دوره 10، شماره 20 - ( پاییز و زمستان 1398 )                   جلد 10 شماره 20 صفحات 62-71 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Zare N, Hosseini S A, Hafizi M K, Najafi A, Majnounian B. Landslide Hazard Zonation with Frequency Ratio Method (Case Study: Forest of Mazandaran Wood and Paper Industry). jwmr. 2019; 10 (20) :62-71
URL: http://jwmr.sanru.ac.ir/article-1-949-fa.html
زارع نسترن، حسینی سید عطااله، حفیظی محمد کاظم، نجفی اکبر، مجنونیان باریس. پهنه‌بندی حساسیت به وقوع زمین‌لغزش با روش نسبت فراوانی (مطالعه موردی: جنگل تحت مدیریت صنایع چوب و کاغذ مازندران). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1398; 10 (20) :62-71

URL: http://jwmr.sanru.ac.ir/article-1-949-fa.html


دانشگاه تهران
چکیده:   (443 مشاهده)
     زمین‌لغزش یکی از مخاطرات طبیعی است که همه ساله خسارت‌های جانی و مالی فراوانی را در مناطق کوهستانی پرباران و لرزه خیز به همراه دارد. نظر به اهمیت جاده‌ها به عنوان رکن اساسی مدیریت پایدار جنگل در این مطالعه بر آن شده‌ایم تا به برآورد حساسیت به وقوع زمین‌لغزش در 8 سری از جنگل‌های صنایع چوب و کاغذ مازندران با استفاده از روش نسبت فراوانی بپردازیم. ابتدا موقعیت لغزش‌های اتفاق افتاده توسط GPS ثبت، سپس عوامل موثر در وقوع لغزش برای منطقه مورد مطالعه تعیین گردید. نقشه‌های رستری عوامل موثر تهیه و طبقه‌بندی شدند. با توجه به پراکنش لغزش‌های ثبت شده در عرصه و طبقات عوامل موثر در نظر گرفته شده، پارامتر نسبت فراوانی برای هر طبقه از هر عامل محاسبه و رابطه آنها با وقوع زمین‌لغزش بررسی شد. نتایج ارتباط بین عامل موقعیت و لغزش‌های رخ داده نشان داد که بیشترین میزان لغزش‌ها در پایین‌دست جاده اتفاق افتاده است و با بالارفتن سن جاده‌ها از میزان لغزش‌ها کاسته می‌شود. ارتباط بین عامل خاک و لغزش‌های رخ داده نشان داد که در طبقه با کد 2.2.3 که معرف بافت خاک لومی، لومی رسی و رسی می‌باشد بیشترین تعداد لغزش مشاهده شد و نیز در طبقه ارتفاع از سطح دریا  300 تا 600 متر بیشترین میزان لغزش‌ها رخ داده است و با بالارفتن شیب تا 40 درصد به تعداد لغزش‌ها افزوده شد. ارتباط بین عامل زمین‌شناسی و لغزش‌های رخ داده نشان داد که در طبقه با کد  L-PLL2 که معرف ارتفاعات نسبتا بلند با شیب متوسط، عمق خاک متوسط، پایداری و نفوذپذیری ضعیف می‌باشد بیشترین تعداد لغزش مشاهده شد. ارتباط بین عامل بارش و لغزش‌های رخ داده نشان داد که بین 600 تا 800 میلی‌متر بیشترین میزان لغزش بوقوع پیوسته است. در جهات شمالی، شمال شرقی و شمال غربی  نیز بیشترین میزان لغزش بوقوع پیوسته است. نتایج ارزیابی مدل با روش ROC نشان داد که سطح زیرنمودار (AUC) برابر با 688/0 (8/68) درصد می‎باشد.
متن کامل [PDF 1208 kb]   (114 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مديريت حوزه های آبخيز
دریافت: 1397/4/10 | ویرایش نهایی: 1399/3/27 | پذیرش: 1397/10/26 | انتشار: 1398/10/24

