دوره 9، شماره 18 - ( پاییز و زمستان 1397 )
جلد 9 شماره 18 صفحات 232-220 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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)
. J Watershed Manage Res. 9(18), 220-232. doi:10.29252/jwmr.9.18.220
URL: http://jwmr.sanru.ac.ir/article-1-821-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-821-fa.html
عرب عامری علیرضا، رضایی خلیل، سهرابی مسعود، شیرانی کورش. ارزیابی کارایی پارامترهای کمی ژئومورفومتریک در افزایش صحت نقشه های پهنه بندی حساسیت زمین لغزش (مطالعه موردی: حوضه فریدون شهر، استان اصفهان) پژوهشنامه مديريت حوزه آبخيز 1397; 9 (18) :232-220 10.29252/jwmr.9.18.220
1- دانشگاه تربیت مدرس
2- دانشگاه خوازمی
3- دانشگاه آزاد ارومیه
4- بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران
2- دانشگاه خوازمی
3- دانشگاه آزاد ارومیه
4- بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران
چکیده: (3656 مشاهده)
یکی از اهداف ژئومورفولوژیست ها در کار با مدل های لندفرم های مختلف، بدست آوردن روابط بهتر در درک واقعیت‌های فیزیکی محیط است. در این پژوهش به ارزیابی کارایی پارامترهای ژئومورفومتریک در افزایش دقت نقشه های پهنه بندی حساسیت زمین لغزش پرداخته شد. به این صورت که در ابتدا با استفاده از ۹ پارامتر اولیه موثر در رخداد زمین لغزش شامل شیب، جهت شیب، ارتفاع، کاربری اراضی، لیتولوژی، فاصله از جاده، فاصله از گسل، فاصله از آبراهه و شاخص پوشش گیاهی (NDVI) اقدام به تهیه نقشه پهنه بندی گردید و در گام بعد پارامترهای ژئومورفومتریک موثر در رخداد زمین لغزش شامل شاخص موقعیت توپوگرافیک (TPI)، انحنای سطح، انحنای مقطع، طول شیب (LS)، شاخص خیسی توپوگرافی (TWI)، شاخص توان آبراهه (SPI) و شاخص نسبت مساحت سطح (SAR) به مدل اضافه و اقدام به تهیه نقشه پهنه بندی گردید و در آخرین گام صحت نقشه های پهنه بندی با استفاده از منحنی ROC مورد ارزیابی قرار گرفت. جهت تهیه نقشه های پهنه بندی از یک مدل ترکیبی جدید استفاده گردید، بدین صورت که برای تعیین وزن معیارها از روش رگرسیون چند متغیره و برای تعیین وزن کلاس ها از روش نسبت فراوانی استفاده شد. نتایج حاصل از پژوهش نشان داد که شاخص های ژئومورفومتریک تأثیر به سزایی در افزایش دقت تشخیص مناطق حساس به زمین لغزش داشت و باعث افزایش صحت نقشه پهنه بندی از ۷۳۱/۰ به ۹۳۸/۰ گردید، همچنین قدرت تفکیک بین طبقات لغزش را نیز افزایش دادند. طبق نتایج پارامترهای شاخص موقعیت توپوگرافی، انحنای سطح و نسبت مساحت سطح بیشترین تأثیر را در افزایش صحت نقشه پهنه بندی داشتند. بر اساس نتایج رویکرد برتر، ۶۸/۸ درصد (۶۷۳۷ هکتار) از مساحت منطقه در رده خطر خیلی زیاد و ۳۳/۱۵ درصد (۱۱۹۰۶ هکتار) در رده زیاد قرار دارد. با توجه به توان بالای پارامترهای ژئومورفومتریک در تشخیص مناطق حساس به زمین لغزش استفاده از این پارامترها در پهنه بندی خطر زمین لغزش توصیه می گردد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1396/4/22 | پذیرش: 1397/2/1
دریافت: 1396/4/22 | پذیرش: 1397/2/1
فهرست منابع
1. Arabameri, A.R. and A.H. Halabian. 2015. Landslide Hazard Zonation Using Statistical Model of AHP (Case Study: Zarand Saveh Basin), Physical Geomorphology, 28: 65-86.
