواجه با خطر نشان می­دهد که مناطقی که در رده خطر خیلی زیاد و متوسط قرار دارند دارای بیشترین مساحت از سطوح لغزشی هستند. به طوریکه پهنه با خطر خیلی زیاد ٣۵ درصد(٧٩ کیلومتر مربع) و پهنه با خطر زیاد٦/٣۲درصد(٧۲ کیلومترمربع) از زمین­لغزش­ها را به خود اختصاص داده اند. به عبارت دیگر بیش از٧٧ درصد زمین لغزش­ها با پهنه­های خطر خیلی زیاد و متوسط مطابقت دارند. همچنین عوامل سنگ­ شناسی، شیب و فاصله از آبراهه بیشترین تاثیر را در وقوع زمین ­لغزش داشته­اند. جهت انجام این کار از فرآیند تحلیل شبکه ANP استفاده خواهد شد.
کلیدواژه‌ها
زمین لغزش
حوضه آبریز
کندیرق چای
ANP

عنوان مقاله English

Zoning and assessing the potential for landslide in the Shidri Chach basin using the ANP model

نویسندگان English

aghail madadi 1
ebrahim beheshti javid 2
nazfar aghazadeh 3
1 Associated professor of Geomorphology, university of Mohaghegh Ardabili
2 Phd of geomorphology , University of Mohaghegh Ardabili
3 Phd student of geomorphology , University of Mohaghegh Ardabili
چکیده English

During the last years, following an increase in damages due to occurrence of landslides, human has decided to reduce such losses. Therefore, identifying regions susceptible to landslide and classifying them can partly help man to prevent from happening above phenomena. The current study aims to demonstrate factors contributing to occurrence of landslide in Candrigh Chay basin and then, flattening the basin regarding risks related to landslide event using one methods, Network Analysis Process. In this direction, as respects to basin morphology and also, findings of past researches , ten factors involved in occurring landslides in Candrigh Chay Basin were recognized and used : lithology , land use , rainfall , slope , slope aspect , road slide , sluice power index (SPI), sediment transfer index (STI).Network Analysis Process(ANP) Method was implemented to score and classify factors and scales. Was carried out in order to measure classes of each parameter. The final map showed that the basin has 4 classes considering landslide. Findings reveal flats with low risk and flats with high risk have the least area in Candrigh Chay basin. On the other hand, flats with medium risk and high risk allocate the most area of basin for themself. Comparing slid surfaces with flats facing risks indicates regions located at high and average risk class possess most areas of slide surfaces so that a flat involving very high risk and a flat with high risk devote 35 percent (79km²) and 32/6 (72km²) of landslides for themselves, respectively. In other words, more than 77 percent of landslides conform to flats covering very high and average risk. Moreover, petrology, slope, and, sluice slide were identified as the most effective agents in occurring land_slides. One models, Network Analysis Process (ANP) were utilized through this project

