ارزیابی حساسیت زمین‌لغزش با استفاده از رویکرد منطق فازی و سامانه اطلاعات جغرافیایی در حوزه آبخیز نکارود

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی ‌کارشناسی ارشد، گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران

2 دانشیار، گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران

چکیده

زمین‌لغزش نتیجه فرآیندهای مختلف ژئودینامیکی است و نوع مهمی از بلای طبیعی را نشان می‌دهد. این پدیده با آسیب رساندن به زیرساخت‌ها و ساختمان‌ها موجب خسارت‌های اقتصادی و اجتماعی می‌شود. زمین‌لغزش‌ها عمدتاً توسط عوامل متعددی شامل زمین‌شناسی، خصوصیات شیب، و سایر عوامل که در ایجاد زمین‌لغزش تأثیر دارند، حادث می‌شوند. زمین‌لغزش شایع‌ترین پدیده در شمال ایران است که هر ساله خسارت‌های مالی و جانی قابل‌توجهی به بار می‌آورد. یکی از روش‌های بسیار پرکاربرد برای کاهش این خسارت‌ها، تهیه نقشه حساسیت به زمین‌لغزش با استفاده از روش‌های مناسب و انتخاب عوامل مناسب است. در این پژوهش در حوزه آبخیز نکارود در استان مازندران با استفاده از روش منطق فازی در نرم‌افزار Arc GIS و ادغام نقشه‌هایی که در شناسایی مناطق زمین‌لغزش تأثیر زیادی دارند، مناطقی با پتانسیل بالا تا کم از مقدار یک تا پنج به زمین‌لغزش‌ها اختصاص داده شد. نتایج نشان داد زیرحوضة N1 با مقادیر 37.59 (بسیار ضعیف)، 35.55 (ضعیف)، 25.21 (متوسط)، 17.41 (خوب) و 11.25 (بسیار خوب) درصد در اولویت اول مستعد وقوع زمین‌لغزش قرار دارد. با مقایسه زیرحوضه‌ها با یکدیگر از لحاظ زمین‌لغزش، زیرحوضه N12 با مقادیر 7.37 (بسیار ضعیف)، 14.12 (ضعیف)، 23.33 (متوسط)، 26.49 (خوب) و 28.69 (بسیار خوب) در وضعیت بهتری از لحاظ وقوع زمین‌لغزش قرار دارد. زیرحوضه‌های N3 ،N4 ،N5 و N6 با توجه به میزان حساسیت به زمین‌لغزش حالت متوسط به بالا و متوسط دارند و از زیرحوضه N7 تا N11 از میزان حساسیت زمین‌لغزش‌ها کاسته می‌شود. نتایج به‌دست‌آمده به‌وضوح نشان می‌دهد که تراکم حوادث رانش زمین با درجه حساسیت عواملی مانند شیب، فقدان پوشش گیاهی و نیز افزایش میزان نفوذپذیری خاک افزایش می‌یابد. با توجه به نتایج جهت کاهش زمین‌لغزش جلوگیری از تغییرات کاربری اراضی و انجام مطالعات قبل از انجام هر گونه کار عمرانی مانند احداث جاده الزامی است. نتایج این پژوهش برای برنامه‌ریزان، تصمیم‌گیران، پژوهش‌گران و برنامه‌ریزان عمومی استفاده از زمین در منطقه مورد مطالعه مفید و اساسی است.

