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)

نوع مقاله: مقاله پژوهشی

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
  • اسفندیاری درآباد، فریبا، گلمرادی، غلامرضا، پیروزی، الناز، 1391، ارزیابی ایمنی جاده­ای با رویکرد مخاطرات محیطی در محور ارتباطی خلخال – پونل، اولین کنفرانس ملی جغرافیا، گردشگری،منابع طبیعی و توسعه پایدار.
  • - برنا، رضا ، محمدی، حسن، ثروتی، محمد رضا، 1389،   ارزیابی سوانح و ایمنی حمل و نقل جاده­ای با رویکرد مخاطرات اقلیمی در محور کرج – چالوس، فصلنامه جغرافیایی سرزمین، علمی- پژوهشی، سال هفتم شماره 25، ص 64 - 53.
  • بلواسی، ایمانعلی، رضائی­مقدم، محمد حسین، نیکجو، محمد رضا، ولی زاده­ کامران، خلیل، 1394،  مقایسه مدل شبکه­عصبی­مصنوعی با فرایند سلسله­مراتبی در ارزیابی خطر زمین­لغزش. دانش مخاطرات، دوره2، شماره 2، تابستان، ص 250 - 225.
  • رجبی، معصومه، ولی­زاده­کامران، خلیل ، عابدی­قشلاقی، حسین، 1395،  ارزیابی و پهنه­بندی زمین­لغزش با استفاده از فرآیند تحلیل شبکه و شبکه عصبی مصنوعی، مطالعه موردی:حوضه آذرشهر چای. پژوهش ژئومورفولوژی کمی، سال پنجم شماره1 ص 74 - 60.
  • -زارع، محمد، جوری، محمد­حسن، عسکری زاده، دیانا، سالاریان، تینا، فخرقاضی، مونا، 1392،  تحلیل خطر زمین لغزش در حوزه آبخیز ماسوله با استفاده از تئوری دمپستر- شیفر و  GIS. پژوهشنامه مدیریت حوزه آبخیز سال هفتم، شماره 13، ص 217 – 209.
  • -شیرانی، کورش، عرب عامری، علیرضا،1394 پهنه­بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک مطالعه موردی: (حوضه دز علیا). مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال نوزدهم، شماره هفتادودوم.
  • -طالبی، علی،  متولی، علیرضا، 1395، بررسی زمین­لغزش­های طبیعی و حاشیه جاده با استفاده از مدل فرایند محور پایداری سطحی دامنه، مطالعه موردی محدوده محور ساری – کیاسر. فصلنامه زمین­شناسی ایران، دوره 10 شماره 37  ص 13 – 1.
-         علایی طالقانی، محمود، 1388، ژئومورفولوژی ایران، انتشارات قومس، تهران

-         متشرعی، آرش ، قمی، جعفر افتخاری، اکرم ، پوزش، بهروز ، شاهمری، مهدی، 1391،  پهنه بندی خطر وقوع زمین لغزش بر روی جاده تهران – چالوس و بزرگراه در دست احداث. فصلنامه زمین­شناسی کاربردی، سال 8 شماره 2 ص 152 – 147.

-         مختاری، داود،1388 ، آثار ژئومورفیکی عملیات راهسازی در مناطق حساس ژئومورفولوژیک مطالعه موردی: راه روستائی اردلان در شمال­غرب ایران، مجله جغرافیا و برنامه­ریزی محیطی، سال 20 ،شماره پیاپی 36 ،شماره 4، زمستان 1388 ص 42-17.

-         مرادی، حمید رضا، محمدی، مجید، پورقاسمی، حمید رضا ، فیاض­نیا، سادات ، 1389، تحلیل و برآورد خطر زمین­لغزش با استفاده از روش فرایند سلسله مراتبی در بخشی از جاده هراز، مدرس علوم انسانی – برنامه­ریزی و آمایش فضا، دوره 14، شماره 2،  ص 247-234

-         ملکی­نژاد، حسین، پور­شرعیاتی، ربابه،1391،  کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیشبینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری (مجله علمی کشاورزی)، جلد 36 ،شماره 3 ، ص 92 – 81.

  • -وظیفه­دوست، مجید، لاله سیاه، میترا، 1392، تحلیل مکانی و زمانی بلایای جوی موثر بر حمل و نقل جاده­ای کشور ، پژوهشنامه حمل و نقل، سال دهم، شماره سوم، صفحه 364-351.
  • -یمانی، مجتبی ، شمسی­پور، علی اکبر ، گورابی، ابوالقاسم ، رحمتی، مریم، 1393،  تعیین مرز پهنه­های خطر زمین­لغزش در مسیر آزادراه خرم­آباد- پل زال با روش سلسله مراتبی_فزی. نشریه حقیقات کاربردی علوم جغرافیایی سال چهاردهم شماره 32  ص 44 – 27.
    • -Ahmad, M,  Umrao, R.K,  Ansari, M.K, singh, R, singh, T.N,  2013, Assesment of Rockfall Hzard along the road cut slopes of state highway-72 Maharashtara – India. Geomaterials, 3, 15-23
    • Colkesen, I, Kutlug Sahin, E, Kavzoglu,T, 2016, Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression. Journal of African Earth Sciences 118 53e 64.
    • Mahmudi torkashvand, A, Irani, A, Sorur, J., 2014, The preparation of landslide map by Landslide Numerical Risk Factor (LNRF) model and Geographic Information System (GIS).The Egyptian Journal of Remote Sensing and Space Science.Volume 17,  Pages 159-170.
    • Masuya, H, Amanuma, K, Nishikawa, Y, and Tsuji, T., 2009, Basic rockfall simulation with consideration of vegetation and application to protection measure, Nat. Hazards Earth Syst. Sci., 9, 1835-1843.
    • -Myronidis, D., Papageorgiou, C. ,Theophanous, S., 2016,  Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP), Natural Hazards: Journal of the International Society for the Prevention and Mitigation of Natural Hazards, vol. 81, issue 1, 245-263
    • - Pineda, M. C,   Viloria, J, Martínez-Casasnovas , J. A., 2016, Landslides susceptibility change over time according to terrain conditions in a mountain area of the tropic region, Environmental Monitoring and Assessment, 188:255
    • Pradhan, B, Lee, S, 2007,  Utilization of Optical Remote Sensing Data and GIS Tools for Regional Landslide Hazard Analysis Using an Artificial Neural Network Model. Earth Science Frontiers, 14(6): 143–152.
    • - Wang, H. B,   Li,  J. M,   Zhou, B,  Zhou, Y,  Yuan, Z. Q, Chen, Y. P,2017, Application of a hybrid model of neural networks and genetic algorithms to evaluate landslide susceptibility, Geoenvironmental Disasters 4:15.