پهنه بندی خطر رانش زمین با استفاده از روش های همپوشانی وزنی و تحلیل شبکه - مطالعه موردی: منطقه نصرآباداستان گلستان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه سنجش از دور و GIS دانشکده جغرافیا، دانشگاه تهران

2 کارشناس ارشد سنجش از دور و GIS دانشکده جغرافیا، دانشگاه تهران

10.22131/sepehr.2020.44597

چکیده

یکی از راهکارهای مهم برای کاهش خسارت های ناشی از وقوع زمین لغزش ها، شناسایی این مناطق به منظور رعایت فاصله مجاز از آنها است. به این منظور باید نقشه پهنه بندی خطر زمین لغزش دقیقی برای این مناطق تهیه شود.  برای انجام این پژوهش، به وسیله نقشه های زمین شناسی موجود و بررسی های میدانی، نقشه پراکنش زمین لغزش ها در حوضه نصرآباد استان گلستان تهیه شد.  در تحقیق حاضر از ترکیب روش تحلیل شبکه ای (ANP)   و روش وزنی، پهنه بندی مناطق مستعد زمین لغزش و شناسایی عوامل مؤثر بر آن انجام گرفت.  بدین منظور از معیارهای اصلی شامل شیب، جهت شیب، انحنای زمین، ارتفاع، سنگ شناسی، خاک شناسی، کاربری زمین، تراکم پوشش گیاهی، فاصله از جاده، فاصله از سکونتگاه ها، تراکم رودخانه و آبراهه، بارش برای تعیین مناطق دارای پتانسیل لغزش استفاده گردید.  با مقایسه زوجی میان خوشه ها و عناصر آن، وزن هریک از عناصر محاسبه شد.  سپس با اعمال وزن و ضرایب هر عنصر در لایه مربوط به خودش و همپوشانی لایه ها، نقشه نهایی پتانسیل زمین لغزش تهیه گردید.  نتایج نشان داد که عامل توپوگرافی  (با وزن  0/662) بیشترین تأثیر، و عامل هیدروگرافی  (با وزن  0/009)  کمترین تأثیر را در میان سایر عوامل دارند.  نتایج مدل نشان داد حدود  50 درصد از منطقه مورد مطالعه دارای پتانسیل بالای زمین لغزه است و بیشتر زمین لغزش ها در مناطق با دامنه های پرشیب  یا واحدهای سنگی نفوذناپذیر نزدیک به سطح زمین رخداده است.  همچنین به کارگیری روش همپوشانی وزنی به همراه تحلیل شبکه توانسته است به عنوان ابزاری کارآمد در پهنه بندی خطر زمین لغزه مورد استفاده قرار گیرد و به خوبی قابلیت و توانایی مدل تحلیلی  پژوهش را به اثبات برساند.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide hazard zoning using weighted overlay and Analytic Network Process Methods - Case study: Nasrabad region in Golestan Province

نویسندگان [English]

  • Saeid Hamzeh 1
  • Afshin Amiri 2
1 Associate professor of remote sensing and GIS, University of Tehran
2 MSc.Graduated of remote sensing and GIS, University of Tehran
چکیده [English]

Extended Abstract
Introduction
As a type of mass movement involving slow or rapid movement of soil, rock material or both on the lower hillsides, landslide is under the effect of gravity.Landslide is recognized as one of the most common geological disasters causing worldwide damages and casualties.Landslide susceptibility maps provide important and valuable information,including time scale of possible future landslides, which are usedfor predicting landslide hazards. Since predicting the time of landslide occurrence is beyond the capability of science and knowledge, identifying areas susceptible to landslide and ranking them can extensively restrict the damages caused by landslide. Therefore, it is essential to zone landslide risk and identify factors affecting it. Analytic Network Process(ANP) is aGIS-based Multi-Criteria Decision Analysis(GIS MCDA) method successfully applied to many decision-making systems. The present study seeks to evaluate landslide risk and achieve a zoning map for the sub-basin under study using ANP and Weighted Overlaymethods.
 
Materials and Methods
Based on the literature and using different experts’ viewpoint, criteria affecting landslide risk were identified and five major criteria including topography, land use and land cover, geology, hydrometry and infrastructure were selected. The selected criteria include the following sub-criteria: slope, slope direction, curvature, elevation, lithology, soil type, land use, vegetation density, distance from roads, distance from habitat, river and drainage density and precipitation. The effective factor layers were standardized and a specific scale was defined for their units.Then, each layer was assigned a weight based on its role and importanceusing Analytic Network Process.Proposed to modify Analytic Hierarchical Process(AHP), this method (ANP) relies on the analyses of the human brain for complex and fuzzy problems.Network Analysis Process generally includes the following steps: determining indicators, criteria and options;classifying identified criteria into clusters and elements; determining the relationship between clusters, elements and options; performing pairwise comparisons between clusters, elements and options, and finally calculating the final weight of elements and options. UsingWeightedOverlaymethod, these elements were then integrated with their related coefficients and the final landslide risk map was obtained.
Results and discussion
Each criteria and sub-criteria were weighted using Analytic Network Processmethod.Topographic and land cover criteria had the most and hydrographic criteria had the least impact on the landslide occurrence. According to the final map, most landslides have occurred in eastern and southern slopes at an altitude of 500 to 2,200 meters. Moreover, 17/31% of the study area was located in the very high-risk class and 33% in the high risk class (about half of the area has high potential of landslide). Previous landslide data were used to assess the landslide zoning map results. Results indicate that most landslides have occurred in the high risk class (about 35% of landslides) and only about 4% of landslides have occurred in the very low risk class.
 
Conclusion
Landslide is one of the natural hazards causing serious harms and problems for human life. Identifying the factors affecting landslide and zoning its hazard is especially important for the identification of risky and susceptible areas.So, landslides were selected as one of the main topics of the study with the aim of controlling and managing its hazards.The ANP network analysis method was used to model and predict landslide risk in this research.Each criteria and sub-criteria were weighted and overlapped to producethe map of relative landsliderisk.The lowest risk was observed in the northern parts of the region, and the highest landslide risk was observed in the northern hillsides with higher humidity.WeightedOverlaymethod and network analysis model were effective in predicting landslide susceptibility and producing landslide zoning map.

کلیدواژه‌ها [English]

  • Zoning
  • landslide
  • Analytic Network Process (ANP)
  • Golestan province
1. امیراحمدی، شکاری بادی، معتمدی راد، بینقی؛ ابوالقاسم، علی، محمد، مریم (1394). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدلANP  (مطالعه موردی:  حوضه پیوه ‌ژن دامنه جنوبی بینالود). پژوهش‌ های ژئومورفولوژی کمی . سال چهارم، زمستان 1394، شماره 3، ص 214 – 230.
2. جعفری، شاه‌زیدی؛ پیام، سمیه سادات (1395). تحلیل و پهنه بندی مخاطرات ژئومورفیک مناطق شمال کشور با استفاده از فرایند تحلیل شبکه مطالعه موردی:  استان گیلان . فصلنامه علمی - پژوهشی اطلاعات جغرافیایی سپهر .  دوره 27 ،شماره 107، ص 193 – 208.
3. جمالی، فلاحی؛ لقمان، غلامرضا (1396). پهنه ‌بندی خطر زمین لغزش در حوضه آبریز سیمینه رود بوکان با تلفیق مدل های آماری، فرایند تحلیل سلسله مراتبی و سامانه اطلاعات مکانی. علوم و فنون نقشه برداری، دوره  6، شماره  4، ص 185 – 199.
4. روستائی، خدائی قشلاق، خدائی قشلاق؛ شهرام، لیلا، فاطمه (1393).  ارزیابی روش‌های تحلیل شبکه  (ANP)  و تحلیل چند معیاره مکانی در بررسی پتانسیل وقوع زمین ‌لغزش در محدوده محور و مخزن سدها  ( مطالعه موردی : سدقلعه چای(  پژوهش ‌های جغرافیای طبیعی.  دوره  46، شماره 4، ص 495 – 508.
5. شریعت جعفری، محسن( 1375 ). “زمین لغزش‌ ها  (مبانی و اصول پایداری شیب های طبیعی)” .ناشر سازه، 281.
6. شعبانی، جوادی، زارع خوش اقبال؛ عباد، محمدرضا، مریم  (1393).  پهنه بندی خطر زمین لغزش با استفاده از روش ‌های ارزش اطلاعاتی و تحلیل سلسله مراتبی ( مطالعه موردی: حوضه آبخیز شلمانرود). پژوهش نامه مدیریت حوضه آبخیز.  دوره 5،شماره  10، ص 157- 169.
7. شیرانی، سیف؛ کورش، عبداله (1391). پهنه بندی خطر زمین لغزش با استفاده از روش ‌های آماری منطقه پیشکوه، شهرستان فریدون شهر، فصلنامه علوم زمین، سازمان زمین شناسی کشور، سال بیست و دوم، شماره 85 ، ص 149-158.
8..عظیم پور، صدوق، دلال اوغلی، ثروتی؛ علیرضا، حسن،علی، محمدرضا (1388). ارزیابی مدل AHP در پهنه بندی خطر زمین لغزه، مطالعه موردی:  حوضه آبریز اهر چای، مجله علمی پژوهشی فضای جغرافیایی. سال نهم، شماره،26  تابستان 1388، ص 71-87.
9. غفاری، شبان، معماریان؛ محمد صادق، مریم، هادی (1396). پهنه بندی حساسیت خطر وقوع زمین لغزش با استفاده از مدل تصمیم گیری چند معیاری (Fuzzy AHP)، مطالعه موردی: سازند شوریجه، اسطرخی شیروان،  چهارمین کنفرانس بین ‌المللی برنامه ‌ریزی و مدیریت محیط ‌زیست، تهران، دانشکده محیط زیست دانشگاه تهران.
10. مالچفسکی، یاچک (1390). سامانه اطلاعات جغرافیایی و تحلیل تصمیم گیری چند معیاری، غفاری گیلانده، عطا، پرهیزکار، اکبر. ترجمه، انتشارات سمت، 608.
11. نوجوان، شاه‌زیدی، داودی، امین رعایا؛ محمدرضا، سمیه ‌سادات، محمود، هاجر (1398). پهنه ‌بندی خطر زمین لغزش با استفاده از تلفیق دو مدل فرآیند تحلیل سلسله مراتبی و فازی  (مطالعه موردی :  حوضه آبخیز کمه، استان اصفهان).  پژوهش ‌های ژئومورفولوژی کمّی، دوره  7،شماره  4،ص 142-159.‎
12. Aleotti, P., Chowdhury, R., 1999. Landslide hazard assessment: summary review and new perspectives.Bull. Eng. Geol. Environ. 58, 21–44.
13. Anbalagan,R.D.Chakrabory and a Kohli. (1992). Landslide hazard development and zonation mapping in mountainous terrain.J.Engineering Geology, vol (32), 269-277.
14. Atkinson, P.M., Massari, R., 2011. Autologistic modelling of susceptibility to landsliding in the Central Apennines, Italy.Geomorphology 130, 55e64.
15. Bianchini, S., Raspini, F., Ciampalini, A., Lagomarsino, D., Bianchi, M., Bellotti, F., Casagli, N., 2016. Mapping landslide phenomena in landlocked developing countries by means of satellite remote sensing data: the case of Dilijan (Armenia) area.Geomat., Nat. Hazards Risk 1e17.
16. Bui, D.T., Pradhan, B., Lofman, O., Revhaug, I., Dick, O.B., 2012. Landslide susceptibility assessment in the HoaBinh province of Vietnam: a comparison of the LevenbergeMarquardt and Bayesian regularized neural networks. Geomorphology 171, 12e29.
17. Chen, T., Niu, R., Jia, X., 2016. A comparison of information value and logistic regression models in landslide susceptibility mapping by using GIS. Environ. Earth Sci. 75, 1e16.
18. Chen, Z., Zhang, Y., Ouyang, C., Zhang, F. and Ma, J., 2018. Automated landslides detection for mountain cities using multi-temporal remote sensing imagery. Sensors, 18(3), p.821.
19. Conforti,M., Pascale, S., Robustelli, G., Sdao, F., 2014. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy). Catena 113, 236–250.
20. Crosta, G.B., Clague, J.J., 2009. Dating, triggering, modelling, and hazard assessment of large    landslides.Geomorphology 103, 1e4.http://dx.doi.org/10.1016/ j. geomorph.2008.04.007.
21. Dai, F., Lee, C., Li, J., Xu, Z., 2001. Assessment of landslide susceptibility on the natural terrain of Lantau Island, Hong Kong. Environ. Geol. 40, 381–391.
22. Ercanoglu, M., Gokceoglu, C., Van Asch, T.W., 2004. Landslide susceptibility zoning north of Yenice (NW Turkey) by multivariate statistical techniques. Nat. Hazards 32, 1–23.
23. Erener, A., Sarp, G. and Duzgun, S.H., 2019. Use of GIS and Remote Sensing for Landslide Susceptibility Mapping. In Advanced Methodologies and Technologies in Engineering and Environmental Science (pp. 384-398). IGI Global.
24. Gheshlaghi, H.A. and Feizizadeh, B., 2017. An integrated approach of analytical network process and fuzzy based spatial decision-making systems applied to landslide risk mapping. Journal of African Earth Sciences, 133, pp.15-24.
25.Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P., 1999. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology 31, 181–216.
26. Jia, N., Mitani, Y., Xie, M., Djamaluddin, I., 2012. Shallow landslide hazard assessment using a three-dimensional deterministic model in a mountainous area.Comput.Geotech. 45, 1–10.
27. Kamp. U. Growley. B. Khattak. G &Owen.L (2008) GIS – based landslid susceptibility mapping for the 2005 Kashmir earthquake region.Journal of Geomorphology 101.(2008).631-642.
28. Kayastha, P., Dhital,M., De Smedt, F., 2013. Application of the analytical hierarchy process (AHP) for landslide susceptibility mapping: a case study from the Tinau watershed, west Nepal. Comput.Geosci.  52, 398–408.
29. LinebackGritzner,M., Marcus,W.A., Aspinall, R., Custer, S.G., 2001. Assessing landslide potential using GIS, soil wetness modeling and topographic attributes, Payette River, Idaho. Geomorphology 37, 149–165.
30. Nefeslioglu, H.A., San, B.T., Gokceoglu, C., Duman, T.Y., 2012. An assessment on the use of Terra ASTER L3A data in landslide susceptibility mapping.Int. J. Appl. Earth Obs. Geoinf. 14, 40–60.
31. Oh, H.-J., Pradhan, B., 2011. Application of a neuro-fuzzymodel to landslide-susceptibility mapping for shallow landslides in a tropical hilly area.Comput.Geosci. 37, 1264–1276.   
32. Ozdemir, A., Altural, T., 2013. A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey. J.Asian Earth Sci. 64, 180–197.
33. Peng, L., et al., 2014. Landslide susceptibilitymapping based on roughset theory and support vector machines: a case of the Three Gorges area, China. Geomorphology 204, 287–301.
34. Saaty T.L. (2005) The Analytic Hierarchy and Analytic Network Processes for the Measurement of Intangible Criteria and for Decision-Making. In: Multiple Criteria Decision Analysis: State of the Art Surveys. International Series in Operations Research & Management Science, vol 78. Springer, New York, NY.
35. Saaty T.L. and Luis G. Vargas, (2006), Decision Making with The Analytic Network Process, Springer Science, New York, USA.
36. Schicker, R., Moon, V., 2012. Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale. Geomorphology 161, 40–57.
37. Shahabi, H., Khezri, S., Ahmad, B.B., Hashim, M., 2014. Landslide susceptibility mapping at central Zab basin, Iran: a comparison between analytical hierarchy process, frequency ratio and logistic regression models. Catena 115, 55e70.
38. Sidle, R.C., Ochiai, H., 2006. Landslides: processes, prediction, and land use. American Geophysical Union.
39. Van Western. CJ. Castellanos E.Kuriakose. SL (2008).Spatialdata for Landslid susceptibility, hazard, and vulnerability assessment: an overview. Engineering Geology 102: 112–131.
40. Wang, L.-J., Guo, M., Sawada, K., Lin, J., Zhang, J., 2016. A comparative study of landslide susceptibility maps using logistic regression, frequency ratio, decision tree, weights of evidence and artificial neural network. Geosci. J. 20, 117e136.
41. Xu, C., Xu, X., Dai, F., Saraf, A.K., 2012b. Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China. Comput.Geosci.46, 317–329.1–12.
42. Yalcin, A., Reis, S., Aydinoglu, A., Yomralioglu, T., 2011. A GIS-based comparative study of frequency ratio, analytical hierarchy process, bivariate statistics and logistics regression methods for landslide susceptibility mapping in Trabzon, NE Turkey. Catena 85, 274–287.
43. Yao, X., Tham, L., Dai, F., 2008. Landslide susceptibility mapping based on support vector machine: a case study on natural slopes of Hong Kong, China. Geomorphology 101, 572–582.
44. Yilmaz, I., 2009. A case study from Koyulhisar (Sivas-Turkey) for landslide susceptibility mapping by artificial neural networks. Bull. Eng. Geol. Environ. 68, 297e306.
45. Zhao, C. and Lu, Z., 2018. Remote sensing of landslides—A review.
46. Zare, M., Pourghasemi, H.R., Vafakhah, M., Pradhan, B., 2013. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arab. J. Geosci. 6, 2873e2888.