شناسایی و پهنه‌بندی مناطق مستعد زمین‌لغزش با استفاده از روش شیءگرا و تحلیل شبکه (ANP) (مطالعه موردی: حوضه آبریز شاهرودچایی شهرستان خلخال)

جغرافیا و مخاطرات محیطی

مقاله 3، دوره 10، شماره 3 - شماره پیاپی 39، آبان 1400، صفحه 39-59   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.67924.1006

نویسندگان

سیران بهمنی^{* 1}؛ زهرا زنگنه تبار²؛ سارا محمدی³؛ سارا مطاعی²

¹کارشناس ارشد هیدروژئومورفولوژی، دانشگاه تبریز،تبریز، ایران

²دانشجوی دکتری ژئومورفولوژی، دانشگاه تبریز،تبریز، ایران

³دانشجوی دکتری ژئومورفولوژی، دانشگاه خوارزمی، تهران، ایران

چکیده

حرکتهای دامنه‌ای به‌ویژه زمین‌لغزش در زمره پرخطرترین و زیان‌بارترین مخاطرات محیطی است که در دهه‌های اخیر شتاب فزاینده‌ای یافته است. پژوهش حاضر با هدف ارزیابی میزان کارایی تکنیک‌ پردازش شیءگرای تصاویر ماهواره‌ای سنتینل 2A در شناسایی، آشکارسازی و پهنه‌بندی خطر وقوع زمین‌لغزش‌ها در حوضه آبریز شاهرودچایی شهرستان خلخال صورت گرفت. به همین دلیل ابتدا با استفاده از پردازش شیءگرا زمین‌لغزش‌های رخ‌داده در منطقه شناسایی گردیدند و سپس با استفاده از روش تحلیل شبکه (ANP) منطقه موردمطالعه از نظر خطر وقوع زمین‌لغزش پهنه‌بندی گردید. جهت استخراج زمین‌لغزش‌ها از لایه ارتفاع، شیب، جهت جریان، شاخص پوشش گیاهی و تصویر سنتینل 2A استفاده گردید؛ با بررسی‌های میدانی صورت گرفته مشخص گردید که زمین‌لغزش‌های موجود (81 زمین‌لغزش) در منطقه با دقت 94 درصد و ضریب کاپای 91 درصد با روش شیءگرا شناسایی و استخراج گردیده‌اند؛ و این نشان‌دهنده‌ی توانایی بالای پردازش شیءگرا در شناسایی مناطق مستعد زمین‌لغزش می‌باشد. در ادامه با استفاده از روش تحلیل شبکه و به‌کارگیری 11 پارامتر ارتفاع، شیب زمین، جهت شیب، کاربری زمین، زمین‌شناسی، شاخص طول شیب (LS)، شاخص رطوبت توپوگرافیک (TWI)، شاخص قدرت آبراهه (SPI)، فاصله از گسل، فاصله از جاده و فاصله از آبراهه، پهنه‌بندی منطقه مورد مطالعه از نظر خطر وقوع زمین‌لغزش انجام گرفت که با توجه به نتایج بدست آمده 13/39 درصد از اراضی محدوده مورد مطالعه از پتانسیل بسیار بالایی برای وقوع زمین‌لغزش برخوردار می‌باشند. همچنین، درصد قابل‌توجهی از زمین‌لغزش‌ها در طبقه با حساسیت زیاد تعداد 50 زمین‌لغزش (72/61) قرار دارند. لذا می‌توان گفت دقت مدل بکار رفته در پهنه‌بندی حساسیت وقوع زمین‌لغزش قابل‌قبول است.

کلیدواژه‌ها

زمین‌لغزش؛ GLCM؛ شاهرود چایی؛ پردازش شیءگرا؛ تحلیل شبکه

مراجع

 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.‏