Authors

Abstract

Received: 2015.12.13
Accepted: 2016.10.29
Fariba Esfandiyari Darabad[1]*
Ebrahim Beheshti Javid[2]
Abstract                                                                                                   
Landslide is one of the morphodynamic processes including significant hazards in terms of fatalities, financial casualties and the number of happening. In this research, Zoning of potential landslide occurrence is studied in Heyran Defile region. To do this the combination of multi-criteria (Analytical Network Process) and statistically (Bayes' theorem) models and accompanied by 12 natural and human parameters including,  Slope, aspect, land use, lithology, precipitation, vegetation density index (NDVI), slope length (LS), topographic wetness index (TWI), stream power index (SPI), distance to road, distance to fault and distance to river were used. The layer of occurred landslides in the study area have been used to the obtaining weight of each landslide susceptibility parameters classes and validation of the final map which seventy percent of the landslide for running the model and another 30 percent is used to the model validation. The result is a map classified in five categories that respectively to be included Zones with very low, Low, Moderate, High and very High potential. According to the result map 26.3 percent of the area case study has been predicted as a region with high and very high potential for the landslide occurrence. These areas primarily to be included marginal areas of the Ardebil- Astara road.  Most landslides also occurred in these areas because of the high construction in bordering the road, disrupt the natural slope of the land for the road construction and broaden it. Land use in these areas is mainly sparse forest, rangelands and agriculture which is located on the slopes. Evaluation of zoning map was done using 30 percent of the occurred landslide. According to the results of this evaluation and placement of a considerable percentage of landslides in the high and very high sensitivity classes (77.6 %), it can be concluded that the accuracy of used models in the landslides susceptibility zoning is acceptable.



[1]- Associate Professor and Faculty Member of Mohaghegh Ardabili University, (Corresponding Autor), Email:fariba.darabad@gmail.com.


[2]- Geomorphology Ph.D. student, mohaghegh Ardabili University (Corresponding Autor).

Keywords

مقدمه

 بر اساس برآوردهای اولیه در ایران سالانه حدود 500 میلیارد ریال خسارت مالی از طریق وقوع زمین لغزش به کشور وارد می­شود (حسین­زاده و همکاران، 1388: 27) از این­رو لازم است تا تصمیمات جدی در این زمینه اتخاذ شود. از راهکارهای مناسب در جهت کاهش زیان­های مالی و جانی مخاطراتی نظیر زمین لغزش، شناسایی و پهنه­بندی زمین بر اساس قابلیت وقوع آن است. در یک عبارت ساده می­توان گفت که حساسیت وقوع زمین لغزش (LS)[1] در واقع احتمال رخداد زمین لغزش در یک ناحیه بر اساس وضعیت محلی زمین است (براب[2]، 1984: 308). مدل­هایی که برای تهیه­ی نقشه­های حساسیت وقوع زمین­لغزش استفاده می­شوند مـی­توانند با تـمرکز بر روی کاهش خطر وقوع زمـین­لغزش سـطح تصمیمات برنامه­ریزان فضایی را بالا برده و از آن پشتیبانی کنند. در حال حاضر برای مدل­سازی فضایی و پیش­بینی وقوع زمین­لغزش سطح گسترده­ای از روش­های کمی وجود دارد که توسط افراد مختلفی صورت گرفته و از ان جمله می­توان به موارد زیر اشاره کرد.

نیازی و همکاران (1389) حوضه­ی سد ایلام را با استفاده از مدل آماری دومتغیره پهنه­بندی کردند نتایج کار نشان داد که روش تراکم سطح، وزن متغیرها و ارزش اطلاعاتی به ترتیب بیش­ترین دقت را در تفکیک کلاس­های خطر زمین لغزش داشـته­اند. رحیم­زاده و طالقانی (1394) در پـژوهشی پتانسیل ناپایداری دامنه­ای را در بخش شمال غرب زاگرس مورد مطالعه قرار دادند. نتایج کار نشان داد روش آماری دومتغیره تراکم سطح بیشترین و روش وزنی نیز کمترین همخوانی با ویژگی­های منطقه­ی مورد مطالعه را دارد.

اکسوی و ارکانگلو[3](2012) با استفاده از منطق فازی و تصاویر ماهواره­ای تشخیص و شناسایی زمین لغزش­های غرب دریای سیاه را مورد پژوهش قرار دادند. بر اساس نتایج، عملگر گامای فازی از نظر دقت نسبت به سایر توابع عضویت فازی با وضع موجود تطابق بیشتری دارد. پیاسنتینیا و همکاران[4] (2012) با استفاده از مدل تئوری بیزین، حساسیت زمین لغزش را برای جنوب منطقه­ی تیرول[5] انجام دادند. نتایج نشان داد، نقشه­ی حساسیت زمین لغزش برای پیش­بینی زمین لغزش­ها با درصد بالایی (75 %) قابل اطمینان است. گوئتز و همکاران (2015) در پژوهشی توانایی مدل­های الگوریتم SVM و آماری را در مدل­سازی زمین لغزش مورد ارزیابی قرار دادند. نتایج کار نشان داد که به­طور کلی، چارچوب این نوع ارزیابی مدل را می­توان برای کمک به انتخاب یک روش مدل­سازی مناسب برای زمین لغزش اعمال کرد.

در این پژوهش منطقه­ی گردنه­ی حیران در استان اردبیل از نظر احتمال وقوع زمین لغزش مورد ارزیابی قرار گرفته است. این منطقه به دلیل دستکاری­های گسترده صورت گرفته در آن و نیز شرایط طبیعی حاکم، از نظر وقوع زمین­لغزش بسیار مستعد می­باشد. با توجه به این امر ضرورت دارد که منطقه­ی فوق با استـفاده از یکی از روش­های مناسب از نظر قابلیت وقوع زمین لغزش پهنه­بندی شود.

 

شکل (1) موقعیت منطقه­ی مورد

معرفی منطقه­ی مورد مطالعه

منطقه­ی حیران در استان اردبیل، بین عرض­ '27 °38 تا '22 °38 شمالی و طول '32 °48 تا '40 °48 شرقی قرار گرفـته است (شکل1). ارتفاع منطقه بین 256 تا 1764 متر در نوسان است. توپوگرافی منطقه بیانگر یک منطقه­ی کوهستانی و پر شیب است. از لحاظ زمین­شناسی نیز اغلب زمین­های منطقه از جنس برش­های ولکانیکی، توف و کنگلومرا است و اغلب توسط گسل­های فراوان بریده شده­اند. کاربری اغلب زمین­ها در این منطقه از نوع کشاورزی و مرتع است. به دلیل قرارگیری بخش زیادی از منطقه در دامنه­های شرقی ارتفاعات تالش اقلیم آن متأثر از جریان­های اقلیمی دریای خزر بوده و بر اساس نقشه­ی پهنه­بندی بارش منطقه میانگین بارش آن برابر با 840 میلی­متر می­باشد.

مواد و روش­ها

در این پژوهش از میان عوامل تأثیرگذار در وقوع زمین لغزش 12 پارامتر مختلف انتخاب شده و در مدل­سازی پهنه­بندی پتانسیل زمین لغزش مورد استفاده قرار گرفته است که عبارتند از: شیب زمین، جهت شیب، کاربری زمین، لیتولوژی، بارش، شاخص تراکم پوشش گیاهی (NDVI)، شاخص طول شیب (LS)، شاخص رطوبت توپوگرافیک (TWI)، شاخص قدرت آبراهه (SPI)، فاصله از جاده، فاصله از گسل و فاصله از آبراهه. برای تهیه­ی این لایه­های از منابع داده مختلفی استفاده شده است (از شکل 2تا 5).

برای تهیه­ی نقشه­ی کاربری اراضی محدوده­ی مورد مطالعه از محیط نرم­افزار پردازش تصویر  ENVIو روش طبقه­بندی نظارت شده (الگوریتم حداکثر مشابهت[6] (MLC)) و تصاویر رنگی ماهواره لندست استفاده شد.برای به دست آوردن لایه­ی پهنه­های بارشی از آمار ایستگاه­های هواشناسی منطقه استفاده شد و لایه بارش به صورت پهنه­های بارشی به دست آمد. همچنین برای تهیه­ی لایه تراکم پوشش گیاهی از تصاویر باندهای 3 و 4 ماهواره لندست استفاده شده است.

 

شکل (2) نقشه­ی سنگ­شناسی

 

شکل (3) نقشه­ی فاصله از گسل

     

شکل (4) نقشه شیب (سمت راست) نقشه جهت شیب (سمت چپ)

 

شکل(5) نقشه فاصله از رودخانه (سمت راست) و فاصله از جاده (سمت چپ) 

شاخص رطوبت توپوگرافیک (TWI)

شاخص رطوبت توپوگرافیک (شاخص تـرکیب توپوگـرافیک[7](CTI)) که بـرای توصیف الگوی فـضایی رطوبت خـاک اسـتفاده مـی­شود (ویلسون و گالانت[8]، 2000) بـه صورت

رابطه­ی زیر تعریف می­شود:

رابطه­ی (2)     

در منطقه­ی مورد مطالعه مناطق با انحنای مقعر و مناطق حاشیه­ای رودخانه­ها و دره­ها از نظر شاخص رطوبت توپوگرافیک مقدار عددی بالاتری دارند.

شاخص طول شیب (LS)

طبق این شاخص با افزایش طول شیب مقدار فرسایش افزایش می­یابد (رضایی و همکاران، 1393: 102). مور و بورچ (1986) برای شاخص LS رابطه­ی (1) را پیشنهاد داده­اند.

رابطه­ی (1)    

که در آن AS مساحت حوضه­ی آبخیز و b گرادیان شیب بر حسب درجه است.

شاخص فوق با استفاده از رابطه­ی (1) در محیط نرم­افزار Arc map تهیه شد (شکل 8). بر اساس این شاخص مناطقی که دارای طول شیب بیشتری هستند از نظر زمین لغزش پتانسیل بالاتری دارند.

شاخص قدرت آبراهه (SPI)

مور و همکاران (1991) رابطه (3) را برای محاسبه شاخص قدرت رودخانه (SPI) پیشنهاد نمودند که در این معادله اندازه­ی­ قدرت فرسایش جریان آب بر این فرض استوار است که عمل تخلیه متناسب با وسعت حوضه صورت می­گیرد. شاخص فوق با استفاده از رابطه­ی (3) و نرم­افزار  Arc map تهیه شد.  

رابطه­ی (3)      SPI=AS.tanb

که در آن رابطه­ی (3) AS مساحت حوضه­ی آبخیز و bگرادیان شیب بر حسب درجه است (شکل 8). برای منطقه­ی مورد مطالعه شاخص فوق تهیه شد و مناطق دره­ای و حاشیه­ی رودخانه­ای بیشترین ارزش را کسب کرده­اند.

   

شکل (6)  نقشه­ی بارش(سمت راست ) نقشه­ی کاربری زمین(سمت چپ)

 

شکل (7) نقشه­ی تراکم پوشش گیاهی (NDVI) سمت راست ورطوبت توپوگرافیک (شاخص TWI)- سمت چپ

 

شکل (8) نقشه­ی LS (سمت راست)و نقشه­ی قدرت آبراهه ، SPI( سمت چپ)

برای اجرای پهنه­بندی دو مدل فرآیند تحلیل شبکه و قضیه­ی بیز مورد استفاده قرارگرفته که با توجه به ماهیت مدل­ها هر کدام در مرحله­ای از پژوهش مورد استفاده قرار گرفته­اند. برای مقایسه و رتبه­بندی پارامترها از مدل فرآیند تحلیل شبکه و برای تعیین وزن کلاس­های هر پارامتر نیز از مدل قضیه­ی بیز کمک گرفته شده است.

مدل قضیه­ی بیز یا وزن شواهد

در این پژوهش از مدل قضیه­ی بیز برای پیدا کردن سطح تأثیر و وزن هر کدام از کلاس­های پارامترهای مستعدکننده­ی زمین لغزش استفاده شده است. فرمول قضیه­ی بیز بر اساس رابطه­ی زیر (رابطه­ی 4) تعریف می­شود (پیاسنتینی و همکاران، 2012: 199):

رابطه­ی (4)    

در رابطه­ی فوق P(S) احتمال اولیه وقوع پیشامد S در محدوده­ی مورد مطالعه (AS)، P(Bi)­: احتمال وقوع کلاس Bi در محدوده­ی مورد مطالعه (AS)،  احتمال وقوع پیشامد  Bi به شرطی که پیشامد S  اتفاق افتاده باشد،  : احتمال وقوع پیشامد S به شرطی که پیشامد Bi اتفاق افتاده باشد.

احتمال شرطی وقوع زمین لغزش زمانی که کلاس Bi اتفاق نیفتاده باشد نیز به صورت رابطه زیر تعریف می­شود:

رابطه­ی (5)            

در معادله­ی فوق P(s)احتمال اولیه وقوع پیشامد S در محدوده­ی مورد مطالعه (AS)،  احتمال شرطی نبود کلاس  Biبه شرطی که S اتفاق افتاده باشد، احتمال اولیه نبود کلاس Bi در محدوده­ی مورد مطالعه (AS). در این مدل، وزن کلاسه­های هر پارامتر به وسیله ترکیبی از ارزش­های مثبت و منفی (W+ و W-) از طریق تئوری بیز و نیز اختلاف تفاضل بین آ­ن­ها محاسبه مـی­شود و در نهایت با استفاده از رابطه­ی 6 تا 9 وزن نهایی کلاسه­ها حاصل می­شود.

رابطه­ی (6)     W+=LN(P(Bi|s)/P(Bi))

    رابطه­ی (7)   

رابطه­ی (8)        C=W+ - W-

رابطه­ی (9)       Wfinal=C/Sc

که در آن LN لگاریتم بر مبنی عدد نپر، C تفاضل وزن­های مثبت و منفی، Wfinal وزن نهایی استاندارد شده و Sc انحراف استاندارد است که برابر با جذر واریانس هر یک از وزن­های مثبت و منفی است (پورقاسمی و همکاران، 1391: 117).

بحث و نتایج

در این پژوهش برای مقایسه­ی زوجی و تعیین ضریب پارامترها از مدل فرآیند تحلیل شبکه و برای تعیین سطح تأثیر کلاس­های هر پارامتر از مدل قضیه­ی بیز استفاده شده است. برای اجرای مدل ANP ابتدا بر اساس ماهیت داده­ها و ارتباطات موجود بین آن­ها، پارامترها در چهار خوشه­ی اصلی 1ـ پارامترهای اقلیمی و هیدرولوژیکی 2ـ پارامترهای زمین­شناسی 3ـ پارامترهای انسانی و پوشش زمین و در نهایت 4ـ پارامترهای ژئومورفولوژیکی دسته­بندی شدند. در ادامه با مشخص شدن خوشه­ها، ساختار شبکه­ای بین خوشه­ها و پارامترهای در نظر گرفته شده تشکیل شد. تمامی مراحل مربوط به مقایسات زوجی بین خوشه­ها معیارها و روابط درونی آن­ها در محیط نرم­افزار Super Decision صورت گرفته و با تهیه­ی سوپر ماتریس حد وزن نهایی هر یک از پارامترها به دست ­آمده است. بر اساس جدول (1) لایه­ی شیب زمین با 222/0 و سنگ­شناسی با 154/0 بیشترین ضریب تأثیر را در پهنه­بندی پتانسیل زمین­لغزش دارند. در مقابل لایه­های شاخص رطوبت توپوگرافیک با 004/0 و فاصله از جاده با 005/0 کمترین ضریب تأثیر را دارا هستند. با به دست آمدن ضریب تأثیر پارامترها نوبت به محاسبه وزن کلاس­های هر پارامتر می­رسد. برای به دست آوردن این ضرایب از مدل قضیه­ی بیز استفاده شده است. دو دسته اطلاعات بـرای این مرحله مورد نـیاز بود: 1ـ زمین لغزش­های رخ داده در منطقه که در مدل­سازی 70 درصد آن­ها مورد استفاده قرار گرفته و 30 درصد زمین­لغزش­ها برای ارزیابـی مدل در نظر گرفته شده است و 2ـ پارامترهای کلاسه­بـندی شده. با داشتن داده­های فوق اطلاعات مورد نیاز برای مدل­سازی در محیط نرم­افزار Arcmap استخراج شده و از طریق فرمول­نویسی روابط مدل در نرم­افزار excel وزن کلاس­های هر طبقه به دست آمد. جدول (1) وزن به دست آمده از مدل قضیه­ی بیز را برای کلاس­های هر پارامتر نمایش می­دهد.

جدول (1) وزن کلاس­های هر پارامتر (بر اساس مدل قضیه­ی بیز)

پارامترها

کلاس

W+

W-

C

S2(W+)

S2(W-)

SC

Weight

کاربری زمین

جنگل تنک

94/0

14/0-

08/1-

017/0

0043/0

147/0

4/7

جنگل متراکم

17/0-

048/0

22/0-

017/0

0043/0

147/0

49/1-

مرتع خوب

27/2-

168/0

44/2-

2/0

0036/0

45/0

42/5-

جنگل متوسط

95/2-

137/0

09/3-

5/0

0035/0

71/0

36/4-

مرتع­و­کشاورزی­مختلط

64/0

49/0-

13/1

006/0

0081/0

12/0

46/9

سنگ­شناسی

A

29/2-

0/48

-2/77

0/083

0/003

0/29

-9/42

B

0/146

-0/034

0/18

0/016

0/004

0/146

1/23

C

0/72

-0/06

0/79

0/029

0/004

0/18

4/32

D

0/6

-0/17

0/77

0/011

    0 /005

0/128

6/04

E

3/15

-0/39

3 /54

0/01

0/0052

0/12

28/33

شاخص TWI

1

-0/84

0/26

-1/11

0/023

0/0041

0/16

-6/64

2

0/09

-0/06

0/15

0/008

0/006

0/12

1/29

3

0/71

-0/27

0/98

0/009

0/0057

0/12

8/11

4

-0/24

0/016

-0/25

0/062

0/003

0/25

-0/99

شاخص LS

1

-0/76

0/45

-1/21

0/014

0/0047

0/14

-8/81

2

0/16

-0/09

0/26

0/008

0/0059

0/12

2/21

3

0/93

-0/21

1/14

0/012

0/0049

0/13

8/66

4

1/17

-0/05

1/22

0/05

0/0038

0/23

5/27

شاخص SPI

1

-1/65

0/61

-2/26

0/035

0/0039

0/19

-11/36

2

0/46

-0/28

0/74

0/007

0/0066

0/12

6/27

3

0/35

-0/038

0/39

0/03

0/004

0/18

2/14

4

1/27

-0/17

1/45

0/015

0/0044

0/14

9/9

5

0/71

-0/06

0/77

0/032

0/004

0/19

4/05

شاخص NDVI

1

0/72

-0/06

0/78

0/037

0/0045

0/2

3/87

2

0/23

-0/17

0/41

0/008

0/0077

0/12

3/23

3

-0/23

0/04

-0/28

0/026

0/0047

0/17

-1/58

4

-0/25

0/03

-0/28

0/034

0/0045

0/19

-1/45

5

-0/46

0/1

-0/56

0/027

0/0047

0/18

-3/11

 

1

0/39

-0/33

0/73

0/006

0/007

0/12

6/19

ادامه جدول(1)

فاصله از گسل

2

0/06

-0/023

0/08

0/012

0/005

0/13

0/66

3

-0/09

9/019

-0/11

0/021

0/004

0/16

-0/7

4

-2/2

0/12

-2/32

0/25

0/0035

0/5

-4/6

فاصله­از رودخانه

1

0/6

-0/76

1/37

0/005

0/012

0/13

10/44

2

-0/65

0/23

-0/89

0/019

0/0043

0/15

-5/81

3

-0/63

0/09

-0/72

0/035

0/0039

0/2

-3/63

4

-2/63

0/04

-2/67

1

0/0035

0/002

-2/67

جهت شیب

شمال شرقی

-1/82

0/12

-1/94

0/166

0/0036

0/41

-4/71

شرق

0/36

-0/14

0/51

0/01

0/005

0/12

078/4

جنوب شرقی

0/51

-0/27

0/78

0/008

0/006

0/12

6/63

جنوب

-3/28

0/09

-3/38

1

0/0035

1/001

-3/37

شمال غربی

-0/12

0/01

-0/13

0/034

0/004

0/19

-0/67

شمال

0/74

-0/057

0/8

0/034

0/004

0/19

4/1

شیب زمین

1

-2/9

0/2

-3/12

0/33

0/0035

0/58

-5/4

2

-0/66

0/11

-0/77

0/034

0/004

0/19

-3/93

3

0/57

-0/37

0/94

0/006

0/0071

0/12

7/97

4

0/36

-0/12

0/48

0/011

0/005

0/13

3/74

5

-0/25

0/02

-0/26

0/05

0/004

0/24

-1/13

6

-0/62

0/015

-0/63

0/2

0/0035

0/45

-1/41

بارش

1

0/18

-0/12

0/31

0/007

0/006

0/11

2/65

2

-0/11

0/022

-0/13

0/02

0/004

0/16

-0/83

3

-1/025

0/1

-1/12

0/066

0/0036

0/26

-4/24

4

0/89

-0/27

1/16

0/01

0/005

0/12

9/48

فاصله از جاده

1

0/74

-1/04

1/78

0/004

0/015

0/14

12/56

2

-1/04

0/22

-1/26

0/035

0/004

0/2

-6/35

3

-0/14

0/015

-0/16

0/038

0/0038

0/2

-0/78

4

-0/55

0/02

-0/58

0/1

0/0036

0/32

 

لایه­ی سنگ­شناسی: A- برش آتشفشانی، آندوزیت پیروکسن، جریان لاوا. B- لاوا و برش آندزیتی با سنگ بستر توف.  C- تراس­های جوان و مخروط­های شن و ماسه ای. D-توف برشی، توف لاپیلی، توف آلتره و کنگلومرا. E- کنگلومرای پلی ژنیک

-1/8

وزن­های به دست آمده از مدل قضیه­ی بیز از طریق عملگر Reclassify بر روی پارامترها اعمال شده و در نهایت پارامترهای به دست آمده از این مرحله با ضرایب مدل ANP ترکیب شدند. نتیجه این فرآیند یک لایه­ی رستری است که وضعیت منطقه را از نظر پتانسیل وقوع زمین لغزش نمایش می­دهد. نقشه­ی به دست آمده، با استفاد از روش شکستگی­های طبیعی[9] در پنج کلاس حساسیت طبقه­بندی شد (شکل 9).

در این طبقه­بنـدی نـقشه­ی به دست آمده در پـنج کلاس حساسیت وقوع زمین­لغزش طبقه­بندی شده است (طبقه با پتانسیل وقوع زمین لغزش خیلی کم، پتانسیل کم، پتانسیل متوسط، پتانسیل زیاد و پتانسیل خیلی زیاد).

 

شکل (9) نقشه­ی پهنه­بندی پتانسیل زمین لغزش

ارزیابی مدل

برای ارزیابی، نقشه­ی طبقه­بندی زمین­لغزش روی­هم­گذاری شده و درصد پراکنش فضایی آن­ها را در هر کدام از طبقات به دست آمده است. نتیجه این روی هم­گذاری به صورت جدول (2) به دست آمد. بر اساس اطلاعات جدول با اینکه تنها 1/9 درصد از کل منطقه در کلاس با حساسیت خیلی زیاد قرار گرفته ولی با این­حال در حدود 7/40 از زمین لغز­ش­های در نظر گرفته شده برای ارزیابی در این طبقه قرارگرفته است. در حالت کلی حدود 6/77 درصد از این زمین لغزش­ها در دو کلاس با خطر زیاد و خیلی زیاد قرار گرفته است. جدول (2) وضعیت آماری حاصل از این ارزیابی را نشان می­دهد.

جدول (2) مساحت کلاس­های پهنه­بندی حساسیت زمین لغزش و درصد زمین لغز­ش­های رخ داده

کلاس حساسیت

مساحت هر کلاس به درصد

مساحت زمین لغزش­های رخ داده به درصد

حساسیت خیلی کم

6/17

1/4

حساسیت کم

7/31

9

حساسیت متوسط

4/24

3/9

حساسیت زیاد

2/17

37

حساسیت خیلی زیاد

1/9

6/40

نتیجه­گیری

بر اساس نقشه­ی تهیه شده بخش­های شرقی و مرکزی منطقه­ی مورد مطالعه از نظروقوع زمین لغزش بیشترین پتانسیل وقوع زمین­لغزش را دارد. طبق نقشه­ی زمین­شناسی منطقه و اطلاعات مربوط به ساختمان زمین اغلب مناطقی که به صورت مناطق با پتانسیل بالا شناسایی شده­اند جنس سنگ­­ها عمدتاً از نوع گنکلومرای پلی­ژنیک و برش­های آتشفشانی است که توسط حجم زیادی از مواد هوازده پوشیده شده است.مواد تخریب شده و هوازده موجود در روی دامنه­ها، سطح لایه­بندی موازی با شیب زمین، باعث تسریع حرکات تـوده­ای شده است. بریـدگی شیب در پای دامـنه­ها به خاطر دستکاری­های صورت گرفته توسط فعالیت­های انسانی عامل دیگری است که باعث ایجاد لغزش­های منطقه شده است. چندین گسل فعال در بیشتر بخش­های منطقه پراکنده شده و باعث ایجاد گسستگی­های زیادی در لایه­های رسوبی شـده­اند. بـرای مثال در بخش شرقی منطقه­ی مورد مطالعه می­توان شاهد تراکم بالایی از زمین لغژش­ها بود.

با توجه به اطلاعات حاصل از نتایج مطالعات 1/9 درصد از اراضی محدوده­ی مورد مطالعه به عنوان منطقه­ای با پتانسیل خیلی زیاد برای وقوع زمین لغزش در نظر گرفته شده­اند. کاربری زمین در این مناطق عمدتاً از نوع جنگل تنک، مرتع و کشاورزی بر روی دامنه­ها می­باشد. عمدتاً مناطق با پتانسیل کم و خیلی کم در بخش­های مرتفع منطقه (غرب منطقه­ی مورد مطالعه) و شمال شرق آن بعد از تونل گردنه­ی حیران واقع شده است. کاربری از نوع جنگل متراکم و مرتع خوب، داشتن فاصله دورتر از مناطق مسکونی و جاده­های ارتباطی و دستکاری کمتر توسط انسان، دریافت بارش کمتر نسبت به مناطق شرقی و شیب کم از مجموعه عواملی هستند که باعث شده مقدار وقوع زمین لغزش در این مناطق کمتر باشد و به عنوان مناطقی با پتانسیل کم و خـیلی کم معرفی شـوند. جهت ارزیابی نقشه­ی نهایی نیز از 30 درصد زمین  لغزش­های منطقه استفاده شد تا دقت مدل­های به کار رفته برای پهنه­بندی مشخص شود. بر اساس نتایج به دست آمده از این ارزیابی و قرارگیری درصد قابل توجهی از زمین لغزش­ها در طبقه با حساسیت زیاد و خیلی زیاد (6/77) دقت مدل­های به کار رفته در پهنه­بندی حساسیت وقوع زمین­لغزش قابل قبول و خوب است.   




[1]- landslide Susceptibility

[2]- Brabb

[3]- Aksoy and Ercanoglu

2- Piacentinia et al.,

3- Tyrol

1- Maximum likelihood classifier

[7]- Compound Topographic Index

[8]- Wilson & Gallant

[9]- Natural breaks

منابع
ـ حسین­زاده، محمدحسین؛ ثروتی، مجمدرضا ؛ منصوری، عادل؛ میرباقری، بابک و سعید خضری (1388)، پهنه­بندی ریسک وقوع حرکات توده­ای با استفاده از مدل رگرسیون لجستیک، فصلنامه­ی زمین­شناسی ایران، سال سوم، شماره­ی 11، صص 27-37.
ـ رحیم­زاده، زهرا و محمود علایی طالقانی (1394)، ارزیابی پتانسیل ناپایداری دامنه­ای به کمک مدل منطقه­ای در بخش شمال غرب زاگرس با توجه به زمین لغزش­های حوضه­ی لیله، جغرافیا و توسعه، شماره­ی 39، صص 194-181.
ـ رضایی، پیمان؛ فریدی، پروانه؛ قربانی، منصور و محمد کاظمی (1393)، برآورد فرسایش خاک با استفاده از مدل RUSLE و شناسایی مؤثرترین عامل در حوضه­ی آبخیز گابریک- جنوب خاوری استان هرمزگان، پژوهش­های ژئومورفولوژی کمی، شماره­ی 1، صص 97-113.
ـ شیرانی، کوروش و عرب علیرضا عامری (1394)، پهنه­بندی خطر وقوع زمین لغزش با استفاده از روش رگرسیون لجستیک (مطالعه­ی موردی: حوضه­ی دز علیا)، علوم آب و خاک، علوم و فنون کشاورزی و منابع طبیعی، شماره­ی 72، صص 334-321.
ـ عابدینی، موسی؛ بهشتی­جاوید، ابراهیم و محمدحسین فتحی (1394)، پهنه‌بندی حساسیت وقوع زمین لغزش با مدل­های آماری دومتغیره و منطق فازی، جغرافیا و برنامه­ریزی محیطی، شماره­ی 3، صص 49-60.
ـ فرجی­سبکبار، حسنعلی؛ سلمانی محمد، فریدونی؛ فاطمه؛ کریم­زاده حسین وحسن رحیمی (1389)، مکان­یابی محل دفن بهداشتی زباله­ی روستایی با استفاده از مدل فرایند شبکه­ای تحلیل (ANP): مطالعه­ی موردی نواحی روستایی شهرستان قوچان، برنامه­ریزی و آمایش فضا (مدرس علوم انسانی)، شماره­ی 65، صص 149-127.
-Aksoy, B., Ercanoglu, M. (2012), LandslideIdentification and Classification by Object-basedImage Analysis and Fuzzy Logic: An Examplefrom the AzdavayRegion (Kastamonu, Turkey), Computers & Geosciences, Vol. 38, PP. 92-97.
-Grabs, T., Seibert, J., Laudon, H., (2007), Modelling Spatial Patterns of Saturated Areas: A Comparison of the Topographic Wetness Index and a Distributed Model, Journal of Hydrology, Vol (373), No. 1. PP. 15-23.
-Lee, H. et al. (2009), Selection of Technology Acquisition Mode Using the Analytic Network Process, Mathematical and Computer Modeling, Vol. 49, PP. 1274-1282.
-Modelling J.N. Goetz, A. Brenning, H. Petschko, P. Leopold (2015), Evaluating machine  Learning  and  StatisticalPrediction  Techniques  for Landslide  Susceptibility, Computers & Geosciences, Vol. 81, August 2015, PP. 1-11.
-Mohammady, M., Pourghasemi, H.R., Pradhan, B., (2012), Landslide Susceptibility Mapping at Golestan Province, Iran: Acomparison between Frequency Ratio, Dempster–Shafer, and Weights-of-Evidence Models, Journal of Asian Earth Sciences 61. PP. 221–236.
-Piacentinia, D., Troiani, F., Soldati, M., Notarnicola, C., Savelli, D., Schneiderbauer, S.,Strada,C., (2012), Statistical Analysis for Assessing Shallow-landslide Susceptibility in South Tyrol (South-Eastern Alps, Italy), Geomorphology,Vol (151), PP.196–206.
-Manita, T., Netra, P.B., Ranjan, K., Ryuichi ,Y.,(2014), Distribution Probability of Large-scale Landslides in Central Nepal, Geomorphology ,Vol. 226, 1 December 2014, PP. 236–248.
-Poli, S., Sterlacchini, S., (2007), Landslide Representation Strategies in Susceptibility Studies Using Weights-of-Evidence Modeling Technique, Natural Resources Research, Vol 16, PP. 121–134.
-Regmi, N.R., Giardino, J.R., Vitek, J.D., (2010), Modeling Susceptibility to Landslides Using the Weight of Evidence Approach: Western Colorado, USA, Geomorphology, 115, PP. 172–187.