ارزیابی خطر زمین لغزش و ارتباط آن با نوع لندفرم در محیط GIS

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه شیراز

2 دانشگاه خواجه نصیرالدین طوسی

چکیده

تعیین مناطق مستعد وقوع زمین لغزش یکی از اقدامات اولیه در کاهش خسارات احتمالی و مدیریت حوضه های آبخیز کشور می باشد. با توجه به اهمین موضوع هدف از این تحقیق بررسی وضعیت زمین لغزش در شرق شهر کرمان و ارتباط آن با نوع لندفرم می باشد. برای این منظور از پارامترهایی مانند شیب، جهت، ارتفاع، فاصله از گسل، فاصله از رودخانه، کاربری اراضی، فاصله از جاده و زمین شناسی به عنوان لایه های ورودی برای تعیین خطر زمین لغزش استفاده شد. بعد از تهیه هر یک از این لایه ها با استفاده از روش فازی و تعریف تابع عضویت، نقشه فازی برای هر یک از پارامترها تهیه شد. در نهایت به منظور همپوشانی هر یک از نقشه های فازی و تهیه نقشه نهایی زمین لغزش، با توجه به اهمیتی که هر یک از لایه ها در خطر وقوع زمین لغزش دارند، با ایجاد ماتریس مقایسه زوجی در مدل تحلیل سلسله مراتی (AHP < /span>) نقشه نهایی تهیه شد. در ادامه برای تعیین ارتباط بین زمین لغزش و نوع لندفرم، با استفاده از شاخص موقعیت توپوگرافی (TPI) نقشه لندفرم منطقه تهیه شد. نتایج نشان داد که بیشترین احتمال رخداد زمین لغزش در غرب، شمال و جنوب غرب منطقه مورد مطالعه می باشد. نتایج حاصل از نقشه لندفرم های منطقه نشان داد که بیشترین درصد لندفرم در منطقه مربوط به آبراهه ها (دره ها) با حدود 31 درصد و قله ها با حدود 7/26 درصد می باشد. همچنین نتایج نشان داد که هر چه به لندفرم های مناطق کوهستانی مانند خط الراس ها، تپه ها و قله ها نزدیک می شویم احتمال خطر زمین لغزش بیشتر می شود. بنابراین با توجه به اینکه در این نوع لندفرم ها احتمال وجود اراضی باغی، کشاورزی، جاده ها و در بعضی مناطق روستاها وجود دارد، باید مدیریت بیشتری در این مناطق صورت گیرد.
 
 
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Landslide risk assessment and its relationship to the type of landform in the GIS

چکیده [English]

Introduction
Using information about landslide occurrence can get accurate information about landslide hazard assessment (Dai et al., 2002). Dangerous effectives of landslides is in relation to the economic system of many countries (Nefeslioglu et al., 2008). There are different methods for landslide susceptibility mapping such as Malczewski 1996; Jankowski et al. 1997; Nyerges et al. 1997; Bennett et al. 1999; Feick and Hall 1999; Jankowski and Nyerges 2001a, b; Kyem 2004. Thus, the region was selected fuzzy-AHP method to investigate landslide susceptibility in east of Kerman province, Iran.
 
Methodology
TPI:
Andrew Weiss presented a very interesting and useful poster at the 2001 ESRI International User Conference describing the concept of Topographic Position Index (TPI) and how it could be calculated (Weiss 2001). Using this TPI at different scales, plus slope, users can classify the landscape into both slope position (i.e. ridge top, valley bottom, mid-slope, etc.) and landform category (i.e. steep narrow canyons, gentle valleys, plains, open slopes, mesas, etc.). The algorithms are clever and fairly simple.  The TPI is the basis of the classification system and is simply the difference between a cell elevation value and the average elevation of the neighborhood around that cell.  Positive values mean the cell is higher than its surroundings while negative values mean it is lower. The degree to which it is higher or lower, plus the slope of the cell, can be used to classify the cell into slope position. If it is significantly higher than the surrounding neighborhood, then it is likely to be at or near the top of a hill or ridge. Significantly low values suggest the cell is at or near the bottom of a valley. TPI values near zero could mean either a flat area or a mid-slope area, so the cell slope can be used to distinguish the two. TPI is naturally very scale-dependent.  The same point at the crest of a mountain range might be considered a ridgetop to a highway construction crew or a flat plain to a mouse.  The classifications produced by this extension depend entirely on the scale you use to analyze the landscape. TPI (Eq. (1)) compares the elevation of each cell in a DEM to the mean elevation of a specified neighborhood around that cell. Mean elevation is subtracted from the elevation value at center.
                                                                                               (1)
where M0 = elevation of the model point under evaluation, Mn = elevation of grid, n = the total number of surrounding points employed in the evaluation.
Fuzzy-AHP method
Fuzzy logic was initially developed by Lotfi Zadeh (1965) as a generalization of classic logic. Lotfi Zadeh (1965) defined a fuzzy set by memberships function from properties of objects. A membership function assigns to each object a grade ranging between 0 and 1.  The value 0 means that x is not a member of the fuzzy set, while the value 1 means that x is a full member of the fuzzy set. Traditionally, thematic maps represent discrete attributes based on Boolean memberships, such as polygons, lines and points. Mathematically, a fuzzy set can be defined as following (Mc Bratney et al., 2000):
                                                                               (2)
In order to define the fuzzy rules and fuzzy-AHP models, the critical level of each parameter for corn production was extracted using some references in the study area.
AHP is a structured technique for organizing and analysing complex decisions. This method is based on a pair-wise comparison matrix. The matrix is called consistent if the transitivity Equation (5) and reciprocity (Equation (6) rules are respected.
 