کلیدواژه‌ها


-      Ahmed, B. (2015). Landslide susceptibility mapping using multi-criteria evaluation techniques in Chittagong Metropolitan Area, Bangladesh. Landslides, 12(6), 1077–1095.
-      Ali, S.A., Parvin, F., Vojteková, J., Costache, R., Thuy Linh, N.A., Pham, Q.B., Vojtek, M., Gigović, L., Ahmad, L.A., & Ghorbani, M.A. (2021). GIS-based landslide susceptibility modeling: A comparison between fuzzy multi-criteria and machine learning algorithms. Geoscience Frontiers, 12(2), 857-876.
-      Anis, Z., Wissem, G., Vali, V., Smida, H., & Essghaier, G.M. (2019). GIS-based landslide susceptibility mapping using bivariate statistical methods in North-western Tunisia. Open Geoscience, 11, 708–726.
-      Ayalew, L., & Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda Yahiko Mountains, Central Japan. Geomorphology, 65, 15-31.
-      Brabb, E. (1993). Proposal for worldwide landslide hazard maps. Proceedings of 7th International Conference and field workshop on landslide, 28 August-15 September 1993, Czech and Slovak Republics, pp 15–27.
-      Cardinali, M., Reichenbach, P., Guzzetti, F., Ardizzone, F., Antonini, G., Galli, M., Cacciano, M., Castellani, M., & Salvati, P. (2002). A geomorphological approach to the estimation of landslide hazards and risks in Umbria, Central Italy. Natural Hazards Earth System Sciences, 2, 57–72.
-      Chen, C.Y., & Huang, W.L. (2012). Land use change and landslide characteristics analysis for community-based disaster mitigation. Environmental Monitoring and Assessment, 185, 4125–4139.
-      Chen, X., & Chen, W. (2021). GIS-based landslide susceptibility assessment using optimized hybrid machine learning methods. CATENA, 196, 104833.
-      Courture, R. (2011). Landslide terminology-national technical guidelines and best practices on landslides. Geological Survey of Canada, 12 p.
-      Crozier, M. (1986). Landslides-causes, consequences and environment. Croom Helm Ltd, London and Sydney, pp 0.7097–0.7099.
-      Del Ventisette, C., Righini, G., Moretti, S., & Casagli, N. (2014). Multitemporal landslides inventory map updating using spaceborne SAR analysis. International Journal of Applied Earth Observation and Geoinformation, 30, 238–246.
-      Devara, M., Tiwari, A., & Dwivedi, R. (2021). Landslide susceptibility mapping using MT-InSAR and AHP enabled GIS-based multi-criteria decision analysis. Geomatics, Natural Hazards and Risk, 12, 675-693.
-      EMDAT. (2010). Emergency Disasters Data Base. Volume 2010: Brussels, Belgium, Centre for Research on the Epidemiology of Disasters. Ecole de Santé, Publique Université Catholique de Louvain, https://www.emdat.be/
-      Hadmoko, D.S., Lavigne, F., Sartohadi, J., & Hadi, P. (2010). Winaryo Landslide hazard and risk assessment and their application in risk management and landuse planning in eastern flank of Menoreh Mountains, Yogyakarta Province, Indonesia. Natural Hazards, 54, 623–642.
-      He, Y., & Beighley, R.E. (2008). GIS-based regional landslide susceptibility mapping: a case study in southern California. Earth Surface Processes and Landforms, 33, pp. 380 –393.
-      Hong, Y., Hong, Y., Adler, R., & Huffman, G. (2007). Use of satellite remote sensing data in the mapping of global landslide susceptibility. Natural Hazards, 43(2), 245–256.
-      Hu, M., Wu, Zh., Reicherter, K., Ali, S., Huang, X.,&  Zuo, J. (2021). A historical earthquake-induced landslide damming event at the Qiaojia Reach of the Jinsha River, SE Tibetan Plateau: Implication for the seismic hazard of the Xiaojiang Faul. Frontiers in Earth Science, 9, 18 p.
-      Hutchinson, J. (1988). Fairbridge R (ed) The Encyclopedia of Geomorphology. Reinold, pp 688–695.
-      Khan, A., Gupta, S., & Gupta, S.K. (2020). Multi-hazard disaster studies: monitoring, detection, recovery, and management, based on emerging technologies and optimal techniques. International Journal of Disaster Risk Reduction, 47, 1–53.
-      Kouli, M., Loupasakis, C., Soupios, P., & Vallianatos, F. (2009). Landslide hazard zonation in high risk areas of Rethymno Prefecture, Crete Island, Greece. Natural Hazards, 52, 599–621.
-      Lee, S. (2007). Landslide susceptibility mapping using an artificial neural network in the Gangneung area, Korea. International Journal of Remote Sensing, 28, 4763–4783.
