پهنه بندی رخداد زمین لغزش در محدوده چهارگوش نقشه زمین شناسی 1:100000 (نمونه موردی: کیاسر، استان مازندران)
الموضوعات :
روح اله تقوی
1
(کارشناس ارشد زمین شناسی زیست محیطی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران)
دکتر علیرضا جعفری راد
2
(دکتری تخصصی سیستم اطلاعات جغرافیایی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران)
محمدصادق زنگنه
3
(کارشناس GIS، سازمان نظام مهندسی کشاورزی و منابع طبیعی استان خوزستان، ایران)
احمد خلیلی آواتی
4
(کارشناس ارشد آب شناسی، دانشگاه پیام نور، ابهر، ایران)
صائب تقوی
5
(کارشناسی زمین شناسی، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران)
الکلمات المفتاحية: پهنه‌بندی, زمین‌لغزش, همپوشانی, کیاسر, GIS , AHP,
ملخص المقالة :
زمین‌لغزش یکی از انواع خطرناک پدیده‌های طبیعی است. این مخاطره طبیعی هر ساله در بسیاری از کشورها خساراتی به بار می‌آورد. ارزیابی دقیق خطر زمین‌لغزش جهت کاهش خسارات ضروری است. در این پژوهش به بررسی و پهنه‌بندی خطر زمین‌لغزش در نقشه چهارگوش 1:100000 کیاسر با استفاده از GIS و رویکرد AHP پرداخته شده است. در این مطالعه از لایههای اطلاعاتی که در وقوع زمین‌لغزش مؤثر هستند شامل زمینشناسی، شیب، جهت شیب، متوسط بارش سالیانه، زمین‌لرزه، گسل و محورچین، فاصله از راه، فاصله از رودخانه، فرسایش و کاربری اراضی استفاده شده است. از میان معیارهای انتخاب شده لایه متوسط بارش سالیانه و شیب به ترتیب با وزن 0.27 و 0.22 بیشترین امتیاز و اهمیت را در این پژوهش داشته و معیار کاربری اراضی با وزن 0.034 کمترین امتیاز و اهمیت را داشته است. نتایج تحقیق نشان داد که 6 درصد (151.68 کیلومتر مربع) از مساحت کل منطقه (2500 کیلومتر مربع) در معرض خطر زمین‌لغزش قرار دارند که 22 درصد از کل مساحت روستاهای منطقه مورد مطالعه را شامل می‌شود. همچنین با بررسی‌های میدانی انجام شده مشخص شد که خطوط اصلی انتقال نیرو و خطوط اصلی نفت در معرض خطر نبوده و تنها برخی معادن منطقه مورد مطالعه در خطر هستند. از کل کارخانه‌های صنعتی در منطقه دو کارخانه تولیدی خبازی و کارخانه حفاظت از فساد میوه در محدوده خطر زمین‌لغزش قرار دارند. با توجه به مطابقت زیاد زمین‌لغزش‌های به‌وقوع پیوسته در گذشته و روش استفاده شده در این تحقیق، نتایج نشان داده که این روش در پهنه‌بندی خطر زمین‌لغزش در نواحی کوهستانی و یا نواحی که تنوع اقلیمی و پوشش گیاهی دارند مناسب است.
1) انتظاری، مژگان، وکردوانی، موسی (1401). پهنه‌بندی خطر زمین‌لغزش با استفاده از روش‌های مبتنی بر GIS و داده‌های راداری (مطالعه موردی: فریدون شهر). مجله مخاطرات محیط طبیعی،11(33)، 177-196.
2) حجازی زاده، زهرا، خسروی، آراس، حسینی، سید اسعد، رحیمی، علیرضا، وکربلایی، علیرضا (1400). پتانسیل‌سنجی مناطق کویری، بیابانی و سواحل مکران به منظور کسب انرژی از خورشید با استفاده از منطق فازی و مدل تحلیل سلسله مراتبی. نشریه تحقیقات کاربردی علوم جغرافیایی، 21(63)، 1-18.
3) ززولی، محمد، فلاح، وفایی نژاد، علیرضا، آل شیخ، علی اصغر، ومدیری، مهدی(1398). پهنه‌بندی احتمال وقوع زمین‌لغزش با استفاده از مدلهای آنتروپی شانون و ارزش اطلاعات در محیط GIS مطالعه موردی بخش رودبار الموت شرقی- استان قزوین. فصلنامه اطلاعات جغرافیایی، 28(112)، 123-136.
4) لجم اورک، مرتضی، وپیری، زهرا (1402). پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از مدل تحلیل سلسله مراتبی (AHP) و فن GIS (مطالعه موردی: شهرستان باغملک). مجله جغرافیا و مخاطرات طبیعی، 12(47)، 193-215.
5) یمانی، مجتبی، حسن پور، سیروس، مصطفایی، ابوالفضل، و شادمان رودپشتی، مجید (1391). نقشه پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز کارون بزرگ با استفاده از مدل AHP درمحیط GIS. جغرافیا و برنامه ریزی محیطی، 23(4 (پیاپی 48))، 39-56.
6) Ahmad, R. A., Singh, R. P., & Adris, A. (2017). Seismic hazard assessment of Syria using seismicity, DEM, slope, active faults and GIS. Remote Sensing Applications: Society and Environment, 6, 59-70.
7) Arjmandzadeh, R., Sharifi Teshnizi, E., Rastegarnia, A., Golian, M., Jabbari, P., Shamsi, H., & Tavasoli, S. (2020). GIS-based landslide susceptibility mapping in Qazvin province of Iran. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 44, 619-647.
8) 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.
9) Baharvand, S., Rahnamarad, J., Soori, S., & Saadatkhah, N. (2020). Landslide susceptibility zoning in a catchment of Zagros Mountains using fuzzy logic and GIS. Environmental Earth Sciences, 79, 1-10.
10) Bera, A., Mukhopadhyay, B. P., & Das, D. (2019). Landslide hazard zonation mapping using multi-criteria analysis with the help of GIS techniques: a case study from Eastern Himalayas, Namchi, South Sikkim. Natural Hazards, 96, 935-959.
11) Chen, W., Chai, H., Zhao, Z., Wang, Q., & Hong, H. (2016a). Landslide susceptibility mapping based on GIS and support vector machine models for the Qianyang County, China. Environmental Earth Sciences, 75, 1-13.
12) Chen, T., Niu, R., & Jia, X. (2016b). A comparison of information value and logistic regression models in landslide susceptibility mapping by using GIS. Environmental Earth Sciences, 75, 1-16.
13) Chen, W., Peng, J., Hong, H., Shahabi, H., Pradhan, B., Liu, J., ... & Duan, Z. (2018). Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China. Science of the total environment, 626, 1121-1135.
14) Chen, W., & Li, Y. (2020). GIS-based evaluation of landslide susceptibility using hybrid computational intelligence models. Catena, 195, 104777.
15) Das, S., Sarkar, S., & Kanungo, D. P. (2022). GIS-based landslide susceptibility zonation mapping using the analytic hierarchy process (AHP) method in parts of Kalimpong Region of Darjeeling Himalaya. Environmental Monitoring and Assessment, 194(4), 234.
16) Guha-Sapir, D., Hoyois, P., Wallemacq, P., & Below, R. (2017). Annual disaster statistical review 2016. The numbers and trends, 1-91.
17) Haque, U., Da Silva, P. F., Devoli, G., Pilz, J., Zhao, B., Khaloua, A., ... & Glass, G. E. (2019). The human cost of global warming: Deadly landslides and their triggers (1995–2014). Science of the Total Environment, 682, 673-684.
18) Kohno, M., & Higuchi, Y. (2023). Landslide susceptibility assessment in the Japanese archipelago based on a landslide distribution map. ISPRS International Journal of Geo-Information, 12(2), 37.
19) Moradi, M., Bazyar, M. H., & Mohammadi, Z. (2012). GIS-based landslide susceptibility mapping by AHP method, a case study, Dena City, Iran. Journal of Basic and Applied Scientific Research, 2(7), 6715-6723.
20) Moresi, F. V., Maesano, M., Collalti, A., Sidle, R. C., Matteucci, G., & Scarascia Mugnozza, G. (2020). Mapping landslide prediction through a GIS-based model: A case study in a catchment in southern Italy. Geosciences, 10(8), 309.
21) Nohani, E., Moharrami, M., Sharafi, S., Khosravi, K., Pradhan, B., Pham, B. T., ... & M. Melesse, A. (2019). Landslide susceptibility mapping using different GIS-based bivariate models. Water, 11(7), 1402.
22) Psomiadis, E., Charizopoulos, N., Efthimiou, N., Soulis, K. X., & Charalampopoulos, I. (2020). Earth observation and GIS-based analysis for landslide susceptibility and risk assessment. ISPRS international journal of geo-information, 9(9), 552.
23) Ramli, M. F., Yusof, N., Yusoff, M. K., Juahir, H., & Shafri, H. Z. M. (2010). Lineament mapping and its application in landslide hazard assessment: a review. Bulletin of engineering Geology and the Environment, 69, 215-233.
24) Roccati, A., Paliaga, G., Luino, F., Faccini, F., & Turconi, L. (2021). GIS-based landslide susceptibility mapping for land use planning and risk assessment. Land, 10(2), 162.
25) Sejati, A. E., Karim, A. T. A., & Tanjung, A. (2020). The compatibility of a GIS map of landslide-prone areas in Kendari City Southeast Sulawesi with actual site conditions. In Forum Geografi (Vol. 34, No. 1, pp. 41-50).
26) Trigila, A., Iadanza, C., Esposito, C., & Scarascia-Mugnozza, G. (2015). Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy). Geomorphology, 249, 119-136.
27) Vakhshoori, V., Pourghasemi, H. R., Zare, M., & Blaschke, T. (2019). Landslide susceptibility mapping using GIS-based data mining algorithms. Water, 11(11), 2292.
28) Yazdadi, E, A. & Ghanavati, E. (2016). Landslide hazard zonation by using AHP (analytical hierarchy process) model in GIS (geographic information system) environment (case study: Kordan watershed). Int J Sci High Technol, 2, 24-39.
29) Zou, S., Abuduwaili, J., Duan, W., Ding, J., De Maeyer, P., Van De Voorde, T., & Ma, L. (2021). Attribution of changes in the trend and temporal non-uniformity of extreme precipitation events in Central Asia. Scientific reports, 11(1), 15032.
