تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,264,575 |
تعداد دریافت فایل اصل مقاله | 1,896,516 |
پهنهبندی خطر زمینلغزش حوزه آبخیز چریکآباد ارومیه با استفاده از مدلهای AHP و آنتروپی شانون | ||
تحقیقات کاربردی خاک | ||
دوره 10، شماره 3، آذر 1401، صفحه 130-144 اصل مقاله (1.2 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
عبدالعزیز حنیفینیا1؛ حبیب نظرنژاد* 2؛ سعید نجفی3؛ آیدینگ کرنژادی4 | ||
1دانشجوی آبخیزداری، دانشگاه ارومیه | ||
2هیات علمی دانشگاه ارومیه | ||
3منابع طبیعی، آبخیزداری و فرسایش | ||
4دانشآموخته دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
چکیده | ||
شناخت عوامل، شرایط ایجاد و توسعة زمینلغزشها بهمنظور ارزیابی و پهنهبندی خطر وقوع آن، امکان دستیابی به روشهایی که به وسیله آنان بتوان از خطرات و خسارات ناشی از وقوع زمینلغزشها جلوگیری کرد، را فراهم میسازد. هدف از این پژوهش تهیه نقشه پتانسیل خطر زمینلغزش با مدلهای AHP و آنتروپی شانون در حوزه آبخیز چریکآباد ارومیه است. در ابتدا از طریق بازدیدهای میدانی و گوگل ارث، تعداد 95 نقطه لغزشی با استفاده از GPS و تصویر گوگل ارث ثبت شدند. لایههای میانگین بارندگی سالانه، درجه شیب، جهت شیب، طبقات ارتفاعی، کاربری اراضی، سنگشناسی، فاصله از آبراهه، فاصله از جاده، فاصله از گسل، فاصله از روستا و شاخص نرمال شده تفاضل پوششگیاهی (NDVI) بهعنوان عوامل مؤثّر بر وقوع زمینلغزشهای حوضه انتخاب و نقشههای لایههای مذکور در محیط سامانه اطلاعات جغرافیایی تهیه و رقومی گردید. بعد از تلفیق لایههای عوامل مؤثر بر وقوع زمینلغزش، نقشه پتاسیل خطر زمینلغزش برای دو مدل فرایند سلسله مراتبی و آنتروپی شانون تهیه شد. نتایج تهیه نقشههای خطر با استفاده از منحنی مشخصه عملکرد نسبی با سطح زیر منحنی 99 درصد معنیداری نشان داد که هر دو مدل دارای عملکرد خوبی در ارزیابی میباشند. مدل آنتروپی شانون با سطح زیر منحنی 9/87 درصد و عملکرد خیلیخوب نسبت به مدل فرایند سلسله مراتبی با سطح زیر منحنی 6/70 درصد با کلاس عملکرد خوب، دارای دقت بالاتری در تهیه نقشههای مذکور بوده است. بر اساس مدل آنتروپی شانون، 32 درصد از حوضه در کلاسهای خطر بالا و خیلیبالا قرار گرفته است. بدلیل خطر بالای رخداد لغزشها شایسته است اجرای اقدامات تسکینی مورد توجه مسئولین ذیربط قرار گیرد. | ||
کلیدواژهها | ||
خطرات طبیعی؛ سامانه اطلاعات جغرافیایی؛ منحنی مشخصه نسبی سیستم؛ سطح زیر منحنی | ||
مراجع | ||
Abedini M., and Tulabi S. 2018. Assessing LNRF, FR, and AHP models in landslide susceptibility mapping index: a comparative study of Nojian watershed in Lorestan province, Iran. Environmental earth sciences, 77(11): 405- 418.
Amir Ahmadi A., Naemi Tabar M., and Gholkar ostadi B. 2017. Prioritize and zoning factors affecting the landslide model entropy (Case study: Bajgiran, Ghochan. Hydrogeomorphology, 3(11): 105-125. (In Persian)
Ariapour M., Bashiri M., and Golkarian A. 2019. Modeling of Mass Movements Using Data Mining Methods in the Southeast of Neyshabur City, Razavi Khorasan Province. Hydrogeomorphology, 5(19): 57-77. (In Persian)
Basu S.R., and Ghatowar L. 1988. Landslides in the Lish Basin of the eastern Himalayas and their control. Geomorphology and Environment. Allababad Geographical Society, Allahabad: 428-443.
Capitani M., Ribolini A., and Federici P.R. 2011. Influence of deep-seated gravitational slope deformations on landslide distributions: a statistical approach. Geomorphology, 201: 127-134.
Chen, W., Zhang, S., Li, R., & Shahabi, H. 2018. Performance evaluation of the GIS-based data mining techniques of best-first decision tree, random forest, and naïve Bayes tree for landslide susceptibility modeling. Science of the Total Environment, 644: 1006-1018.
Gholami M., soleymani K., and Nekoee E. 2017. Landslide susceptibility mapping by use of Weight of Evidence (WofE) and Frequency Ratio (FR) and Dempster-Shafer (DSH) models: A case study of Sari-Kiasar region, Northern Iran. Journal of Range and Watershed Management, 70(3): 735-750 (In Persian)
Guha-Sapir D., Below R., and Hoyois P. 2020. EM-DAT: international disaster database. Brussels, Belgium: Université Catholique de Louvain.
HatamiFard R., Mousavi S., and Alimoradi M. 2012. Landslide hazard zonation using AHP model and GIS technique in Khoram Abad City. Geography and Environmental Planning, 23(3): 43-60. (In Persian)
Kornejady A., Ownegh M., and Bahremand, A. 2017. Landslide susceptibility assessment using maximum entropy model with two different data sampling methods. Catena, 152: 144-162.
Lau NN. 2018. Determination of ground displacement of 25 April 2015 Nepal earthquake by GNSS precise point positioning Vietnam. J. Earth. Sci, 40:17–25.
Pham BT., Jaafari A., Prakash I., and Bui, DT. 2019. A novel hybrid intelligent model of support vector machines and the Multiboot ensemble for landslide susceptibility modeling. Bulletin of Engineering Geology and the Environment, 78(4): 2865-2886.
Pourghasemi HR., Moradi HR., and Aghda SF. 2013. Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances. Natural hazards, 69(1): 749-779.
Pradhan B. 2013. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Computers & Geosciences, 51: 350-365.
Regmi NR., Giardino JR., Vitek JD., and Dangol V. 2010. Mapping landslide hazards in western Nepal: Comparing qualitative and quantitative approaches. Environmental & Engineering Geoscience, 16(2), 127-142.
Samodra G., Chen G., Sartohadi J., and Kasama K. 2018. Generating landslide inventory by participatory mapping: an example in Purwosari Area, Yogyakarta, Java. Geomorphology, 30(6): 306-313.
Sharma L.P., Patel N., Ghose M.K., and Debnath, P. 2012. Influence of Shannon’s entropy on landslide-causing parameters for vulnerability study and zonation—a case study in Sikkim, India. Arabian Journal of Geosciences,5(5): 421-431.
Song Y., Gong J., Gao S., Wang D., Cui T., Li Y., and Wei B., 2012. Susceptibility assessment of earthquake-induced landslides using Bayesian network: a case study in Beichuan, China. Computers & Geosciences, 42: 189-199.
Tay L.T., Lateh H., Hossain M.K., and Kamil A.A. 2014. Landslide hazard mapping using a Poisson distribution: a case study in Penang Island, Malaysia. In Landslide Science for a Safer Geoenvironment. Springer, Cham. (521-525 pp.).
Wang H.B., Li J.M., Zhou B., Zhou Y., Yuan Z.Q., and Chen Y.P. 2017. Application of a hybrid model of neural networks and genetic algorithms to evaluate landslide susceptibility. Geoenvironmental Disasters, 4)15(: 1-12.
Wang Q., Li W., Wu Y., Pei Y., and Xie P. 2016. Application of statistical index and index of entropy methods to landslide susceptibility assessment in Gongliu (Xinjiang, China). Environmental Earth Sciences, 75(7): 1-13.
Yalcin A. 2011. A geotechnical study on the landslides in the Trabzon Province, NE, Turkey. Applied clay science, 52: 11-29.
Yufeng S., and Fengxiang J. 2009. Landslide stability analysis based on generalized information entropy in 2009. international conference on environmental science and information application technology, 2: 83-85. IEEE.
Zhang TY., Han L., Zhang H., Zhao YH., Li XA., and Zhao L. 2019. GIS-based landslide susceptibility mapping using hybrid integration approaches of fractal dimension with index of entropy and support vector machine. Journal of Mountain Science, 16(6): 1275-1288.
Zhao H., Yao L., Mei G., Liu T., and Ning Y. 2017. A fuzzy comprehensive evaluation method based on AHP and entropy for a landslide susceptibility map. Entropy, 19(8):1-16.
Zhuang J., Peng J., Wang G., Javed I., Wang Y., and Li W. 2018. Distribution and characteristics of landslide in Loess Plateau: A case study in Shaanxi province. Engineering Geology, 236: 89-96. | ||
آمار تعداد مشاهده مقاله: 1,209 تعداد دریافت فایل اصل مقاله: 904 |