-      Ma, Sh., Feng, J., & Cao, H. (2006). Fuzzy model of regional economic competitiveness in GIS spatial analysis: Case study of Gansu, Western China. Fuzzy Optimization and Decision Making, 5, 99–111.
-      Mandaglio, M.C., Gioffrè, d., pitasi, a., & moraci, n. (2016). Qualitative landslide susceptibility assessment in small areas. Procedia Engineering, 158, 440–445.
-      Michael, E.A., & Samanta, S. (2016). Landslide vulnerability mapping (LVM) using weighted linear combination (WLC) model through remote sensing and GIS techniques. Modeling Earth Systems and Environment, 2, 1–15.
-      Mihalić Arbanas, S., & Arbanas, Z. (2015). Landslides: A Guide to Researching Landslide Phenomena and Processes. Handbook of Research on Advancements in Environmental Engineering, 37 pages.
-      Mohammadi Wawsari, M., Radial, Gh., &  Shahidi, F. (2014). Determining the intensity-duration threshold of rainfall in order to predict shallow landslides in the catchment area of Tajan and Neka rivers (east of Mazandaran). Journal of Iranian Geological Engineering Association, 7, 15-28 (in Persian).
-      Pawan, G., Kubota, T., Sapkota, L., & Shinohara, Y. (2021). Landslide susceptibility mapping with GIS in high mountain area of Nepal: a comparison of four methods. Environmental Earth Sciences, 80, 359.
-      Pham, B.T., Shirzadi, A., Shahabi, H., Omidvar, E., Singh, S.K., Sahana, M., Asl, D.T. Ahmad, B.B., Quoc, N.K., & Lee, S. (2019(. Landslide susceptibility assessment by novel hybrid machine learning algorithms. Sustainability, 11, 16.
-      Pourghasemi, H.R., Pradhan, B., & Gokceoglu, C. (2012), Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz Watershed, Iran. Natural Hazards, 63, 965-996.
-      Psomiadis, E., Charizopoulos, N., Efthimiou, N., Soulis, K., & Charalampopoulos, L. (2020). Earth observation and GIS-based analysis for landslide susceptibility and risk assessment. International Journal of Geo-Information, 9(9), 552.
-      Rabehi, W., Guerfi, M., & Mahi, H. (2018). Cartographie de la vulnérabilité des communes de la baie d’Alger. Approche socio-économique et physique de la côte. Journal of Mediterranean Geography (Méditerranée), Urban Spaces, http://journals.openedition.org/mediterranee/8625.
-      Roccati, A., Paliaga, G., Luino, F., Faccini, F., & Turconi, L. (2021). GIS-based landslide susceptibility mapping for land use planning and risk assessment. Land, 10, 162.
-      Rong, R., Li, K., Han, L., Alu, S., Zhang, J., & Zhang, Y. (2020). Hazard mapping of the rainfall–landslides disaster chain based on geodetector and ayesian network models in Shuicheng County, China. Water, 12, 2572.
-      Roşian, G., Csaba, H., Kinga-Olga, R., Boţan, C.N., & Gavrilă, I.G. (2016). Assessing landslide vulnerability using bivariate statistical analysis and the frequency ratio model. Case study: Transylvanian Plain (Romania). Zeitschrift Geomorphologie, 60, 359–371.
-      Saha, A.K., Gupta, R.P., & Arora, M.K. (2002). GIS-based Landslide Hazard Zonation in the Bhagirathi (Ganga) Valley, Himalayas. International Journal of Remote Sensing, 23, 357–369.
-      Senouci, R., Taibi, N., Teodoro, A., Duarte, L., Mansour, H., & Yahia Meddah, R. (2021). West of Algeria. Sustainability, 13, 630.
-      Shannon, C.E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379–423.
-      Thiery, Y., Terrier, M., Colas, B., Fressard, M., Maquaire, O., Grandjean, G.,&  Gourdier, S. (2020). Improvement of Landslide Hazard Assessments for Regulatory Zoning in France: STATE–OF–THE-ART Perspectives and Considerations. International Journal of Disaster Risk Reduction, 47, 1–44.
-      Vakhshoori, V., Pourghasemi, H.R., Zare, M., & Blaschke, T. (2019). Landslide susceptibility mapping using gis-based data mining algorithms. Water, 11, 2292.
-      Wang, Q., Wang, D., Huang, Y., Wang, Z., Zhang, L., Guo, Q., Chen, W., Chen, W., & Sang, M. (2015). Landslide susceptibility mapping based on selected optimal combination of landslide predisposing factors in a large catchment. Sustainability, 7, 16653– 16669.
-      Xiao, T., Segoni, S. Chen, L., Yin, K., & Casagli, N. (2020). A step beyond landslide susceptibility maps: A simple method to investigate and explain the different outcomes obtained by different approaches. Landslides, 17(3), 627–640.