پهنه بندی خطر وقوع زمین‌لغزش با استفاده از سیستم اطلاعات جغرافیایی (مطالعۀ موردی: دهستان های رباط- سیاهپوش، استان لرستان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته دکتری ژئومورفولوژی، دانشگاه تربیت مدرس

2 استادیار گروه علوم اجتماعی، دانشگاه پیام نور، ایران، تهران

چکیده

اخیراً بازسازی و توسعه جاده اصلی دو دهستان رباط- سیاهپوش مخاطرات ناشی از حرکات توده‌ای را افزایش داده است. با توجه به اهمیت این مسئله، مهار و پهنه­بندی پتانسیل خطر وقوع زمین‌لغزش به عنوان یکی از انواع مخاطرات طبیعی در توسعه پایدار امری ضروری به نظر می­رسد. هدف از انجام این تحقیق، شناخت عوامل مسبب و تشدیدکننده زمین‌لغزش و پهنه­بندی خطر وقوع آن از طریق مدل‌های آماری و تجربی است. بدین منظور، عوامل مؤثر بر وقوع زمین‌لغزش، شامل سنگ­شناسی، درجه شیب، جهت دامنه، تیپ خاک، کاربری اراضی، فاصله از گسل‌، شبکه آبراهه و جاده در محیط ArcGIS مورد تجزیه و تحلیل قرار گرفتند. نتایج حاصل از همبستگی بین متغیرها با فراوانی وقوع زمین‌لغزش نشان داد که عوامل مؤثر بر وقوع زمین‌لغزش در منطقه به ترتیب شیب دامنه، فاصله از آبراهه ­ها و سنگ ­شناسی هستند. همچنین عامل فاصله از جاده به عنوان عامل تشدیدی در بروز زمین‌لغزش‌های جدید شناسایی شد. مقایسه و ارزیابی میزان تطابق مدل­های دو متغیره ارزش اطلاعاتی و چند متغیره رگرسیون با استفاده از تکنیک CTA، نشان داد که مدل ارزش اطلاعاتی در طبقات خطر بسیار کم، کم، متوسط، زیاد و بسیار زیاد به ترتیب 30/06، 0/26، 19/11، 17/43 و 33/12% و مدل رگرسیون چند متغیره 9/25، 12/54، 13/54، 53/06 و 11/57% از مساحت کل منطقه را به خود اختصاص داده­اند.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide hazard zonation using geographic information System landslide (Case study: Robat-Siahpoush rural district, Lorestan province)

نویسندگان [English]

  • Maryam Rahmati 1
  • Farhad Zand 2
1 Ph.D. Graduated of Geomorphology, Tarbiat Modares University
2 Assis. Prof. Faculty of Social Sciences, Payame Noor University, Iran, Tehran
چکیده [English]

Reconstruction and development of the main road Robat-Siahpoush two rural district have increased the risk of mass movements in recent years. Due to the importance of the issue, inhibition and landslide hazard zoning is necessary as one of a variety of natural hazards in sustainable development. The objective of this study is to identify causes and amplifying factors of landslide and its hazard zoning using statistical and experimental models. Therefore, factors responsible for landslide occurrence, lithology, slope, aspect, soil type, land use, the distance of the fault, drainage, and roads have been analyzed in ArcGIS software. The results of the correlation between variables with the landslide frequency showed that slope, drainage and lithology are the effective parameters of the landslide, respectively. Furthermore, the distance road has introduced as a new amplification factor in the landslide occurrence. Comparing the matching rate of two variables information value and multivariate of regression models and their evaluation by CTA techniques, showed that the information value model in the very low, low, moderate, high and very high class of risk has allocated 30.06, 0.26, 19.11, 17.43 and 33.12% of the total area, respectively, and the allocated values of the multivariate regression model are 9.25, 12.54, 13.54, 53.06, and 11.57%.

کلیدواژه‌ها [English]

  • Road hazards
  • Landslide zoning
  • Information value model
  • Regression model
  • Robat- Siahpoush rural district

1. ابراهیمی، م.، م. حبیب­اللهیان، ا. امیراحمدی، م. ع. زنگنه اسدی و ح. نژاد سلیمانی. 1394. بررسی اثر جاده­سازی بر وقوع زمین­لغزش‌های سطحی با استفاده از مدل پایداری دامنه‌ها (مطالعه موردی: حوضه آبخیز کلات). آمایش جغرافیائی فضا، 5(15): 149-162.

2. احمدآبادی، ع. و م. رحمتی. 1394. کاربرد شاخص­های کمی ژئومورفومتریک در شناسایی پهنه‌های مستعد زمین­لغزش با استفاده از مدل SVM (مطالعه موردی: آزادراه خرم‌آباد – پل‌زال). پژوهش­های ژئومورفولوژی کمی، 4(3): 197-213.

3. افجه نصرآبادی، ح.، ش. شتائی جویباری، ن. رأفت­نیا و م. شریعت جعفری. 1387. ارزیابی کارائی مدل‌های آماری ارزش اطلاعاتی و تراکم سطح در پهنه­بندی خطر زمین­لغزش مناطق جنگلی (سری دو جنگل شصت کلاته گرگان). علوم کشاورزی و منابع طبیعی، 15(6): 34-43.

4. اکبری، ا.، ع. درویشی بلورانی و ن. نیسانی سامانی. 1396. تهیه نقشه حساسیت زمین­لغزش با استفاده از مدل تلفیقی فازی– فرآیند تحلیل شبکه­ای. سنجش از دور و سامانه اطلاعات جغرافیائی در منابع طبیعی، 8(3): 73-88.

5. بهاروند، س. و س. سوری. 1394. پهنه­بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی (مطالعة موردی: حوضه سپیددشت، لرستان). سنجش از دور و سامانه اطلاعات جغرافیائی در منابع طبیعی، 6(4): 15-31.

6. پورهاشمی، س.، ا. امیراحمدی و ا. اکبری. 1393.  انتخاب مدل مناسب از بین روش­های آماری دو متغیره جهت پهنه­بندی خطر زمین­لغزش در محیط GIS (مطالعه موردی: حوضه آبخیر بقیع). مطالعات جغرافیائی مناطق خشک، 4(15): 71-89.

7. رسائی، آ.، خ. خسروی، م. حبیب­نژاد روشن، ا. حیدری و آ. مشایخان. 1394. پهنه­بندی خطر زمین­لغزش با مدل رگرسیون چند متغیره در محیط GIS (مطالعه موردی: حوزه آق مشهد، استان مازندران). پژوهشنامه مدیریت حوضه آبخیز، 6(12): 205-215.

8. روستائی، ش. و ح. احمدزاده. 1391. پهنه‎بندی مناطق متأثّر از خطر زمین‎لغزش در جادّه‎ی تبریز ـ مرند با استفاده از سنجش از دور و GIS. پژوهش‌های ژئومورفولوژی کمّی، (1)1: 47-58.

9. شریعت جعفری، م. و ج. غیومیان. 1387. ارزیابی کارایی مدل آنالیز آماری دو متغیره در پهنه‌بندی خطر رانش زمین. علوم دانشگاه تهران، 34(4): 137-143.

10. شیرانی، ک.، س. چاوشی و ج. غیومیان. 1385. بررسی و ارزیابی روش­های پهنه­بندی خطر زمین­لغزش در پادنای علیای سمیرم. علوم پایه دانشگاه اصفهان، 23(1): 23-38.

11. فاضل­نیا، غ.، س. ی. حکیم دوست و م. یارمحمدی. 1394. پهنه­بندی خطر مخاطرات طبیعی در مناطق روستائی با استفاده از سیستم اطلاعات جغرافیائی با تأکید بر فاکتور زمین­لغزش (مطالعه موردی: دهستان دوهزار شهرستان تنکابن). پژوهش و برنامه­ریزی روستائی، 4(2): 11-21.

12. معماریان، ح. و م. سیارپور. 1385. نقش پارامتر شیب دامنه در بروز خطا در پهنه­بندی خطر زمین­لغزش. دانشکده فنی، 40(1): 105-113.

 

13. Che VB, Kervyn M, Suh C, Fontijn K, Ernst GG, del Marmol M-A, Trefois P, Jacobs P. 2012. Landslide susceptibility assessment in Limbe (SW Cameroon): a field calibrated seed cell and information value method. Catena, 92: 83-98. 

14. Chen F, Yu B, Xu C, Li B. 2017. Landslide detection using probability regression, a case study of Wenchuan, northwest of Chengdu. Applied Geography, 89: 32-40.

15. Chung C-JF, Fabbri AG. 2003. Validation of spatial prediction models for landslide hazard mapping. Natural Hazards, 30(3): 451-472.

16. Ciurleo M, Calvello M, Cascini L. 2016. Susceptibility zoning of shallow landslides in fine grained soils by statistical methods. Catena, 139: 250-264.

17. Ciurleo M, Cascini L, Calvello M. 2017. A comparison of statistical and deterministic methods for shallow landslide susceptibility zoning in clayey soils. Engineering Geology, 223: 71-81.

18. Frattini P, Crosta G, Carrara A. 2010. Techniques for evaluating the performance of landslide susceptibility models. Engineering Geology, 111(1): 62-72.

19. Guzzetti F, Reichenbach P, Ardizzone F, Cardinali M, Galli M. 2006. Estimating the quality of landslide susceptibility models. Geomorphology, 81(1): 166-184.

20. Kanungo D, Arora M, Sarkar S, Gupta R. 2006. A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas. Engineering Geology, 85(3): 347-366.

21. Nadim F, Kjekstad O, Peduzzi P, Herold C, Jaedicke C. 2006. Global landslide and avalanche hotspots. Landslides, 3(2): 159-173.

22. Peng L, Niu R, Huang B, Wu X, Zhao Y, Ye R. 2014. Landslide susceptibility mapping based on rough set theory and support vector machines: A case of the Three Gorges area, China. Geomorphology, 204: 287-301.

23. Pourghasemi HR, Mohammady M, Pradhan B. 2012. Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena, 97: 71-84.

24. Yalcin A. 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations. Catena, 72(1): 1-12.

25. Zetter R. 2012. World Disasters Report 2012: Focus on Forced Migration and Displacement. Geneva (CHE): International Federation of Red Cross and Red Crescent Societies, 300 pp.

26. Zhou C, Yin K, Cao Y, Ahmed B, Li Y, Catani F, Pourghasemi HR. 2017. Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China. Computers & Geosciences, In Press, Accepted Manuscript. 26 November 2017. DOI: 10.1016/j.cageo.2017.11.019.