فهرست منابع
1. Arabameri, A., K. Shirani and Kh. Rezaeei. 2017. A Comparative Assessment between Weights-of-Evidence and Frequency Ratio Models for Landslide Hazard Zonation in Vanak Basin. Journal of Watershed Management, 8(15): 147-160.
2. Abdi, E., B. Majnounian, M. Genet and H. Rahimi. 2010. Quantifying the effects of root reinforcement of Persian Ironwood (Parrotia persica) on slope stability; a case study: Hillslope of Hyrcanian forests, northern Iran. Ecological Engineering, 36: 1409-1416. [DOI:10.1016/j.ecoleng.2010.06.020]
3. A.E., Akay. 2006. Minimizing total costs of forest roads with computer-aided design model. Sadhana Acad, 31(5): 621-633. [DOI:10.1007/BF02715918]
4. Ayalew, L. and H. Yamagishi. 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65(1-2): 15-31. [DOI:10.1016/j.geomorph.2004.06.010]
5. Collison, A.J.C. and M.G. Anderson. 1996. Using a combined slope hydrology/stability model to identify suitable conditions for landslide prevention by vegetation in the humid tropics. Earth Surface Processes and Landforms, 21: 737-747. https://doi.org/10.1002/(SICI)1096-9837(199608)21:8<737::AID-ESP674>3.0.CO;2-F [DOI:10.1002/(SICI)1096-9837(199608)21:83.0.CO;2-F]
6. Dehnavi, A., I. Nasiri Aghdam, B. Pradhan and M.H. Morshed Varzandeh. 2015. A new hybrid model using step-wise weight assessment ratio analysis (SWARA) technique and adaptive neuro-fuzzy inference system (ANFIS) for regional landslide hazard assessment in Iran. Catena, 135: 122-148 PP. [DOI:10.1016/j.catena.2015.07.020]
7. Dislich, C. and A. Huth. 2012. Modelling the impact of shallow landslides on forest structure in tropical montane forests. Ecological Modelling Journal, 239: 40-53. [DOI:10.1016/j.ecolmodel.2012.04.016]
8. Deljouei, A., S.A. Hosseini and S.M.M. Sadeghi. 2016. Evaluation of different methods of landslide risk zonation in forest ecosystems. Journal of Extension and Development of Watershed Management, 4(13): 7-14.
9. Ercanoglu, M. and C. Gokceoglu. 2002. Assessment of landslide susceptibility for a landslide-prone area (north of Yenice, NWTurkey) by fuzzy approach. Environmental Geology, 41: 720-730. [DOI:10.1007/s00254-001-0454-2]
10. Esfandyari darabad, F. 2008. Landslide Hazard Zonation in Ardebil-Astara Road by using GIS. Quarterly Geographic Territory, 5(18): 113-124.
11. feyznia, S., M. Hasanzade and H. Ahmadi. 2001. Landslide Hazard Zonation in Shalamandro Basin in Guilan Province. Iranian Natural Resources Journal, 54(3): 207-22.
12. Ghajar, I. and A. Najafi. 2014. Modeling landslide susceptibility of a mountain forests using Adaptive Neuro-Fuzzy Inference System (ANFIS) for forest road planning. Iranian Journal of Forest and Poplar Research, 22(3): 509-526.
13. Ghajar, I., R. Naghdi and P. Dalir. 2015. Landslide Hazard Zonation by Frequency Ratio Method for Forest Road Designing, Water and Wastewater Conservation Congress, Birjand, Iran.
14. Glade, T., M. Anderson and M.J. Crozier. 2005. Landslide Hazard and Risk. Wiley Online Library. [DOI:10.1002/9780470012659]
15. Habibi, A., S. Izadyar and A. Sarafrazi. 2014. Fuzzy MCDM, Katibe gil Press, Tehran, Iran, 171pp.
16. Hasnavi, M. and S.H. Golmaee. 2015. Landslide in the Earthy Gables, 1th edition, Hooshmand Tadbir Press, Tehran, Iran, 74 pp.
17. Hayati, E., B. Majnounian, E. Abdi, A. Dastranj and A.A.N. samani. 2012. Applying Landslide Hazard Zonation in Forest Road Network Design. Journal of Forest and Wood Products, 65(1):19-32.
18. Hosseini, S.A. and N.M. Savadkuhi. 2011. Assessment and Studying Landslide, its type and displacement along Forest Road Edge (Case study: Tajan Watershed -Mazandaran). Research Journal of Forest Science and Engineering, 1(3): 1-11.
19. Hosseini, S.A. 2017. Cognition, usage and management of forest machinery, Ghalam emamat Press, Tehran, Iran, 189.
20. Iranian Plan and Budget Organization (IPBO). 2000. Guidelines for design, execute and using forest roads No: 131. Office of the Deputy for technical affairs. Bureau of Technical Affairs and Standards, 170 pp.
21. Jaafari, A., A. Najafi, J. Rezaeian and A. Sattarian. 2014. Modeling erosion and sediment delivery from unpaved roads in the north mountainous forest of Iran. International Journal on Geomathematics, 6(2): 343-356. [DOI:10.1007/s13137-014-0062-4]
22. Jaafari, A., A. Najafi, J. Rezaeian, A. Sattarian and E. Ghajar. 2015. Planning road networks in Landslide-prone areas: A case study from the northern forest of Iran. Land Use Policy Journal, 47: 198-208. [DOI:10.1016/j.landusepol.2015.04.010]
23. Larsen, M.C. and J.E. Parks. 1997. How wide is a road? The association of roads and mass-wasting in a forested mountain environment. Earth Surf. Process. Earth Surface Process and Landforms, 22: 835-848. https://doi.org/10.1002/(SICI)1096-9837(199709)22:9<835::AID-ESP782>3.0.CO;2-C [DOI:10.1002/(SICI)1096-9837(199709)22:93.0.CO;2-C]
24. Lee, S. 2007. Application and verification of fuzzy algebraic operator's landslide susceptibility mapping, Environmental Geology, 52(4): 615-623. [DOI:10.1007/s00254-006-0491-y]
25. Lee, M.J., I. Park and S. Lee. 2015. Forecasting and validation of landslide susceptibility using an integration of frequency ratio and neuro-fuzzy models: a case study of Seorak mountain area in Korea. Environ Earth Sci, 74: 413-429. [DOI:10.1007/s12665-015-4048-9]
26. Memarian, H. 2013. Engineering Geology and Geotechnics, 2268, 6th edition, University of Tehran Press, Tehran, Iran, 992 pp.
27. Mohammady, M., H.R. Pourghasemi and B. Pradhan. 2012. Landslide susceptibility mapping at Golestan Province Iran: a comparison between frequency ratio, Dempster-Shafer, and weights-of evidence models. Journal of Asian Earth Science, 61: 221-236. [DOI:10.1016/j.jseaes.2012.10.005]
28. Moradi, H.R., M. Mohammadi and H.R. Pourghasemi. 2012. Mass Movement with Emphasis to Landslide Occur Analysis by Quantitative Methods, 1609, SAMT Press, Tehran, Iran, 223 pp.
29. Nefeslioglu, H.A., T.Y. Duman and S. Durmaz. 2008. Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey). Geomorphology, 94: 401-418. [DOI:10.1016/j.geomorph.2006.10.036]
30. 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. Computers and Geosciences, 37: 1264-1276. [DOI:10.1016/j.cageo.2010.10.012]
31. Papathanassiou, G., S. Valkaniotis, A. Ganas and S. Pavlides. 2012. GISbased statistical analysis of the spatial distribution of earthquakeinduced landslides in the island of Lefkada, Ionian Islands, Greece. Landslides, 10(6): 771-783. [DOI:10.1007/s10346-012-0357-1]
32. Pham, B.T., D.T. Bui, I. Prakash and M.B. Dholakia. 2016. Rotation forest fuzzy rule-based classifer ensemble for spatial prediction of landslide using GIS. Nat Hazards, 83(1): 92-127. [DOI:10.1007/s11069-016-2304-2]
33. Porghasemi, H. 2006. Landslide Hazard Assessment Using of Fuzzy Logic, M.Sc. Thesis, Watershed Management, natural resources faculty of Tarbiat Modares University, 92 pp (In Persian).
34. Pradhan, B. 2011. Use of GIS-based fuzzy logic relations and its cross application to produce landslide susceptibility maps in three test areas in Malaysia. Environmental Earth Science, 63: 329-349. [DOI:10.1007/s12665-010-0705-1]
35. Pradhan, B. 2011. An Assessment of the Use of an Advanced Neural Network Mode with Five Different Training Strategies for the Preparation of Landslide Susceptibility Maps. Journal of Data Science, 9: 65-81. [DOI:10.5772/15738]
36. Rasyid, A.R., N.P. Bhand and R. Yatabe. 2016. Performance of frequency ratio and logistic regression model in creating GIS based landslides susceptibility map at Lompobattang Mountain, Indonesia. Geoenvironmental Disasters, 3(19): 1-16. [DOI:10.1186/s40677-016-0053-x]
37. sheyrani, K. and A.A. Ameri. 2015. Landslide Hazard Zonation by logistic regression Method (case study: dez olya basin). Journal of Sciences and Technology of Agriculture and Natural Resources, 19(72): 321-334. [DOI:10.18869/acadpub.jstnar.19.72.27]
38. Thiery Y., J.P. Malet, S. Sterlacchini, A. Puissant and O. Maquaire. 2007. Landslide susceptibility assessment by bivariate methods at large scales: application to a complex mountainous environment. Geomorphology, 92: 38-59. [DOI:10.1016/j.geomorph.2007.02.020]
39. Varnes, D.J. 1984. Landslide Hazard Zonation: A Review of Principle and Practices. UNESCO Press, Paris.
40. Van Westen, C.J., E. Castellanos and S.L. Kuriakose. 2008. Spatial data for landslide sus- ceptibility, hazard, and vulnerability assessment: an overview. Engineering Geology, 102(3): 112131. [DOI:10.1016/j.enggeo.2008.03.010]
41. Zare, M., A. Moghaddamnia, S.T. khoshk and H. Salmani. 2015. Landslide Hazard Assessment by using Neuro-Fuzzy technique in Vaz Watershed. Journal of Watershed Management, 6(11): 101-110.

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

ارسال پیام به نویسنده مسئول


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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb