بررسی و پتانسیل‌یابی خطر زمین لغزش با استفاده از مدل منطق فازی در حوضه آبریز کهمان استان لرستان
محورهای موضوعی : اقلیم شناسی
داریوش ابوالفتحی
1
,
صیاد اصغری سراسکانرود
2
,
احسان قلعه
3
1 - جغرافیا، علوم طبیعی، دانشگاه پیام نور، مرکز نهاوند
2 - هیئت علمی دانشگاه محقق اردبیلی
3 - دانشگاه محقق اردبیلی
کلید واژه: زمین لغزش, مدل منطق فازی, حوضه آبریز کهمان, سیستم اطلاعات جغرافیایی,
چکیده مقاله :
زمین لغزش به عنوان یکی از مخاطرات طبیعی هر ساله منجر به خسارات زیادی می‌شود. حوضه آبریز کهمان با دارا بودن ویژگی‌های کوهستانی و شرایط طبیعی مختلف دارای استعداد بالقوه زمین لغزش است. هدف از این پژوهش بررسی خطر زمین لغزش با استفاده از مدل منطق فازی در حوضه کهمان استان لرستان می‌باشد. در این مطالعه ابتدا پارامترهای مؤثر در وقوع زمین لغزش استخراج و سپس لایه‌های مربوطه تهیه گردید. در ادامه با تلفیق نقشه عوامل مؤثر بر لغزش با نقشه پراکنش زمین لغزش‌ها، تأثیر هر یک از عوامل شیب، جهت شیب، سنگ‌شناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرم‌افزار ArcGIS محاسبه گردید و نقشه پراکنش زمین لغزش‌های رخ‌داده حوضه تهیه شد. در این تحقیق مدل منطق فازی با اپراتورهای عملگر اجتماع فازی، عملگر اشتراک فازی، عملگر ضرب جبری فازی، عملگر جمع جبری فازی، عملگر گاما فازی بکار گرفته شد. بر اساس پهنه‌بندی صورت گرفته با استفاده از عملگر گاما فازی، به ترتیب 37/64، 45/7، 93/8، 49/12 و 76/6 درصد از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.
Landslides as one of the natural hazards can cause a lot of damage every year. Kahman catchment with potential mountainous features and different natural conditions has potential landslide potential. The purpose of this study was to investigate landslide hazard using fuzzy logic model in Kahman basin of Lorestan province. In this study, first, effective parameters on landslide occurrence were extracted and then the relevant layers were prepared. Then the landslide distribution map of the basin occurred. Then, by integrating the landslide map with the landslide distribution map, the effect of each of the slope factors, slope direction, lithology, precipitation, land use, distance from fault and waterway were calculated in ArcGIS software environment. In this study, fuzzy logic model with fuzzy community operator, fuzzy sharing operator, fuzzy algebraic multiplier operator, fuzzy algebraic sum operator, and fuzzy gamma operator were applied. Based on zoning using gamma-fuzzy operator, 64.37, 7.45, 8.93, 12.49 and 6.76 percent of the area were classified as very low, low, medium, high and very high risk classes has taken.
- اشقلی فراهانی، علی(1380): ارزیابی خطر ناپایداری دامنه‌های طبیعی در منطقه رودبار با استفاده از تئوری فازی، پایان‌نامه کارشناسی ارشد زمین‌شناسی مهندسی، دانشگاه تربیت‌معلم تهران، ص 142.
2- بلواسی، ایمانعلی؛ رضایی مقدم، محمدحسین؛ نیکجو، محمدرضا؛ ولیزاده کامران، خلیل(1394): مقایسه مدل شبکه عصبی مصنوعی با فرآیند تحلیل سلسله مراتبی در ارزیابی خطر زمین‌لغزش، دانش مخاطرات، دوره دوم، شماره دوم، صص 250-225.
3- راکعی، بابک؛ خامه‌چیان، ماشاا...؛ عبدالملکی، پرویز؛ گیاهچی، پانته‌آ(1386): کاربرد شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مجله علوم دانشگاه تهران، 33(1)، صص 57-64.
