پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,946,441 |
| تعداد دریافت فایل اصل مقاله | 89,616,292 |
پتانسیل یابی مناطق مستعد زمین‌لغزش با استفاده از مدل FBWM (مطالعۀ موردی: شهر تبریز) | ||
| مجله علمی " آمایش سرزمین " | ||
| دوره 12، شماره 2، مهر 1399، صفحه 571-593 اصل مقاله (1.02 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2020.295295.670058 | ||
| نویسندگان | ||
| میثم محرمی1؛ میثم ارگانی* 2 | ||
| 1دانشجوی دکتری، دانشکدة جغرافیا، دانشگاه تهران، تهران، ایران | ||
| 2استادیار، دانشکدة جغرافیا، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| مخاطرات محیطی، که طیف وسیعی از مخاطرات طبیعی و مخاطرات انسانی را شامل میشوند، از عوامل بازدارندة توسعه در مناطق مختلف‌اند. زمین‌لغزش از مخاطراتی است که عوامل مختلف طبیعی و انسانی در وقوع آن تأثیرگذار است و از موانع توسعة اقتصادی‌ـ اجتماعی و عمرانی در هر منطقه محسوب میشود. بر این اساس، در این تحقیق، با در نظر گرفتن معیارهای مختلف، پتانسیل وقوع زمین‌لغزش در شهر تبریز با استفاده از مدل FBWM بررسی شد. معیارهای استفاده‌شده در این تحقیق شامل: شیب، خمیدگی، ارتفاع، گسل، زمینشناسی، پوشش گیاهی، رودخانه و نهر، راهها، جهت شیب، و کاربری اراضی بود. برای وزندهی معیارها از مدل FBWM استفاده شد. این مدل از مدلهای نوین تصمیمگیری چندمعیاره است که با مقایسة معیارها با یک‌دیگر و ایجاد یک مسئلة بهینهسازی غیر خطی به وزندهی معیارها میپردازد. در نهایت، پس از وزندهی معیارها و ایجاد نقشههای معیار استانداردشده، نقشههای استاندارد و وزن معیارها با یک‌دیگر تلفیق و رویهمگذاری شد تا نقشة نهایی مناطق مستعد زمین‌لغزش در شهر تبریز به دست آید. بر اساس نتایج بهدستآمده، مناطق شمالی و شمال شرقی شهر تبریز از پتانسیل بالایی برای وقوع زمین‌لغزش برخوردارند. این مناطق منطبق با شهرک ولیعصر، باغمیشه، کوههای عینالی، اتوبان پاسداران، و نواحی اطراف آن هستند. از طرف دیگر، مناطق جنوبی شهر تبریز پتانسیل پایینی برای وقوع زمین‌لغزش دارند. بر این اساس، از لحاظ وقوع زمین‌لغزش در شهر تبریز، 5/2 درصد از شهر در مناطقی با پتانسیل بسیار کم، 16/15 درصد از شهر در مناطقی با پتانسیل کم، 04/36 درصد از شهر در مناطقی با پتانسیل متوسط، 97/40 درصد از شهر در مناطقی با پتانسیل زیاد، و 33/5 درصد از شهر در مناطقی با پتانسیل بسیار زیاد قرار دارند. نتایج این تحقیق دارای جنبههای کاربردی برای سازمانها و ارگانهایی همچون شهرداری، مسکن و شهرسازی، زمینشناسی، و سایر ارگانهای مربوط با مخاطرات محیطی است. | ||
| کلیدواژه‌ها | ||
| بهینهسازی؛ تبریز؛ زمین‌لغزش؛ مخاطرات محیطی؛ مدل FBWM | ||
| عنوان مقاله [English] | ||
| Evaluating the Potential of Landslide Susceptible Areas Using FBWM Model: A Case Study of Tabriz City | ||
| نویسندگان [English] | ||
| Meisam Moharrami1؛ Meysam Argany2 | ||
| 1PhD Student, Faculty of Geography, University of Tehran, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| 2Assistant Professor, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Environmental hazards, which encompass a wide range of natural hazards and human hazards, are among the barriers to development in different areas. Landslide is one of the hazards affecting different natural and anthropogenic factors and is one of the barriers to socio-economic and constructive development in each region. In this study, considering the different criteria, the potential of landslide occurrence in Tabriz city has been evaluated using FBWM model. The criteria used in this study are slope, curvature, elevation, fault, geology, vegetation, river and creek, roads, aspect, and land use. FBWM model is used to weight the criteria. This model is one of the newest multi-criteria decision-making models that weigh the criteria by comparing the criteria with each other and generating a nonlinear optimization problem. Finally, after weighting the criteria and creating standard maps, the standard maps and weightings were merged together and overlaid to produce the final map of landslide susceptible areas in Tabriz City. Based on the results, the north and northeast areas of Tabriz have high potential for landslides; these areas correspond to Valiasr town, Baghmishah, Einali Mountains, Pasdaran highway and the surrounding areas. On the other hand, the southern regions of Tabriz have a low potential for landslides. According to the results, 2.5% of Tabriz territory is located in very low potential areas for landslide occurrence, 15.16% is located in low potential areas, 36.04% is located in moderate potential areas, 40.97% is located in high potential areas, and 5.33% is located in very high potential areas for landslide occurrence. The results of this study have implications for organizations and organs such as Tabriz Municipality, Ministry of Roads and Urban Development, the Geological Survey and Mineral Explorations of Iran (GSI), and other organizations related to environmental risks. | ||
| کلیدواژه‌ها [English] | ||
| Optimization, Tabriz, Landslide, Environmental hazards, FBWM model | ||
| مراجع | ||
|
پاشا، امیرحسین؛ علی سربی؛ سعید بهزادی (1396). «ارزیابی خطر زمین‌لغزش در منطقة چهارگوش قزوین‌ـ رشت شمال ایران»، علوم زمین، س 27، ش 106، صص 89 ـ 98. روستایی، شهرام؛ لیلا خدایی؛ داود مختاری؛ خدیجه رضاطبع؛ فاطمه خدایی (1394). «کاربرد تحلیل شبکة ANP در بررسی پتانسیل وقوع زمین‌لغزش در محدودة محور و مخزن سد قلعهچای»، مخاطرات محیط طبیعی، س 4، ش 5، صص 59 ـ 74. شیرانی، کوروش؛ عبدالله سیف (1391). «پهنهبندی خطر زمین‌لغزش با استفاده از روشهای آماری منطقة پیش‌کوه شهرستان فریدون‌شهر»، علوم زمین، س 22، ش 85، صص 149 ـ 158. شیرانی، کورش؛ علی‌رضا عربعامری (1394). «پهنهبندی خطر وقوع زمین‌لغزش با استفاده از روش رگرسیون لجستیک (مطالعة موردی: حوضة دز علیا)»، علوم آب و خاک، ج 19، ش 72، صص 321 ـ 335. علمیزاده، هیوا (1390). «تحلیل مورفولوژی و شیب در ارتباط با فرسایش نمونه موردی حوضه نچی»، فصلنامة سپهر، س 20، ش 80، صص 79 ـ 83. مختاری، داود؛ حمید ابراهیمی؛ سعید سلمانی (1398). «مدلسازی خطر وقوع فرونشست زمین با استفاده از الگوریتم جنگل تصادفی (مطالعة موردی: حوزة آبریز دشت تسوج)»، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، س 10، ش 3، صص 93 ـ 105. مصفایی، جمال؛ مجید اونق؛ منصور مصداقی؛ محسن شریعت جعفری (1388). «مقایسة کارایی مدلهای تجربی و آماری پهنهبندی خطر زمین‌لغزش (مطالعة موردی: آبخیز الموت‌رود»)، پژوهشهای حفاظت آب و خاک، د 16، ش 4، صص 43 ـ 61. مقیم، حسن؛ مسعود نجابت (1398). «مقایسة کارآمدی مدلهای نیلسون اصلاح‌شده و اثر نسبی در پهنهبندی خطر زمین‌لغزش حوزة آبخیز سد پارسیان استان فارس»، مهندسی و مدیریت آبخیز، ج 11، ش 1، صص 264 ـ 272. References
Ayalew, L. & Yamagishi, H. (2005). “The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan”, Geomorphology, 65(2), pp. 15-31. Bhattarai, P., Tiwari, B., Marui, H., & Aoyama, K. (2004). “Quantitative slope stability mapping with ArcGIS: prioritize highway maintenance”, In Proceedings of ESRI's 24th Annual International User's Conference, San Diego. ESRI. Chen, W., Peng, J., Hong, H., Shahabi, H., Pradhan, B., Liu, J., & Duan, Z. (2018). “Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China”, Science of the total environment, 626(5), pp. 1121-1135. Devkota, K. C., Regmi, A. D., Pourghasemi, H. R., Yoshida, K., Pradhan, B., Ryu, I. C., & Althuwaynee, O. F. (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), pp. 135-165. Dou, J., Yunus, A. P., Bui, D. T., Merghadi, A., Sahana, M., Zhu, Z., & Pham, B. T. (2019). “Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island, Japan”, Science of the Total Environment, 662(8), pp. 332-346. Elmizadeh, H. (2012). “Morphological and slope analysis in relation to erosion case study of the nachi basin”, SEPEHR, 20(80), pp. 79-83. (in Persian) Fayez, L., Pazhman, D., Pham, B. T., Dholakia, M. B., Solanki, H. A., Khalid, M., & Prakash, I. (2018). “Application of Frequency Ratio Model for the Development of Landslide Susceptibility Mapping at Part of Uttarakhand State, India”, International Journal of Applied Engineering Research, 13(9), pp. 6846-6854. Ghoushchi, S. J., Yousefi, S., & Khazaeili, M. (2019). “An extended FMEA approach based on the Z-MOORA and fuzzy BWM for prioritization of failures”, Applied Soft Computing, 81(3), pp. 95-112. Guo, S. & Zhao, H. (2017). “Fuzzy best-worst multi-criteria decision-making method and its applicationsˮ, Knowledge-Based Systems, 121(2), pp. 23-31. Guzzetti, F., Gariano, S. L., Peruccacci, S., Brunetti, M. T., Marchesini, I., Rossi, M., & Melillo, M. (2019). “Geographical landslide early warning systems”, Earth-Science Reviews, 10(2), pp. 1-18. Guzzetti, F., Mondini, A. C., Cardinali, M., Fiorucci, F., Santangelo, M., & Chang, K. T. (2012). “Landslide inventory maps: New tools for an old problem”, Earth-Science Reviews, 112(1-2), pp. 42-66. Huang, F., Yin, K., Huang, J., Gui, L., & Wang, P. (2017). “Landslide susceptibility mapping based on self-organizing-map network and extreme learning machine”, Engineering Geology, 223(5), pp. 11-22. Jiao, Y., Zhao, D., Ding, Y., Liu, Y., Xu, Q., Qiu, Y., & Li, R. (2019). “Performance evaluation for four GIS-based models purposed to predict and map landslide susceptibility: A case study at a World Heritage site in Southwest China”, Catena, 183(2), pp. 104221-104235. Karimi, H., Sadeghi-Dastaki, M., & Javan, M. (2019). “A fully fuzzy best-worst multi attribute decision making method with triangular fuzzy number: A case study of maintenance assessment in the hospitals”, Applied Soft Computing, 86(2), pp. 105882-105896. Lee, S. & Talib, J. A. (2005). “Probabilistic landslide susceptibility and factor effect analysis”, Environmental Geology, 47(7), pp. 982-990. Luo, W. & Liu, C. C. (2018). “Innovative landslide susceptibility mapping supported by geomorphon and geographical detector methods”, Landslides, 15(3), pp. 465-474. Mi, X. & Liao, H. (2019). “An integrated approach to multiple criteria decision making based on the average solution and normalized weights of criteria deduced by the hesitant fuzzy best worst method”, Computers & Industrial Engineering, 133(1), pp. 83-94. Moghim, H. & Nejabat, M. (2019). “Efficiency assessment of Modified Nilsson and Relative Effect Models in landslide hazard zonation case study Parsian dam Watershed”, Journal of Watershed Engineering and Management, 11(1), pp. 264-272. (in Persian) Mokhtari, D., Ebrahimy, H., & Salmani, S. (2019). “Land subsidence susceptibility modeling using random forest approach Case study Tasuj plane catchment”, RS and GIS for Natural Resources, 10(3), pp. 93-105. (in Persian) Mosaffaie, J., Ownegh, M., Mesdaghi, M., & Shariat Jafari, M. (2010). “Comparing the efficiency of statistical and empirical landslide hazard zonation models in Alamout watershed”, Journal of Water and Soil Conservation, 16(4), pp. 43-61. (in Persian) Nguyen, V. V., Pham, B. T., Vu, B. T., Prakash, I., Jha, S., Shahabi, H., & Tien Bui, D. (2019). “Hybrid machine learning approaches for landslide susceptibility modelingˮ, Forests, 10(2), pp. 157-170. Pasha, A. H., Sorbi, A., & Behzadi, S. (2018). “Landslide risk assessment in Qazvin-Rasht quadrangle zone (North of Iran)”, Scientific Quarterly Journal GEOSCIENCES, 27(106), pp. 89-98. (in Persian) Pham, B. T., Bui, D. T., & Prakash, I. (2018). “Application of Classification and Regression Trees for Spatial Prediction of Rainfall-Induced Shallow Landslides in the Uttarakhand Area (India) Using GIS”, In Climate Change, Extreme Events and Disaster Risk Reduction, 25(12), pp. 159-170. Pourghasemi, H. R., Moradi, H. R., & Aghda, S. F. (2013). “Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performancesˮ, Natural hazards, 69(1), pp. 749-779. Pradhan, B., Abokharima, M. H., Jebur, M. N., & Tehrany, M. S. (2014). “Land subsidence susceptibility mapping at Kinta Valley (Malaysia) using the evidential belief function model in GIS”, Natural hazards, 73(2), pp. 1019-1042. Qiu, H., Cui, P., Regmi, A. D., Hu, S., Wang, X., & Zhang, Y. (2018). “The effects of slope length and slope gradient on the size distributions of loess slides: field observations and simulations”, Geomorphology, 300(8), pp. 69-76. Rezaei, J. (2015). “Best-worst multi-criteria decision-making method”, Omega, 53(1), pp. 49-57. Roostaei, Sh., Khodaei, L., Mokhtari, D., Rezatab, Kh., & Khodaei, F. (2015). “Application of Analytic Network Process (ANP) in the Investigation of Landslide Potential in the Axis Range and Reservoir of Ghaleh Chai Dam”, Journal of Natural Environmental Hazards, 4(5), pp. 59-74. (in Persian) Shahri, A. A., Spross, J., Johansson, F., & Larsson, S. (2019). “Landslide susceptibility hazard map in southwest Sweden using artificial neural network”, Catena, (2), pp. 104225-104239. Shirani, K. & Arabameri, A. R. (2015). “Landslide Hazard Zonation Using Logistic Regression Method (Case Study:Dez-e-Oulia Basin)”, Journal of Water and Soil Science, 19(72), pp. 321-335. (in Persian) Shirani, K. & Seif, A. (2013). “Landslide Hazard Zonation by Using Statistical Methods (Pishkuh Region in Fereydonshahr Province)”, Scientific Quarterly Journal GEOSCIENCES, 22(85), pp. 149-158. (in Persian) Trigila, A., Iadanza, C., Esposito, C., & Scarascia-Mugnozza, G. (2015). “Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy)”, Geomorphology, 249(3), pp. 119-136. Wang, Y., Feng, L., Li, S., Ren, F., & Du, Q. (2020). “A hybrid model considering spatial heterogeneity for landslide susceptibility mapping in Zhejiang Province, China”, CATENA, 188(5), pp. 1-15. Wu, Q., Zhou, L., Chen, Y., & Chen, H. (2019). “An integrated approach to green supplier selection based on the interval type-2 fuzzy best-worst and extended VIKOR methods”, Information Sciences, 502(2), pp. 394-417. | ||
|
آمار تعداد مشاهده مقاله: 615 تعداد دریافت فایل اصل مقاله: 401 |
||