دوره 15، شماره 1 - ( بهار و تابستان 1403 )                   جلد 15 شماره 1 صفحات 77-63 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shafiee kigasari N, Hosseini A O, Pourghasemi H R. (2024). Spatial Assessment of the Sensitivity of Landslide Occurrence and their Correlation with the Forest Road Network (Case study: Ramsar County). J Watershed Manage Res. 15(1), 63-77. doi:10.61186/jwmr.15.1.63
URL: http://jwmr.sanru.ac.ir/article-1-1249-fa.html
شفیعی کیگاسری نیما، حسینی سید عطا اله، پورقاسمی حمیدرضا. ارزیابی حساسیت پذیری وقوع زمین لغزش و همبستگی آن با شبکه جاده های جنگلی (مطالعه موردی: شهرستان رامسر) پ‍‍ژوهشنامه مديريت حوزه آبخيز 1403; 15 (1) :77-63 10.61186/jwmr.15.1.63

URL: http://jwmr.sanru.ac.ir/article-1-1249-fa.html


1- گروه جنگلداری و اقتصاد جنگل دانشگاه تهران، تهران، ایران و گروه جنگلداری و اقتصاد جنگل دانشگاه تهران، تهران، ایران
2- گروه جنگلداری و اقتصاد جنگل دانشگاه تهران، تهران، ایران & گروه جنگلداری و اقتصاد جنگل دانشگاه تهران، تهران، ایران
3- دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران و دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
چکیده:   (919 مشاهده)
چکیده مبسوط
مقدمه و هدف: زمین لغزش ­ها از جمله مخاطرات محیطی است که هرساله موجب خسارات زیاد جانی و مالی در قسمت های وسیعی از نواحی کوهستانی کشورمان می­ شود، از این رو شناسایی عوامل مهم و موثر بر وقوع  این پدیده، می تواند به ­عنوان ابزاری کاربردی در کاهش زیان احتمالی مورد استفاده قرار گیرد. بنابراین شناخت عوامل محیطی تأثیرگذار در شکل‌گیری وقوع زمین ­لغزش در شبکه­ های ارتباطی جنگلی از اهمیت زیادی برخوردار است. شهرستان رامسر به ­دلیل توپوگرافی عمدتاً کوهستانی، و فعالیت زمین ­ساختی زیاد، پتانسیل طبیعی برای زمین‌لغزش‌های گسترده در حریم شبکه­ های ارتباطی را دارد. هدف از این پژوهش، پهنه ­بندی حساسیت ­پذیری وقوع زمین­ لغزش در محدوده­ شهرستان رامسر با در نظر گرفتن عوامل موثر به­ خصوص شبکه جاده ­های جنگلی و استفاده از قابلیت ­های سیستم اطلاعات جغرافیایی می­ باشد.
مواد و روش‌ها: بدین منظور در ابتدا موقعیت زمین­ لغزش ­ها با استفاده از مطالعات میدانی، گزارش ­های تاریخی و تصاویر گوگل ارث مشخص شد. در مجموع 95 زمین ­لغزش در منطقه شناسایی، که به دو گروه برای مدل­سازی (70 درصد) و ارزیابی (30درصد) تقسیم شد. جهت تحلیل مکانی حساسیت­ پذیری وقوع زمین ­لغزش معیارهایی از قبیل: شیب، جهت شیب، کاربری اراضی، فاصله از مراکز سکونتی، انحنای زمین، بارش، دما، فرسایس، ارتفاع، تراکم پوشش گیاهی، واحدهای
سنگ­ شناسی، بافت خاک، تراکم آبراهه، فاصله از جاده، و شاخص رطوبت توپوگرافی مورد استفاده قرار گرفت. به‌منظور محاسبه تراکم و میزان سبزی پوشش گیاهی از پروداکت 16 روزه ماهواره لندست 8  در محیط سامانه گوگل ارث انجین استفاده گردید و خروجی نهایی با روش ­­های رگرسیون وزنی در GIS محاسبه شد. تمامی فرآیندها و تجزیه تحلیل داده ­ها در محیط Excel و نرم‌افزار (ArcMap) انجام شد. همچنین به ­منظور ارزیابی و اعتبار سنجی مدل ­ها از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد.
یافته‌ها: مهمترین عوامل تاثیرگذار در حساسیت ­پذیری زمین لغزش شامل نوع خاک، شیب زمین، پوشش گیاهی، زمین‌شناسی،جریان های هیدروژئولوژیکی، توپوگرافی، میزان بارندگی و خطوط ارتباطی هستند. پهنه ­های با حساسیت­ پذیری وقوع زمین­ لغزش و تراکم زمین ­لغزش ­ها در مناطقی نمایان شده است که عمدتاً مناطق حاشیه­ محور­های مواصلاتی را شامل می ­شود. به دلیل احداث گسترده ساختمان‌ها و تأثیرات جانبی جاده‌سازی، و همچنین به دلیل تخریب شیب طبیعی زمین برای ایجاد جاده و گسترش آن، در این مناطق به وقوع پیوسته است. تطبیق پارامتر­های مؤثر بر وقوع زمین لغزش با لایـه پراکنش زمین­ لغزش ­ها نشان داد حدود 76 درصد از زمین­ لغزش ­ها در محدوده شـیب 11 38 درجه رخ داده ­اند. فرسایش دامنه ­ها به­ وسیله جریان­ های پرسرعت سیلابی، باعـث بروز بیش از 63 درصد از زمین ­لغزش­ ها تا فاصله 500 متری از آبراهه ­ها شده است. در کنار سه عامل اصلی نوع خاک، شیب طبیعی زمین، فرسایش دامنه­ ها وقوع خطر
زمین ­لغزش، بازسازی و توسعه جاده بدون در نظر گرفتن اصول پایداری شیب باعث از بین رفتن تکیه­ گاه در شیب ­های تند شده و در صورت مساعد بودن سایر شرایط، بروز زمین لغزش را سبب شده است. بیش از نیمی از زمین­ لغزش رخ­داده در منطقه در تناوبی از سنگ، شیل، ماسه سنگ، سنگ جوش، همراه با لایه ­هایی از زغال رخ داده­ اند. قطع لایه زمین­ لغزش رخ داده با طبقات فاصله از جاده نشان داده رخ­داد زمین ­لغزش تا فاصله 400 متری از جاده به ­دلیل تأثیر مستقیم عملیات راه سازی و ترانشه ­زنی در به­ هم زدن تعادل دامنه­ های مشرف به جاده بوده است، به گونه­ ای که با دور شدن از جاده اصلی مساحت زمین لغزش ­ها به­ تدریج کم­تر می­ شود. نتایج نشان داد مدل نسبت فراوانی (Frequency ratio models) با سطح زیر منحنی 0/760 دقت قابل قبولی برای تهیه نقشه حساسیت زمین­ لغزش ارائه کرده است. نتایج به­ دست آمده نقشه نهایی حساسیت­پذیری وقوع زمین لغزش نشان‌دهنده آن است که طبقه 5 با ضریب حساسیت­پذیری خیلی زیاد 13/06 درصد از کل مساحت منطقه، طبقه4 با ضریب حساسیت­پذیری زیاد 16/35 درصد، طبقه3 با ضریب حساسیت­پذیری متوسط22/32 درصد، طبقه 2 با ضریب حساسیت­پذیری کم27/46 درصد، طبقه1 با ضریب حساسیت­پذیری خیلی کم20/79 درصد را به خود اختصاص داده­ اند در نتیجه31/79 درصد از کل منطقه در معرض لغزش شدید قرار دارد.  با توجه به نقشه نهایی و  ارتباط نزدیک بین حضور جاده و وقوع زمین لغزش می توان بیان داشت که جاده ­های شمال غربی و شرقی  شهرستان رامسر بیش­تر در معرض وقوع زمین ­لغزش هستند.
نتیجه‌گیری: به نظر می رسد حذف پوشش گیاهی، تغییر مسیر آبراهه ،تغییر شیب طبیعی زمین،برداشت خاک ها و سنگ ها برای ساخت جاده در منطقه باعث بروز زمین زلغزش­ ها در اطراف جاده ­های جنگلی شده است. محدوده‌های حاشیه محورهای مواصلاتی افتراق زیادی بین ضرایب حساسیت­پذیری نشان داده ­اند، که این امر نشان‌دهنده اهمیت بالقوه وقوع زمین‌لغزش در این مناطق است. می‌توان نتیجه گرفت که ارائه توصیه‌ها و راه کارهای مناسب برای کاهش ریسک‌های زمین‌لغزش‌ها، بهبود مدیریت مناطق و اجرای استراتژی‌های پیشگیرانه در این منطقه بسیار ضروری است. این تحقیق نشان می‌دهد که با انجام تحلیل‌های دقیق و انطباق با وضعیت محیطی، می‌توان تدابیر مؤثری را به منظور کاهش آثار زمین‌لغزش‌ها و افزایش پایداری مناطق اجرایی کرد. از این‌رو، ترکیبی از تحلیل‌های زمین‌شناسی، هیدروژئولوژی، توپوگرافی و اطلاعات جغرافیایی می‌تواند به عنوان یک ابزار موثر برای مطالعه، پیش‌بینی و مدیریت ریسک زمین‌لغزش‌ها در مناطق کوهستانی استفاده شود.

 
متن کامل [PDF 2015 kb]   (293 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مديريت حوزه های آبخيز
دریافت: 1402/5/10 | پذیرش: 1402/9/18

فهرست منابع
1. Aditian, A., Kubota, T., Shinohara, Y, (2018). Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia", Geomorphology, Vol. 318, pp 101-111. [DOI:10.1016/j.geomorph.2018.06.006]
2. Arabameri A, rezaei K, sohrabi M, shirani K.(2019). Evaluating of Quantitative Geomorphometric Parameters Efficiency in Increasing the Accuracy of Landslide Sensitivity Maps (Case Study: Fereydoun Shahr Basin, Isfahan Province) . Journal of Watershed Management Research, 9 (18) :220-232(In Persian). http://jwmr.sanru.ac.ir/article-1-821-fa.html [DOI:10.29252/jwmr.9.18.220]
3. Aznar-Sánchez, José A., Luis J. Belmonte-Ureña, María J. López-Serrano, and Juan F. Velasco-Muñoz. (2018). Forest Ecosystem Services: An Analysis of Worldwide Research. Forests, 9(8): 453. [DOI:10.3390/f9080453]
4. Chalise, D., Kumar, L., Kristiansen, P. (2019). Land Degradation by Soil Erosion in Nepal: A Review. Soil Syst, 3, 12. [DOI:10.3390/soilsystems3010012]
5. Donnini, M., Napolitano, E., Salvati, P., Ardizzone, F., Bucci, F., Fiorucci, F., Santangelo, M., Cardinali, M., Guzzetti, F, (2017), "Impact of event landslides on road networks: a statistical analysis of two Italian case studies", Landslides, Vol. 14, pp 1521-1535. [DOI:10.1007/s10346-017-0829-4]
6. Fazeli Shahrodi, E., Hosseini, S. A. (2012). The study of the factors of landslide occurrence in forest watershed, Conference of the Engineering Geological and Environmental Society of Iran. (In Persian)https://civilica.com/doc/232908/
7. Gourabi B., Ramadan E. and Hoda E. (2009). Landslide and ways to stabilize it. Amash Mohit Journal, Vol 2, NO 7, pp. 129-139. (In Persian)https://sid.ir/paper/130428/fa
8. Hayati, E., Majnounian, B., Abdi, E., Dastranj, A. and A. Nazari Samani. (2012). Applying Landslide Hazard Zonation in Forest Road Network Design. Journal of Forest and Wood Products (JFWP) (Iranian Journal of Natural Resources), 65(1), 19-32. (In Persian) https://sid.ir/paper/162927/en
9. Huang, F., Chen, J., Du, Z., Yao, C., Huang, J., Jiang, Q., Chang, Z., Li, S. (2022). Landslide Susceptibility Prediction Considering Regional Soil Erosion Based on Machine-Learning Models. ISPRS Int. J. Geo-Inf, 9, 377. https://doi.org/10.3390/ijgi9060377 [DOI:10.3390/ijgi9060377.]
