مقایسه سه روش فرآیند تحلیل سلسله مراتبی فازی، شبکه عصبی مصنوعی و تراکم سطح در ارزیابی کمی و پهنه بندی حساسیت‏ پذیری زمین لغزش در محیط GIS (مطالعه موردی: حوزه آبخیز سیمره هومیان)

جغرافیا و مخاطرات محیطی

مقاله 2، دوره 7، شماره 3 - شماره پیاپی 27، مهر 1397، صفحه 19-40   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v0i0.67234

نویسندگان

محسن بختیاری¹؛ زینت گومه^{* 2}؛ هادی معماریان³

¹تهران

²دانشگاه تهران

³بیرجند

چکیده

پهنه ­بندی حساسیت‏ پذیری زمین ­لغزش به‌عنوان تقسیم ­بندی زمین، برحسب درجۀ حساسیت ‏پذیری واقعی یا بالقوۀ زمین ­لغزش می‌تواند در مدیریت کارآمد بحران یاری دهنده باشد؛ اما ماهیت نامشخص متغیرهای لازم جهت بررسی، تأثیر متفاوت هر متغیر و عدم امکان تعیین مرزهای دقیق نواحی آسیب ‌پذیر، موجب عدم قطعیت در نقشه‌های آسیب‌پذیری می‏گردد. استفاده از فن‏آوری‏های نوین مانند GIS و الگوریتم‏های هوش محاسباتی می‌توانند در تهیه نقشه‌های دقیق‏تر پهنه ‌بندی زمین‌ لغزش مفید واقع گردند. در این مطالعه با هدف پهنه‌ بندی حساسیت ‏پذیری زمین ‌لغزش در حوزه آبخیز سیمره هومیان، به دلیل وقوع زمین‌ لغزش­های متعدد در این منطقه، به مقایسه سه روش فرآیند تحلیل سلسله مراتبی فازی ([1]FAHP)، شبکه عصبی مصنوعی و تراکم سطح بر اساس معیارهای مختلفی ازجمله ‏توپوگرافی، پوشش گیاهی، رطوبت نسبی، عمق گسیختگی خاک، فاصله از رودخانه، گسل و جاده و رده مقاومتی زمین پرداخته شده است. بر اساس نتایج به‌ دست ‌آمده نواحی شمالی محدوده مطالعاتی مستعد وقوع حرکات دامنه‏ای هستند؛ از طرفی مقادیر پارامترهای صحت‏ سنجی مؤید دقت بالاتر نتایج دو رویکرد شبکه عصبی و تراکم سطح به ترتیب با مقادیر صحت کلی 73/0 و 71/0 بوده که ناشی از عملکرد بهتر دو روش فوق نسبت به روش FAHP با صحت کلی 58/0 می‌باشد. درمجموع روش شبکۀ عصبی بر اساس آماره ‏های صحت‏ سنجی مورد استفاده شامل، صحت کلی، صحت کاربر و صحت تولید کننده به ترتیب با مقادیر 73/0، 8/0 و 59/0 بالاترین صحت را به خود اختصاص داده است.
 
 

کلیدواژه‌ها

پهنه‌بندی زمین‌لغزش؛ شبکه عصبی مصنوعی؛ تراکم سطح؛ FAHP

مراجع

ایزدی، ز؛ انتظاری، م؛ 1392. زمین‌لغزش‌های ایران، معرفی، عوامل و مدیریت. رشد آموزش جغرافیا. شماره4 صص37-32

آهنی، ع؛ امامقلی زاده، ص؛ موسوی ندوشنی، س. س؛ اژدری، خ؛ 1395. منطقه بندی حوزه‌های آبخیز با بکارگیری نوعی از شبکه‌های عصبی مصنوعی به منظور تحلیل فراوانی منطقه‌ای سیلاب. پژوهشنامه مدیریت حوزه آبخیز. شماره (14)7. صص 118_106

بختیاری، م.، ع. صابری. و ک. رنگزن؛ 1390. پهنه بندی خطر زمین لغزش در منطقه شیرین بهار خوزستان با استفاده از GIS به روش آنالیز حساسیت. اولین همایش ملی علمی دانشجویی انجمن علمی زمین شناسی.

بهاروند.، س؛ سوری، س؛ 1394. پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه سپیددشت، لرستان). فصلنامه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 6(4). صص 31-15.

بهشتی راد، م؛ فیض نیا، س؛ سلاجقه، ع؛ احمدی، ح؛ 1388. بررسی کارایی مدل پهنه بندی خطر زمین لغزش فاکتور اطمینان (CF) مطالعه موردی حوضه آبخیز معلم کلایه. فصلنامه جغرافیای طبیعی. 2(5): 28-19.

جوادی، م. ر؛ طهرانی پور، ه؛ غلامی، ش.ع؛ فتاحی اردکانی، م. ع؛ 1391. مقایسه روش‌های مورا و وارسون و رگرسیون چندمتغیره در پهنه‌بندی خطر زمین‌لغزش حوضه آبخیز کن. پژوهشنامه مدیریت حوضه آبخیز. شماره 3(5).

حسن‌زاده، محمد؛ 1379. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز شلمانرود. پایان‌نامه کارشناسی ارشد. دانشگاه تهران.

رنگزن، ک؛ ظاهری، ز؛ مرادزاده، م؛ کلی، م. ع؛ 1387. ارزیابی پارامترهای مؤثر بر زمین‌لغزش در حوزه آبخیز اعلاء - رود زرد باغملک با استفاده از تکنیک‌های سنجش‌ازدور. GIS و روش‌های آماری. همایش ژئوماتیک 87.

رنگزن، ک؛ کابلی زاده، م؛ منصورنعیمی، ا؛ 1394. پهنه‌بندی خطرپذیری زلزله با استفاده سیستم استنتاج فازی و فرآیند تحلیل سلسه‌مراتبی فازی. فصلنامه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 6(2). صص 18-1.

سوری، س؛ لشکری پور، غ؛ غفوری، م؛ فرهادی نژاد، ط؛1390. پهنه‌بندی خطر زمین‌لغزش با استفاده از منطق فازی (مطالعه موردی: حوزه چم سنگر). فصلنامه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 4(4). صص 60-47.

عطائی، محمد؛ 1389. تصمیم‌گیری چندمعیاره فازی. انتشارات دانشگاه صنعتی شاهرود.

قدسی پور، حسن؛ 1392. فرآیند تحلیل سلسله مراتبی(AHP) . دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران).

کامران زاد، ف؛ محصا افشار، ع؛ مجرب، م؛ معماریان، ح؛ 1394؛ پهنه‌بندی خطر زمین‌لغزش در استان تهران با استفاده از روش‌های داده محور و تحلیل سلسله مراتبی. علوم زمین. شماره 25(97). صص 114 - 101.

کریمی، م؛ نجفی، م؛ 1391. ارزیابی خطر زمین‌لغزش با استفاده از مدل ترکیبی Fuzzy-AHP در راستای توسعه و امنیت شهری (مطالعه موردی: منطقه یک کلان‌شهر تهران). فصلنامه پژوهش‌های فرسایش محیطی. شماره 2(8). صص 95-77.

کوره پزان دزفولی، امین؛ 1387. اصول تئوری مجموعه‌های فازی. انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر.

مقیمی، ا؛ باقری سید شکری.، ط؛ صفرراد ،ط؛ 1391. پهنه‌بندی خطر وقوع زمین‌لغزش با استفاده از مدل آنتروپی (مطالعه موردی: اقدیس نساز زاگرس شمال باختری). پژوهش‌های جغرافیای طبیعی. شماره 79. صص 90 – 77.

منهاج، محمد؛ 1388. مبانی شبکه‌های عصبی. تهران: انتشارت دانشگاه صنعتی امیرکبیر.

نصرآزادانی، ا؛ شیرانی، ک؛ 1388. ارزیابی و مقایسه روش‌های پهنه‌بندی آماری دومتغیره با استفاده از GIS مطالعه موردی (حوضه آبخیز دز علیا). همایش ژئوماتیک 88.

Ayalew, L. & Yamagishi, H., 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in Kakuda-Yahiko Mountains. Central Japan, Geomorphology. 65, 15–31.

Baeza, C. & Corominas, J., 1996. Assessment of shallow landslide susceptibility by means of statistical techniques proceedings of the seventh international symposium on landslides: Trondheim: pp 147-153.

Biswajeet Paradhan., 2010, Remote sensing and GIS based Lanslid hazard analysis and cross validation using multivariate logistic regression model on three test ares in Malaysia.

Hattanji, T. & Moriwaki, H., 2009. Morphometric analysis of relic landslides using detailed landslide distribution maps: Implications for forecasting travel distance of future landslides. Journal of Geomorphology. 103, 447-454.

Hu, X. & Weng, Q., 2009. Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks. Remote Sensing of Environment. 113, 2089-2102.

IAEG Commission on Landslides, 1990. Suggested nomenclature for landslides Bulletin of the International Association of Engineering Geology. 41, 13-16.

Jade, S. & Sarkar, S., 1993. Statistical Models for Slope Instability Classification. Engineering geology. 36, 91-98.

Jensen, J.R., 1995, Introductory Digital Image Processing: A Remote Sensing Perspective.University of South Carolina. Third Eddithion.

Kanungo, D., Arora., M., Sarkar, S., & Gupta, R., 2006. A comparative study of conventioonal, ANN Blak Box, Fuzzy and combined neural and fuzzy weighting proccedures for landslide suceptibility zonation in darjeeling himalayas, Engineering Geology. 85, 347-366.

Kavzoglu, T., & Mather, P.M., 2003. The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing. 24, 4907−4938.

Khezri, S., 2011. Landslide susceptibility in the Zab Basin, northwest of Iran. Procedia-Social and Behavioral Sciences, 726-731.

Lan, H.X., Zhau, C.H., Wang, L.J., Zhang, H.Y., & Li, R.H., 2004. Landslide hazard spatial analysis and prediction using gis in the xiaojiang watershed, yunnan: china, Engineering Geology. 76, 109-128.

Lee, S., Ryu, J.H., Lee, M.J., & Won, J.S., 2006. The application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea, Mathematical Geology. 38(2), 199-220.

Lee, S., Ryu, J.H., Won, J., & Park, H., 2004. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network. Engineering Geology. 71, 289-302.

Melchiorre, C., Matteucci. M., & Azzoni, A., 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology. 94, 379 – 400.

Mora, S., & Vahrson, W.G., 1994. Macrozonation methodology for landslide hazard determination. Bulletin of the International Association of Engineering Geology. 31, 49-58.

Naderi, F., Naseri, B., Karimi, H., & Habibi Bibalani, G.H., 2010. Efficiency evaluation of different landslide susceptibility mapping methods (Case study: Zangvan watershed, Ilam province). First international conference of soil and roots engineering relationship (LANDCON1005). Ardebil Province. Iran.

Othman, A.N., Naim, W.M., & Noraini, S., 2012. GIS based multi-criteria decision making for landslide hazard zonation. Procedia-Social and Behavioral Sciences. 35, 595-602

Pareta, K., Kumar, J., & Pareta, U., 2012. Landslide hazard zonation using quantitative methods in gis. International Journal of Geospatial Engineering and Technology. 1(1): 1-9.

Salciarini, D., Godt, J.W., Savage, W.Z., Conversini, P., Baum, R.L., & Michael, J.A., 2006. Modeling regional initiation of rainfall-induced shallow landslides in the eastern Umbria Region of central Italy. Landslides. 3, 181-194.

Srivastava, V., Srivastava. H.B., & Lakhera, R.C., 2010. Fuzzy gamma based geomatic modelling for landslide hazard susceptibility in a part of Tons river valley, northwest Himalaya, India. Geomatics, Natural Hazards & Risk. 3, 225-242.

Torkashvand, A.M., Irani, A., & Sorur, J., 2014. The preparation of landslide map by Landslide Numerical Risk Factor (LNRF) model and Geographic Information System (GIS). The Egyptian Journal of Remote Sensing and Space Science. 17(2), 159-170.

Vahidnia, M.H., Alesheikh, A.A., Ali mohammadi, A., & Hosseinali, F., 2009. Landslide hazard zonation using quantitative methods in gis. International Journal of Civil Engineering. 7(3), 1-14.

Van Westen, C.J., 1993. Application of geographic information systems to landslide hazard zonation. International Institute for Aerospace Survey and Earth Sciences (ITC) Publication. 1(15).

Varnes, D.J., 1984. Landslide hazard zonation: a review of priciples and practice. United Nations Educational, Scientific and Cultural Organization (UNESCO). France.

Wang, L.J., Kazuhide, S., & Shuji, M., 2013. Landslide susceptibility analysis with logistic regression model based On FCM sampling strategy.Computers & Geosciences 57, 81–92.

Yalcin, A., Reis, S., Aydinoglu, A.C., & Yomralioglu, T., 2011. A GIS-based comparative study of frequency ratio, analytical hierarchy process, bivariate statistics and logistics regression methods for landslide susceptibility mapping in Trabzon, NE Turkey. Catena. 85, 274-287.

Yilmaz, I., 2010. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey). Computers and Geosciences. 35, 1125-1138.