ارزیابی روش جمع کیفی (QS) جهت تعیین گامای بهینه در تهیه نقشه پهنه‌بندی خطر زمین لغزش (مطالعه موردی: جنگل توسکستان تا گرگان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری ژئومورفولوژی، دانشگاه رازی کرمانشاه.

2 استادیار گروه جغرافیا(ژئومورفولوژی)، دانشگاه لرستان.

3 استادیار گروه جغرافیا، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز.

10.22034/gmpj.2020.223877.1161

چکیده

یکی از انواع فرآیندهای دامنه­ای که هر ساله موجب خسارات جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می­شود، پدیده زمین­لغزش است. افزایش جمعیت و گسترش سکونتگاه­های انسانی در نواحی کوهستانی، مشکل بودن پیش­بینی زمان وقوع زمین­لغزش و متعدد بودن عوامل مؤثر در رخداد این پدیده، ضرورت پهنه­بندی خطر زمین لغزش را آشکار می­سازد. تهیه نقشه پهنه­بندی زمین­لغزش این امکان را فراهم می­سازد که مناطق آسیب­پذیر شناسایی و در برنامه­ریزی­های محیطی مد نظر قرار بگیرد. استان گلستان در شمال ایران از جمله مناطق مستعد زمین لغزش در کشور است. بنابراین هدف از این پژوهش، پهنه­بندی خطر زمین­لغزش در حد فاصل جنگل توسکستان تا گرگان با شناسایی عوامل مؤثر بر رخداد زمین­لغزش و عملگر فازی گاما می­باشد. از ابزارهایی مانند نقشه های توپوگرافی، زمین شناسی، تصاویر ماهواره ای و ... جهت پهنه بندی خطر زمین لغزش استفاده شده است. مجموعه اطلاعات ورودی جهت ارزیابی پتانسیل خطر زمین لغزش در این پژوهش شامل 8 لایه­ی ارتفاع، شیب، جهت دامنه، زمین­شناسی، کاربری اراضی، تراکم پوشش گیاهی، فاصله از جاده و تراکم آبراهه هستند. ابتدا نقاط لغزشی منطقه با استفاده از تصاویر ماهواره­ای به پهنه­های لغزشی تبدیل شدند و سطح همبستگی هر یک از عوامل مؤثر و پهنه­های لغزشی با استفاده از مدل نسبت فراوانی (FR) مشخص و سپس نقشه­های پهنه­بندی خطر زمین­لغزش با استفاده از عملگر فازی گامای 7/0، 8/0 و 9/0 تهیه شد. نتایج نشان داد که پهنه­های با سازندهای سست و نزدیک به راههای ارتباطی و پهنه­های با بارش فراوان­تر دارای پتانسیل بیش­تری از نظر احتمال وقوع لغزش هستند. هم چنین شاخص مجموع کیفیت (Qs) نشان داد که گامای 7/0 با مقدار جمع کیفی 42/2، از دقت بالاتری نسبت به دو گامای دیگر در پهنه­بندی خطر زمین­لغزش حد فاصل جنگل توسکستان تا گرگان برخوردار است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of QS Method for Determination of Optimal Gamma in Landslide Risk Mapping (Case Study: Tuskestan forest to Gorgan)

نویسندگان [English]

  • habib arizn tabar 1
  • siyamack sharafi 2
  • Saeed neghaban 3
1 Kermanshah University
2 assistant professor of geomorphology, lorestan university
3 Assistant Professor of Physical Geography (Geomorphology), Shiraz University
چکیده [English]

Introduction
Landslides are among the most dangerous and hazardous natural hazards in mountainous areas, which are mainly caused by earthquakes or rains, destroying people's lives and property every year. The increasing population and expansion of human settlements in mountainous areas, the difficulty of predicting the time of landslide occurrence, and the numerous factors contributing to the occurrence of this phenomenon, reveal the necessity of landslide hazard zoning.
Landslide hazard zoning is crucial for quick and safe actions and strategic planning for the future. Therefore, scientific study of landslide phenomena and risk zoning mapping are important on the one hand to identify landslide potential areas in human activities area and on the other hand to identify safe locations for development. New habitats or other human uses such as roads, power and energy paths, power plants, etc., are of interest to planners at various scales.
Golestan province in the north of Iran, with 200 registered mass movements, is one of the most active landslide areas, which is not excluded from the study area between Tuskestan forest to Gorgan. The present study, while zoning the landslide risk in the study area, evaluates and compares fuzzy operator zoning methods using two methods (Qs) and (P), has provided a suitable model for the assessment and evaluation of landslide risk. Therefore, the main purpose of this study is to select an appropriate and optimal model of fuzzy set of operators for mapping landslide hazard in the study area.
Methodology
The zoning and preparation of landslide hazard maps in this study is based on the integration of landslides with effective criteria in landslide events. Initially, the landslide distribution data were collected in the study area, then transformed into sliding zones using high spatial resolution satellite imagery and Google Earth images.
The layer obtained from landslide zones as the most important layer used in the present study is the dependent variable in the implementation of zoning models. Then, the parameters affecting the occurrence of landslides in the distance between Tuskestan forest to Gorgan were identified. Effective layers include elevation, slope, aspect, distance to road, geology, distance to river, land use and vegetation extracted from maps and images and then processed using various functions in Arc GIS software.
After preparing these layers as effective variables, they were integrated with the landslide layer. integration and overlap layers were performed using the gamma function, which is a combination of multiplication and multiplication fuzzy multiplication, using the Raster Calculator tool in Arc Map environment. Next, the relative weight of each factor and its related classes was calculated using frequency ratio model. Then, after determining the final weights of the layers, by crossing the zone landslide map and hazard zoning maps, we evaluate and compare landslide hazard zoning methods using the Quality Sum Method and (Qs) and accuracy (P) were investigated and a suitable model was selected according to the study area.
Results and discussion
Investigation of the results of fuzzy membership values (frequency ratio) and relationship between factors affecting landslide occurrence and landslides occurred in the study area shows that the lowest and highest altitudes were highest and lowest, respectively. The fuzzy membership of the effective slope classes indicates that as the slope increases, the threshold of slope instability also increases and the likelihood of mass movements such as landslides is increased.
The north aspects play a more effective role in generating landslide motions due to their higher rainfall and moisture content. Zones with marl formations have the highest fuzzy membership among the other lithological units in the region. In terms of vegetation density factor, fuzzy membership value of 1 was obtained for parts of the region with lower vegetation density. The effective factor of the distance to road shows its prominent role in the occurrence of landslides with fuzzy membership values obtained for its different classes; the less than 250 m distance of the road having the most The fuzzy membership value is the lowest fuzzy membership category with distances greater than 1,800 meters. The combination of landslides in the stream network density layer indicates that the highest landslide distribution is in the low density class (1200 - 75 m / km 2) per unit area. Therefore, zones with loose formations close to the road have greater potential for landslides. As the study area has this discrepancy and the impact of most road and geological factors has overshadowed how other factors are affected.
The zoning map with 0.7 gamma shows that the area of very high risk zone between Tuskestan forest to Gorgan is 0.47, high risk zone 0.82, medium risk zone 1.65 and relatively low classes risk and very low risk are 2.54 and 8.95 square kilometers, respectively. the landslide hazard zonation map with 0.8 gamma, the areas of very high, high, medium, relatively low and very low risk areas were 1.05, 1.74, 2.56, 4.43 and 4, 63 km2, respectively. The area of these zones in the zoning map with 0.9 gamma are 1.19, 1.94, 2.49, 4.62 and 4.18 km2, respectively. The value of Quality sum (Qs), which compares and evaluates the methods compared to each other, indicates that the 0.7 with 2.42 fuzzy gamma operator has the highest Qs among the other gamma operators. Therefore, this operator is introduced as the optimal operator in landslide hazard zonation of the study area.
Conclusion
The results show that zones with loose formations, close to the roads and zones with higher rainfall have more potential for landslides. Also, the results of the modeling using selected methods showed different accuracy of them in preparing the final map of landslide zoning in the study area. But Fuzzy Gamma Operator with Landau 0.7 has better utility in landslide zoning than other methods presented. Therefore, any planning and management of the environment should be done according to the results of this model.
Keywords: Landslide zoning, Fuzzy gamma operator, Quality sum method, Gorgan.

کلیدواژه‌ها [English]

  • Landslide zoning
  • Fuzzy gamma operator
  • Quality sum method
  • Gorgan
  • ابراهیمی مقدم، فهیمه؛ عباس نژاد، احمد، 1395، ارزیابی و پهنه بندی خطر وقوع زمین لغزش استان کرمان با مدل های فازی و  AHP،  فصلنامه زمین شناسی محیط زیست، 10(37)، 44-25.
  • احمدی، حسن؛ اسمعلی، اباذر؛ فیض نیا، سادات؛ شریعت جعفری، محسن، 1382، پهنه بندی خطر حرکت­های توده­ای با استفاده از دو روش رگرسیون چند متغیره  MR و تحلیل سلسله مراتبی AHP (مطالعه موردی حوزه آبخیز گرمی چاه)، مجله منابع طبیعی ایران، 56(4)، 336-323.
  • بهشتی فر، سارا؛ مسگری، محمد سعدی؛ ولدان زوج، محمد جواد؛ کریمی، محمد، 1389، استفاده از منطق فازی در محیط GIS به منظور مکان یابی نیروگاههای گازی، نشیره مهندسی عمران و نقشه برداری، 44(4)، 595-583.
  • رستمی، ذبیح اله؛ المدرسی، سید علی؛ جمالی، علی اکبر، 1398، پهنه بندی خطر زمین لغزش با استفاده از منطق فازی (مطالعه ی موردی: حوضه ی آبخیر سد چم گردلان ایلام)، مخاطرات محیط طبیعی، 8(22)، 18-1.
  • روستایی، شهرام؛ حجازی، اسداله؛ رجبی، معصومه؛ جلالی، نادر؛ نجفی ایگدیر، احمد، 1397، کاربرد منطق فازی در پهنه بندی خطر زمین‌لغزش در حوضه آبخیز نازلوچای، پژوهشهای ژئومورفولوژی کمّی، 6(4)، 119-103.
  • سوری، سلمان؛ بهاروند، سیامک؛ فرهادی نژاد، طاهر، 1392، پهنه‌بندی خطر زمین لغزش با استفاده از منطق فازی (مطالعه موردی: حوزه چم‌سنگر)، نشریه سنجش از دور وسامانه اطلاعات جغرافیایی در منابع طبیعی، 4(13)، 60-47.
  • شادفر، صمد، 1384، پهنه بندی خطر زمین لغزش با استفاده از روش تحلیل سلسله مراتبی، مطالعه موردی حوضه آبخیز چالکرود، پژوهش و سازندگی در منابع طبیعی، شماره 75، 126-118.
  • شیرانی، کورش؛ سیف، عبدالله؛ علیمرادی، مسعود، 1392، صحت سنجی روش تحلیل سلسله مراتبی(AHP) و رگرسیون چند متغیره(MR) در پهنه بندی خطر زمین لغزش به کمک تکنیک GIS(مطالعه موردی: حوضه رودخانه ماربر)، مهندسی فناوری اطلاعات مکانی، 1(2)، 108-91.
  • صالح پور میلانی، علیرضا؛ یمانی، مجتبی، 1397، پهنه بندی خطر زمین لغزش در حوضه آبریز رامیان (استان گلستان)، دانش پیشگیری و مدیریت بحران، ۸ (۲)، 172-161.
  • صفاری، امیر؛ موسی وند، جعفر؛ افتخاری، سید مروت، 1390، تحلیل توسعه کاربریهای شهری در مناطق لغزشی با استفاده از تلفیق مدل های تصمیم گیری چند معیاره (مطالعه موردی: حوضه رود- دره)، تحقیقات کاربردی علوم جغرافیایی، شماره 22، 107-85.
  • طولابی، سوسن؛ عابدینی، موسی، 1395، پهنه بندی خطر وقوع زمین لغزش حوضه نوژیان با مدل های همپوشانی فازی و AHP، علوم و مهندسی آبخیزداری ایران، 10(34)، 103-93.
  • عبادی­نژاد، سید علی؛ یمانی، مجتبی؛ مقصودی، مهران؛ شادفر، صمد، 1386، ارزیابی کارایی عملگرهای منطق فازی در تعیین توانمندی زمین­لغزش در حوضه آبخیز شیرود، علوم مهندسی آبخیزداری، 1(2)، 44-39.
  • کورکی نژاد، مسعود؛ اونق، مجید؛ اسلامی، مهیا؛ کبیر، آتنا؛ شفیع زاده، المیرا، 1384، پهنه­بندی خطر زمین لغزش در آبخیز سیاه رودبار گلستان، مجموعه مقالات دومین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک، کرمان، 368-361.
  • گودرزی، سحر؛ طالبی، علی؛ پورقاسمی، حمیدرضا، 1397، بررسی کارایی مدل سیستم استنتاج عصبی- فازی تطبیقی در تهیه نقشه حساسیت زمین لغزش )مطالعه موردی: حوزه آبخیز سردارآباد استان لرستان(، جغرافیا و مخاطرات محیطی، 25، 96-75.
  • متکان، علی اکبر؛ سمیعا، جلال؛ پورعلی، سیدحسین؛ صفایی، مهرداد، 1388، مدل­های منطق فازی و سنجش از دور جهت پهنه­بندی خطر زمین­لغزش در حوضه­ی آبخیز لاجیم، فصل­نامه زمین­شناسی کاربردی، 5(4)، 325-318.
  • مرادی، حمیدرضا؛ پورقاسمی، حمیدرضا؛ محمدی، مجید؛ مهدویفر، محمدرضا، 1389، پهنه­بندی خطر زمین­لغزش با استفاده از اپراتور فازی گاما (مطالعه موردی: حوزه آبخیز هراز)، علوم محیطی، 7(4)، 142-129.
  • نادری، فتح­الله، 1391، کاربرد منطق فازی در پهنه­بندی خطر زمین­لغزش در حوضه آبخیز چرداول ایلام، پژوهش­های آبخیزداری، شماره 94، 85-74.