aij = aik · akj                                                                                                                  (3)
a ij= 1/ a ji                                                                                                                    (4)
 
where i, j and k are any alternatives of the matrix.
 
Results and discussion
The aim of this study was to determination of landslide susceptibility in the east of Kerman, Iran. Nine major properties were selected to landslide susceptibility including slope, aspect, elevation, distance from fault, land use, distance from road, geology, rainfall and distance from stream were evaluated. Then, raster map was prepared in ArcGIS for each of the parameters. Also, the fuzzy and AHP method used for predictive landslide susceptibility map. The results of the fuzzy and AHP method in this study show that the west of the study area was suitable for landslide. The relationship between landslide susceptibility and landform showed that the possibility of landslide on the peaks, ridges and hills is high.
Conclusion
Based on the different conditions of the study area, such as the financial condition of the people and government, age distribution of the population, etc., the landslide susceptibility map with the fuzzy-AHP method can be used.

کلیدواژه‌ها [English]

  • Landslide
  • Fuzzy-AHP
  • Topography Position Index
  • Landform
  • بای، ناصر، سید محمود؛ حاجی، میررحیمی، ۱۳۸۷، پهنه بندی خطر زمین لغزش با استفاده از روش AHP، همایش ژئوماتیک 87، تهران، سازمان نقشه برداری کشور.
  • رجبی، معصومه؛ فیض اله پور، مهدی، 1393، پهنه بندی زمین لغزش های حوضه ی رودخانه ی گیوی چای با استفاده از مدل پرسپترون چند لایه از نوع پیش خور پس انتشار . مجله جغرافیا و توسعه. پاییز 1393 - شماره 36. صفحه - از 161 تا 180.
  • روستایی، شهرام؛ علیزاده، راحله، 1390، پهنه بندی خطر زمین لغزش در حوضه صوفی چای (مراغه) با استفاده از روش آنبلاگان. فصلنامه علمی پژوهشی فضای جغرافیایی. شماره 39 صفحه - از 17 تا 36.
  • طلائی, رضا؛ شریعت جعفری، محسن؛ عظیمی مطعم، فرزانه، ۱۳۹۲، ارزیابی کمی ریسک زمین لغزش در جنوب استان اردبیل (منطقه هشتچین، البرز غربی)، اولین کنفرانس ملی مهندسی ژئوتکنیک، اردبیل، دانشگاه محقق اردبیلی.
  • عابدینی، موسی؛ قاسمیان، بهاره، 1394، پهنه بندی خطر زمین لغزش در شهر بیجار به روش تحلیل سلسله مراتبی (AHP). نشریه علمی پژوهشی جغرافیا و برنامه ریزی، سال 19، شماره 52، صفحات 227-205.
  • فیض نیا، سادات؛ کلارستاقی، عطااله؛ احمدی، حسن؛ صفایی، مهرداد، 1383، بررسی عوامل موثر در وقوع زمین لغزش ها و پهنه بندی خطر زمین لغزش (مطالعه موردی: حوزه آبخیز شیرین رود-سدتجن). مجله منابع طبیعی ایران : بهار 1383 , دوره 57 , شماره 1 ; از صفحه 3 تا صفحه 22 .
  • کرمی، فریبا، 1391، ارزیابی حساسیت زمین لغزش در حوضه‌های کوهستانی نیمه خشک، با استفاده از روش‌های آماری و مدل وزنی شاهد (مطالعه موردی: حوضه زهکشی سعیدآبادچای – شمال غرب ایران)، فصلنامه تحقیقات جغرافیایی، شماره سوم، صص 21- 44.
  • کرنژادی، آیدینگ؛ اونق، مجید؛ سعدالدین، امیر، 1393، پهنه بندی خطر و خسارات زمین لغزش مطالعه موردی: حوضه آبخیز زیارت، استان گلستان. 62-51.
  • متولی، صدرالدین؛ اسماعیلی، رضا؛ حسین زاده، محمد مهدی، 1388، تعیین حساسیت وقوع زمین لغزش با استفاده از رگرسیون لجستیک در حوضه آبریز واز (استان مازندران). فصلنامه جغرافیای طبیعی. صفحه - 73 تا 84.
  • مقیمی، ا؛ یمانی، م؛ رحیمی، س، 1392، ارزیابی و پهنه‌بندی خطر زمین‌لغزش در شهر رودبار با استفاده از فرآیند تحلیل شبکه‌ای، پژوهش‌های ژیومورفولوژی کمی، شماره 4، بهار 1392، صص 118-103.
    • Ayalew, l. and Yamagishi H., 2005. The application of GIS-based Logistic regression for landslide susceptibility mapping in the Kakuda-Yaahiko Mountains, central Japan, Geomorphology 65, 15-31.
    • Bennett, D.A., Wade, G.A. and Armstrong, M.P., 1999, Exploring the solution space of semi-structured geographical problems using genetic algorithms. Trans GIS 3(1):51–71
    • Clerici, A., Perego, S., Tellini, C. and Vescovi P., 2002. A procedure for landslide susceptibility zonation by the conditional analysis method. Geomorphology 48, 349-364.
    • Dai, F., Lee, C. and Ngai, Y.Y. 2002. Landslide risk assessment and management: An overview. Eng. Geol. 64, 65–87.
    • Feick, R.D. and Hall, G.B., 1999. Consensus building in a multi-participant spatial decision support system. URISA J 11(2):17–23
    • Gorsevski, P.V., Gessler, P. and Foltz, R.B., 2000, Spatial prediction of landslide hazard using logistic regession and GIS. 4th Int. Conference on Integrating GIS and Evironmental Modeling, Alberta, Canada. 9 pp.
    • Gorsevski, P.V., Gessler, P.E., Boll J., Elliot W.J. and Foltz, R.B., 2006. Spatially and temporally distributed of landslide susceptibility, Geomorphology 80, 178- 198.
    • Jankowski, P. and Nyerges, T., 2001a. Geographic information systems for group decision-making: towards a participatory geographic information science. Taylor & Francis, New York, p 273.
    • Jankowski, P. and Nyerges, T., 2001b. GIS-supported collaborative decision-making: results of an experiment. Ann As Am Geogr 91(1):48–70
    • Jankowski, P., Nyerges, T.L., Smith, A., Moore, T.J. and Horvath, E., 1997. Spatial group choice: a SDSS tool for collaborative spatial decision-making. Int J Geogr Inform Sci 11(6):577–602
    • Kyem, P.A.K., 2004. On intractable conflicts participatory GIS applications: the search for consensus amidst competing claims and institutional demands. Ann As Am Geogr 94(1):37–57
    • Malczewski, J., 1996. A GIS-based approach to multiple criteria group decision- making. Int J Geogr Inform Syst 10(8):955–971.
    • McBratney, A.B. and Webster, R., 1986. Choosing functions for semi-variograms of soil perties and fitting them to sampling estimates: Jour. Soil Science, v. 37, no. 4, p. 617–639.
    • McBratney, A.B. and Odeh, I.O.A., 1997. Application of fuzzy sets in soil science: fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma 77, 85e113.
    • Nefeslioglu, H., Gokceoglu, C. and Sonmez, H. 2008. An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Eng. Geol. 97, 171–191.
    • Nyerges, T.L., Montejano, R., Oshiro, C. and Dadswell, M., 1997. Group-based geographic information systems for transportation improvement site selection. Transp Res Part C Emerg Technol 5(6):349–369.
    • Ohlamcher, G.C. and Davis, J.C., 2003. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas USA. Engineering Geology 69, 331-343.
    • Saaty, T.L., 1980. The analytical hierarchy process, Planning Priority, Resource Allocation, TWS Pub., USA.
    • Van Westen, C.J. and Terlien, M.T.J., 1996. An approach towards deterministic landslide hazard analysis in GIS. A case study from Manizales (Colombia), Earth Surface and Processes and Landforms, Vol. 21, 853-868.
    • Wan, S., 2009. A spatial Decision support system for Extracting the core Factors and Thesholds for Landslide susceptibility Map, Engineering Geology, vol. 108. pp. 237 – 251.
    • Weiss, A. 2001. Topographic position and landforms analysis. In Poster presentation, ESRI user conference, San Diego, CA (Vol. 200).
    • Yalcin, A., 2008. GIS – based landslide sussptibility mapping using analytical hierchay process and bivariate statistics in Ardesen (turkey): comparisons of results and confirmations. CATENA, vol. 72. pp 1-12.
    • Zadeh, L.A., 1965. Fuzzy sets. Inf. Control 8, 338-353.
    • Zhang, W., Wang, W. and Xia, Q., 2012. Landslide Risk Zoning Based on contribution of rate stack Method, Energy procedia, vol. 16. pp 178