Identification and zoning of landslide prone areas using object-oriented method and network analysis (ANP) (Case study: Shahroudchai catchment area of Khalkhal city)

جغرافیا و مخاطرات محیطی

Article 3, Volume 10, Issue 3 - Serial Number 39, September 2021, Pages 39-59   

Document Type: Research Article

DOI: 10.22067/geoeh.2021.67924.1006

Authors

Siran Bahmani^{* 1}; Zahra Zangneh Tabar²; Sara Mohammadi³; Sara Mataee²

¹Master in Hydrogeomorphology, University of Tabriz, Iran

²Ph.D. Student in Geomorphology, University of Tabriz, Iran

³Ph.D. Student in Geomorphology, Kharazmi University, Tehran, Iran

Abstract

Mass movements, especially landslides, are among the most dangerous and harmful environmental hazards that have accelerated in recent decades along with human manipulation of natural systems. The aim of this study was to evaluate the efficiency of Sentinel 2A object-oriented image processing technique in identifying, detecting and zoning landslides in Shahroudchai catchment area of Khalkhal city. For this reason, landslides occurred in the region were first identified using object-oriented processing and then the study area was zoned in terms of landslide risk using the network analysis (ANP) method. Elevation, slope, flow direction, vegetation index and Sentinel 2A image were used to extract landslides; Field studies have shown that the existing landslides (81 landslides) in the region have been identified and extracted with 94% accuracy and 91% kappa coefficient by object-oriented method. This indicates the high ability of object-oriented processing to identify areas prone to landslides. Then, using network analysis method and using 11 parameters of elevation, slope, slope direction, land use, geology, slope length index (LS), topographic moisture index (TWI), canal power index (SPI), distance from fault Distance from the road and distance from the waterway, zoning of the study area in terms of landslide risk was done that according to the results, 39.13% of the lands in the study area have a very high potential for landslides. Also, a significant percentage of landslides are in the high-sensitivity class of 50 landslides (61.72). Therefore, it can be said that the accuracy of the model used in landslide susceptibility zoning is acceptable and good.
 

Keywords

Landslide; GLCM; Shahroud Chai; Object Oriented Processing; Network Analysis

References

 روستایی، شهرام؛ علیزاده، راحله؛ 1391. پهنه‌بندی خطر زمین‌لغزش در حوضه صوفی چای (مراغه) با استفاده از روش آنبالگان. فصلنامه علمی-پژوهشی فضای جغرافیایی.3912. صص. 35-17.

شادفر، صمد؛ 1384. ارزیابی تحلیلی مدل‌های کمی زمین‌لغزش به‌منظور دستیابی به مدلی مناسب برای حوضه آبخیز چالکرود. رساله‌ دکتری تخصصی. دانشگاه تهران. دانشکده جغرافیا. ص 225.

عابدینی، موسی؛ پیروزی، الناز؛ 1398. پهنه‌بندی خطر زمین‌لغزش با استفاده از تلفیق روش‌های Hot Spot, ANP,WIC(مطالعه موردی: شهرستان خلخال) مجله جغرافیا و مخاطرات محیطی. شماره 32. صص36-19.

عابدینی، موسی؛ روستایی، شهرام؛ فتحی، محمدحسین؛ 1397. شناسایی و طبقه‌بندی انواع زمین‌لغزش با استفاده از ویژگی‌‌های طیفی و مکانی با رویکرد شیءگرا(نصیرآباد تا سد ستارخان اهر، نشریه علمی- پژوهشی جغرافیا و برنامه‌ریزی. سال 22. شماره 66. صص205-187.

فرجی سبکبار، حسن علی؛ بدری، سیدعلی؛ مطیعی لنگرودی، سیدحسن؛ شرفی، حجت‌الله؛ 1389. سنجش میزان پایدار نواحی روستایی بر مبنای مدل تحلیل شبکه، با استفاده از تکنیک بردا مطالعه موردی: نواحی روستایی شهرستان فسا. پژوهش‌های جغرافیای انسانی (پژوهش‌های جغرافیایی). دوره 42. شماره. 72. صص 155-135.

فیضی زاده، بختیار؛ حاجی میررحیمی، سید محمود؛ 1386. آشکارسازی تغییرات فضای سبز شهر تبریز با استفاده از روش‌های شی‌ءگرا.

