ارزیابی خطر زمین‌لغزش با استفاده از فرایند سلسله مراتبی (AHP) ،تحلیل شبکه عصبی مصنوعی (ANN) و مطالعات میدانی با رویکرد کاهش ریسک(مطالعه موردی: محور جاده هراز)

نویسندگان

دانشگاه گلستان

چکیده

شناسائی پهنه­های حساس متاثر از لغزش و ریزش مهم­ترین بخش در تهیه نقشه زمین‌لغزش و ریزش می­باشد. مطالعه حاضر در محور جاده هراز حدفاصل بین امامزاده­ هاشم و شهرستان آمل که از محور­های پرتردد و پرخطر ایران می­باشد انجام پذیرفت. در این پژوهش از دو مدل شبکه عصبی مصنوعی (ANN) و فرآیند سلسله­مراتبی (AHP) به منظور ارزیابی و مقایسه با وضع موجود و معرفی مدل مناسب استفاده شده است. همچنین وضعیت موجود منطقه به صورت میدانی پایش شده و مناطق متاثر از پدیده­های ریزش و لغزش ثبت گردیده است. سطح بندی نقاط از نظر میزان خطر، تعداد نقاط از نظر عوامل خطرآفرین و اشتراک عوامل مخاطره­آمیز در نقاط ثبت شده، مرحله دیگری از مطالعه میدانی می­باشد که با رویکرد کاهش ریسک انجام پذیرفت. از نقشه­های رقومی ارتفاعی، شیب، جهت شیب، زمین­شناسی، کاربری اراضی، فاصله از گسل، فاصله از راه به عنوان لایه­های اطلاعاتی استفاده شد. در مطالعات میدانی 261 نقطه حادثه‌خیز متاثر از لغزش و ریزش ثبت گردید. با در نظر گرفتن تعداد نقاط برداشت شده و آمار اشتراک مخاطرات موجود در آن‌ها و همچنین سطح بندی نقاط این نتیجه بدست آمد که تمامی نقاط ثبت شده با خطر احتمالی ریزش مواجه است. لازم به­ذکر است 191 مورد از نقاط ثبت شده با سطح پر خطر تشخیص داده شد. بیشترین خطر در رابطه با اشتراک مخاطرات مربوط به ریزش و روآناب بدست آمد. با توجه به این که 88 مورد از نقاط ثبت شده مرتبط با پدیده لغزش می­باشد، در صورت رخداد، این مورد بیشترین تاثیر را از نظر میزان آسیب خواهد داشت. در نهایت نتایج حاصل از پژوهش نشان داد که روش شبکه عصبی مصنوعی با وضع موجود مطابقت بیشتری داشته  است.  خطای بدست آمده از روش شبکه عصبی مصنوعی 8 درصد بوده و این میزان، قابل قبول بودن تحلیل­های انجام شده را نشان می­دهد و این روش می­تواند در مناطق مشابه مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Examining the Landslide Risk using Analytic Hierarchy Process (AHP), Artificial Neural Network (ANN) Analysis and Field Studies Aiming for Risk Reduction (Case Study: Haraz Road)

چکیده [English]

Introduction
Natural disasters management requires local information to make human societies ready against dangers and reduce the disaster procedure. Hence, evaluation of landslide occurrence in the areas prone to landslide due to geographical condition and human constructions is highly crucial. Identification of rockfall and landslide sensitive zones makes the most important part of preparing map for such areas. The present study is conducted on Haraz road, within the distance of Imamzade Hashem and city of Amol, which is a busy and hazardous road in Iran.
Methodology
Two models of Artificial Neural Network (ANN) and Analytic Hierarchy Process (AHP) is used to assess and make comparison with the present condition while a proper model is introduced. A field study is also conducted on current condition of the region and landslide sensitive areas are recorded. The next stage of the field study involved ranking parts of the road based on the amount of risk; number of these parts according to risk factors, as well as identifying the common risk factors in the parts recorded aiming for risk reduction. Using digital elevation maps, such layers of information on slope, slope direction, geology, land use and distance from a fault line and road were provided. 261 parts of the road were recorded as
Results and discussion
The road passes through areas that the points overlooking it often have a significant slope. The slope direction map also demonstrates that such zones overlook Haraz road. Geology of the region indicates frequency of  Quaternary alluvium, basaltic tuffs and gray shales  as well as sandstones in the middle third of the region. The most likely threat to the road with respect to frequency is related to rockfall. It should be noted that surface runoff produced in slopes overlooking the road during rainfall is both hazardous per se and directs the material down when the water runs. Potential Landslide other than those occurred before and fault are among the threats in the next stage. As the area is active tectonically, crushing of stones and other hard formations in fault zones is more observed and this may play a significant role in triggering slips and landslides.
Conclusion
 Based on the number of detected points and common risks there as well as their ranking , it was concluded that all recorded points faced potential risk of rock fall. It is noteworthy that 191 of the recorded points  were identified as hazardous. Most hazardous of all common risks was found as related to rock fall and surface runoff. As 88 cases were related to rock fall, it was found as the most effective factor to create harm. It was finally found that the Artificial Neural Network model is more compatible with the current condition. The error obtained from this method was 8 percent confirming that the analysis was acceptable and the method could be used to study similar areas.

کلیدواژه‌ها [English]

  • Landslide
  • Slip
  • Analytic Hierarchy Process (AHP)
  • Artificial Neural Network (ANN) method
  • risk reduction
  • Haraz road