
تعداد نشریات | 26 |
تعداد شمارهها | 407 |
تعداد مقالات | 3,561 |
تعداد مشاهده مقاله | 5,540,771 |
تعداد دریافت فایل اصل مقاله | 3,787,654 |
شناسایی عوامل موثر و پهنهبندی خطر زمینلغزش با استفاده از روش حداکثر آنتروپی (مطالعه موردی: حوزه آبخیز چالوس) | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 16، دوره 5، شماره 1، 1404، صفحه 247-264 اصل مقاله (2.42 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2024.14799.1436 | ||
نویسندگان | ||
محمدرضا مهرپویا* 1؛ محمد حسین قویمی پناه2 | ||
1استادیار، گروه مخاطرات زیستمحیطی، پژوهشکدة سوانح طبیعی، تهران، ایران | ||
2دانشآموخته دکتری، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران. | ||
چکیده | ||
زمینلغزشها یکی از مخربترین نوع حرکات و ناپایداریهای دامنهای هستند که همواره موجب فرسایش خاک، تولید رسوب، از بین بردن زمینهای زراعی، باغی و جادهها میشوند. همچنین باعث خسارات جانی و مالی قابل توجهی در نقاط مختلف جهان به ویژه در کشور ایران به دلیل دارا بودن شرایط خاص ساختار زمینشناسی و زمینریختشناسی میشود؛ به همین منظور در این پژوهش به پهنهبندی خطر زمینلغزش با استفاده از روش حداکثر آنتروپی در حوزه آبخیز چالوس استان مازندران پرداخته شد. جهت شناسایی مهمترین متغیرهای تأثیرگذار و تعیین اهمیت نسبی هریک از عوامل مؤثر بر شناسایی مناطق زمینلغزش و تحلیل حساسیت مدل، از الگوریتم حداکثر آنتروپی به کمک نرمافزارMaxEnt استفاده شد؛ سپس به منظور ارزیابی مدل از منحنی ROC استفاده شد و سطح زیر نمودار AUC بدست آمده به عنوان معیاری از قدرت تفکیک مدل در تشخیص نقاط حضور و عدم حضور مورد توجه قرار گرفت؛ در نهایت بر اساس عوامل مؤثر، با استفاده از نرمافزار Arc Gis10.8 نقشه پهنهبندی خطر وقوع زمین لغزش در حوزه آبخیز چالوس تهیه شد. بر اساس نتایج حاصل از مدل، عاملهای بارندگی، خاکشناسی، واحدهای زمینشناسی، درصد شیب، کاربری اراضی و فاصله از رودخانه به ترتیب مؤثرترین عوامل در بروز زمین لغزش در منطقه مورد مطالعه معرفی شدند. مقدار AUC برای اعتبارسنجی پهنه لغزشی 73/0 به دست آمد که نشاندهنده شناسایی و مدلسازی قابل قبول زمین لغزش توسط مدل در منطقه مورد مطالعه بود. طبق نتایج به دست آمده از پژوهش حاضر طبقات خطر کم، نسبتاً کم، متوسط، نسبتاً زیاد و زیاد به ترتیب 29/13، 57/18، 73/23، 90/35 و 49/8 درصد از محدوده مورد مطالعه را به خود اختصاص دادند که این مهم نشان دهنده پتانسیل بالای منطقه جهت ایجاد زمین لغزش است؛ لذا با توجه به نتایج حاصل از این پژوهش، براساس عوامل مؤثر شناسایی شده، در مناطق دارای اولویت با راهکاری مناسب و تحلیل مسائل مدیریتی میتوان جهت ارتقای سطح مدیریت حوزههای آبخیز و حفاظت خاک و آب برنامهریزی نموده و خسارات ناشی از زمین لغزش را کاهش داد. | ||
کلیدواژهها | ||
حرکت تودهای؛ مکسنت؛ ریسک زمینلغزش؛ فرسایش خاک | ||
مراجع | ||
منابع
اسدی نلیوان، امید، رحمانی، مجید، وکیلی تجره، فرزانه و بیات، اصغر (1403). اولویتبندی عوامل و پهنهبندی حساسیت وقوع زمینلغزش در حوزة آبخیز سد کرج. مهندسی و مدیریت آبخیز، 16(1)، 1-15.
doi: 10.22092/ijwmse.2023.357778.1960
شیرانی، کورش و عرب عامری، علیرضا (1394). پهنهبندی خطر وقوع زمینلغزش با استفاده از روش رگرسیون لجستیک، مطالعه موردی: حوزه دز علیا. علوم آب و خاک، 72، 334-321. doi:10.18869/acadpub.jstnar.19.72.27
صدیقی، حدیثه، قاسمی، احمدرضا. 1402. مدلسازی خطر وقوع زمینلغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهار محال و بختیاری). پژوهشهای دانش زمین، 14، 42-60. doi: 10.48308/esrj.2023.104053
قویمیپناه، محمدحسین، خالدی درویشان، عبدالواحد و قویمیپناه، محمدرضا (1396). صحتسنجی روشهای تحلیل سلسله مراتبی (AHP) و رگرسیون چند متغیره (MR) در پهنهبندی زمینلغزش، مطالعه موردی: حوزة آبخیز ولیعصر، استان اردبیل، اکوهیدرولوژی، 4(3)، 789-775.
doi: 10.22059/ije.2017.62626
متولی، علیرضا، طالبی، علی، صفایی، مهرداد و اختصاصی، محمدرضا (1396). بررسی کارایی دو مدل پایه فیزیکی SINMAP و SHALSTAB در پهنهبندی خطر وقوع زمینلغزش، مطالعه موردی: محدودة منطقه چهاردانگه، استان مازندران. مرتع و آبخیزداری (منابع طبیعی ایران)، 70(1)، 207-218. doi: 10.22059/jrwm.2017.61977
موسوی، سیده معصومه.، رضایی مقدم، محمدحسین.، رجبی، معصومه (1401). پهنهبندی خطر وقوع زمینلغزش در حوضهآبریز رودخانه زرد با استفاده از منطق فازی. هیدروژئومورفولوژی،3 (9)، 25-48.
References Al-Rawabdeh, A., He, F., Moussa, A., El-Sheimy, N., & Habib, A. (2016). Using an unmanned aerial vehicle-based digital imaging system to derive a 3D point cloud for landslide scarp recognition. Remote Sensing, 8(2), 95. doi: 10.3390/rs8020095 Asadi Nalivan, O., Rahmani, M., Vakili tajareh, F. & Bayat, A. (2024). Prioritization of factors and zoning susceptibility of landslide in Karaj Dam Watershed. Watershed Engineering and Management, 16(1), 1-15. doi: 10.22092/ijwmse.2023.357778.1960. [In Persian] Cakoglu, F., Gokceoglu, C., & Ercanoglu, M. (2002). Dynamics of a complex mass movement triggered by heavy rainfall: a case study from NW Turkey. Geomorphology, 42(3), 329-341. doi: 10.1016/S0169-555X(01)00094-7 Ghavimipanah, M. H., Khaledi Darvishan, A. & Ghavimipanah, M. R. (2017). Verification methods of Analytical Hierarchy Process (AHP) and Multivariate Regression (MR) in landslide zoning (Case Study: Valiasr Watershed in Ardabil Province). Journal of Ecohydrology, 4(3), 775-789. doi: 10.22059/ije.2017.62626. [In Persian] Girma, F., Raghuvanshi, T.K., Ayenew, T., Hailemariam, T. (2015). Landslide hazard zonation in Ada Berga District, Central Ethiopia a GIS based statistical approach. Journal of Geomatics 90, 25–38. doi: 10.1007/s11069-014-1128-0 Goetz, J. N., Guthrie, R. H., & Brenning, A. (2011). Integrating physical and empirical landslide susceptibility models using generalized additive models. Geomorphology, 129, 376-386. DOI: 10.1016/j.geomorph.2011.02.024 Greco, R., Sorriso, Valvo. And Catalano, E. (2007). Logistic regression analysis in the evaluation of mass movement's susceptibility case study: Calabria, Italy. Engineering geology, 89, 47-66. doi: 10.1016/j.enggeo.2006.10.004 Li, R., Huang, S., & Dou, H. (2023). Dynamic risk assessment of landslide hazard for large-scale photovoltaic power plants under extreme rainfall conditions. Water, 15(15), 2832. doi: 10.3390/w15152832 Motevali, A., Talebi, A., Safaei, M., & Ekhtesasi, M. (2017). Investigation of the efficiency of SINMAP and SHALSTAB Physically-based Models for landslide hazard zonation (Case Study: Chahar Donge region, Mazandaran Province). Journal of Range and Watershed Managment, 70(1), 207-218. doi: 10.22059/jrwm.2017.61977. [In Persian] Mousavi, S. M., Rezaei Moghaddam, M. H. & rajabi, M. (2022). Landslide Hazard Zoning in the Yellow River Basin Using Fuzzy Logic. Hydrogeomorphology, 9(30), 48-25. doi: 10.22034/hyd.2021.43189.1560. [In Persian] Nahayo, L., Mupenzi, C., Habiyaremye, G., Kalisa, E., Udahogora, M., Nzabarinda, V., & Li, L. (2019). Landslides hazard mapping in Rwanda using bivariate statistical index method. Environmental Engineering Science, 36(8), 892-902. doi: 10.1089/ees.2018.0469 Nampak, H., Pradhan, B., & Manap, M. A. (2014). Application of GIS based data driven evidential belief function model to predict groundwater potential zonation. Hydrology, 513, 283-300. doi: 10.1016/j.jhydrol.2014.02.053 Nefeslioglu, H.A., Duman, T.Y., & Durmaz, S. (2008). Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey). Geomorphology, 94, 401-418. doi: 10.1016/j.geomorph.2006.10.039 Ocakoglu, F., Gokceoglu, C., & Ercanoglu, M. (2002). Dynamics of a complex mass movement triggered by heavy rainfall: a case study from NW Turkey. Geomorphology, 42(3-4), 329-341. doi:10.1016/S0169-555X(01)00094-0 Peng, L., Niu, R., Huang, B., Wu, X., Zhao, Y., & Ye, R. (2014). Landslide susceptibility mapping based on rough set theory and support vector machines: A case of the Three Gorges area, China. Geomorphology, 204, 287-301. doi: 10.1016/j.geomorph.2013.08.013 Pourghasemi, H. R., & Kerle, N. (2016). Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environmental Earth Sciences, 75(3), 185. doi: 10.1007/s12665-015-4892-7 Pourghasemi, H. R., Mohammady, M., & Pradhan, B. (2012). Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran. Catena, 97, 71-84. doi: 10.1016/j.catena.2012.05.005 Ram, P., & Gupta, V. (2022). Landslide hazard, vulnerability, and risk assessment (HVRA), Mussoorie Township, Lesser Himalaya, India. Environment, Development and Sustainability, 1-29. doi: 10.1007/s10668-022-02443-4 Roslee, R. (2017). Landslide susceptibility analysis (LSA) using deterministic model (Infinite Slope) (DESSISM) in the Kota Kinabalu Area, Sabah, Malaysia, Geological Behavior, 1(1), 6-9. doi: 10.26480/gbr.01.2017.06.09 Seddighi, H., & Ghasemi, A. R. (2023). Landslide risk modeling using logistics regression model (Case study: Chaharmahal and Bakhtiari province). Researches in Earth Sciences, 14(4), 42-60. doi: 10.48308/esrj.2023.104053. [In Persian] Shirani K, Arabameri A R. (2015). Landslide Hazard Zonation Using Logistic Regression Method (Case Study:Dez-e-Oulia Basin). Journal of Water and Soil Science; 72: 321-335. doi:10.18869/acadpub.jstnar.19.72.27. [In Persian] Tarboton, D. G. (1997). A new method for the determination of flow directions and upslope areas in grid digital elevation models. Water ResourcesResearch, 33(2), 309-319. doi.org/10.1029/96WR03137 Versain, L. D., Banshtu, R. S., & Pandey, D. D. (2019). Comparative evaluation of GIS based landslide hazard zonation maps using different approaches. Geological Society of India, 93(6), 684-692. doi: 10.1007/s12594-019-1142-7 Vieira, B. C., Fernandes, N. F., Augusto Filho, O., Martins, T. D., & Montgomery, D. R. (2018). Assessing shallow landslide hazards using the TRIGRS and SHALSTAB models, Serra do Mar, Brazil. Environmental Earth Sciences, 77(6), 1-15. doi: 10.1007/s12665-018-7429-6 Youssef, A. M., Pourghasemi, H. R., El-Haddad, B. A., & Dhahry, B. K. (2016). Landslide susceptibility maps using different probabilistic and bivariate statistical models and comparison of their performance at Wadi Itwad Basin, Asir Region, Saudi Arabia. Bulletin of Engineering Geology and the Environment, 75(1), 63-87. doi: 10.1007/s10064-015-0780-0 Zhang, Y., Deng, L., Han, Y., Sun, Y., Zang, Y., & Zhou, M. (2023). Landslide hazard assessment in highway areas of Guangxi Using Remote Sensing Data and a Pre-Trained XGBoost Model. Remote Sensing, 15(13), 3350. doi: 10.3390/rs15133350 | ||
آمار تعداد مشاهده مقاله: 400 تعداد دریافت فایل اصل مقاله: 159 |