فیضی‌زاده، بختیار؛ 1396. ارزیابی تطبیقی تکنیک‌های پردازش پیکسل پایه و شیءگرا در طبقه‌بندی تصاویر ماهواره‌ایAster برای استخراج نقشه‌های اراضی کشاورزی و باغی در حاشیه شرقی دریاچه ارومیه. فصلنامه علمی - پژوهشی اطلاعات جغرافیایی. دوره28. شماره 109. صص 183-167.

مددی، عقیل؛ بهشتی جاوید، ابراهیم؛ آقازاده، نازفر؛ 1398. پهنه­بندی و ارزیابی پتانسیل وقوع زمین­لغزش در حوضه آبریز کندیرق چای با استفاده از مدل ANP. نشریه تحقیقات کاربردی علوم جغرافیایی. سال بیست و یکم. شماره 62. پاییز 1400. صص260-243.

معزز، سمیه؛ روستایی، شهرام؛ رحیم‌پور، توحید؛ 1398. پهنه‌بندی خطر وقوع زمین‌لغزش در حوضه آبخیز نهندچای با استفاده از مدلANP و تکنیک GIS، پژوهش‌های ژئومورفولوژی کمی. سال 8. شماره 2. صص27-23.

نادری، فتح‌الله؛ 1398. امکان‌سنجی خطر زمین‌لغزش در حوضه آبخیز کلالرود با استفاده از GIS. فصلنامه جغرافیایی سرزمین. سال شانزدهم. شماره 63. صص 145-132.

نصیری، شهرام؛ 1383. نگرشی بر زمین‌لغزش‌های ایران (بررسی موردی: ناپایداری شیب‌ها در جاده هراز). پایگاه ملی داده‌های علوم زمین کشور. صفحه 1.

یمانی، مجتبی؛ احمدابادی، علی؛ زارع، غلامرضا؛ 1391. به کارگیری الگوریتم ماشین‌های پشتیبان بردار در پهنه بندی خطر وقوع زمین‌لغزش (مطالعه موردی: حوضه آبریز درکه). جغرافیا و مخاطرات محیطی- دانشگاه فردوسی مشهد. سوم. صص125-142.

 

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.

Abedini, M., & Tulabi, S., 2018. Assessing LNRF, FR, and AHP models in landslide susceptibility mapping index: a comparative study of Nojian watershed in Lorestanprovince, Iran. Enviro Earth Sci 77:405. https://doi.org/10.1007/s12665-018-7524-1.

Comert, R., Avdan, U., Gorum, T., & Nefeslioglu, H. A. (2019). Mapping of shallow landslides with object-based image analysis from unmanned aerial vehicle data. Engineering Geology, 260, 105264.

eCoginiton Developer 2012: Userguide, eCoginiton Developer Imaging.

Feizizadeh, B., & Thomas B., 2014. An uncertainty and sensitivity analysis approach for GIS-based multicriteria landslide susceptibili, International Journal of Geographical Information Science, 2014 Vol. 28, No. 3, 610–638, http://dx.doi.org/10.1080/13658816.2013.869821.

Guzzetti, F., 2005. Landslide hazard and risk assessment. Ph. D Dissertation, Bonn.

Hölbling, D., Friedl, B., Eisank, C., 2014.Object-based change detection for landslide monitoring based on SPOT imagery. In EGU General Assembly Conference Abstracts, 16(3), 10634.

Ihsan, Y., Metin D.ˇd., 2007.Using the analytic network process (ANP) in a SWOT analysis – A case study for a textile firm, Information Sciences 177, 3364–3382.

James D, H., Daniel L, C., Martha S, G.,Sandy,p., Emily H, W., 2006. Tidal Wetland Classification From Landsat Imagery Using An Integrated Pixel-based and Object-based Classification Approach. ASPRS 2006 Annual Conference Reno, Nevada. May 1-5, 2006.

Martha, T. R., Kerle, N., Jetten, V., van Westen, C. J., Kumar, K. V., 2010. Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods. Geomorphology, 116(1), 24-36.‏

Roering, J. J., Kirchner, J. W., Dietrich, W. E., 2005. Characterizing structural and lithologic controls on deep-seated landsliding: Implications for topographic relief and landscape evolution in the Oregon Coast Range, USA. Geological Society of America Bulletin, 117(5-6), 654-668.‏

Sanwei He, S., Pan, P., Dai, L., Wang, H., Liu, J., 2012. Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China. Geomorphology, 171, 30-41.‏

Yalcin, A., 2011. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations. Catena, 72(1), 1-12.‏

Yilmaz, I., 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat—Turkey). Computers & Geosciences, 35(6), 1125-1138.‏