10. Jarjani A, akbari H, Hosseini S A, Abdi O. Investigation of Landslide Ranger Zoning using Analytical Hierarchy Process in GIS Environment (Case Study: Azadshahr Kohmian Forestry Design). Journal of Watershed Management Research, 9 (18) :197-207.http://jwmr.sanru.ac.ir/article-1-883-fa.html [DOI:10.29252/jwmr.9.18.197]
11. Khan, H., Shafique, M.,.Khan, MA., .Bacha, MA., Shah, SU., Calligaris, C, (2019), "Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan", The Egyptian Journal of Remote Sensing and Space Science, Vol. 22(1), pp 11-24. [DOI:10.1016/j.ejrs.2018.03.004]
12. Khetkeh A, hosseini S A, abdie E, ahmadauli K, koohi S.( 2021). Landslide Hazard Zoning by Density Area Model and Hierarchical Analysis to Assess the Pathway Designed for the Chellir District in the Khayrud Forest. Journal of Watershed Management Research, 12 (23) :273-284. (In Persian)http://dx.doi.org/10.52547/jwmr.12.23.273 [DOI:10.52547/jwmr.12.23.273]
13. Kouhpeima, A., & Feiznia, S. (2019). Investigation of factors affecting landslide and their susceptibility zoning in Latyan catchment. Journal of Range and Watershed Managment, 71(4), 1073-1083. (In Persian) [DOI:10.22059/jrwm.2019.235737.1141]
14. Lin, L., Chen, G., Shi, W., Jin, J., Wu, J., Huang, F., Chong, Y., Meng, Y., Li, Y., Zhang, Y. (2022). Spatiotemporal Evolution Pattern and Driving Mechanisms of Landslides in the Wenchuan Earthquake-Affected Region: A Case Study in the Bailong River Basin, China. Remote Sens, 14, 2339. [DOI:10.3390/rs14102339]
15. Nasiri, V., Beloiu, M., Darvishsefat, A.A., Griess, V.C., Maftei, C., Waser, L.T. (2023). Mapping tree species composition in a Caspian temperate mixed forest based on spectral-temporal metrics and machine learning. International Journal of Applied Earth Observation and Geoformation, 116: 103154. (In Persian) [DOI:10.1016/j.jag.2022.103154]
16. Nasiri, V., Sadeghi, S.M.M., Bagherabadi, R. et al. 2022. Modeling wildfire risk in western Iran based on the integration of AHP and GIS. Environ Monit Assess 194, 644 (2022). (In Persian) [DOI:10.1007/s10661-022-10318-y]
17. Raftnia, N., Mohammad Kazem, K., Tawfiq, A. (2009). Investigating the causes of landslides in Glendrud forest: a case study series 3 of watershed 48. Quarterly Journal of Natural Resources Sciences and Techniques, 6th Saas, No. 1. (In Persian)https://1jstnr.chalous.iau.ir/article_544351.html
18. Yaghoubzadeh, M., Salmanmahiny, A., Mikaeili Tabrizi, A., Danehkar, A., & Moslehi, M. (2021). Prioritizing Environmental Hazards of Mangrove Forests in Hormozgan Province. Journal of Natural Environmental Hazards, 10(30), 69-82.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb