چکیده:
شناسائی پهنههای حساس متاثر از لغزش و ریزش مهمترین بخش در تهیه نقشه زمینلغزش و ریزش میباشد. مطالعه حاضر در محور جاده هراز حدفاصل بین امامزاده هاشم و شهرستان آمل که از محورهای پرتردد و پرخطر ایران میباشد انجام پذیرفت. در این پژوهش از دو مدل شبکه عصبی مصنوعی (ANN) و فرآیند سلسلهمراتبی (AHP) به منظور ارزیابی و مقایسه با وضع موجود و معرفی مدل مناسب استفاده شده است. همچنین وضعیت موجود منطقه به صورت میدانی پایش شده و مناطق متاثر از پدیدههای ریزش و لغزش ثبت گردیده است. سطح بندی نقاط از نظر میزان خطر، تعداد نقاط از نظر عوامل خطرآفرین و اشتراک عوامل مخاطرهآمیز در نقاط ثبت شده، مرحله دیگری از مطالعه میدانی میباشد که با رویکرد کاهش ریسک انجام پذیرفت. از نقشههای رقومی ارتفاعی، شیب، جهت شیب، زمینشناسی، کاربری اراضی، فاصله از گسل، فاصله از راه به عنوان لایههای اطلاعاتی استفاده شد. در مطالعات میدانی 261 نقطه حادثهخیز متاثر از لغزش و ریزش ثبت گردید. با در نظر گرفتن تعداد نقاط برداشت شده و آمار اشتراک مخاطرات موجود در آنها و همچنین سطح بندی نقاط این نتیجه بدست آمد که تمامی نقاط ثبت شده با خطر احتمالی ریزش مواجه است. لازم بهذکر است 191 مورد از نقاط ثبت شده با سطح پر خطر تشخیص داده شد. بیشترین خطر در رابطه با اشتراک مخاطرات مربوط به ریزش و روآناب بدست آمد. با توجه به این که 88 مورد از نقاط ثبت شده مرتبط با پدیده لغزش میباشد، در صورت رخداد، این مورد بیشترین تاثیر را از نظر میزان آسیب خواهد داشت. در نهایت نتایج حاصل از پژوهش نشان داد که روش شبکه عصبی مصنوعی با وضع موجود مطابقت بیشتری داشته است. خطای بدست آمده از روش شبکه عصبی مصنوعی 8 درصد بوده و این میزان، قابل قبول بودن تحلیلهای انجام شده را نشان میدهد و این روش میتواند در مناطق مشابه مورد استفاده قرار گیرد.
IntroductionNatural disasters management requires local information to make human societies ready against dangers and reduce the disaster procedure. Hence, evaluation of landslide occurrence in the areas prone to landslide due to geographical condition and human constructions is highly crucial. Identification of rockfall and landslide sensitive zones makes the most important part of preparing map for such areas. The present study is conducted on Haraz road, within the distance of Imamzade Hashem and city of Amol, which is a busy and hazardous road in Iran.MethodologyTwo models of Artificial Neural Network (ANN) and Analytic Hierarchy Process (AHP) is used to assess and make comparison with the present condition while a proper model is introduced. A field study is also conducted on current condition of the region and landslide sensitive areas are recorded. The next stage of the field study involved ranking parts of the road based on the amount of risk; number of these parts according to risk factors, as well as identifying the common risk factors in the parts recorded aiming for risk reduction. Using digital elevation maps, such layers of information on slope, slope direction, geology, land use and distance from a fault line and road were provided. 261 parts of the road were recorded asResults and discussionThe road passes through areas that the points overlooking it often have a significant slope. The slope direction map also demonstrates that such zones overlook Haraz road. Geology of the region indicates frequency of Quaternary alluvium, basaltic tuffs and gray shales as well as sandstones in the middle third of the region. The most likely threat to the road with respect to frequency is related to rockfall. It should be noted that surface runoff produced in slopes overlooking the road during rainfall is both hazardous per se and directs the material down when the water runs. Potential Landslide other than those occurred before and fault are among the threats in the next stage. As the area is active tectonically, crushing of stones and other hard formations in fault zones is more observed and this may play a significant role in triggering slips and landslides.Conclusion Based on the number of detected points and common risks there as well as their ranking , it was concluded that all recorded points faced potential risk of rock fall. It is noteworthy that 191 of the recorded points were identified as hazardous. Most hazardous of all common risks was found as related to rock fall and surface runoff. As 88 cases were related to rock fall, it was found as the most effective factor to create harm. It was finally found that the Artificial Neural Network model is more compatible with the current condition. The error obtained from this method was 8 percent confirming that the analysis was acceptable and the method could be used to study similar areas.
خلاصه ماشینی:
ارزيابي خطر زمين لغزش با استفاده از فرايند سلسله مراتبي (AHP) ،تحليل شبکه عصبي مصنوعي (ANN) و مطالعات ميداني با رويکرد کاهش ريسک (مطالعه موردي: محور جاده هراز) سميه عمادالدين x- استاديار ژئومورفولوژي، گروه جغرافيا، دانشگاه گلستان ، گرگان ، ايران آيدين مرادي - دانشجوي کارشناسي ارشد مخاطرات محيطي، دانشگاه گلستان ، گرگان ، ايران پذيرش مقاله : ١٣٩٦/٠٤/٢٥ تائيد نهايي: ١٣٩٧/٠٣/٠٢ چکيده شناسائي پهنه هاي حساس متاثر از لغزش و ريزش مهم ترين بخش در تهيه نقشه زمين لغزش و ريزش ميباشد.
مطالعاتي که در ارتباط با پهنه بندي خطر حرکات دامنه ايي در سطح جهان و ايران انجام شده است ميتوان به موارد زير اشاره کرد:Pradhan و همکاران (٢٠٠٧) با استفاده از داده هاي سنجش از دور و GIS به تجزيه و تحليل خطرات ناشي از لغزش با استفاده از شبکه عصبي مصنوعي براي منطقه سلانگور در مالزي ١ پرداختند.
رجبي و همکاران (١٣٩٤) در مطالعه اي تحت عنوان ارزيابي و پهنه بندي خطر زمين لغزش با استفاده از فرايند تحليل شبکه و شبکه عصبي مصنوعي در منطقه آذرشهر از لايه هاي اطلاعاتي شيب ، جهت شيب ، ارتفاع ، ليتولوژي، کاربري زمين ، فاصله ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ 1 Gaussian processes regression 2 Support vector regression 3 Tonya district of Trabzon in Turkey 4 Logistic regression 5 Shafer-Dempster 6 Receiver Operating Characteristics از رودخانه ، فاصله از گسل و فاصله از جاده استفاده نموده و به اين نتيجه رسيدند که روش شبکه عصبي مصنوعي دقت بالاتري نسبت به تحليل شبکه دارد.