4- روستایی، شهرام؛ احمدزاده، حسن(1391): پهنه‌بندی مناطق متأثر از خطر زمین‌لغزش در جادۀ تبریز- مرند با استفاده از سنجشازدور و GIS، پژوهش‌های ژئومورفولوژی کمی،شمارهیکم، صص 47-58.
5- سازمان جغرافیایی نیروهای مسلح، نقشه توپوگرافی 1:50000 سلسله.
6- سازمان زمین‌شناسی کشور، نقشه 1:100000 خرم‌آباد.
7- سازمانهواشناسیلرستان، آمار بیست‌سالهایستگاه‌هایباران‌سنجیوسینوپتیک.
8- سوری، سلمان؛ لشگری پور، غلامرضا؛ غفوری،محمد(1391):پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی، نشریهزمین‌شناسی مهندسی، جلد پنجم، شماره دوم، صص 1269-1286.
9- فاطمی عقدا، سید محمود؛ قیومیان، جعفر(1382): ارزیابی کاراییروش‌هایآماری در تعیینپتانسیلخطر زمین‌لغزش، مجلهعلومزمین، دوره یازدهم، صص 28-47.
10- فیض اله پور، مهدی(1391):پهنه‌بندی مناطق مستعد لغزش در رودخانه گیوی چای با استفاده از مدل شبکه عصبی مصنوعی، رساله دکتری، دانشگاه تبریز، تبریز.
11- کرم، عبدالامیر؛ محمودی، فرج اله(1384): مدل‌سازی کمی و پهنه‌بندی خطر زمین‌لغزش در زاگرس چین‌خورده (مطالعه موردی: حوضه آبریز سرخون در استان چهارمحال و بختیاری)، پژوهش‌های جغرافیایی، شماره پنجاه و یکم، صص 14-1.
12- کورکینژاد، محمد(1380): مقایسهکاراییدو مدلپهنه‌بندیخطر زمین‌لغزش(حائریومورا) با استفاده از ساجد در حوضه آبخیز سیاه رودبار گرگان، پایان‌نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، 24ص.
13- مرادی، حمیدرضا؛ سپهوند، علی؛ عبدالمالکی، پرویز(1389): بررسی کارایی شبکه عصبی مصنوعی برای پهنه‌بندی خطر زمین‌لغزش(مطالعه موردی: بخشی از حوضه آبخیز هراز)، مجموعه مقالات ششمین همایش ملّی علوم و مهندسی آبخیزداری و چهارمین همایش ملّی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس.
14- موسوی خطیر، سیده زهره؛ کاویان، عطاا...؛ سلیمانی، کریم(1389): تهیه نقشه حساسیت به وقوع زمین‌لغزش در حوضه آبخیزسجا رود با استفاده از رگرسیون لجستیک، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آبوخاک، سال چهاردهم، شماره پنجاه و سوم، صص112- 99.
15- یمانی، مجتبی؛حسن‌پور، سیروس؛ مصطفایی، ابوالفضل؛ شادمان رود پشتی، مجید(1391): نقشه پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز کارون بزرگ با استفاده از مدل AHP در محیط GIS، جغرافیا و برنامه‌ریزی محیطی، سال بیست و سوم، شماره چهارم، صص 56-34.
16- Biswajeet Paradhan (2010): Remote Sensing And GIS Based Lanslid Hazard Analysis And Cross Validation Using Multivariate Logistic Regression Model On Three Test Ares In Malaysia.
17- Chau, K.T; J. E. Chan (2005): Regional Bias Of Landslide Data In Generating Susceptibility Maps Using Logistic Regression For Hong Kong Island, Landslides, Pp 280-290.
18- Felicisimo, A; Cuartero, A; Remondo, J; Quirós, E(2013): Mapping Landslide Susceptibility With Logistic Regression, Multiple Adaptive Regression Splines, Classification And Regression Trees, And Maximum Entropy Methods: A Comparative Study, J Of Landslide, 10, Pp 175–189.
19- Gomez, H; Kavzoglu, T (2005): Assessment Of Shallow Landslide Susceptibility Using Artificial Neural Networks In Jabonosa River Basin, Venezuela, Engineering Geology, 78, Pp 11-27.
20- Hosainezadeh. M; M. Servati; A. Mansouri; B. Mirbagheri; S. Khezri(2009): Zoning Risk Of Mass Movements Using A Logistic Regression Model (Case Study: The Path Of The Sanandaj - Dehgolan). Journal Of Iran Geology, 11, Pp 27- 37.
21- Hattanji, T; Moriwaki, H (2009): Morphometric Analysis Of Relic Landslides Using Detailed Landslide Distribution Maps: Implications For Forecasting Travel Distance Of Future Landslides. Journal Of Geomorphology, No 103, Pp 447-454.
22- Kanungo, D; Arora, M; Sarkar, S; Gupta, R(2006): A Comparative Study Of Conventioonal, ANN Blak Box, Fuzzy And Combined Neural And Fuzzy Weighting Proccedures For Landslide Suceptibility Zonation In Darjeeling Himalayas, Engineering Geology, Vol85, Pp 347-366.
23- Komac, M(2006): A Landslide Suscepility Model Using The Analytical Hierarchyprocess Method And Multivariate Statistics In Perialpine Slovenia.
24- Melchiorre, C(2008): Artificial Neural Networks And Cluster Analysis In Landslide Susceptibility Zonation, Geomorphology, 94, Pp 379–400.
25- Lee, S; Sambath, T(2006): Landslide Susceptibility Mapping In The Damrei Romel Area, Cambodia Using Frequency Ratio And Logistic Regression Models. Environ Geol, 50, Pp 847–855.
_||_- اشقلی فراهانی، علی(1380): ارزیابی خطر ناپایداری دامنه‌های طبیعی در منطقه رودبار با استفاده از تئوری فازی، پایان‌نامه کارشناسی ارشد زمین‌شناسی مهندسی، دانشگاه تربیت‌معلم تهران، ص 142.
2- بلواسی، ایمانعلی؛ رضایی مقدم، محمدحسین؛ نیکجو، محمدرضا؛ ولیزاده کامران، خلیل(1394): مقایسه مدل شبکه عصبی مصنوعی با فرآیند تحلیل سلسله مراتبی در ارزیابی خطر زمین‌لغزش، دانش مخاطرات، دوره دوم، شماره دوم، صص 250-225.
3- راکعی، بابک؛ خامه‌چیان، ماشاا...؛ عبدالملکی، پرویز؛ گیاهچی، پانته‌آ(1386): کاربرد شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مجله علوم دانشگاه تهران، 33(1)، صص 57-64.
4- روستایی، شهرام؛ احمدزاده، حسن(1391): پهنه‌بندی مناطق متأثر از خطر زمین‌لغزش در جادۀ تبریز- مرند با استفاده از سنجشازدور و GIS، پژوهش‌های ژئومورفولوژی کمی،شمارهیکم، صص 47-58.
5- سازمان جغرافیایی نیروهای مسلح، نقشه توپوگرافی 1:50000 سلسله.
6- سازمان زمین‌شناسی کشور، نقشه 1:100000 خرم‌آباد.
7- سازمانهواشناسیلرستان، آمار بیست‌سالهایستگاه‌هایباران‌سنجیوسینوپتیک.
8- سوری، سلمان؛ لشگری پور، غلامرضا؛ غفوری،محمد(1391):پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی، نشریهزمین‌شناسی مهندسی، جلد پنجم، شماره دوم، صص 1269-1286.
9- فاطمی عقدا، سید محمود؛ قیومیان، جعفر(1382): ارزیابی کاراییروش‌هایآماری در تعیینپتانسیلخطر زمین‌لغزش، مجلهعلومزمین، دوره یازدهم، صص 28-47.
10- فیض اله پور، مهدی(1391):پهنه‌بندی مناطق مستعد لغزش در رودخانه گیوی چای با استفاده از مدل شبکه عصبی مصنوعی، رساله دکتری، دانشگاه تبریز، تبریز.
11- کرم، عبدالامیر؛ محمودی، فرج اله(1384): مدل‌سازی کمی و پهنه‌بندی خطر زمین‌لغزش در زاگرس چین‌خورده (مطالعه موردی: حوضه آبریز سرخون در استان چهارمحال و بختیاری)، پژوهش‌های جغرافیایی، شماره پنجاه و یکم، صص 14-1.
12- کورکینژاد، محمد(1380): مقایسهکاراییدو مدلپهنه‌بندیخطر زمین‌لغزش(حائریومورا) با استفاده از ساجد در حوضه آبخیز سیاه رودبار گرگان، پایان‌نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، 24ص.
13- مرادی، حمیدرضا؛ سپهوند، علی؛ عبدالمالکی، پرویز(1389): بررسی کارایی شبکه عصبی مصنوعی برای پهنه‌بندی خطر زمین‌لغزش(مطالعه موردی: بخشی از حوضه آبخیز هراز)، مجموعه مقالات ششمین همایش ملّی علوم و مهندسی آبخیزداری و چهارمین همایش ملّی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس.
14- موسوی خطیر، سیده زهره؛ کاویان، عطاا...؛ سلیمانی، کریم(1389): تهیه نقشه حساسیت به وقوع زمین‌لغزش در حوضه آبخیزسجا رود با استفاده از رگرسیون لجستیک، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آبوخاک، سال چهاردهم، شماره پنجاه و سوم، صص112- 99.
15- یمانی، مجتبی؛حسن‌پور، سیروس؛ مصطفایی، ابوالفضل؛ شادمان رود پشتی، مجید(1391): نقشه پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز کارون بزرگ با استفاده از مدل AHP در محیط GIS، جغرافیا و برنامه‌ریزی محیطی، سال بیست و سوم، شماره چهارم، صص 56-34.
16- Biswajeet Paradhan (2010): Remote Sensing And GIS Based Lanslid Hazard Analysis And Cross Validation Using Multivariate Logistic Regression Model On Three Test Ares In Malaysia.
17- Chau, K.T; J. E. Chan (2005): Regional Bias Of Landslide Data In Generating Susceptibility Maps Using Logistic Regression For Hong Kong Island, Landslides, Pp 280-290.
18- Felicisimo, A; Cuartero, A; Remondo, J; Quirós, E(2013): Mapping Landslide Susceptibility With Logistic Regression, Multiple Adaptive Regression Splines, Classification And Regression Trees, And Maximum Entropy Methods: A Comparative Study, J Of Landslide, 10, Pp 175–189.
19- Gomez, H; Kavzoglu, T (2005): Assessment Of Shallow Landslide Susceptibility Using Artificial Neural Networks In Jabonosa River Basin, Venezuela, Engineering Geology, 78, Pp 11-27.
20- Hosainezadeh. M; M. Servati; A. Mansouri; B. Mirbagheri; S. Khezri(2009): Zoning Risk Of Mass Movements Using A Logistic Regression Model (Case Study: The Path Of The Sanandaj - Dehgolan). Journal Of Iran Geology, 11, Pp 27- 37.
21- Hattanji, T; Moriwaki, H (2009): Morphometric Analysis Of Relic Landslides Using Detailed Landslide Distribution Maps: Implications For Forecasting Travel Distance Of Future Landslides. Journal Of Geomorphology, No 103, Pp 447-454.
22- Kanungo, D; Arora, M; Sarkar, S; Gupta, R(2006): A Comparative Study Of Conventioonal, ANN Blak Box, Fuzzy And Combined Neural And Fuzzy Weighting Proccedures For Landslide Suceptibility Zonation In Darjeeling Himalayas, Engineering Geology, Vol85, Pp 347-366.
23- Komac, M(2006): A Landslide Suscepility Model Using The Analytical Hierarchyprocess Method And Multivariate Statistics In Perialpine Slovenia.
24- Melchiorre, C(2008): Artificial Neural Networks And Cluster Analysis In Landslide Susceptibility Zonation, Geomorphology, 94, Pp 379–400.
25- Lee, S; Sambath, T(2006): Landslide Susceptibility Mapping In The Damrei Romel Area, Cambodia Using Frequency Ratio And Logistic Regression Models. Environ Geol, 50, Pp 847–855.