دوره 11، شماره 22 - ( پاییز و زمستان 1399 )
جلد 11 شماره 22 صفحات 10-1 |
برگشت به فهرست نسخه ها
بخش تحقیقات حفاظت خاک و آبخیزداری، سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، مشهد، ایران
چکیده: (2097 مشاهده)
سالانه در نقاط مختلف جهان، جان و مال بسیاری از مردم در اثر وقوع سیل به مخاطره می افتد. تغییرات کاربری اراضی، افزایش شهرنشینی، ساخت و سازهای غیر اصولی، سیستم فاضلاب قدیمی و توسعه اراضی غیرقابل نفوذ در مناطق شهری اثرات مهمی در وقوع این خطر دارند؛ لذا به‌منظور مدیریت مناطق شهری، انجام اقدامات امدادی و اولویت‌بندی مناطق جهت رفع مشکل سیلاب ابتدا بایستی مناطقی که بیشتر دچار مشکل می شوند مشخص شوند. تحلیل آسیب‌پذیری در مناطق شهری اغلب شامل معیارهای چندگانه ای است که با ایجاد سیلاب در ارتباط هستند. یکی از روشهایی که با دقت کافی و با استفاده از اطلاعات موجود می توان پتانسیل مناطق تحت خطر را مشخص کرد استفاده از مدل تابع شواهد قطعی (EBF) است که در این مطالعه برای تعیین پتانسیل خطر سیلاب در مناطق شهری استفاده شد. برای این منظور از چهار لایه اطلاعاتی شامل لایه فاصله از کانال، شیب، تراکم زهکشی و ارتفاع استفاده گردید. نقشه نهایی پتانسیل خطر آب‌گرفتگی شهری منطقه مورد مطالعه به چهار کلاس پتانسیل خطر کم، متوسط، زیاد و خیلی زیاد طبقه‌بندی شد. صحت پیش‌بینی نقشه پتانسیل خطر آب‌گرفتگی با استفاده از روش منحنی مشخصه عملکرد نسبی (ROC) بررسی گردیده و میزان مساحت زیر منحنی 27/81 درصد بهدست آمد. نتایج نشان داد که مدل تابع شواهد قطعی (EBF) برای پتانسیل خطر آب‌گرفتگی شهری در منطقه مورد مطالعه از دقت قابل قبولی برخوردار است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
آبخیزداری
دریافت: 1395/6/3 | ویرایش نهایی: 1399/12/12 | پذیرش: 1396/3/22 | انتشار: 1399/12/13
دریافت: 1395/6/3 | ویرایش نهایی: 1399/12/12 | پذیرش: 1396/3/22 | انتشار: 1399/12/13
فهرست منابع
1. Althuwaynee, O.F., B. Pradhan and S. Lee. 2012. Application of an evidential belief function model in landslide susceptibility mapping. Computers and Geosciences, 44: 120-135. [DOI:10.1016/j.cageo.2012.03.003]
2. Althuwaynee, O.F., B. Pradhan, H.J. Park and J.H. Lee. 2014. A novel ensemble bivariate statistical evidential belief function with knowledge-based analytical hierarchy process and multivariate statistical logistic regression for landslide susceptibility mapping. Catena, 114: 21-36. [DOI:10.1016/j.catena.2013.10.011]
3. Buchele, B., H. Kreibich, A. Kron, A. Thieken, J. Ihringer, P. Oberle, B. Merz and F. Nestmann. 2006. Flood-risk mapping: contributions towards an enhanced assessment of extreme events and associated risks. Natural Hazards and Earth System Sciences, 6: 485-503. [DOI:10.5194/nhess-6-485-2006]
4. Carranza, E.J.M. 2009. Controls on mineral deposit occurrence inferred from analysis of their spatial pattern and spatial association with geological features. Ore Geology Reviews, 35: 383-400. [DOI:10.1016/j.oregeorev.2009.01.001]
5. Chang, T.J., C.H. Wang and A.S. Chen. 2015. A novel approach to model dynamic flow interactions between storm sewer system and overland surface for different land covers in urban areas. Journal of Hydrology, 524: 662-679. [DOI:10.1016/j.jhydrol.2015.03.014]
6. Farhodi, R., S. Zangane Shahraki and R.S. Moocheshi. 2009. Spatial distribution of urban population during 1335 to 1385. Research in Human Geography, 68: 55-68 (In Persian).
7. Fernandez, D.S. and A.M. Lutz. 2010. Urban flood hazard zoning in Tucumán Province, Argentina, using GIS and multi criteria decision analysis. Engineering Geology, 111: 90-98. [DOI:10.1016/j.enggeo.2009.12.006]
8. Hamidi, N., M. Vafakhah and A. Najafi. 2016. Development of urban flood hazard map for Nour city using analytical hierarchy process and fuzzy logic. Journal of Watershed Management Research, 7(14): 11-19 (In Persian). [DOI:10.29252/jwmr.7.14.19]
9. Heydari, A., K. Emami, M.H. Sadat, Sh. Taghi Khan, Sh. Moradi Falah and M. Barkhordar. 2006. Forecasting and flood warning, The Iranian National Committee on Irrigation and Drainage Press, Tehran, 257 pp (In Persian).
10. Hossien Zadeh, S.R. and M. Jahadi Toroghi. 2007. The natural drainage pattern of the city of Mashhad and the intensification of urban floods. Geographical Research Quarterly, 61: 145-159 (In Persian).
11. Jiang, W., L. Deng, L., Chen, J. Wu and J. Li. 2009. Risk assessment and validation of flood disaster based on fuzzy mathematics. Progress in Natural Science, 19(10): 1419-1425. [DOI:10.1016/j.pnsc.2008.12.010]
12. Lee, S., J. Hwang, I. Park. 2012a. Application of data-driven evidential belief functions landslide susceptibility mapping in Jinbu, Korea. Catena, 100: 15-30. [DOI:10.1016/j.catena.2012.07.014]
13. Lee, S., K.Y. Song, Y. Kim and I. Park. 2012b. Regional groundwater productivity potential mapping using a geographic information system (GIS) based artificial neural network model. Hydrogeology Journal, 20(8): 1511-1527. [DOI:10.1007/s10040-012-0894-7]
14. Meesuk, V., Z. Vojinovic, A.E. Mynett and A.F. Abdullah. 2015. Urban flood modelling combining top-view LiDAR data with ground-view SfM observations. Advances in Water Resources, 75: 105-117. [DOI:10.1016/j.advwatres.2014.11.008]
15. Mohammadi, J., M. Zangene and A. Abdoli. 2010. Measuring quality of life of citizens in Mashhad. Journal of Urban Management Studies, 2: 97-117 (In Persian).
16. 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 Sciences, 61: 221-236. [DOI:10.1016/j.jseaes.2012.10.005]
17. Nampak, H., B. Pradhan and M.A. Manap. 2014. Application of GIS based data driven evidential belief function model to predict groundwater potential zonation. Journal of Hydrology, 513: 283-300. [DOI:10.1016/j.jhydrol.2014.02.053]
18. Nott, J. 2006. Extreme Events: A Physical Reconstruction and Risk Assessment. Cambridge University Press. [DOI:10.1017/CBO9780511606625]
19. Park, N.W. 2011. Application of Dempster-Shafer theory of evidence to GIS-based landslide susceptibility analysis. Environmental Earth Sciences, 62(2): 367-376. [DOI:10.1007/s12665-010-0531-5]
20. Pourghasemi, H.R. and M. Beheshtirad. 2014. Assessment of a data-driven evidential belief function model and GIS for groundwater potential mapping in the Koohrang Watershed, Iran. Geocarto Int. doi:http://dx.doi.org/10.1080/10106049.2014.966161. [DOI:10.1080/10106049.2014.966161]
21. Pourtaghi, Z.S. and H.R. Pourghasemi. 2014. GIS-based groundwater spring potential assessment and mapping in the Birjand Township, southern Khorasan Province, Iran. Hydrogeology Journal. doi:10.1007/s10040-013-1089-6. [DOI:10.1007/s10040-013-1089-6]
22. Rostami Khalaj, M. 2012. Urban flood risk zoning using hydrological and hydraulic models integration (Case study: Zone 2, City of Mashhad). MS.s thesis. University of Tehran, Iran, 141 pp (In Persian).
23. Sampson, C.C., T.J. Fewtrell, A. Duncan, K. Shaad, M.S. Horritt and P.D. Bates. 2012. Use of terrestrial laser scanning data to drive decimetric resolution urban inundation models. Advances in water resources, 41: 1-17. [DOI:10.1016/j.advwatres.2012.02.010]
24. Tahmassebipoor, N., O. Rahmati, F. Noormohamadi and S. Lee. 2016. Spatial analysis of groundwater potential using weights-of-evidence and evidential belief function models and remote sensing. Arabian Journal of Geosciences, 9(1): 1-18. [DOI:10.1007/s12517-015-2166-z]
25. Tanavud, C., C. Yongchalermchai, A. Bennui and O. Densreeserekul. 2004. Assessment of flood risk in Hat Yai municipality, Southern Thailand, using GIS. Journal of Natural Disaster Science, 26(1): 1-14. [DOI:10.2328/jnds.26.1]
26. Tangestani, M.H. and F. Moore. 2002. The use of Dempster-Shafer model and GIS in integration of geoscientific data for porphyry copper potential mapping, north of Shahr-e-Babak, Iran. International Journal of Applied Earth Observation and Geoinformation, 4: 65-74. [DOI:10.1016/S0303-2434(02)00008-9]
27. Tehrany, M.S., B. Pradhan and M.N. Jebur. 2014a. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of Hydrology, 512(1): 332-343. [DOI:10.1016/j.jhydrol.2014.03.008]
28. Tehrany, M.S., M. Lee, B. Pradhan, M.N. Jebur and S. Lee. 2014b. Flood susceptibility mapping using integrated bivariate and multivariate statistical models. Environmental Earth Sciences, doi: 10.1007/s12665-014-3289-3. [DOI:10.1007/s12665-014-3289-3]
29. Tien Bui, D., B. Pradhan, O. Lofman, I. Revhaug and O.B. Dick. 2012. Spatial prediction of landslide hazards in Hoa Binh province (Vietnam): a comparative assessment of the efficacy of evidential belief functions and fuzzy logic models. Catena, 96: 28-40. [DOI:10.1016/j.catena.2012.04.001]
30. Wheeler, P.J., J. Kunapo, J.A. Peterson and M. McMahon. 2007. Mapping relative inundation vulnerability of land parcels on low-lying ground: Exemplification with a Photogerammetrically- Derived DEM-Based Model of lakes entrance, Victoria, Australia, Proceedings of the Spatial Science Institute Biennial International Conference (SSC2007), Hobart, Tasmania, Australia.
31. Willems, P. 2013. Revision of urban drainage design rules after assessment of climate change impacts on precipitation extremes at Uccle, Belgium. Journal of Hydrology, 496: 166-177. [DOI:10.1016/j.jhydrol.2013.05.037]
32. Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey. Ph.D. Thesis, University of Melbourne, Department, Australia, 200 pp.
33. Zhu, Z., Z. Chen, X. Chen and P. He. 2016. Approach for evaluating inundation risks in urban drainage systems. Science of the Total Environment, 553: 1-12. [DOI:10.1016/j.scitotenv.2016.02.025]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |