پیش‌بینی حساسیت‌پذیری سیلاب شهری با استفاده از مدل ترکیبی فازی- دلفی در شهر سنندج

نوع مقاله : پژوهشی

نویسندگان

1 دانش‌آموختة کارشناسی ارشد، گروه جغرافیا و برنامه‌ریزی شهری، دانشکدة جغرافیا، دانشگاه پیام نور مرکز بیجار، کردستان، ایران

2 دانشیار، گروه ژئومورفولوژی، دانشکدة منابع طبیعی، دانشگاه کردستان، سنندج، ایران

3 استادیار، گروه جغرافیا، دانشکدة حقوق و علوم اجتماعی، دانشگاه پیام نور، تهران، ایران

4 استادیار، گروه مرتع و آبخیزداری، دانشکدة منابع طبیعی، دانشگاه کردستان، سنندج، ایران

5 استاد، گروه ژئومورفولوژی، دانشکدة منابع طبیعی، دانشگاه کردستان، سنندج، ایران

چکیده

در اکثر کشورهای جهان سیلاب شهری به یکی از چالش‌های جدی محیط ‌زیستی تبدیل شده است. هدف از انجام این پژوهش پیش‌بینی حساسیت‌پذیری سیلاب شهر سنندج با استفاده از روش ترکیبی فازی-دلفی-تحلیل سلسله مراتبی (Fuzzy-Delphi-AHP: FDAHP) است. در ابتدا 14 عامل مؤثر بر وقوع سیلاب شهری شامل زاویة شیب، جهت شیب، ارتفاع از سطح دریا، انحنای شیب، تجمعی جریان، کاربری ارضی، سنگ‌شناسی، بارندگی، فاصله از تراکم ساختمانی، فاصله از معابر، فاصله از آبراهه‌ها، تراکم ساختمانی، تراکم معابر و تراکم آبراهه‌ها شناسایی و جهت مدل‌سازی انتخاب شدند. سپس، بر اساس تکمیل پرسش‌نامه توسط متخصصین و کارشناسان امر سیلاب شهری، امتیازها به این عوامل اختصاص داده شدند. با استفاده از مدل ترکیبی، وزن‌های فازی و غیرفازی عوامل به‌دست آمده و با اعمال آن‌ها به هر کدام از لایه‌های عوامل مؤثر، نقشة پیش‌بینی مکانی سیلاب شهر سنندج تهیه شد. صحت‌سنجی مدل ترکیبی با معیارهای آماری حساسیت (Sensitivity)، شفافیت (SpecifiCity) و دقت (Accuracy) انجام شد. نقشة پیش‌بینی سیلاب شهری تهیه شده با استفاده از معیارهای درصد مساحت زیرمنحنی (AUC) و تراکم سیلاب (فراوانی سیلاب‌های مشاهده‌ای در هر کلاس از نقشة حساسیت‌پذیری وقوع سیلاب) ارزیابی شد. نتایج حاکی از نقش مهم فاصله از آبراهه، تراکم آبراهه، بارندگی و تراکم ساختمانی بر وقوع سیلاب شهر سنندج در مقایسه با سایر عوامل است. نتایج نشان داد که روش ترکیبی فازی-دلفی-سلسله مراتبی با توجه به مقادیر 100 درصد، 7/75 درصد و 8/87 درصد به‌ترتیب برای حساسیت، شفافیت و دقت طبقه‌بندی مورد تأیید قرار گرفت. هم‌چنین، نتایج نشان داد که نقشة به‌دست آمده با مدل ترکیبی ارائه شده و نیز با توجه به مقدار درصد مساحت زیرمنحنی (56/80 درصد)، از صحت بالایی برخوردار است. بنابراین، روش ارائه شده در این پژوهش را می‌توان در نواحی شهری دیگر حساس به‌وقوع سیل، برای شناسایی و مدیریت آن‌ها مورد آزمایش و استفاده قرار داد.

کلیدواژه‌ها

موضوعات


Ahmadi Iikhchi, A., Hajabbassi, M.A., & Jalalian. A. (2003). Effects of converting range to dry-farming land on runoff and soil loss and quality in Dorahan, Chaharmahal & Bakhtiari Province. Journal of Crop Production and Processing, 6(4),103-115. dor:20.1001.1.23833254.1394.2.2.1.0 [In Persian]

Ahmadi, S., Amjadi, H., Chapi, K., Soodmand Afshar, R., & Ebrahimi, B. (2023). Fuzzy flash flood risk and vulnerability assessment for the City of Sanandaj, Kurdistan Province, Iran. Natural Hazards, 115(1), 237-259. doi:10.1007/s11069-022-05552-z

Ahmadzade, H., Saiid Abadi, R., & Noori, A. (2015). A Study and zoning of the areas prone to flooding with an emphasis on Urban Floods (Case Study: City of Maku). Hydrogeomorphology, 2(2), 1-24.  dor:20.1001.1.23833254.1394.2.2.1.0 [In Persian]

Allahveisi, M., Hosseini, B., Ahmadi Tawana, B., & Jahdi, N. (2012). Identification of urban factors affecting the vulnerability of urban floods (case study: Sanandaj City). National Conference on Flood Management, Permanent Secretariat of National Conference on Flood Management, Tehran, Iran. https://civilica.com/doc/207377. [In Persian]

Anni, A.H., Cohen, S., & Praskievicz, S. (2020). Sensitivity of urban flood simulations to storm water infrastructure and soil infiltration. Journal of Hydrololgy, 588, 125028. doi:10.1016/j.jhydrol.2020.125028

Asghari Moghadam, M. (1998). Natural geography of the City: hydrology and flooding of the City, 1th Edition, Masai Publishing House Tehran, 200 pages. [In Persian]

Azadtalab, M., Shahabi, H., Shirzadi, A., & Chapi, K. (2020). Flood hazard mapping in Sanandaj using combined models of statistical index and evidential belief function. Motaleate Shahri, 9(36), 27-40. doi: 10.34785/J011.2021.801. [In Persian]

Büchele, B., Kreibich, H., Kron, A., Thieken, A., & Ihringer, J. (2006). Flood-risk mapping, contributions towards an enhanced assessment of extreme events and associated risks. Natural Hazards and Earth System Sciences, 6, 485-503. doi:10.5194/nhess-6-485-2006 

Bui, D.T., Pradhan, B., Revhaug, I., Nguyen, D.B., Pham, H.V., Bui, Q.N. (2015). 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, Natural Hazards Risk, 6(3), 243e271. doi:10.1080/19475705.2013.843206 

Chapi, K., Singh, V, P., Shirzadi, A., Shahabi, H., Tien Bui, D., Pham, B.T., & Khosravi, K.H. (2017). A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental Modelling & Software, 95, 229-245. doi:10.1016/j.envsoft.2017.06.012

Dharmarathne, G., Waduge, A.O., Bogahawaththa, M., Rathnayake, U., & Meddage, D.P.P. (2024). Adapting cities to the surge: A comprehensive review of climate-induced urban flooding. Results in Engineering, p.102123.doi:10.1016/j.rineng.2024.102123

Fernández, D.S., & Lutz, M.A. (2010). Urban flood hazard zoning in Tucumán Province, Argentina, using GIS and multicriteria decision analysis. Engineering Geology, 111, 90–98. doi:10.1016/j.enggeo.2009.12.006

Ghahrodi Tali, M. (2007). Forecasting the substructure of spatial data in river basins in Iran, the third conference on spatial information systems,  https://sid.ir/paper/811136/fa  [In Persian]

Gravandi, Y. (2011). Urban flood risk mapping using multi-criteria decision analysis (MCDA) and geographic information system (GIS) (Case study: Kermanshah City). Master's Thesis, Sari University of Natural Resources, Iran. [In Persian]

Kazemi, M., & Jafarpour, A. (2022). Identifying the threshold of variables affecting flood zones using machine learning technique (Case study: Karun Bozor End Basin). Soil And Water Modeling And Management, 4(1), 214-232. doi:10.22098/mmws.2023.12285.1220. [In Persian]

Malczewski, J. (2004). GIS-based land-use suitability analysis: a critical overview. Progress Planning. 62(1), 3–65. doi:10.1016/j.progress.2003.09.002

Moghadamnia, A., and Wafakhah, M. (2018). Flood control. Publications of Tarbiat Modares University, 2th Edition:, 411 pages.