  • نوجوان، محمد رضا؛ شاه زیدی، سمیه سادات؛ داوودی، محمود؛ امین رعایا، 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، پژوهشهای ژئومورفولوژی کمی، 7(4)، 159-142.
  • Abbasi, H., Sharafi, S., & Maryanaj, Z. 2018, Assessment of Areas Vulnerable to Natural Hazards: A Case Study on Rural Areas of Azna County, Iran. Sci J Rescue Relief, 10(3), 42-49.
  • Anbalagan, R., Kumar, R., Lakshmanan, K., Parida, S., & Neethu, S. 2015, Landslide hazard zonation mapping using frequency ratio and fuzzy logic approach, a case study of Lachung Valley, Sikkim. Geo environmental Disasters, 2(1), 6.
  • Arora, M. K., Das Gupta, A. S., & Gupta, R. P. 2004, An artificial neural network approach for landslide hazard zonation in the Bhagirathi (Ganga) Valley, Himalayas. International Journal of Remote Sensing, 25(3), 559-572.
  • Cornforth, D.H. 2005, Landslides in Practice. USA: John Wiley & Sons Inc., 591p.
  • Gee, M.D. 1992, Classification of Landslides Hazard Zonation Methods and a Test of Predictive Capability. In: Bell, Davi, H. (eds.), Proceedings International Symposium on Landslide, 48-56.
  • Gorsevski, P.V., Jankowski, P., and Gelssler, P.E. 2006, Heuristic approach for mapping landslide hazard integrating fuzzy logic with analytic hierarchy process. Control and Cybernetics, (35): 1-26.
  • Jade, S., & Sarkar, S. 1993, Statistical models for slope instability classification. Engineering Geology, 36(1-2), 91-98.
  • Juang, C.H., Hauang, R.D., and Chen, J.W. 1996, Determining of relative density of sands from CPT using fuzzy sets. Journal of Geotechnical Engineering, 122(1): 1-16.
  • Kanungo, D. P., Arora, M. K., Gupta, R. P., & Sarkar, S. 2005, GIS based Landslide Hazard Zonation using Neuro-Fuzzy Weighting. In IICAI (pp. 1922-1937).
  • Lee, D.H., and Juang, C.H. 1992, Evaluation of failure potential in mudstone slopes using fuzzy sets. ASCE Geotechnical Special Publication 31, Stability and Performance of Slopes and Embankment-II (2): 1137-1151.
  • Lee, S. 2007, Application and verification of fuzzy algebraic operators to landslide susceptibility mapping. Environmental Geology, (50): 847-855.
  • Murat, E., and Candan, G. 2003, Use of fuzzy relation to produce landslide susceptibility map of a landslide prone area (west black sea region, turkey). Engineering geology, (75), pp24.
  • Mijani, N., and Samani, N.N. 2017, comparison of fuzzy-based models in landslide hazard mapping. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 42.
  • Neaupane, K. M., & Piantanakulchai, M. 2006, Analytic network process model for landslide hazard zonation. Engineering Geology, 85(3-4), 281-294.
  • Othman, A. N., Naim, W. M., & Noraini, S. 2012, GIS based multi-criteria decision making for landslide hazard zonation. Procedia-Social and Behavioral Sciences, 35, 595-602.
  • Pandey, A., Dabral, P. P., Chowdary, V. M., & Yadav, N. K. 2008, Landslide hazard zonation using remote sensing and GIS: a case study of Dikrong river basin, Arunachal Pradesh, India. Environmental geology, 54(7), 1517-1529.
  • Parise, M. 2002, Landslide hazard zonation of slopes susceptible to rock falls and topples.
  • 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(2), 357-369.
  • 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): 1-12.
  • Yin, K.J., and Yan, T.Z. 1988, Statistical Prediction Model for Slope Instability of Metamorphosed Rocks. Proceedings 5th International Symposium on Landslides, Lausanne, Switzerland, (2): 1269-1272.