پهنه بندی خطر زمین لغزش های کم عمق با استفاده از روش های آماری دو متغیره و GIS (مطالعه موردی: حوضه آبخیز گلندرود
الموضوعات :علی گیلانی پور 1 , صدرالدین متولی 2
1 - کارشناسی ارشد جغرافیا- دانشگاه آزاد اسلامی واحد نور
2 - دانشیار گروه جغرافیا دانشگاه آزاد اسلامی واحد نور
الکلمات المفتاحية: زمین لغزش کم عمق, شاخص لغزش, فاکتور, حوضه آبخیز گلندرود,
ملخص المقالة :
امروزه زمین لغزشها بعنوان یک تهدید برای اکوسیستم های خشکی و ساکنان موجود در آن مبدل شده است که در منطقه مورد مطالعه بطور محسوسی مشاهده می شود. هدف از تحقیق حاضر دستیابی به مهمترین علل وقوع زمین لغزش های کم عمق در ارتفاعات شمالی البرز (شهرستان نور) است. ابتدا نقاط لغزشی با استفاده بازدیدهای میدانی مشخص و متعاقب آن نقشه پراکنش زمین لغزش منطقه تهیه گردید. سپس هر یک از عوامل موثر بر وقوع زمین لغزش در منطقه مورد مطالعه در 15 لایه اطلاعاتی شامل عوامل ژئومورفولوژیک و عوامل خاکی در محیط نرم افزار Arc GIS9.3 رقومی گردید. جهت تهیه نقشه حساسیت زمین لغزش از 3 مدل شاخص لغزش، نسبت فراوانی و فاکتور اطمینان استفاده گردید. به منظور ارزیابی مدل از روش منحنی ROC استفاده شد. نتایج بررسی عوامل ایجاد لغزش های کم عمق در این منطقه نشان داد عوامل مربوط به هیدرولوژی خاک نظیر رطوبت خاک، نفوذپذیری خاک و بافت خاک، بیشترین ارتباط را در وقوع این نوع لغزش ها دارند. نتایج ارزیابی مدل نشان داد که نقشه پهنه بندی زمین لغزش با مدل نسبت فراوانی دارای بیشترین دقت و صحت در منطقه مورد مطالعه بوده است.
References
1. Althuwaynee, O., B. Pradhan, and S. Lee, 2012. Application of an evidential belief function model in landslide susceptibility mapping, Computers & Geosciences 44: 120–135.
2. Bayati, M. 2006. The slope of determine potential susceptibility to landslides in mountainous basins, Using determine special agent, Human Sciences MODARES journal, 53(4):29-55
3. Binaghi, E., Luzi, L., Madella, P., Pergalani F., Rampini, A., 1998. Slope instability zonation: a comparison between certainty factor and fuzzy dempster.shafer approaches, Natural Hazards, 17: 77-97.
4. Bui, D. T., B. Pradhan, O. Lofman, I. Revhaug, and O. Dick, 2012. Landslide susceptibility assessment in the HoaBinh province of Vietnam: A comparison of the Levenberg–Marquardt and Bayesian regularized neural networks, Geomorphology, 171-172(1): 12-29.
5. Choi, J., H. Oh, H. Lee, C. Lee, and S. Lee, 2012. Combining landslide susceptibility maps obtained from frequency ratio, logistic regression, and artificial neural network models using ASTER images and GIS, Engineering Geology. 124(1): 12–23.
6. Crosta, G.B., 2004. Introduction to the special issue on rainfall-triggered landslides and debris flows. Engineering Geology 73: 191–192.
7. Dadson, S., Hovius, N., Chen, H., Dade, W.B., Lin, J.C., Hsu, M.L., Lin, C.W., Horng, M.J., Chen, T.C., Miliman, J., Stark, C.P., 2004. Earthquake-triggered increase in sediment delivery from an active mountain belt. Geology 32: 373–376.
8. Ercanoglu. M., Candan. G. P., 2004. Use of fuzzy relation to produce landslide susceptibility map of a landslide prone area(West Black Sea Region, Turkey), Engineering Geology 75: 229-250.
9. Heshmati, M., Shamshuddin, J., Majid, N. M., Ghaituri, M. 2011. Factors affecting
landslides occurrence in agro-ecological zones in the Merek catchment, Iran, Journal of Arid Environments. 75(11): 1072-1082.
10. Ingram, R. L. 1953. Fissility of mudrocks: Geological Society of America, Bulletin 64: 869–878.
11. Jaada, M. 2009. Landslides Hazard Analysis Using Frequency Ratio Model. Universiti Putra Malaysia, Serdang. 181 pp.
12. Keefer, D.K. 1994. The importance of earthquake-induced landslides to long-term slope erosion and slope-failure hazards in seismically active regions. Geology 10:265–284.
13. Kitutu, M.G., Muwanga, A., Poesen, J., Deckers, J.A. 2009. Influence of soil properties on landslide occurrences in Bududa district, Eastern Uganda, African Journal of Agriculture Research, 4(7): 611-620.
14. Marjanovic, M., M.Kovacevic, B. Bajat, and V. Vozenilek. 2011. Landslide susceptibility assessment using SVM machine learning algorithm, Engineering Geology. 123: 225-234.
15. Mohammadi, M., H. Moradi, S. Feiznia, and H. Porghasemi. 2010. Comparison of the Efficiency of Certainty Factor, Information Value and AHP Models in Landslide Hazard Zonation (Case study: Part of Haraz Watershed), Iranian Journal of Natural Resources. 62(4): 539-551.
16. Oh, H.J. and B., Pradhan. 2011. Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area, Computers and Geosciences. 37: 1264-1276.
17. Ohlmacher, G.C. Davis, J.C. 2003. Using multiple logistic regression and GIS
technology to predict landslide hazard in Northeast Kansas, USA, Engineering
Geology, 69: 331-343.
18. Rautela, P., Lakhera, R.C. 2000. Landslide risk analysis between Giri and Ton Rivers in Himalaya (India). International Journal of Applied Earth Observation and Geoinformation 2: 153–160.
19. Van Westen, C. J. 1993. Application of Geographic Information Systems to Landslide Hazard Zonation, Ph-D Dissertation Technical University Delft. ITC Publication Number 15, ITC, Enschede, The Netherlands, 245 pp.
20. Yalcin, A. 2011. A geotechnical study on the landslides in the Trabzon Province, NE, Turkey, Applied clay science, 52: 11-29.
21. Zare, M., H.R., Pourghasemi, M., Vafakhah, , B., Pradhan. 2012. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arabian Journal of Geosciences. http:// dx.doi.org/10.1007/s12517-012-0610-x.