Mohammadi, H., Maghsoudi, M., & Roshan, G.H. (2006). The position and role of flood forecasting and warning systems in reducing the destructive effects of floods. Geographical Perspective, 1(3), 87-101. http://noo.rs/JS5dK [In Persian]

Moon, H.T., Kim, J.S., Chen, J., Yoon, S.K., & Moon, Y.I. (2024). Mitigating urban flood Hazards: Hybrid strategy of structural measures. International Journal of Disaster Risk Reduction108, 104542. doi:10.1016/j.ijdrr.2024.104542

Rahmani, M., Tarari, M., & Molla Aghajanzadeh, S. (2014). Urban flood risk mapping using weighted linear combination (WLC) and ordered weighted average (OWA) scenarios (Case study: Sari City, Mazandaran, Iran), International Conference on Modern Research in Sciences Agriculture and Environment, Karin Conference Excellence Institute. https://sid.ir/paper/862056/fa [In Persian]

Rasouli, A. (1998). The necessity of creating the geographic information systems in the geographical groups of the country. Geography Education Development, 29, 1-8. [In Persian]

Sadeghi, S.H.R., Jalalirad, R., & Mohammadi Sarabi, A. (2003). Flood mapping using HEC-RAS software and geographic information system (Case study; Darabad urban catchment of Tehran). Caspian Agricultural Sciences and Natural Resources Research Journal, 1(2), 34-47. [In Persian]

Sayyad, D., Ghazavi, R., & Omidvar, E. (2022). Appropriate urban infrastructure management strategies against floods from the perspective of passive defense using SWOT and QSPM (Case study: Kashan City). Water and Soil Management and Modelling2(1), 42-52. doi: 10.22098/mmws.2022.9651.1055. [In Persian]

Shabani Langrani, M. (2011). Application of remote sensing techniques and geographic information system in urban flood control (Case study: North of Tabriz City), Master's thesis, University of Tabriz, Tabriz, Iran. [In Persian]

Shirzadi, A., Chapi, K., Shahabi, H., Solaimani, K., Kavian, A., & Ahmad, B.B. (2017). Rock fall susceptibility assessment along a mountainous road: an evaluation of bivariate statistic, analytical hierarchy process and frequency ratio. Environmental Earth Sciences, 76(4), 152. doi:10.1007/s12665-017-6471-6

Sowmya, K., & John, C.M. (2015). Urban flood vulnerability zoning of Cochin City, Southwest coast of India, using remote sensing and GIS. Natural Hazards, 75(2). doi:10.1007/s11069-014-1372-4

Tsangaratos, P., & Benardos A. (2014). Estimating landslide susceptibility through an artificial neural network classifier. Natural Hazards, 74(3), 1489-1516. doi:10.1007/s11069-014-1245-x

Umar, Z., Pradhan, B., Ahmad, A., NeamahJebur, M., & Shafapour Tehrany, M. (2014). Earthquake induced landslide susceptibility mapping using an integrated ensemble frequency ratio and logistic regression models in West Sumatera Province, Indonesia. Catena, 118, 124-135. doi:10.1016/j.catena.2014.02.005

United Nations Development Programme (UNDP), (2004). A global report reducing disaster risks a challenge for development. 267, 2541-2553.

Vafaei, M, Dastorani, M., & Rostami khalaj, M. (2022). Flood risk assessment in Ferdowsi University of Mashhad campus and presentation of related management scenarios using HEC-RAS model. Water and Soil Modeling and Management, 3(3), 225-239. doi: 10.22098/mmws.2022.11815.1173. [In Persian]

Wang, Y., Hong, H., Chen, W., Li, S., Pamučar, D., Gigović, L., Drobnjak, S., Tien Bui, D., & Duan, H. (2018). A hybrid GIS multi-criteria decision-making method for flood susceptibility mapping at Shangyou, China. Remote Sensing, 11(1), 62. doi:10.3390/rs11010062

Ye, M.Q., Wu, J.D., Wang, C.L., & He, X. (2019). Historical and future changes in asset Society. Weather, Climate, and Society, 11(2), 307–319.

Zeraatkar, Z. (2011). Flood mapping of Shahroud and Pelbagh rivers in Birjand using HEC-RAS and ARC-GIS. M.Sc. Thesis, University of Zabul, Iran. [In Persian]