کلیدواژه‌ها English

Landslide
Candrigh Chay
basin
ANP
Agterberg, F.P., Bonham-Carter, G.F. (Eds.), Statistical applications in the Earth Sciences: Geological Survey of Canada, Paper, 89 (9), 171–183.
Barbieri. G. Cambuli. P. (2009). The weight of evidence statistical method in landslide susceptibility mapping of the Rio Pardu Valley Sardinia, Italy. In Andersen R.S. Braddock R.D Newham, L.T.H. (Eds.), 18th World IMACS Congress and MODSIM09 International Congress on Modelling and Simulation. Modelling and Simulation Society of Australia and NewZealand and International Association for Mathematics and Computers in Simulation, July 2009, 24 (1): 2658–2664.
Binaghi E Luzi L madella P Pergalani F Rampini (1998). Slopeinstability zonation: comparison between certainy factor and fuzzy dempster-shafer approaches,natural hazards, (17): 77-97.
Biswajeet P. (2010), Landslide susceptibility assessment and factor effect analysis: Backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling Original Research Article, Environmental Modeling & Software, 25(6), 747-759.
Bui.H.B.Q.Nguyen and V.T.nguyen. (2008). GIS-based weight of evidence modeling for landslid susceptibility mapping at jaechon area,korea.International symposium on Geoinformatics for spatial infrastructure Development in Earth and Allied sciences
Carter, G.F., Agterberg, F.P., Wright, D.F. (1989). Weights of evidence modelling: a new approach to mapping mineral potential.
Chau.K.T.Seze.Y.L.M.K.Fang.W.Y.Wong.E.L.fong.L. P. (2003). Landslide hazard an analysis for Hongkong.using landslide in ventory and GIS.K.T.computers.and Geosciences .pp .429-443.
Denison, D.G.T., Holmes, C.C., Mallick, B.K., Smith, A.F.M., (2002) Bayesian Methods for Nonlinear Classification and Regression. John Wiley & Sons, Chichester, west Sussex.
Guzzetti, F., Carrara, A., Cardinalli, M., Reichenbach, P., (1999). Landslide hazard evaluation: a review of current techniques and their application in a multi-case study, central Italy. Geomorphology (31),181–216.
Jappan:.part II Gis-basd sas ptibility mapping with com parisons of results from two methods and rerifications.Engineering Geology.(81):432-445
Komac, C, M, and.F.G.erald. (2006). A landslide suscepllity.mpdel using thean Analysticalhierarchy process method and multiviariate ststiscsim perialpine Slovenia, Geomorphology,(174),:17-28.
Kumar Dahal.R. (2008). Predictive Modeling of Rainfall-induced landslide Hazard in th lesser Himalaya of Nepal Based on weights-of-evidence.Geomorphology.vol.(102):496-510
Mathew, J., V.K. Jha and G.S. Rawat. (2007). Weights of evidence modeling for landslide hazard zonation mapping in part of Bhagirathi valley, Uttarakhand. Current Sci. 92(5), 628-638.
Mohammady, M., Pourghasemi, H.R., Pradhan, B. (2012). Landslide susceptibility mapping at Golestan Province, Iran: Acomparison Between frequency ratio, Dempster–Shafer, and weights-of-evidence models, Journal of Asian Earth Sciences (2012) 221–236.
Nagarajan,R,A,Roy.R.vinodkumar,A,Makherjee.and M.V.Khire, (2000). Landslide hazard susceptibility mapping based on terrain and climatic factors for tropical mansoon Reggions,Bull eng Geolenv.58.
Neaupane, K.M., M. Piantanakulchai (2006) Analytic network process model for landslide hazard zonation, Engineering Geology (85). 281–294.
Piacentinia.D.troiani.F.soldati.M.notarniccola.C.savelli.D.scheiderbaur.S.strada.C, (2012), statical Analysis for ssessing shallow-landslide suseotibility in south tyrol(south-Eastern Alps,Italy). Geomorphology vol Pp. (151). 196-206.
Poli, S., Sterlacchini, S. (2007). Landslide representation strategies in susceptibility Studies using weights-of-evidence modeling technique. Natural Resources Research, 16,121–134.
Regmi, Netra R., John R. Giardino, John D. Vitek (2010), Modeling susceptibility to landslides using the weight of evidence approach: Western Colorado, USA, and Geomorphology (115). 172–187.
Saaty, T. L. (2005). Making and valldating comply declslons ith th AHP/ANP.Jornal of sstems science and systems Engineering/vol.14.wo/I.pp.1-36
Sanwei He, Peng Pan, LanDai, Haijun Wang, Jiping Liu. (2012). Application of kernel based Fisher discriminant analysis to map landslide Susceptibility in the Qinggan River delta, Three Gorges, China, and Geomorphology 171–172 (2012) 30–41
Schustr.R.L.1978.R.Lfleming.RW.1978.Economic losses and fatalities due to landslids Builiention of the association of Engineering Geologists.23 (1).11-28
Terzaghi.k. (1950). mechonisms of landslides.and Geotechnical society of America.Berkeley. Pp .83-125.
Tuzkaya, G. tuzkaya. u. R, Lsun .B. G. (2008) Istanbul.turky.Journal.
Van Westen, C.J., (2002). Use of weights of evidence modeling for landslide susceptibility mapping. International Institute for Geoinformation Science and Earth Observation (ITC), Enschede, the Netherlands. .88. 970-983.
Van westn.J, N, Rangers.M.J.trlien and R.soeters. (1996). prdiction of the occurrnc of slope instability phenomena through Gis-Basd hazard zonation.instability zonation:Exrciss.TTc.and publication namber150.
Varnes .D. J. (1989). Landslide typ, proceses.landslides, and Engineering practice.E.B.Eckel (FD). Special report No. 29. Highway Research Board. Pp.2- (1989(
Zezer. J. L. (1999). landslid in the north of Lisbon region (portugl). Conditioning and triggering Factors. PHys.chem.erth, 51, 24:925.
ZHU.C. X. wang. (2009). landslid susceptility mapping:A comparison of information and weights of-evidence methods in three Gorgesarea.International cconference on Environmental sglence and information application technology. Doi.119/ESIAT.2009.187:342-346.