2. Arabameri, A.R. and K. Shirani. 2016. Identification of Effective Factors on Landslide Occurrence and its Hazard Zonation Using Dempster-Shafer theory (Case study:Vanak Basin, Isfahan Province). Watershed Engineering and Management, 8(1): 93-106.
3. Arabameri, A.R. and K. Shirani. 2016. Prioritization of Effective Factors on Landslide Occurrence and its Susceptibility Zonation Using Statistical Methods, A Case Study: Vanak catchment. Geodynamics Research International Bulletin, 3(05): 22-38.
4. Arabameri, A.R., K. Shirani and Kh. Rezaei. 2017. A Comparative Assessment between Weights-of-Evidence and Frequency Ratio Models for Landslide Hazard Zonation in Vanak Basin, Watershed Management Research, 8(15): 147-160.
5. Arabameri, A.R., H.R. Pourghasemi, M. Yamani. 2017. Applying different scenarios for landslide spatial modeling using computational intelligence methods. Environmental Earth Sciences, 76: 832. [DOI:10.1007/s12665-017-7177-5]
6. Althuwaynee, O.F., B. Pradhan and S. Lee. 2016. A novel integrated model for assessing landslide susceptibility mapping using CHAID and AHP pair-wise comparison. International Journal of Remote Sensing, 37: 1190-1209. [DOI:10.1080/01431161.2016.1148282]
7. Armed Forces Geographical Organization, 1:50000 Topographic maps, Chqagrg 59561V, Sary Valley 5556II, Pare Pit 59551V, Hercan shit 5955I, Fereydoon shahr 50551V.
8. Atkinson, P.M. and R. Massari. 2011. Autologistic modelling of susceptibility to landsliding in the Central Apennines. Geomorphology, 130: 55-64. [DOI:10.1016/j.geomorph.2011.02.001]
9. Chalkias, C., M. Ferentinou and C. Polykretis. 2014. GIS-Based Landslide Susceptibility Mapping on the Peloponnese Peninsula. Geosciences, 4: 176-190. [DOI:10.3390/geosciences4030176]
10. Chen, Z. and W. Jinfei. 2007. Landslide hazard mapping using logistic regression model in Machenzie Valley. Natural Hazard, 42: 75-89. [DOI:10.1007/s11069-006-9061-6]
11. Chen, W., H. Chai, X. Sun, Q. Wang, X. Ding and H. Hong. 2016a. A GIS-based comparative study of frequency ratio, statistical index and weights-of-evidence models in landslide susceptibility mapping. Arabian Journal of Geosciences, 9: 1-16. [DOI:10.1007/s12517-015-2150-7]
12. Chen, W., X. Ding, R. Zhao and S. Shi. 2016b. Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China. Environment Earth Sciences, 75:1-10. [DOI:10.1007/s12665-015-4829-1]
13. Chen, W., W. Li, H. Chai, E. Hou, X. Li and X. Ding. 2016c. GIS-based landslide susceptibility mapping using analytical hierarchy process (AHP) and certainty factor (CF) models for the Baozhong region of Baoji City, China. Environment Earth Sciences, 75:1-14. [DOI:10.1007/s12665-015-4795-7]
14. Chousianitis, K., V. Del Gaudio, N. Sabatakakis, K. Kavoura, G. Drakatos, G.D. Bathrellos and H.D. Skilodimou. 2016. Assessment of Earthquake-Induced Landslide Hazard in Greece: From Arias Intensity to Spatial Distribution of Slope Resistance Demand.Bulletin of the Seismological Society of America, 106:174-188. [DOI:10.1785/0120150172]
15. Constantin, M., M. Bednarik, M.C. Jurchescu and M. Vlaicu. 2011. Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania). Environment Earth Sciences, 63: 397-406. [DOI:10.1007/s12665-010-0724-y]
16. Dikau, R. 1989. The application of a digital relief model to landform analysis in geomorphology. In: Raper, J. (Ed.), Three Dimensional Applications in Geographical Information Systems, Taylor and Francis, London: 51-77.
17. Dolatkhahi, Z., M.R. Javadi and M. Vafakhah. 2017. Using of two and multi variate regression models on landslide hazard zonation (a case study: North Tehran Watershed). Watershed Mmanagement Research, 8 (15): 171-179.
18. Dymond, J.R., A.G. Ausseil, J.D. Shepherd and L. Buettner. 2006. Validation of a region-wide model of landslide susceptibility in the Manawatu-Wanganui region of New Zealand. Geomorphology, 74: 70-79. [DOI:10.1016/j.geomorph.2005.08.005]
19. Evans, I.S. 1972. General Geomorphology, Derivatives of Altitude and Descriptive Statistics. In R.J. Chorley (Ed.), Spatial Analysis in Geomorphology: 17-90. [DOI:10.4324/9780429273346-2]
20. Geological Survey of Iran. 1998. 1:250000 Geological maps, Golpayegan and Shahrkord sheets.
21. Guzzetti, F., A.C. Mondini, M. Cardinali, F. Fiorucci, M. Santangelo and K.T. Chang. 2012. Landslide inventory maps: New tools for an old problem. Earth-Science Reviews, 112: 42-66. [DOI:10.1016/j.earscirev.2012.02.001]
22. Hengl, T., S. Gruber and D.P. Shrestha. 2003. Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Observation Enschede. Netherlands: 62.
23. Holloway, J., C.A. Rudy, S.F. Lamoureux and P.M. Treitz. 2017. Determining the terrain characteristics related to the surface expression of subsurface water pressurization in permafrost landscapes using susceptibility modeling, The Cryosphere, 11: 1403-1415. [DOI:10.5194/tc-11-1403-2017]
24. Hong, H., B. Pradhan, M.N. Jebur, D.T. Bui, C. Xu and A. Akgun. 2015. Spatial prediction of landslide hazard at the Luxi area (China) using support vector machines. Environmental Earth Sciences, 75(40). [DOI:10.1007/s12665-015-4866-9]
25. Hong, H., H.R. Pourghasemi and Z.S. Pourtaghi. 2016. Landslide susceptibility assessment in Lianhua County (China): a comparison between a random forest data mining technique and bivariate and multivariate statistical models. Geomorphology, 259: 105-118. [DOI:10.1016/j.geomorph.2016.02.012]
26. Hong, H., W. Chen, C. Xu, A.M. Youssef, B. Pradhan and D. Tien Bui. 2016. Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor, and index of entropy. Geocarto International, 23(2): 139-154. [DOI:10.1080/10106049.2015.1130086]
27. Hong, H., W. Chen, C. Xu, A.M. Youssef, B. Pradhan, and D. Tien Bui. 2017. Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor, and index of entropy. Geocarto International, 32: 139-154. [DOI:10.1080/10106049.2015.1130086]
28. Jebur, M.N., B. Pradhan and M.S. Tehrany. 2014. Optimization of landslide conditioning factors using very highresolution airborne laser scanning (LiDAR) data at catchment scale. Remote Sensing of Environmental, 152: 150-165. [DOI:10.1016/j.rse.2014.05.013]
29. Jenness, J. 2002. Surface Areas and Ratios from Elevation Grid. Jenness Enterprises.
30. Lee, S. and B. Pradhan. 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides, 4: 33-41. [DOI:10.1007/s10346-006-0047-y]
31. Moore, I.D., R.B. Grayson and A.R. Ladson. 1991. Digital terrain modeling: a review of hydrological. Geomorphological and biological applications, Hydrology Process, 5: 3-30. [DOI:10.1002/hyp.3360050103]
32. National mapping agency. 1997. 1:40000 Aerial photos, Pishkuh Fereydūnshahr region.
33. Oh, H.J. and B. Pradhan. 2011. Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area. Computer Geosciences, 37(9:1264-1276). [DOI:10.1016/j.cageo.2010.10.012]
34. Oh, H.J. and S. Lee. 2017. Shallow Landslide Susceptibility Modeling Using the Data Mining Models Artificial Neural Network and Boosted Tree, Applied science, 7: 1000. [DOI:10.3390/app7101000]
35. Pawluszek, K. and A. Borkowski. 2017. Impact of DEM-derived factors and analytical hierarchy process on landslide susceptibility mapping in the region of Rozno'w Lake, Poland, Natural Hazards, 86: 919-952. [DOI:10.1007/s11069-016-2725-y]
36. Pike, R.J., I.S. Evans and T. Hengl. 2009. Geomorphometry: A Brief Guide. Developments in Soil Science, 33(1). [DOI:10.1016/S0166-2481(08)00001-9]
37. Pourghasemi, H.R., H.R. Moradi, S.F. Aghda, C. Gokceoglu and B. Pradhan. 2014. GIS-based landslide susceptibility mapping with probabilistic likelihood ratio and spatial multi-criteria evaluation models (North of Tehran, Iran). Arabian Journal of Geosciences 7(5):1857-1878. [DOI:10.1007/s12517-012-0825-x]
38. Rasai, A., K. Khosravi, M. Habibnejad Roshan, A. Heidari and A. Mashayekh Khan. 2015. Lnadslide Hazard Zonation using Multivariate Regression in GIS Environment (Case Study: Aghmashhad Watershed, Mazandaran). Journal of watershed management research, 6 (12): 205-215.
39. Regmi, N.R., J. Giardio and J. Vitek. 2010. Modeling susceptibility to landslides using the weight of evidence: Western Colorado, USA. Geomorphology, 115: 172-187. [DOI:10.1016/j.geomorph.2009.10.002]
40. Shirani. K. 2003. Evaluation of the most important of zonation hazard landslide methods for selection appropriate method in south of Isfahan Province (Case Study: Semirom Region across Marbor River). Final report of research plan. Record No. 83/961.
41. Shirani, K and A.R. Arabameri. 2015. Landslide Hazard Zonation Using Logistic Regression Method (Case Study: Dez-e-Oulia Basin), journal of water and soil science, 72: 321-334. [DOI:10.18869/acadpub.jstnar.19.72.27]
42. Shirani, K., F. Heydari, A.R. Arabameri. 2017. Landslide Risk Zoning Potential by Analytical Comparison of artificial neural network and multivariate regression methods in landslide hazard zonation, case study: Vanak Basin. Watershed Engineering and Management, 9(4): 45-464.
43. Tagil, S. and J. Jenness. 2008. GIS-based automated landform classification and topographic, land cover and geologic attributes of landforms around the Yazoren Poje. Turkey. Applied Sciences, 8(6): 910-921. [DOI:10.3923/jas.2008.910.921]
44. Talebi, A., R. Uijlenhoet and P.A. Troch. 2007. Soil moisture storage and hillslope stability. Nat Hazards Earth System Science, 7: 523-534. [DOI:10.5194/nhess-7-523-2007]
45. Taze, M., M. Asadi and S. Kalantari. 2015. Evaluation of capacity the Geomorphomety indicators in extracting drainage map (Seghale Sambusarayan water catchment). Quantitative Geomorphological Research, 1:134-144
46. Taze, M., S. Kalantari, H. Fathizad, R. Taghizade Mehrherdi. 2014. Classification of glacis based on Geomorphomety parameters (Aghda, Yazd). Quantitative Geomorphological Research, 4: 105-116.
47. Tobler, W.R. 1976. Analytical cartography, The American Cartographer, 3(1): 21-31. [DOI:10.1559/152304076784080230]
48. Van Western, C.J., T.H. Van Asch and R. Soeters, 2005. Landslide Hazard and Risk Zonation: Why is it Still so Difficult, Bulletin of Engineering Geology and the Environment, 2: 176-184. [DOI:10.1007/s10064-005-0023-0]
49. Wang, Q., D. Wang, Y. Huang, Z. Wang, L. Zhang, Q. Guo, W. Chen, W. Chen and M. Sang. 2015. Landslide Susceptibility Mapping Based on Selected Optimal Combination of Landslide Predisposing Factors in a Large Catchment. Sustainability7: 16653-16669. [DOI:10.3390/su71215839]
50. Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey, Ph.D Thesis. Department of Geomatics the University of Melbourne: 423 pp.
51. 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 and Geosciences, 35: 1125-1138. [DOI:10.1016/j.cageo.2008.08.007]
52. Zhou, S., G. Chen, L. Fang and Y. Nie. 2016. GIS-Based Integration of Subjective and Objective Weighting Methods for Regional Landslides Susceptibility Mapping. Sustainability, 8(334). [DOI:10.3390/su8040334]
53. Zhou, S. and L. Fang. 2015. Support vector machine modeling of earthquake-induced landslides susceptibility in central part of Sichuan province. Geoenvironmental disasters, 2(2). [DOI:10.1186/s40677-014-0006-1]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
