دوره 16، شماره 1 - ( بهار و تابستان 1404 )                   جلد 16 شماره 1 صفحات 42-27 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Rezaei Moghaddam M H, Rahimpour T. (2026). Evaluation and Zoning of Flood Hazard in the Aji Chai Basin Using the Multi-Criteria Decision-Making Technique and a Statistical Method (SI). J Watershed Manage Res. 16(1), 27-42. doi:10.61882/jwmr.2024.1265
URL: http://jwmr.sanru.ac.ir/article-1-1265-fa.html
رضائی مقدم محمدحسین، رحیم پور توحید. ارزیابی و پهنه‌بندی خطر وقوع سیل در حوضه آبریز آجی‎چای با استفاده از تکنیک تصمیم‌گیری چندمعیاره و روش آماری SI پ‍‍ژوهشنامه مديريت حوزه آبخيز 1404; 16 (1) :42-27 10.61882/jwmr.2024.1265

URL: http://jwmr.sanru.ac.ir/article-1-1265-fa.html


1- گروه ژئومورفولوژی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران
چکیده:   (1459 مشاهده)
چکیده مبسوط
مقدمه: سیلاب‌ها از جمله مهم‌ترین مخاطرات محیطی محسوب می‌شوند که همه‌ساله خسارات جبران‌ناپذیری را در سراسر کشور بر جای می‌گذارند. تحلیل فضایی حساسیت خطر وقوع سیل و تهیه نقشه‌های خطر، یک رویکرد مهم در مدیریت سیلاب است. حوضه آبریز آجیچای به ‎دلیل گستردگی مساحت و دارا بودن شرایط خاص جغرافیایی جزو حوضه‌های با پتانسیل بالای خطر وقوع سیل در نظر گرفته می‌شود. بنابراین، هدف اصلی از تحقیق حاضر تهیه نقشه پتانسیل خطر وقوع سیل در این حوضه با استفاده از دو روش تصمیم‌گیری چند معیاره و مدل آماری است. به‎ همین منظور، از 18 پارامتر مؤثر در وقوع سیل جهت تهیه نقشه‌های پتانسیل خطر وقوع سیلاب استفاده گردید. پارامترهای مورد بررسی عبارت بودند از ارتفاع، شیب، جهت شیب، شاخص رطوبت توپوگرافی، شاخص حمل رسوب، شاخص قدرت آبراهه، انحنای زمین، بارش، فاصله از آبراهه، تراکم آبراهه، لیتولوژی، گروه‌های هیدرولوژیکی خاک، ژئومورفولوژی، فاصله از پل، فاصله از سد، NDVI و کاربری اراضی.
مواد و روش‌ها: محدوده مورد مطالعه تحقیق حاضر حوضه آبریز آجیچای است که از نظر تقسیمات سیاسی در استان آذربایجان شرقی واقع شده است. حوضه آبریز آجیچای به شکل تقریباً مستطیلی بین کوهستان سبلان و رشته‌کوه قوشه داغ در شمال، رشته‌کوه بزقوش در جنوب و کوهستان سهند در جنوب غرب قرار گرفته است. مساحت این حوضه حدود 10985/9 کیلومترمربع است. تغییرات ارتفاعی حوضه از
1255 متر در خروجی حوضه تا 3816 متر در دامنه‌های کوهستان سبلان هستند. به‌طور کلی، دامنه‌های سبلان و سهند با ارتفاع بالای 3600 متر به ‌عنوان مهم‌ترین عوارض توپوگرافی در سیمای ناهمواری‌های منطقه محسوب می‌شوند. میانگین بارش سالانه حوضه آجیچای بر اساس اطلاعات ایستگاه‌های سینوپتیک (چهار ایستگاه تبریز، بستانآباد، سراب و هریس) و باران‌سنجی (24 ایستگاه) موجود در سطح منطقه، حدود 315 میلی‌متر است. در پژوهش حاضر، از مدل فرایند تحلیل شبکه‌ای (ANP) به‌عنوان یک روش تحلیل تصمیم‌گیری چندمعیاره و مدل شاخص آماری (SI) به‌ عنوان یک روش آماری دو متغیره جهت دستیابی به هدف تحقیق استفاده گردید. فرآیند تحلیل شبکه‌ای یکی از روش‌های تصمیم‌گیری چندمعیاره است که توسط توماس ال ساعتی در سال 1980 توسعه یافته است. روش شاخص آماری (SI) توسط ون وستن در سال 1997 معرفی شد، به‎ منظور اجرای مدل‌های تحقیق از موقعیت 274 نقطه سیلابی که در گذشته اتفاق افتاده‌اند، استفاده شد. نقشه موقعیت نقاط سیلاب‌های منطقه از طریق اطلاعات شرکت آب منطقه‌ای استان آذربایجان شرقی، بازدیدهای میدانی و همچنین تصویر ماهواره‌ای لندست 8 سنجنده OLI-TIRS تهیه گردید. به‎منظور ارزیابی دقت نتایج هریک از مدل‌ها، از سه شاخص‌ آماری Sensitivity، Specificity و Accuracy به‎همراه منحنی ROC و سطح زیر منحنی (AUC) استفاده گردید.
یافته‌ها: نتایج وزن ‎دهی پارامترها با استفاده از مدل ANP نشان داد که سه پارامتر بارش، ژئومورفولوژی و شیب به ‎ترتیب با ضرایب 0/137، 0/104 و 0/101 بیشترین وزن را داشتند که بیانگر تأثیر زیاد این عوامل در وقوع سیلاب‌های منطقه است. در مقابل، دو پارامتر شاخص حمل رسوب و شاخص قدرت آبراهه کمترین وزن را داشتند. ارزیابی اهمیت پارامترها با استفاده از مدل SI نیز نشان داد که مناطق نزدیک رودخانه‌ها و پل‌ها، سطوح کمارتفاع و دارای شیب کم مستعد خطر وقوع سیل هستند. نقشه‌های نهایی از حاصل ‌ضرب وزن هر کدام از پارامترها در لایه‌های اطلاعاتی آن‌ها و در پنج طبقه از پتانسیل خیلی کم تا خیلی زیاد تهیه شد. بررسی نقشه‌های نهایی نشان داد که الگوی پراکنش پهنه‌های خطر در هر دو مدل مشابه هم بودند و سطوح هموار و دشتی جزو مناطق با خطر بالای وقوع سیل شناسایی شدند. شهرهای مهم حوضه از قبیل تبریز، سراب و بستان‌آباد نیز در پهنه‌های با خطر زیاد و خیلی زیاد قرار دارند که آسیب‌پذیری این شهرها را به ‎هنگام وقوع سیلاب‌های مخرب نشان می‌دهد. این شهرها در مسیر رودخانه‌ها شکل گرفته‌اند، بنابراین لزوم توجه جدی مسئولان به امر مدیریت سیلاب‌های شهری را دوچندان می‌کند. در مقابل، ارتفاعات و دامنه‌های شیب‌دار کم‌ترین پتانسیل را جهت وقوع سیل دارند.
نتیجه‌گیری: بررسی مساحت هریک کلاس‌های خطر وقوع سیل در مدل‌های تحقیق نشان داد که در مدل ANP حدود 34 درصد و در مدل SI نیز 46 درصد از مساحت منطقه در پهنه‌های زیاد و خیلی زیاد از نظر وقوع سیل قرار داشتند. بررسی نقشه‌ها نشان داد که کلان‌شهر تبریز، که مهم‌ترین مرکز جمعیتی داخل حوضه محسوب می‌شود، به ‎دلیل توسعه در امتداد رودخانه‌های مهران‌رود و آجیچای در پهنه‌های زیاد و خیلی زیاد از نظر وقوع سیل قرار دارد. این امر لزوم توجه جدی مسئولان منطقه را جهت مدیریت هرچه بهتر مخاطره سیلاب در داخل حوضه نشان می‎دهد. نتایج ارزیابی دقت مدل‎ ها نشان میدهند که عملکرد هر دو مدل در تهیه نقشه‌های پتانسیل خطر وقوع سیل در منطقه خوب بودهاست. با این وجود، مدل SI با ضریب 0/945 بیشترین مقدار سطح زیر منحنی را دارد که بیانگر دقت بیشتر این مدل در مقایسه با مدل ANP است.

 
متن کامل [PDF 2905 kb]   (42 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1403/2/9 | پذیرش: 1403/6/22

فهرست منابع
1. Abedini, M., & beheshti javid, E. (2016). Flood risk zoning of Liqvan Chai basin using Analytic Network Process model and geographic information system. Geographic Space, 16(55), 293-312.
2. Avand, M., Moradi, H., & Ramazanzadeh lasboyee, M. (2021). Spatial modeling of flood probability using geo-environmental variables and machine learning models, case study: Tajan watershed, Iran. Advances in Space Research, 67(10), 3169-3186. https://doi.org/10.1016/j.asr.2021.02.011 [DOI:10.1016/j.asr.2021.02.011.]
3. Avand, M., Moradi, H., & Ramazanzadeh Lasbuie, M. (2022). Vulnerability Assessment of Tajan Watershed in Terms of Flood using BWM Method. Journal of Watershed Management Research, 13(26), 10-20. [DOI:10.52547/jwmr.13.26.10]
4. Aydin, H. E., & Iban, M.C. (2023). Predicting and analyzing flood susceptibility using boosting-based ensemble machine learning algorithms with SHapley Additive exPlanations. Nat Hazards, 116, 2957-2991. https://doi.org/10.1007/s11069-022-05793-y [DOI:10.1007/s11069-022-05793-y.]
5. Bisht, S., Chaudhry, S., Sharma, S., & Soni, S. (2018). Assessment of flash flood vulnerability zonation through Geospatial technique in high altitude Himalayan watershed, Himachal Pradesh India. Remote Sensing Applications: Society and Environment, 12, 35-47. https://doi.org/10.1016/j.rsase.2018.09.001 [DOI:10.1016/j.rsase.2018.09.001.]
6. Cao, C., Xu, P., Wang, Y., Chen, J., Zheng, L., & Niu, C. (2016). Flash Flood Hazard Susceptibility Mapping Using Frequency Ratio and Statistical Index Methods in Coalmine Subsidence Areas. Sustainability, 8(9), 948. https://doi.org/10.3390/su8090948 [DOI:10.3390/su8090948.]
7. Chan, F. K. S., Griffiths, J. A., Higgitt, D., Xu, S., Zhu, F., Tang, Y. T., & Thorne, C. R. (2018). Sponge city in China - a breakthrough of planning and flood risk management in the urban context. Land use Policy, 76, 772-778. [DOI:10.1016/j.landusepol.2018.03.005]
8. Chapi, K., Singh, V. P., Shirzadi, A., Shahabi, H., Bui, D. T., Pham, B. T., & Khosravi, K. (2017). A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental Modelling & Software, 95, 229-245. https://doi.org/10.1016/j.envsoft.2017.06.012 [DOI:10.1016/j.envsoft.2017.06.012.]
9. Costache, R. (2019). Flash-flood Potential Index mapping using weights of evidence, decision Trees models and their novel hybrid integration. Stochastic Environmental Research and Risk Assessment, 33(7), 1375-1402. https://doi.org/10.1007/s00477-019-01689-9 [DOI:10.1007/s00477- 019-01689-9.]
10. Dahri, N., & Abida, H. (2017). Monte Carlo simulation-aided analytical hierarchy process (AHP) for flood susceptibility mapping in Gabes Basin (southeastern Tunisia). Environmental Earth Sciences, 76(7), 302. https://doi.org/10.1007/s12665-017-6619-4 [DOI:10.1007/s12665-017-6619-4.]
11. Esfandiary Darabad, F., Layeghi, S., Mostafazadeh, R., & Haji, K. (2021). The zoning of flood risk potential in the Ghotorchay watershed with ANP and WLC multi-criteria decision making methods. Journal of Spatial Analysis Environmental Hazards, 8 (2), 135-150. [In Persian]
12. Garcia, M. M., Javier, F. O., Jeronimo, A. B., Pablo, A. B., & Rocio, P. B. (2008). Farmland appraisal based on the Analytic Network Process. Journal of Global Optimization, 42, 143-155. [DOI:10.1007/s10898-007-9235-0]
13. Ghosh, S., Saha, S., & Bera, B. (2022). Flood susceptibility zonation using advanced ensemble machine learning models within Himalayan foreland basin. Natural Hazard Research, 2(4), 363-374. https://doi.org/10.1016/j.nhres.2022.06.003 [DOI:10.1016/j.nhres.2022.06.003.]
14. Hölting, B., & Coldewey, W. G. (2019). Hydrogeology (pp. 33-37). Münster, Germany: Springer. [DOI:10.1007/978-3-662-56375-5]
15. Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A., & Chen, W. (2018). Application of fuzzy weight of evidence and data mining techniques in construction of flood susceptibility map of Poyang County, China. Science of the Total Environment, 625, 575-588. https://doi.org/10.1016/j.scitotenv.2017.12.256 [DOI:10.1016/j.scitotenv.2017.12.256.]
16. Jodi, R., Esmali Ouri, A., Mostafazadeh, R., & Golshan, M. (2023). Flood Susceptibility Mapping using the Frequency Ratio Method in Khiav Chai Watershed, Ardabil. Journal of Watershed Management Research, 14(27), 1-14. [DOI:10.61186/jwmr.14.27.1]
17. Kaur, H., Gupta, S., Parkash, S., Thapa, R., & Mandal, R. (2017). Geospatial modelling of flood susceptibility pattern in a subtropical area of West Bengal, India. Environmental Earth Sciences, 76, 1-22. https://doi.org/10.1007/s12665-017-6667-9 [DOI:10.1007/s12665-017-6667-9.]
18. Khosravi, K., Nohani, E., Maroufinia, E., & Pourghasemi, H. R. (2016). A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multi-criteria decision-making technique. Natural hazards, 83, 947-987. [DOI:10.1007/s11069-016-2357-2]
19. Kiss, R. (2004). Determination of drainage network in digital elevation models, utilities and limitations. Journal of Hungarian Geomathematics, 2, 17-29.
20. Kraus, C. N., Bonnet, M. P., de Souza Nogueira, I., Morais Pereira Souza Lobo, M. T., da Motta Marques, D., Garnier, J., & Cardoso Galli Vieira, L. (2019). Unraveling flooding dynamics and nutrients' controls upon phytoplankton functional dynamics in Amazonian floodplain lakes. Water, 11(1), 154. https://doi.org/10.3390/w11010154 [DOI:10.3390/w11010154.]
21. Kumar, D. P., Gopinath, G., & Seralathan, P. (2007). Application of remote sensing and GIS for the demarcation of groundwater potential zones of a river basin in Kerala, southwest coast of India. International Journal of Remote Sensing, 28(24), 5583-5601. [DOI:10.1080/01431160601086050]
22. Kumar, R., & Acharya, P. (2016). Flood hazard and risk assessment of 2014 floods in Kashmir Valley: a space-based multisensor approach. Natural Hazards, 84(1), 437-464. [DOI:10.1007/s11069-016-2428-4]
23. Manfreda, S., Di Leo, M., & Sole, A. (2011). Detection of flood-prone areas using digital elevation models. Journal of Hydrologic Engineering, 16(10), 781-790. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000367 [DOI:10.1061/(ASCE)HE.1943-5584.0000367.]
24. Mishra, K., & Sinha, R. (2020). Flood risk assessment in the Kosi megafan using multi-criteria decision analysis: A hydro-geomorphic approach. Geomorphology, 350, 106861. https://doi.org/10.1016/j.geomorph.2019.106861 [DOI:10.1016/j.geomorph.2019.106861.]
25. Mokhtari, D., Rezaei Moghaddam, M. H., Rahimpour, T., & Moazzez, S. (2020). Preparing the Risk Map of Flood Occurrence in the Ghomnab Chai Basin Using ANP Model and GIS Technique. Iranian Journal of Ecohydrology, 7(2), 497-509. doi: 10.22059/ije.2020.298759.1298. [In Persian]
26. Moore, I. D., Grayson, R. B., & Ladson, A. R. (1991). Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes, 5(1), 3-30. [DOI:10.1002/hyp.3360050103]
27. Mousavi, S. M., Ataie-Ashtiani, B., & Hosseini, S. M. (2022). Comparison of statistical and MCDM approaches for flood susceptibility mapping in northern Iran. Journal of Hydrology, 612. 128072. https://doi.org/10.1016/j.jhydrol.2022.128072 [DOI:10.1016/j.jhydrol.2022.128072.]
28. Msabi, M. M., & Makonyo, M. (2021). Flood susceptibility mapping using GIS and multi-criteria decision analysis: A case of Dodoma region, central Tanzania. Remote Sensing Applications: Society and Environment, 21(1), 100445. https://doi.org/10.1016/j.rsase.2020.100445 [DOI:10.1016/j.rsase.2020.100445.]
29. Nachappa, T. G., Ghorbanzadeh, O., Gholamnia, K., & Blaschke, T. (2020). Multi-hazard exposure mapping using machine learning for the State of Salzburg, Austria. Remote Sensing, 12(17), 2757. [DOI:10.3390/rs12172757]
30. Oztekin, B., & Topal, T. A. M. E. R. (2005). GIS-based detachment susceptibility analyses of a cut slope in limestone, Ankara-Turkey. Environmental geology, 49, 124-132. [DOI:10.1007/s00254-005-0071-6]
31. Pradhan, B. (2010). remote sensing and GIS-based landslide hazard analysis and cross- validation using multivariate logistic regression model on three test areas in Malaysia. Advances in Space Research, 45(10), 1244-1256. https://doi.org/10.1016/j.asr.2010.01.006 [DOI:10.1016/j.asr.2010.01.006.]
32. Rahimpour, T., Rezaei Moghaddam, M.H., Hejazi, S.A., & Vlaizadeh Kamran, K. (2023). Flood Susceptibility Modeling in the Aland Chai Basin using New Ensemble Classification Approach (FURIA-GA-LogitBoost). Journal of Geography and Environmental Hazards, 12(1), 1-24. 10.22067/geoeh.2022.74170.1141. [In Persian]
33. Rezaei Moghaddam, M. H., & Rahimpour, T. (2024). Preparation of flood hazard potential map using two methods: Frequency Ratio and Statistical Index (Case study: Aji Chai Basin). Environmental Management Hazards, 10(4), 291-308. 10.22059/jhsci.2024.369163.803
34. Rezaei Moghaddam, M. H., hejazi, A., Valizadeh kamran, K., & Rahimpour, T. (2020a). Flood Analysis of Subbasins Using WASPAS Model (Case Study: Aland Chai Basin, Northwest of Iran). Hydrogeomorphology, 7(24), 83-106. 10.22034/hyd.2020.39815.1534. [In Persian]
35. Rezaei Moghaddam, M. H., Hejazi, A., Valizadeh Kamran, K., & Rahimpour, T. (2020b). Study of Hydrogeomorphic Indices in Flood Sensitivity (Case study: Aland Chai Basin, Northwest of Iran). Quantitative Geomorphological Research, 9(2), 195-214. 10.22034/gmpj.2020.118241. [In Persian]
36. Saaty, T.L., & Vargas, L.G. (2006). Decision Making with the Analytic Network Process. New York. Springer Science, 363 pp.
37. Saeed, M. (2020). Flood Hazard Assessment and Zonation Using Artificial Neural Network Model: A Study OF River Kabul, Peshawar Vale, Pakistan. Ph.D (Thesis), University of Peshawar, Pakistan. 140 pages.
38. Saikh, N.I., & Mondal, P. (2023). GIS-based machine learning algorithm for flood susceptibility analysis in the Pagla river basin, Eastern India. Natural Hazards Research, 3(3), 420-436. https://doi.org/10.1016/j.nhres.2023.05.004 [DOI:10.1016/j.nhres.2023.05.004.]
39. Van, E.T., Schwarz, A. (2020). Plastic debris in rivers. Wiley Interdisciplinary Reviews: Water, 7(1), 1-24. [DOI:10.1002/wat2.1398]
40. WHO (World Health Organization). (2022). Floods. 2017. Available online: https://www.who.int/health- topics/floods (accessed on 13 January 2022).
41. Wu, Q., Zhao, Z., Liu, L., Granger, D.E., Wang, H., Cohen, D.J., Wu, X., Ye, M., Bar- Yosef, O., Lu, B., & Zhang, J. (2017). Response to Comments on "Outburst flood at 1920 BCE supports historicity of China's Great Flood and the Xia dynasty. Science, 355(6332), 1382. https://doi.org/10.1126/science.aal1325 [DOI:10.1126/science.aal1325.]
42. Wu, Y. L., Li, W. P., Wang, Q. Q., Liu, Q. Q., Yang, D. D., Xing, M. L., Pei, Y. B., & Yan, S. S. (2016). Landslide susceptibility assessment using frequency ratio, statistical index and certainty factor models for the Gangu County, China. Arabian Journal of Geosciences, 9, 84. https://doi.org/10.1007/s12517-015-2112-0 [DOI:10.1007/s12517-015-2112-0.]
43. Xie, H., Dong, J., Shen, Z., Chen, L., Lai, X., Qiu, J., Wei, G., Peng, Y., & Chen, X. (2019). Intra-and inter-event characteristics and controlling factors of agricultural nonpoint source pollution under different types of rainfall-runoff events. Catena, 182, 104105. https://doi.org/10.1016/j.catena.2019.104105 [DOI:10.1016/j.catena.2019.104105.]
44. Yariyan, P., Janizadeh, S., Van Phong, T., Nguyen, H. D., Costache, R., Van Le, H., Thai Pham, B., Pradhan, B., & Tiefenbacher, J. P. (2020). Improvement of best first decision trees using bagging and dagging ensembles for flood probability mapping. Water Resources Management, 34, 3037-3053. [DOI:10.1007/s11269-020-02603-7]
45. Youssef, A. M., Pradhan, B., & Hassan, A. M. (2011). Flash flood risk estimation along the St. Katherine road, southern Sinai, Egypt using GIS based morphometry and satellite imagery. Environmental Earth Sciences, 62(3), 611-623. [DOI:10.1007/s12665-010-0551-1]
46. Zhang, G., Feng, G., Li, X., Xie, C., & Pi, X. (2017). Flood effect on groundwater recharge on a typical silt loam soil. Water, 9(7), 523. https://doi.org/10.3390/w9070523 [DOI:10.3390/w9070523.]

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

© 2025 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb