پهنه بندی خطر زمین‌لغزش بر اساس فرایند سلسله مراتبی-فازی (FAHP) و تجزیه‌وتحلیل تصمیم‌گیری چند معیاره (مطالعه موردی: حوزه رودخانه ماربر)

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 2، دوره 11، شماره 4 - شماره پیاپی 41، دی 1399، صفحه 25-46   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2020.675969

نویسندگان

محمدرضا سجادی¹؛ احمد احمدی²؛ بهناز بیگدلی^{* 3}

¹دانشجوی کارشناسی ارشد سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

²دانشیار گروه مهندسی آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

³استادیار گروه ژئوتکنیک، راه و نقشه برداری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

پیشینه و هدف زمین‌لغزش به‌عنوان یک حادثه مهیب می ­تواند موجب آسیب رساندن به انسان، از دست دادن زندگی، زیان اقتصادی و از بین بردن میراث فرهنگی و طبیعی شود. درحالی‌که نیاز به روشی برای پیش ­بینی مستقیم محل وقوع زمین‌لغزش احساس می ­شود و در حال حاضر امکان پیش ­بینی مستقیم وجود ندارد، پهنه ­بندی خطر زمین‌لغزش می‌تواند روش غیرمستقیم مناسبی برای پاسخ به این نیاز باشد. هدف از این مطالعه پهنه ‌بندی خطر زمین‌لغزش در حوزه رودخانه ماربر در محدوده سمیرم استان اصفهان با استفاده از ادغام داده در ترکیب با روش­­ های تحلیل سلسله مراتبی است.
مواد و روش­ ها در مرحله اول، اطلاعات مربوط به منطقه جمع‌آوری و لایه­ های اطلاعاتی در فضای سیستم اطلاعات جغرافیایی فراهم گردید. سپس با استفاده از دو روش تحلیل سلسله مراتبی فازی و غیر فازی و با قضاوت کارشناسان، لایه ­ها و زیر لایه‌ها وزن­دهی شدند. از دو روش همپوشانی وزن ­دار و همپوشانی فازی برای پهنه‌بندی نتایج تحلیل­ های سلسله مراتبی فازی و غیرفازی استفاده شد. ترکیب دو روش تحلیل سلسله مراتبی و دو روش همپوشانی باعث ایجاد چهار نقشه پهنه ­بندی برای منطقه موردنظر شد. ابزار همپوشانی فازی امکان تجزیه‌وتحلیل احتمال وقوع پدیده متعلق به چندین مجموعه را در تحلیل همپوشانی چند معیاره فراهم می‌کند. نه‌تنها همپوشانی فازی اعضای تأثیرگذار در وقوع یک پدیده را تعیین می­کند، بلکه روابط بین عضویت چند مجموعه را تجزیه‌وتحلیل می‌کند. همپوشانی وزنی نیز یکی از روش‌های مورداستفاده برای تجزیه ‌و تحلیل‌های همپوشانی برای پاسخ به سؤالات چند معیاری مانند انتخاب محل و مدل مناسب است. که این روش مقادیر موجود در رسترهای ورودی را به یک مقیاس ارزیابی مشترک ازنظر مناسب بودن یا اولویت، ریسک و یا مقیاس مناسب یکسان‌سازی می­کند و مقادیر سلول هر یک از ردیف ورودی را با توجه به اهمیت رسترها افزایش می­دهد. همچنین مقادیر حاصل سلول را باهم ترکیب می­کند تا رستر خروجی تولید کند. در ادامه پس از ایجاد چهار نتیجه پهنه‌بندی از مفهوم ادغام تصمیم‌ گیری‌ها برای تلفیق نتایج و ایجاد نتیجه نهایی استفاده می­­شود. ادغام تصمیم‌ گیری‌ها یا در حالت کلی ادغام یا تلفیق داده، تصمیم‌ گیری‌های مختلف حاصل از روش‌ها یا داده­های متفاوت را باهم ترکیب یا تلفیق می ­کند تا درنهایت تصمیم ‌گیری­ را حاصل کند که هم دقت بیشتری دارد و هم اعتماد به آن بسیار بیشتر از نتیجه یک تصمیم‌ گیری انفرادی است.
نتایج و بحث منطقه موردمطالعه در فاصله 60 کیلومتری از شهر سمیرم در حوزه رودخانه ماربر واقع‌شده است. به‌طورکلی عوامل مختلفی می ­توانند در ناپایداری شیب­ ها و فراهم کردن شرایط برای بروز زمین‌لغزش مؤثر باشند. از میان تمامی عوامل مؤثر، در این تحقیق هشت عامل شیب، جهت شیب، فاصله تا گسل، فاصله تا راه ­ها، فاصله تا زهکش، فاصله تا مناطق مسکونی، لیتولوژی و میزان بارش جهت بررسی بیشتر زمین‌لغزش انتخاب شدند. این لایه ­های مؤثر با استفاده از لایه­ های اطلاعاتی مدل رقومی ارتفاعی، خطوط گسل، موقعیت راه ­ها، موقعیت آبراهه­ ها، موقعیت مناطق مسکونی، لیتولوژی و ایستگاه ­های سینوپتیک منطقه به دست آمد. مدل رقومی ارتفاعی منطقه با اندازه پیکسل 30 متر از سایت USGS تهیه ‌شد. با استفاده از مدل رقومی ارتفاعی منطقه و در فضای GIS، نقشه‌های شیب و جهت شیب در 5 کلاس تولید گردید. نقشه گسل­ های منطقه از نقشه زمین‌شناسی  1:100000 سازمان زمین­ شناسی کشور تهیه‌ شد. سپس در محیط ArcGIS و به کمک ابزار فاصله اقلیدسی لایه فاصله تا گسل ایجاد و با توجه به میزان فاصله هر نقطه تا گسل ­ها، لایه نهایی فاصله تا گسل در 5 گروه کلاس­ بندی شد. همچنین برای تهیه نقشه میزان بارش محدوده مورد مطالعه از میانگین اطلاعات بارش سازمان هواشناسی کشور در 10 سال اخیر در 19 ایستگاه اطراف ناحیه مورد مطالعه استفاده شد. سپس با توجه به میزان بارش، فاصله میان ۱۹ ایستگاه هواشناسی به 5 گروه تقسیم ­بندی گردید. منطقه مورد مطالعه در قسمت بارندگی زیاد و بسیار زیاد قرارگرفته است. نقشه راه ­های منطقه از نقشه 1:25000 سازمان نقشه‌برداری کشور برای ناحیه موردمطالعه تهیه‌ شد. برای مطالعه تأثیرات راه ­های محدوده موردمطالعه در ایجاد زمین‌لغزش نیاز به تولید نقشه فاصله­ تا راه­ها بود که این نقشه با استفاده از نقشه راه تهیه شد و فاصله هر نقطه تا راه­ ها در 5 گروه مشخص گردید. برای تهیه نقشه زهکش منطقه از نقشه ­های 1:25000 سازمان نقشه ‌برداری کشور برای ناحیه مورد تحقیق استفاده شد. جهت استفاده از لایه زهکش به‌عنوان یک‌لایه مؤثر، لایه فاصله تا زهکش در محیط ArcGIS و ابزار فاصله اقلیدسی تولید شد. درنهایت لایه فاصله تا زهکش در 5 گروه کلاس ­بندی شد. جهت بررسی مناطق مسکونی در پدیده زمین‌لغزش از نقشه­ های 1:25000 سازمان نقشه‌برداری کشور برای منطقه موردمطالعه استفاده شد. برای مشاهده تأثیر لایه مناطق مسکونی در وقوع زمین‌لغزش نیاز به تولید پهنه ­بندی فاصله تا مناطق مسکونی وجود داشت که این لایه در محیط ArcGIS و در پنج کلاس تولید شد.  برای بررسی تأثیر لیتولوژی در این منطقه از نقشه زمین ‌شناسی 1:100000 سازمان زمین ­شناسی کشور استفاده‌ شد. همچنین سنگ­ ها با توجه به جداول کانی‌شناسی به 2 گروه سنگ نرم و سنگ سخت تقسیم ­بندی شد.
نتیجه ­گیری پهنه ­بندی با روش تحلیل سلسله مراتبی-همپوشانی وزن­دار، تحلیل سلسله مراتبی-همپوشانی فازی، تحلیل سلسله مراتبی فازی- همپوشانی وزن­دار و درنهایت تحلیل سلسله مراتبی فازی-همپوشانی فازی به ترتیب دارای دقت 80%، 86% و 75% و 88%  بود و پس از ادغام نتایج حاصل از این ۴ روش، دقت پهنه ­بندی به 90% افزایش یافت. مقایسه و صحت سنجی نتایج با نرخ پیش ‌بینی زمین ‌لغزش‌های تاریخی منطقه نشان داد رو ش­ های پهنه بندی، نتایج مناسبی داشتند اما درنهایت با ادغام اطلاعات، نتایج بهبود بیشتری یافتند.

کلیدواژه‌ها

تحلیل سلسله مراتبی فازی؛ پهنه بندی؛ خطر زمین‌لغزش؛ حوزۀ رودخانه ماربر

مراجع

Abedini M, 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. doi:https://doi.org/10.1007/s12665-018-7524-1.

Achour Y, Boumezbeur A, Hadji R, Chouabbi A, Cavaleiro V, Bendaoud EA. 2017. Landslide susceptibility mapping using analytic hierarchy process and information value methods along a highway road section in Constantine, Algeria. Arabian Journal of Geosciences, 10(8): 194. doi:https://doi.org/10.1007/s12517-017-2980-6.

Ahmed B. 2015. Landslide susceptibility modelling applying user-defined weighting and data-driven statistical techniques in Cox’s Bazar Municipality, Bangladesh. Natural Hazards, 79(3): 1707-1737. doi:https://doi.org/10.1007/s11069-015-1922-4.

Anbalagan R, Singh B. 1996. Landslide hazard and risk assessment mapping of mountainous terrains - a case study from Kumaun Himalaya, India. Engineering Geology, 43(4): 237-246. doi:https://doi.org/10.1016/S0013-7952(96)00033-6.

Asgharizadeh MJ. 2018. Multi-criteria decision making techniques. First Edition. University of Tehran Press. 562 p. (In Persian).

Baharvand S, Soori S. 2016. Landslide hazard zonation using artificial neural network (Case study: Sepiddasht-Lorestan, iran). Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science), 6(4): 15-31. (In Persian).

Bera A, Mukhopadhyay BP, Das D. 2019. Landslide hazard zonation mapping using multi-criteria analysis with the help of GIS techniques: a case study from Eastern Himalayas, Namchi, South Sikkim. Natural Hazards, 96(2): 935-959. doi:https://doi.org/10.1007/s11069-019-03580-w.

Chandra DK, Regmi AD, Pourghasemi HR, Yoshida K, Pradhan B, Ryu IC, Dhital MR, Althuwaynee OF. 2013. Landslide susceptibility mapping using certainty factor, index of entropy and logistic regression models in GIS and their comparison at Mugling–Narayanghat road section in Nepal Himalaya. Natural Hazards, 65(1): 135-165. doi:10.1007/s11069-012-0347-6.

Dahal RK, Hasegawa S, Nonomura A, Yamanaka M, Dhakal S, Paudyal P. 2008. Predictive modelling of rainfall-induced landslide hazard in the Lesser Himalaya of Nepal based on weights-of-evidence. Geomorphology, 102(3): 496-510. doi:https://doi.org/10.1016/j.geomorph.2008.05.041.

Dai FC, Lee CF. 2002. Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong. Geomorphology, 42(3): 213-228. doi:https://doi.org/10.1016/S0169-555X(01)00087-3.

Fauvel M, Chanussot J, Benediktsson J. 2006. A combined support vector machines classification based on decision fusion. In: 2006 IEEE International Symposium on Geoscience and Remote Sensing, Citeseer. 2494-2497.

Fell R, Corominas J, Bonnard C, Cascini L, Leroi E, Savage W. 2008. on behalf of the JTC-1 Joint Technical Committee on Landslides and Engineered Slopes (2008) Guidelines for landslide susceptibility, hazard and risk zoning for land use planning. Eng Geol, 102(3-4): 85-98. doi:https://doi.org/10.1016/j.enggeo.2008.03.014.

Jiang W, Rao P, Cao R, Tang Z, Chen K. 2017. Comparative evaluation of geological disaster susceptibility using multi-regression methods and spatial accuracy validation. Journal of Geographical Sciences, 27(4): 439-462. doi:10.1007/s11442-017-1386-4.

Kanungo DP, Arora MK, Sarkar S, Gupta RP. 2006. A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas. Engineering Geology, 85(3): 347-366. doi:https://doi.org/10.1016/j.enggeo.2006.03.004.

Kayastha P, Dhital MR, De Smedt F. 2012. Landslide susceptibility mapping using the weight of evidence method in the Tinau watershed, Nepal. Natural Hazards, 63(2): 479-498. doi:https://doi.org/10.1007/s11069-012-0163-z.

Kumar R, Anbalagan R. 2016. Landslide susceptibility mapping using analytical hierarchy process (AHP) in Tehri reservoir rim region, Uttarakhand. Journal of the Geological Society of India, 87(3): 271-286. doi:https://doi.org/10.1007/s12594-016-0395-8.

Kuncheva LI, Whitaker CJ. 2003. Measures of Diversity in Classifier Ensembles and Their Relationship with the Ensemble Accuracy. Machine Learning, 51(2): 181-207. doi:https://doi.org/10.1023/A:1022859003006.

Lynn H, Bobrowsky PT. 2008. The landslide handbook: a guide to understanding landslides. US Geological Survey Reston, 129 p.

Rahmati M, Zand F. 2018. Landslide hazard zonation using geographic information system landslide (Case study: Robat-Siahpoush rural district, lorestan province). Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science), 8(4): 63-75. (In Persian).

Ruta D, Gabrys B. 2000. An overview of classifier fusion methods. Computing and Information systems, 7(1): 1-10.

Sharma S, Mahajan AK. 2018. Comparative evaluation of GIS-based landslide susceptibility mapping using statistical and heuristic approach for Dharamshala region of Kangra Valley, India. Geoenvironmental Disasters, 5(1): 4. doi:https://doi.org/10.1186/s40677-018-0097-1.

Soeters R, Van Westen C. 1996. Slope instability recognition, analysis and zonation. In:  Landslides: investigation and mitigation. Transportation Research Board, National Research Council, Special Report 247. National Academy Press, Washington D.C., U.S.A. 129-177 p.

Subedi P, Subedi K, Thapa B, Subedi P. 2019. Sinkhole susceptibility mapping in Marion County, Florida: Evaluation and comparison between analytical hierarchy process and logistic regression based approaches. Scientific reports, 9(1): 1-18. doi:https://doi.org/10.1038/s41598-019-43705-6.

Vojteková J, Vojtek M. 2020. Assessment of landslide susceptibility at a local spatial scale applying the multi-criteria analysis and GIS: a case study from Slovakia. Geomatics, Natural Hazards and Risk, 11(1): 131-148. doi:https://doi.org/10.1080/19475705.2020.1713233.

Wu Y, Li W, Liu P, Bai H, Wang Q, He J, Liu Y, Sun S. 2016. Application of analytic hierarchy process model for landslide susceptibility mapping in the Gangu County, Gansu Province, China. Environmental Earth Sciences, 75(5): 422. doi:https://doi.org/10.1007/s12665-015-5194-9.