کاربرد منطق فازی در پهنه بندی خطر زمین‌لغزش در حوضه آبخیز نازلوچای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تبریز

2 پژوهشکده حفاظت خاک و آبخیزداری

چکیده

زمین‌لغزش فرایندی است دامنه‌ای که تأثیر مخربی بر محیط زیست و زندگی انسانی داشته و نیازمند بررسی و اقدامات پیشگیرانه میباشد. شناسایی عوامل مؤثر در وقوع زمین‌لغزش و پهنه بندی خطر آن جهت انجام اقدامات کنترلی از اهداف تحقیق حاضر میباشد. بنابراین برای مدیریت خطر در حوضه نازلوچای در شمالغرب ایران، کارایی روش منطق فازی مورد ارزیابی قرار گرفته است. لذا از طریق بازدیدهای میدانی و استفاده از اطلاعات محلی و همچنین اداره آبخیزداری، عکسهای هوایی، تصاویر ماهواره ای Google Earth، نقشه پراکنش زمین‌لغزشها تهیه گردید. در ادامه عوامل مؤثر در زمین‌لغزش شامل شیب، جهت شیب، ارتفاع، بارش، پوشش گیاهی، زمین شناسی، کاربری اراضی، فاصله از گسل، فاصله ار رودخانه و فاصله ار جاده با استفاده از نقشه توپوگرافی، عکس هوایی و تصاویر ماهواره ای تهیه و وارد مدل گردیدند. بعد از مرحله فازی‌سازی، نقشه‌های پهنه‌بندی زمین‌لغزش با استفاده از عملگرهای جمع، ضرب و گامای فازی با مقادیر 0.7، 0.8 و 0.9  تهیه شد. نتایج حاصل از معادله Qs(شاخص جمع کیفیت برای مقایسه کارایی مدلها) نشان می‌دهد که عملگر گامای 0.7 در مقایسه با دیگر عملگرها‌ی فازی مناسبتر است ولی با توجه به انطباق توده‌های لغزشی با نقشه‌های گامای 0.8 و 0.9 می‌توان از نتایج آنها برای برنامه‌ریزیهای توسعه‌ای استفاده کرد. بیشتر عوامل نقش مهمی در ایجاد حساسیت به لغزش داشته و نقشه های خروجی با 5 کلاس(خیلی کم، کم، متوسط، زیاد و خیلی زیاد)، 5.4 درصد حوضه را (با گامای 0.7) در کلاس با حساسیت بالا و خیلی بالا و 62.5 درصد آن را در کلاس با حساسیت خیلی کم قرار داد. رطوبت زیاد دامنه‌های غربی، حساسیت بالای سازندهای زمین‌شناسی وتأثیر فعالیتهای تکتونیکی از عوامل مهم ایجاد زمین‌لغزش در این قسمت از حوضه می‌باشند.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide Hazard Zonation Using the Fuzzy Logic Method in Nazlo-Chay Basin

چکیده [English]

Introduction
Landslides are one of the most important natural threats in mountainous and sloping areas that are affected by various natural and human factors.  Therefore, knowing the most important factors affecting sloping instability and landslide occurrence will help us to make developmental and infrastructural plans using appropriate methods. Therefore, using the fuzzy model, its evaluation and validation, sensitive zones of the basin should be identified and classified. The quality and quantity of existing data, the work scale, and the selection of appropriate analysis approach and modeling, guarantee the validity of landslide sensitivity maps. The process leading to such plans involves several qualitative and quantitative approaches (Ayalew & Yamagishi, 2005). Judging by experts is the criterion of qualitative approaches that do risk or sensitivity analysis (Aleotti& Chowdhury, 1999).  Qualitative methods can be divided into two types: scatter analysis or inventory and exploration. Mass movement inventory maps are the basis of most methods for landslide hazard zonation (Van Westen & Soeters, 1998). Quantitative methods (quoted by Roostaei and colleagues) are based on the numerical expression of the relationship between controlling factors and landslides (Ayalew & Yamagishi, 2005) and are divided into two approaches: Statistical and algebraic analyzes. The fuzzy logic membership functions range from 0 to 1, with zero absent Statistical and algebraic analyzes. The fuzzy logic membership functions range from 0 to 1, means that 0 is not a member of the fuzzy set and 1 means full membership (Juang et al., 1992). Therefore, in this research, based on the effective factors in the establishment of landslide, the study area is classified by using fuzzy logic.  The study area is located between 44 ° 24 'and 45 ° 53' E longitude and 37 ° 30' to 37 ° 58' N latitudes in the northwest of the country and in the political zone of the West Azerbaijan Province. The area of the catchment is 1518/8 km2.                                                                                                              
Research Methodology
In order to investigate the landslide susceptibility zonation, the provision of a landslide inventory map is the most important part of the work, which can be done by using of geographic information systems with high accuracy. The accuracy of landslide zonation is largely dependent on this stage. So, at first, the existing landslides were identified by using various tools including aerial photos, satellite imagery (Google Earth), existing information, GPS, and in particular field surveys. In the present study, ten factors affecting the occurrence of landslides were considered: elevation, slope, gradient direction, distance from the waterway, distance from the road, distance from the faults, lithology, land use, rainfall and vegetation index. Landslide susceptibility zonation was done after determining fuzzy membership values for each of the thematic layer classes using different fuzzy operator functions (fuzzy OR, fuzzy AND, fuzzy algebraic product, fuzzy algebraic sum and fuzzy Gamma operators).                                                                                                          
Research Findings
For landslide hazard zonation using fuzzy logic model, various factors including elevation, slope, gradient direction, distance from the waterway, distance from the road, distance from fault, lithology, landuse, rainfall and vegetation index were studied. Existence and density of landslides in the western slopes show the role of geological formations, the gradient direction, the distance from the waterway and precipitation in the occurrence of landslide. To evaluate the accuracy of the operators of the fuzzy logic model, the density ratio index and the quality sum index were used. Density ratio index was used to evaluate the model's ability in hazard classes' separation. The more distinction between risk classes is, the model is more capable, and the quality sum index is used to compare the performance of different models. Finally, with respect to the resulting values, the zoning with a 0.7-gamma operator was found to be desirable for the studied area.                                                                
Conclusion
According to the results of zoning (using fuzzy gamma methods), geology, gradient direction and distance from the waterways are the most important factors controlling the landslide occurrence in the studied area. Particularly geologic factors are of great importance. Most of the landslides in the study area occurred on limestone and conglomerate, which are similar to the results of the research by Mr. Tangestani in the southwest of Iran and Mr. Amir Ahmadi who worked for Iran, while these formations do not have much area in the basin. Limestone and a small amount of dolomitic limestone with an occupancy level of 15.5% of the basin, contain more than 30% of landslides. More importantly, limestone is coinciding with north orientation that confirms the role of gradient direction in occurrence of landslides. The impact of the human factor mainly depends on changing environmental conditions, such as road construction, inappropriate plowing, excessive grazing and water diversion for agricultural use. Therefore, by studying the researches in Iran and in different parts of the world, the slipping factors in different basins and regions are not the same and in fact, different slip conditions are present in different regions.                                                               

کلیدواژه‌ها [English]

  • Geographical information system
  • Fuzzy logic
  • landslide zonation
  • Nazlo- Chay
  • پورقاسمی، حمیدرضا و همکاران، 1390، ارزیابی عوامل ژئومورفولوژیکی و زمین‌شناسی در تهیه نقشه خطر زمین‌لغزش با استفاده از منطق فازی و روش تحلیل سلسله ‌مراتبی(مطالعه موردی: بخشی از حوضه آبخیز هراز)، مجله پژوهش‌های حفاظت آب و خاک، جلد هجدهم، شماره چهارم، صص 1- 20
  • روستایی، شهرام،  1379، پژوهشی در دینامیک لغزش‌های زمین و علل وقوع آنها با استفاده از روش‌های مورفومتری در حوضه اهرچای، پایاننامه دکتری به راهنمایی مقصود خیام، دانشگاه تبریز.     
  • روستایی، شهرام، 1380، درآمدی بر تحلیل کمّی تاثیر پراکنش ارتفاعی در ویژگی‌های مورفولوژیکی زمین‌لغزش‌ها، مجله فضای جغرافیایی، شماره 3، صص 75-55       
  • روستایی، شهرام، 1383، بررسی علل وقوع زمین‌لغزش در روستای نصیرآباد ورزقان (استان آذربایجانشرقی) با استفاده از روش‌های کمّی، فصلنامه مدرّس علوم انسانی، دوره 8، شماره 1، صص 43-23           
  • سازمان زمین‌شناسی کشور، 1367 و 1385، نقشه‌های زمین‌شناسی ارومیه و سرو با مقیاس 1:100000 و نقشه زمین‌شناسی با مقیاس 1:250000 به همراه گزارشات.
  • شادفر، صمد، 1384، ارزیابی تحلیلی مدلهای کمی زمین‌لغزش به منظور دستیابی به مدلی مناسب برای حوزه آبخیز چالکرود، پایاننامه دکتری، دانشکده جغرافیا، دانشگاه تهران، 225     
  • صفاری، امیر و همکاران، 1384، پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل نسبت فراوانی و منطق فازی (مطالعه موردی: بخش مرکزی شهرستان جم)، فصلنامه جغرافیای طبیعی، سال هشتم، شماره 30، صص 30-15
  • عبادی‌نژاد، سیدعلی و همکاران، 2007، ارزیابی کارایی عملگرهای منطق فازی در تعیین توانمندی زمین‌لغزش، مجله علوم و مهندسی آبخیزداری ایران، سال اول، شماره 2، صص 39 -44         
  • غیومیان، و همکاران، 1384، پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از روش تصمیم گیری چند مشخصه فازی، مجله پژوهش و سازندگی، شماره 56، صص 67-80     
  • قنواتی، عزت‌الله و همکاران، 1393،کاربرد منطق فازی در شناسایی و پهنه‌بندی خطر زمین‌لغزش، مطالعه موردی: حوضه آبخیزطالقان، مجله علوم زمین، شماره 93، صص 9-16
  • کریمی سنگ‌چین، ابراهیم و همکاران، 1391، مقایسه کارایی 4 مدل کمی و نیمه ‌کمی پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز چهل‌ چای، استان گلستان. مجله پژوهش‌های حفاظت آب و خاک، جلد نوزدهم، شماره اول، صص 183-196
  • متولی، صدرالدین و همکاران، 1388، تعیین حساسیت وقوع زمین‌لغزش با استفاده از رگرسیون لجستیک در حوضه آبریز واز (استان مازندران)، فصلنامه جغرافیای طبیعی، سال دوم، شماره 5، صص 83-73
  • نادری، فتح‌الله، 1391، کاربرد منطق فازی در پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز چرداول ایلام، مجله پژوهش و سازندگی، شماره 94
  • Adhikari, M. 2011. Bivariate statistical analysis of landslide susceptibility in western Nepal. Master thesis in geosciences. University of Oslo. pp: 1-88.
  • Akgün, A &Bulut, F. 2007. GIS-based landslide susceptibility for Arsin-Yomra (Trabzon, North Turkey) region. Environ Geol 51:1377–1387.
  • Akinci, H. et al. 2011. Production of landslide susceptibility map of Samsun (Turkey) city center by using frequency ratio method. International journal of the physical science Vol. 6(5), pp: 1015-1025.
  • Aleotti, P & Chowdhury, R. 1999. Landslide hazard assessment: summary review and new perspectives. Bull EngGeolEnv 58: 21-44.
  • Ayalew L, Yamagishi H 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 65(1/2):15–31.
  • Binaghi, E et al. 1998. Slope instability zonation: a comparison between certainty factor and fuzzy Dempster- Shafer approaches. Natural hazards 17: 77-97.
  • BiswajeetPradhan, 2010. Application of an advanced fuzzy logic model for landslide susceptibility analysis.International Journal of Computational Intelligence Systems, Vol.3, No. 3 (September, 2010), 370-381.
  • Bui, D. T et al. 2012. Spatial prediction of landslide hazards inHoaBinhprovince (Vietnam): A comparative assessment of the efficacy of evidential belief functions and fuzzy logic models. Catena 96, pp: 28–40.
  • Carrara A, Cardinali M, Detti R, Guzzetti F, Pasqui V, Reichenbach P (1991) GIS techniques and statistical models in evaluating landslide hazard. Earth Surf Proc Land 16:427–445.
  • Ercanoglu, M &Temiz, F. A. 2011. Application of logistic regression and fuzzy operators to landslide susceptibility assessment in Azdavay (Kastamonu, Turkey). Environ Earth Sci 64:949–964.
  • Ercanoglu M, Gokceoglu C. Assessment of landslide susceptibility for a landslide-prone area (north of Yenice, NW Turkey) by fuzzy approach. Environmental Geology 2002, 41: 720-730.
  • Gupta, R. P & Joshi, B. C. 1990. Landslide hazard zoning using the GIS approach- a case study from Ramganga catchment, Himalayas. Engineering geology, 28, 119-131.
  • Guzzetti, F et al. 1999. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology 31: 181–216.
  • Juang CH, Lee DH, Sheu C (1992). Mapping slope failure potential using fuzzy sets. Journal of Geotechnical Engineering ASCE, 118(3), 475-493.
  • Lan, H. X et al. 2004. Landslide hazard spatial analysis and prediction using GIS in the Xiaojiangwatershed, Yunnan, China. Engineering Geology 76. 109- 128.
  • Lee, S &Biswajeet, P. 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides 4:33–41.
  • Magliulo, P et al. 2008. Geomorphology and landslide susceptibility assessment using GIS and bivariate statistics: a case study in southern Italy. Nat Hazards 47: 411-435.
  • Melchiorre, C et al. 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation , Geomorphology 94: 379–400.
  • Regmi, N. R et al. 2010. Assessing susceptibility to landslides: Using models to understand observed changes in slopes. Geomorphology 122, pp.25–38.
  • Remondo, J et al. 2003. Validation of landslide susceptibility maps; examples and applications from a case study in Northern Spain; Nat. Hazards 30(3), pp 437-449.
  • S. Lee &J. Choi 2010. Landslide susceptibility mapping using GIS and the weight-of-evidence model. International Journal of Geographical Information Science, Volume 18, Pages 789-814
  • Van Westen, C. J &Soeters, R. 1998. Geographic information systems in slope instability zonation (GISSIZ). ITC. P: 156.
  • Van Westen, C. J. 1997. Statistical landslide hazard analysis. ILWIS 2.1 for windows applications guide. ITC publication, Enschede, pp. 73-84.
  • Wang, K. L & Lin, M.L. 2010. Development of shallow seismic landslide potential map based on newmark's displacement: the case study of Chi-Chi earthquake, Taiwan. Environ Earth Sci, 60: 775-785.
  • Yilmaz, I. 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat-Turkey). Comp Geosci 35(6):1125–1138.