دوره 13، شماره 26 - ( پاییز و زمستان 1401 1401 )                   جلد 13 شماره 26 صفحات 114-105 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

nasiri M, mohammadzade M, lotfalian M, parsakhoo A. (2022). Zoning and Field Study of Landslid es along Forest Roads of Darabkola-Sari. J Watershed Manage Res. 13(26), 105-114. doi:10.52547/jwmr.13.26.105
URL: http://jwmr.sanru.ac.ir/article-1-1183-fa.html
نصیری مهران، محمدزاده مجتبی، لطفعلیان مجید، پارساخو آیدین. پهنه بندی و مطالعۀ میدانی لغزش و رانش ها در اطراف جاده های جنگلی دارابکلا- ساری پ‍‍ژوهشنامه مديريت حوزه آبخيز 1401; 13 (26) :114-105 10.52547/jwmr.13.26.105

URL: http://jwmr.sanru.ac.ir/article-1-1183-fa.html


1- گروه علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری
2- علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری
3- گروه علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع‌طبیعی ساری
4- گروه جنگلداری، دانشگاه علوم کشاورزی و منابع‌طبیعی گرگان
چکیده:   (1655 مشاهده)
چکیده مبسوط
مقدمه و هدف: در استان های شمالی کشور مخصوصا استان مازندران، گیلان و گلستان بدلیل ساخت جاده های جنگلی میزان درصد زمین‌لغزش به ­طور نسبی زیاد است. با توجه به اهمیت حفظ و نگهداری نگهداری جاده در مدت اجرای طرح تنفس جنگل، پهنه­بندی مناطق مستعد از نظر وقوع لغزش و رانش و تهیه نقشه­هایی با خطر بالای وقوع لغزش ضروری بنظر می­رسد. از آنجایی که اثرات طرح تنفس کمتر مورد بررسی قرار گرفته است این مطالعه بدنبال بررسی بیشتر تاثیر طرح تنفس بر حفاظت و نگهداری جاده های جنگلی می باشد. بنابراین هدف از این مطالعه مکانیابی دقیق مناطق پرخطر وقوع لغزش و رانش در اطراف جاده های جنگلی با در نظر گرفتن نقاط کنترل زمینی و مدلسازی عوامل موثر بر وقوع لغزش و رانش در اطراف جاده­ های جنگلی می باشد.
مواد و روش‌ها: جنگل دارابکلا در جنوب شرقی ساری به­ منظور این پژوهش انتخاب شد. ابتدا عوامل مهم و موثر بر وقوع زمین‌لغزش در منطقه شناسایی شد. سپس لایه ­های شیب، جهت شیب، شبکه جاده و بافر فاصله از جاده، خاک، خطوط گسل و آبراهه ­ها با استفاده از نرم­ افزار QGIS ver. 3.61 تهیه شد. همچنین نقاط کنترل زمینی (GCPs) از مناطق مستعد لغزش و همچنین ‌لغزش‌های انجام شده بصورت جداگانه در منطقه مورد مطالعه به وسیله دستگاه GPS ثبت و سپس در محیط QGIS رقومی‌شد. اولویت­ بندی با استفاده از روش تحلیل سلسله مراتبی انجام و پس از اعمال وزن لایه ­ها و طبقه­ بندی مجدد نقشه نهایی پهنه ­­بندی بدست آمد.
یافته‌ها: بر اساس نتایج بدست آمده 29/71 و 35/28 درصد از مساحت منطقه به ­ترتیب دارای خطر خیلی کم و کم از نظر وقوع زمین‌لغزش هستند. 21/75 درصد مساحت منطقه دارای خطر متوسط، 10/89 درصد مساحت منطقه معادل 289 هکتار دارای خطر زیاد و 2/37 درصد منطقه که معادل حدود 63 هکتار منطقه است دارای خطر خیلی زیاد از نظر وقوع زمین‌لغزش هستند. نتایج صحت پهنه ­بندی لغزش و رانش­ ها نشان داد از بین 29 نقطه ثبت شده به ­عنوان نقاط کنترل زمینی 22 مورد آن از نظر پهنه ­بندی در مناطقی با خطر لغزش زیاد و خیلی زیاد قرار گرفته ­اند و همچنین 4 مورد آن در مناطقی با خطر زمین لغزش متوسط قرار دارند. بنابراین نتایج حاصل از پهنه ­بندی با درصد بالایی با واقعیت زمینی مطابقت دارد و تنها در 3 مورد پهنه ­بندی کارایی کمتری نشان داد. در منطقه دارابکلا بدلیل وجود سنگ بستر مارن و زهکشی نادرست جاده لغزش های کم عمق متعددی با فواصل کمتر از 200 متری حاشیه جاده ثبت شده است که بدلیل رها شدن جنگل و عدم اعمال مدیریت در حال توسعه و پیشرفت است. همچنین بیشتر لغزش‌های اتفاق افتاده در منطقه­ی مورد مطالعه، در فاصله ای کمتر از ۲۰۰ متر از آبراهه ­ها مشاهده می‌شود. بازدیدهای میدانی نشان می‌دهد که لغزش­ ها بیشتر در مناطقی مشاهده می­ شوند که جاده از کنار دره ­ها عبور کرده و یا آن را قطع می­کند و بدلیل فقدان زهکشی سبب ایجاد لغزش و رانش ­های متعدد می­شود.
نتیجه‌گیری: این مطالعه نشان داد پهنه بندی تا حدود زیادی واقعیت ­های زمینی را تایید می­کند. با توجه به آمار لغزش­ های ثبت شده در تقاطع جاده و آبراهه ­ها در محل دره­ های اطراف جاده، جاده­ های جنگلی دارابکلا نیاز به پروژه­ های مرتبط با حفاظت آب و خاک دارد. به نظر می ­رسد زهکشی اصولی جاده و استفاده از روش های زیست مهندسی خاک تا حدودی زیادی می­ تواند به حفظ جاده و احیا خاک و پوشش گیاهی منطقه کمک نماید.
متن کامل [PDF 1399 kb]   (702 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: حفاظت آب و خاک
دریافت: 1400/11/25 | پذیرش: 1401/1/15

فهرست منابع
1. Abedini, M. and H. Setayeshi Nasaz. 2014. Landslide risk zoning using hierarchical analysis - Case study: Goljeh watershed. Journal of geograghy and planning, 18(49): 139-165.
2. Afjei Nasrabadi, H., SH. Shataei Joybari, N. Rafatnia and M. Shariat Jafari. 2008. Evaluation the efficiency of experimental landslide hazard zonation models (HaeriSamiei and Mora-Varson) for considering designed road network in Shastkalate forest, Gorgan. Iranian Journal of Forest and Poplar Research, 16(4): 556-573 (In Persian).
3. Akbar, T.A. and S.R. Ha. 2011. Landslide hazard zoning along Himalayan Kaghan Valley of Pakistan-by integration of GPS, GIS, and remote sensing technology. Landslides, 8(4): 527-540. [DOI:10.1007/s10346-011-0260-1]
4. Arabameri, A., B. Pradhan, K. Rezaei, S. Lee and M. Sohrabi. 2020. An ensemble model for landslide susceptibility mapping in a forested area. Geocarto International, 35(15): 1680-1705. [DOI:10.1080/10106049.2019.1585484]
5. Ayalew, L., H. Yamagishi, H. Marui and T. Kanno. 2005. GIS-based susceptibility mapping with comparisons of result from methods and verifications. The journal of Engineering Geology, 81: 432-445. [DOI:10.1016/j.enggeo.2005.08.004]
6. Baharvand, S. 2021. Landslide Risk Zoning using Frequency Ratio Model (Case Study: Fathabad Rectangular Map Area, Lorestan Province). Geotechnical Geology, 17(2): 567-574.
7. Chen, X. and W. Chen. 2021. GIS-based landslide susceptibility assessment using optimized hybrid machine learning methods. Catena, 196: 104833. [DOI:10.1016/j.catena.2020.104833]
8. Chowdhuri, I., S.C. Pal, R. Chakrabortty, S. Malik, B. Das and P. Roy. 2021. Torrential rainfall-induced landslide susceptibility assessment using machine learning and statistical methods of eastern Himalaya. Natural Hazards, 107(1): 697-722. [DOI:10.1007/s11069-021-04601-3]
9. Colkesen, I., E.K. Sahin and T. Kavzoglu. 2016. Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression. Journal of African Earth Sciences, 1(118): 53-64. [DOI:10.1016/j.jafrearsci.2016.02.019]
10. Das, I., S. Sashikant, V.W. Cees, A. Stein and R. Hack. 2010. Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas (India). Geomorphology, 114(4): 627-637. [DOI:10.1016/j.geomorph.2009.09.023]
11. Das, I., A. Stein, N. Kerle and V.K. Dadhwal. 2012. Landslide susceptibility mapping along road corridors in the Indian Himalayas using Bayesian logistic regression models. Geomorphology, 179: 116-125. [DOI:10.1016/j.geomorph.2012.08.004]
12. Devkota, K.C., A.D. Regmi, H.R. Pourghasemi, K. Yoshida, B. Pradhan, I.C. Ryu and O.F. Althuwaynee. 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]
13. Eker, R. and A. Aydin. 2016. Landslide susceptibility assessment of forest roads. European Journal of Forest Engineering, 2(2): 54-60.
14. Emadedin, S. and A. Moradi. 2018. Landslide risk assessment using hierarchical process (AHP), artificial neural network analysis (ANN) and field studies with risk reduction approach (Case study: Haraz Road). Quantitative morphological research, 6(4): 172-190.
15. Giannecchini, R. 2006. Relationship between rainfall and shallow landslides in the southern Apuan Alps (Italy). Natural Hazards and Earth System Science, 6(3): 357-364. [DOI:10.5194/nhess-6-357-2006]
16. Heidari, M.J., A. Najafi and S.J. Alavi. 2016. Detecting the warning level of forest roads pavement using the genetic algorithm. Iranian Journal of Forest and Poplar Research, 4(24): 577-587 (In Persian).
17. Kadi, F., F. Yildirim and E. Saralioglu. 2021. Risk analysis of forest roads using landslide susceptibility maps and generation of the optimum forest road route: a case study in Macka, Turkey. Geocarto International, 36(14): 1612-1629. [DOI:10.1080/10106049.2019.1659424]
18. Kamp, U., A.O. Lewis, J.G. Benjamin. 2010. Ghazanfar. Back analysis of landslide susceptibility zonation mapping for the 2005 Kashmir earthquake: An assessment of the reliability of susceptibility zoning maps. Natural Hazards, 54(1): 1-25. [DOI:10.1007/s11069-009-9451-7]
19. Kavian, A., M. Rezaei, K. Shahedi and M.A. Hadian Amri. 2021. Evaluation of Random Forest Method in Landslide Susceptibility Mapping in Sadat Mahalleh Watershed of Sari. Watershed Management Research Journal, 34(1): 74-92.
20. Khetkeh, A.H., S.A. Hosseini, E. Abdi, Kh. Ahmad Auli and Sh. Koohi. 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(3): 273-284 (In Persian).
21. Memarian, H. and M. Sayarpour. 2006. The role of slope on error in landslide risk zoning. Journal of the college of engineering, 40(1): 105-113.
22. Mohammady, M. and H.R. Pourghasemi. 2017. Prioritization of Landslide-Conditioning Factors and its Landslide Susceptibility Mapping using Random Forest New Algorithm. Journal of Watershed Management Research, 8(15): 161-169 (In Persian). [DOI:10.29252/jwmr.8.15.161]
23. Remzi, E.K.E.R. and A. Aydin. 2014. Assessment of forest road conditions in terms of landslide susceptibility: a case study in Yığılca Forest Directorate (Turkey). Turkish Journal of Agriculture and Forestry, 38(2): 281-290. [DOI:10.3906/tar-1303-12]
24. Sun, D., J. Xu, H. Wen and D. Wang. 2021. Assessment of landslide susceptibility mapping based on Bayesian hyperparameter optimization: A comparison between logistic regression and random forest. Engineering Geology, 281: 105972. [DOI:10.1016/j.enggeo.2020.105972]
25. Teymori, M. and O. Asadi. 2020. Sensitivity zoning and prioritization of factors affecting landslide occurrence using maximum entropy model (Case study: Lorestan province). Hydrogeomorphology, 6(21): 155-179.
26. Vuillez, C., M. Tonini, K. Sudmeier-Rieux, S. Devkota, M.H. Drron and M. Jaboyedoff. 2018. Land use changes, landslide and roads in the phowa watershed, western Nepal FROM 1979 TO 2016. Applied Geography, 94: 30-40. [DOI:10.1016/j.apgeog.2018.03.003]
27. Wang, H.B., J.W. Li, B. Zhou, Z.Q.Yuan and Y.P. Chen. 2017. Application of a hybrid model of neural networks and genetic algorithms to evaluate landslide susceptibility. Natural Hazards and Earth System Sciences Discussions, 4(15): 353-388.
28. Zhang, Y., W. Wu, Y. Qin, Z. Lin, G. Zhang, R. Chen and C. Shao. 2020. Mapping landslide hazard risk using random forest algorithm in Guixi, Jiangxi, China. ISPRS International Journal of Geo-Information, 9(11): 695. [DOI:10.3390/ijgi9110695]
29. Yalcin, A. 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations. Catena, 72(1): 1-12. [DOI:10.1016/j.catena.2007.01.003]

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