ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از روش‌های OWA و ANN (مطالعه‌ی موردی: شهرستان پاوه)

اصغری سراسکانرود, صیاد; امامی, راشد; پیروزی, الناز

doi:10.22111/jneh.2021.33729.1645

ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از روش‌های OWA و ANN (مطالعه‌ی موردی: شهرستان پاوه)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشیار ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی

² کارشناس ارشد سنجش ‌از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی

³ دانشجوی دکتری ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی

10.22111/jneh.2021.33729.1645

چکیده

شهرستان پاوه به دلیل ویژگی‌های خاص زمین‌شناسی، ژئومورفولوژیکی و فعالیت‌‌های آنتروپیک (انسانی)، مدت زیادی است که از نظر زمین‌‌لغزش تحت تأثیر قرارگرفته است. هدف این پژوهش، پهنه‌بندی خطر زمین‌لغزش و ارتباط آن‌‌ها با عوامل مؤثر بر وقوع آن و مقایسه مدل (ANN)، با روش (OWA)، جهت ارزیابی خطر زمین‌‌لغزش در شهرستان پاوه است. بدین ‌جهت ابتدا موقعیت زمین‌لغزش‌های رخداده در منطقه با استفاده از بازدید‌های میدانی شناسایی شدند و نقشه‌های عوامل تأثیر‌گذار بر وقوع زمین‌‌لغزش شامل (لیتولوژی، شیب، جهت شیب، طبقات ارتفاعی، بارش، کاربری اراضی، فاصله از آبراهه، فاصله از جاده، فاصله از گسل، خاک) در محیط GIS، تهیه گردید. در راستای انجام مدل OWA، وزن‌دهی با استفاده از روش کرتیک، ارزش‌گذاری و استاندارد‌سازی نقشه‌های معیار، به صورت توأم با استفاده از روش فازی انجام گرفت. به منظور انجام مدل شبکه عصبی مصنوعی، از نرم‌‌افزار MATLAB، استفاده شد و هر یک از پارامتر‌های شبکه عصبی مصنوعی، با روش سعی و خطا، تعیین شده است. سپس با ساختار نهایی شبکه دارای 8 نرون در لایه ورودی، 13 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. با توجه به نتایج مطالعه عوامل شیب، کاربری اراضی، لیتولوژی و خاک، به ترتیب با ضریب وزنی؛ 156/0، 143/0، 139/0 و 131/0، بیشترین اهمیت را دریافت کردند. با توجه به خروجی مدل OWA، به ترتیب 53/15 و 64/26 درصد از منطقه در دو طبقه بسیار پرخطر و پرخطر قرار دارند و با توجه به خروجی شبکه‌ی عصبی 88/19 و 82/29 درصد از منطقه در طبقه بسیار پرخطر و پرخطر واقع شده است. مناطق بسیار پرخطر و پرخطر، به‌طور عمده در شیب 15-30 درصد، کاربری زراعی، سازند‌های نا‌مقاوم و سست کواترنری و در خاک‌‌هایی با درصد زیاد رس و سیلت و مارن قرار دارند. در نهایت، با مقایسه‌ی دو روش، مشخص گردید که مدل OWA، دارای دقت بالاتری نسبت به روش ANN بوده است.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Evaluation and zonation of Landslide hazard with using OWA and ANN methods (case study: Paveh Township)

نویسندگان [English]

Sayyad Asghari Saraskanrood ¹
Rashed Emami ²
Elnaz Piroozi ³

¹ Associate professor of Geomorghology, University of Mohaghegh Ardabili, Iran

² MS.c in RS and GIS, University of Mohaghegh Ardabili, Iran

³ PhD Student of Geomorghology, University of Mohaghegh, Iran

چکیده [English]

Paveh Township has long been affected by landslides due to specific geological and geomorphologic features and anthropic activities. This study aimed to map landslide risk and its relationship with factors affecting their occurrence and compare the ANN model with (OWA) method to assess landslide risk in Paveh Township. Therefore, landslides in the area were first identified using extensive field surveys. Maps of factors affecting landslide occurrence (lithology, slope, slope direction, elevation, precipitation, land use, distance from the waterway, distance from the road, distance from the fault, soil) in GIS software then extract the relevant layers Was done. To perform the OWA model, weighting was performed by the fuzzy method using the Critical and Evaluation and Standardization of benchmark maps and to perform an artificial neural network (MATLAB) software. Each neural network parameter was determined by trial and error method. Then with the final structure of the network with 8 neurons in the input layer, 13 neurons in the hidden layer, and 1 neuron in the output layer. According to the results of the study of slope factors, land use, lithology, and soil, respectively, by weight factor; 0.156, 0.143, 0.139, and 0.131, received the most importance. Which according to the model output (OWA) was 15.53 and 26.64%, respectively, in two very high and high-risk classes, respectively. Due to the output of the neural network 19.88% and 29.82% of the area is located on the high-risk floor. Very high-risk and high-risk areas are mainly located in 15-30% slope, agricultural use, unbearable and weak quaternary structures, and in soils with a high percentage of clay, silt, and marl. The two models were compared and the OWA model had higher accuracy.

کلیدواژه‌ها [English]

Zonation
Landslide
OWA
ANN
Paveh Township

مراجع

احمدی، حسن، (1390)؛ ژئومورفولوژی کاربردی، جلد اول، فرسایش آبی، چاپ هفتم، انتشارات دانشگاه تهران، 714 صفحه.

آشور، حدیثه، (1390)؛ بررسی و تحلیل تناسب و جاذبه‌های شهرک صنعتی آمل در مکان‌گزینی واحدهای صنعتی (صنایع کوچک و متوسّط)، پایاننامه کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری و روستایی، دانشگاه محقق اردبیلی، اردبیل.

آقاجانی، حسین، رهنما، محمدرحیم، فتاحی، مهدی، (1391)؛ مکانیابی دفن زباله با ترکیب روش میانگینگیری وزندار ترتیبی (OWA) و GIS در مشهد، جغرافیا و مخاطرات محیطی، شماره 3، صص: 105- 87. 10.22067/geo.v1i3.16943

انتظاری، مژگان، خدادادی، فاطمه، ساسانپور، فرزانه، (1398)؛ تحلیل و پهنهبندی مخاطرات ژئومورفولوژیک (لغزش و سیل) استان البرز با استفاده از مدلهای AHP-VIKOR و FR، پژوهشهای جغرافیای طبیعی، دوره 51، شماره 1، صص: 199-183. 10.22059/jphgr.2019.261347.1007250

بهاروند، سیامک، سوری، سلمان، (1394)؛ پهنهبندی خطر زمینلغزش با استفاده از روش شبکه عصبی مصنوعی (مطالعة موردی: حوزه سپید دشت، لرستان)، سنجش از دور و سامانه اطلاعات جغرافیایی، سال 6، شماره 4، صص: 31-15. http://girs.iaubushehr.ac.ir/article_518870.html

حسینی، عطااله، دلجویی، آزاده، صادقی، محمدمعین، (1395)؛ ارزیابی روشهای مختلف پهنهبندی خطر وقوع زمینلغزش در اکوسیستمهای جنگلی، ترویج و توسعه آبخیزداری، سال 4، شماره 13، صص: 14-7. http://wmji.ir/fa/ManuscriptDetail?mid=5433

خامه‌چیان، ماشاالله، راکعی، بابک، عبدالملکی پرویز، گیاهچی پانتهآ، (1386)؛ کاربرد سیستم شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مطالعه موردی: ناحیه سفیدار گله در استان سمنان، مجله علوم دانشگاه تهران، 33(1)، صص: 57-64. https://journals.ut.ac.ir/article_27051.html

خسروی، محسن، جمالی، علیاکبر، (1397)؛ پیش‌بینی روند تغییرات زمین‌لغزش منطقه شمال قوچان با توجه به عوامل مؤثر بر لغزش به روش شبکه عصبی، اتوماتای سلولی- مارکوف و رگرسیون لجستیک، جغرافیا و مخاطرات محیطی، سال 7، شماره 27، صص: 17-1. 10.22067/geo.v0i0.71520

رجایی، عبدالحمید. (1382)؛ کاربرد جغرافیای طبیعی در برنامهریزی شهری و روستایی، چاپ اول، انتشارات سمت، 406 صفحه.

روزبهانی، حبیبه، ایلدرمی، علیرضا، دشتی، مریم، (1389)؛ بررسی عوامل وقوع حرکات تودهای با مدل INRF (مطالعهی موردی؛ حوضه سد کلان ملایر)، همایش کاربرد جغرافیای طبیعی در برنامهریزی محیطی، دانشگاه آزاد اسلامی خرم آباد، صص: 101. https://civilica.com/doc/117937/

سایت باشگاه خبرنگاران جوان، (1398). https://www.yjc.ir

سایت خبری سلام پاوه، (1395). http://www.salampaveh.ir

سلمان ماهینی، عبدالرسول، ریاضی، برهان، نعیمی، بابک، بابایی کفکایی، ساسان، جوادی لاریجانی، عظیمه، (1387)؛ ارزیابی توان طبیعت‌گردی شهرستان بهشهر بر مبنای روش ارزیابی چند معیاره با استفاده از سیستم اطّلاعات جغرافیایی، علوم و تکنولوژی محیط‌زیست، 11 (1)، صص: 189-178. https://www.sid.ir/fa/Journal/ViewPaper.aspx?ID=144039

شادفر، صمد، یمانی، جنبی، (1386)؛ پهنه‌بندی خطر زمین‌لغزش در حوضه آبخیز جلیسان با استفاده از مدل LNRF. پژوهش‌های جغرافیایی، شماره 62، صص: 23-11. https://journals.ut.ac.ir/article_19186.html

عابدی قشلاقی، حسن، (1394)؛ کاربرد تکنیک‏های سنجش ‌از دور و GIS در ارزیابی حساسیت زمین‌لغزش مطالعه موردی: حوضه آذرشهرچای، پایان‌نامه کارشناسی ارشد، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز، تبریز.

عابدی قشلاقی، حسن، ولیزاده کامران، خلیل، رجبی، معصومه، (1395)؛ ارزیابی و پهنهبندی خطر زمینلغزش با استفاده از تحلیل شبکه و شبکه عصبی مصنوعی (مطالعه موردی: حوضه آذرشهرچای)، پژوهشهای ژئومورفولوژی کمی، سال پنجم، شماره 1، صص: 74-60. http://www.geomorphologyjournal.ir/article_78031.html

فاطمی، باقر، رضایی، یوسف، (1393)؛ انتشارات آزاده، چاپ سوم، تهران، 296 صفحه.

کورکینژاد، مسعود، (1384)؛ پهنهبندی خطر زمینلغزش، مجله زمینشناسی، (3) 10، صص:30-24.

محمدی مطلق، احمد (1394)؛ افزایش ناپایداری دامنه ها در پاوه، تاریخ دسترسی، 21 دی 1394. http://tapo.blogfa.com

مددی، عقیل، پیروزی، الناز، شکرزاده فرد، الهام. (1397)؛ پهنهبندی خطر زمینلغزش در حوضهی آبخیز آقلاقانچای، با استفاده از مدل ELECTRE، فصلنامه‌ی فضای جغرافیایی، سال هجدهم، شماره 64، صص: 199-177. http://geographical-space.iau-ahar.ac.ir/article-1-2048-fa.html

مرادی، نادر، (1396)؛ پهنهبندی مناطق مستعد لغزش با استفاده از مدل فازی (مطالعه موردی: شهرستان پاوه)، سومین کنفرانس ملی جغرافیا و برنامه ریزی، معماری و شهرسازی نوین، قم، صص: 9-1. https://civilica.com/doc/739379/

مقیمی، ابراهیم، یمانی، مجتبی، رحیمی، سعید، (1392)؛ ارزیابی و پهنه‌بندی خطر زمین‌لغزش در شهر رودبار با استفاده از فرآیند تحلیل شبکه‌ای، پژوهش‌های ژئومورفولوژی کمی، شماره ۴، صص: 118-103.

http://www.geomorphologyjournal.ir/article_77893.html

منهاج، محمد باقر، (1381). مبانی شبکههای عصبی، انتشارات صنعتی امیرکبیر پلیتکنیک تهران، 715 صفحه.

میرآبادی، مصطفی، هاشمی، هدایت، امینی، جمال، (1396)؛ کاربرد مدل AHP و روش میانگینگیری وزندار ترتیبی (OWA) در مکانیابی محل دفن مواد زاید شهرستان بوکان با استفاده از Arc GIS و IDRISI، فضای جغرافیایی، جلد 17، شماره 60، صص: 54-39. http://geographical-space.iau-ahar.ac.ir/article-1-1431-fa.html

Abedi Gheshlaghi, H., Feizizadeh, B. (2017); An integrated approach of analytical network process and fuzzy-based spatial decision making systems applied to landslide risk mapping, Journal of African Earth Sciences, 133: 15-24. https://doi.org/10.1016/j.jafrearsci.2017.05.007

Anbalagan, R., Kumar, R., Lakshmanan, K., Parida, S., Sasidharan, N. (2015); Landslide hazard zonation mapping using frequency ratio and fuzzy logic approach, a case study of Lachung Valley, Sikkim, Geoenvironmental Disasters, 2 (6): 1-17. https://doi.org/10.1186/s40677-014-0009-y

Bchari, F.E., Theilen-Willige, B., Ait Malek, H. (2019); Landslide hazard zonation assessment using GIS analysis at the coastal area of Safi (Morocco), Proceedings of the International Cartographic Association, 2, 29th International Cartographic Conference (ICC 2019), 15–20 July 2019, Tokyo, Japan: 1-7. 10.5194/ica-proc-2-24-2019

Bragagnolo, L., daSilva, R.V., Grzybowsk, J.M.V. (2020); Artificial neural network ensembles applied to the mapping of landslide susceptibility, CATENA, Vol 184, 10424: 1-19. https://doi.org/10.1016/j.catena.2019.104240

Caniani D., Pascale S., Sdao F., Sole A. (2008); Neural networks and landslide susceptibility: a case study of the urban area of Potenza, Natural Hazards, 45:55–72. https://doi.org/10.1007/s11069-007-9169-3

Colkesen, I., 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: 53-64. https://doi.org/10.1016/j.jafrearsci.2016.02.019

Crosta, B. G. (2009); Dating, triggering, modeling, and hazard assessment of large landslides, Geomorphology, Vol 103: 1-4. DOI: 10.1016/j.geomorph.2008.04.007

Dai, F. C., Lee, C. F. (2002); Landslide Characteristics and Slope in Stability Modeling using GIS Lantau Island Hong Kong. Geomorphology, 42: 213-228. DOI: 10.1016/S0169-555X(01)00087-3

Diakoulaki, D.; Mavrotas, G., & Papayannakis, L. (1995); Determining objective weights in multiple criteria problems: The critic method, Computers and Operations Research, 22 (7): 763-770. https://doi.org/10.1016/0305-0548(94)00059-H

Gigovic, L., Drobnjak, S., Pamucar, D. (2019); The Application of the Hybrid GIS Spatial Multi-Criteria Decision Analysis Best–Worst Methodology for Landslide Susceptibility Mapping, International Jornal of Geo-Information, 8 (79): 1-29. DOI: 10.3390/ijgi8020079

Gomez, H., Kavzoglu, T. (2005); Assessment of shallow landslide susceptibility using the artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, Graupe, Daniel, Principles of artificial neural network, 78: 11-27. https://doi.org/10.1016/j.enggeo.2004.10.004

Haque, U., Paula, F. d., Silva Graziella, Devoli., Pilz, J., Zhao, B., Khaloua, A., Wilopoi, W., Andersen, P., Luk, P., Lee, J., Yamamoto, T., Keellings, D. Wuo, J.H. (2019); The human cost of global warming: Deadly landslides and their triggers (1995–2014), Science of The Total Environment, Vol 682: 673-684. https://doi.org/10.1016/j.scitotenv.2019.03.415

Highland, L., Bobrowsky, P. T. (2008); The landslide handbook: a guide to understanding landslides. VA, USA: US Geological Survey Reston. http://pubs.usgs.gov/circ/1325/pdf/C1325_508.pdf

Kerekes, A., Poszet, S., Gal, A. (2018); Landslide susceptibility assessment using the maximum entropy model in a sector of the Cluj–Napoca Municipality, Romania. Revista de geomorphologic (2018) 20: 130-146. DOI: 10.21094/rg.2018.039

Rossi, M., Guzzetti, F., Salvati, P., Donnini, M., Napolitano, E., Bianchi, C. (2019); A predictive model of societal landslide risk in Italy, Earth-Science Reviews Volu 196, 102849: pp 1-19. https://doi.org/10.1016/j.earscirev.2019.04.021

Tajudin, N., Yaacob, N., mohdali, D., Adnan, N. (2018); Rainfall – landslide potential mapping using remote sensing and GIS at Ulu Kelang, Selangor, Malaysia, Conference Series Earth and Environmental Science 169(1):1-8. DOI: 10.1088/1755-1315/169/1/012080

Tanyas, H., Lombardo, L. (2019); Variation in the landslide-affected area under the control of ground motion and topography, Engineering Geology, Vol 260: pp 1-13. https://doi.org/10.1016/j.enggeo.2019.105229

Yilmaz, I. (2009); A case study from Koyulhisar (Sivas-Turkey) for landslide susceptibility mapping by artificial neural networks. Bulletin of Engineering Geology and the Environment, 68(3), 297-306. https://doi.org/10.1007/s10064-009-0185-2