عنوان

کاربرد تکنیک‌های سنجش‌ازدور و ‮‭GIS‬ در ارزیابی حساسیت زمین‌لغزش( مطالعه موردی :حوضه آذرشهر چای)

Number

‭۱۴۸۳۱پ‬

.Language of Text, Soundtrack etc

per

Title Proper

کاربرد تکنیک‌های سنجش‌ازدور و ‮‭GIS‬ در ارزیابی حساسیت زمین‌لغزش( مطالعه موردی :حوضه آذرشهر چای)

First Statement of Responsibility

/حسن عابدی قشلاقی

Name of Publisher, Distributor, etc.

: جغرافیا وبرنامه ریزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۴‬

Name of Manufacturer

، راشدی

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

سنجش از دور و ‮‭GIS‬ گرایش مطالعات آب و خاک

Date of degree

‮‭۱۳۹۴/۱۱/۱۷‬

Body granting the degree

تبریز

Text of Note

زمین لغزش ها از جمله مخاطرات طبیعی مخربی هستند که اغلب به از دست دادن جان و مال انسان ها منجر شده و باعث آسیب شدید به منابع طبیعی می شوند .حوضه آذرشهر چای نیز به دلیل وجود دامنه‌های پرشیب، سازندهای سطحی تحکیم نیافته، عدم حفاظت کامل دامنه‌ها توسط پوشش گیاهی و فعال بودن فرآیندهای مختلف در طول سال، برش پای دیواره دره‌ها توسط آب‌های جاری و در دهه‌های اخیر ، دست‌کاری غیراصولی انسان در محیط یکی از مناطق مستعد بروز حرکات توده‌ای است .در این مطالعه ، دو مدل مختلف جهت بررسی ارزیابی حساسیت زمین لغزش در حوضه مورد مطالعه به کار می‌رود، فرآیند تحلیل شبکه‌ای ‮‭( ANP)‬ ، شبکه عصبی مصنوعی . ‮‭(ANN)‬هر دو روش جزء روش‌های اطلاعات‌پایه بوده و جزء مهم‌ترین تکنیک‌های تصمیم‌گیری در تجزیه‌وتحلیل زمین لغزش ها هستند .برای انجام این تحقیق نقشه‌های فاکتور مؤثر وقوع زمین لغزش) شیب ، جهت شیب ، طبقات ارتفاعی ، لیتولوژی ، کاربری زمین ، فاصله از رودخانه ، فاصله از گسل ، فاصله از جاده (در محیط ‮‭GIS‬ آماده شده و با لایه پراکنش زمین لغزش ها تطابق داده شد و اطلاعات مربوط به زمین لغزش ها در هر یک از لایه های اطلاعاتی به صورت کمی بدست آمد .سپس با استفاده از ابزار ‮‭GIS‬ و تجزیه‌وتحلیل آماری ، اهمیت هر کدام از لغزش های رخ‌داده بررسی و نقشه‌های پهنه بندی زمین لغزش تولید شد .ارزیابی نتایج به دست آمده از فرآیند تحلیل شبکه ای و شبکه عصبی مصنوعی با استفاده از ضریب آماری کاپا نشان می دهد که شبکه عصبی مصنوعی با ضریب آماری کاپا/‮‭۸۶‬ ‮‭۰‬ نسبت به فرآیند تحلیل شبکه ای با ضریب کاپا ‮‭۸۰/۰‬ از دقت بیشتری در پیش بینی زمین لغزش در حوضه آذرشهر چای برخوردار است .همچنین براساس پهنه بندی صورت گرفته با استفاده از مدل فرآیند تحلیل شبکه ای نتایج به دست آمده نشان می دهد که‮‭۵۸/۴‬ ،‮‭۵۴/۱۹‬ ، ‮‭۸۶/۵۶‬،‮‭۸۳/۱۶‬ ، ‮‭۹‬ ‮‭۶/۱‬درصد از مساحت منطقه به ترتیب در کلاسهای خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته و در مدل شبکه عصبی مصنوعی به ترتیب‮‭۹۱/۱۱‬ ،‮‭۹۷/۲۰‬ ،‮‭۶۱/۳۷‬ ،‮‭۲۸/۲۳‬ ، ‮‭۸۱/۵‬ درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است

Text of Note

Landslides are destructive natural hazards leading the loss of human life and property, which also cause severe damage to natural resources. Azarshahr Chay basin has been susceptible to landslides due to different factors such as steep slopes, unconsolidated surface formations, inefficiency of vegetation cover on slopes, the activation of various elements during the year, the undercutting flanks by rivers and all other human-made changes. Two different models of the Analytical Network Process (ANP) and Artificial Neural Network (ANN) are used to assess the landslide susceptibility in the study basin. Both methods are among the most important techniques being appeied for such analyses. In this study, the effective factor maps of landslides (slope, aspect, elevation, lithology, land use, distance from river, distance from fault, distance from road) were used and became matched with a landslide data layer quantitatively. Then, using GIS tools and statistical analyses, the significance of each occurred slip was evaluated, and landslide maps was produced. The accuracy of the results obtained from the artificial neural network analysis was evaluated using Kappa Coefficient, and the values of 0.86 and 0.8 were achieved for the artificial neural network and analytical network, respectively. The results showed that the artificial neural network was more accurate than analytical network in predicting landslides in the basin under study. Also according to the results obtained from using the model of artificial network analysis it was concluded that 4.58, 19.54, 56.86, 16.83, 1.96 percent of the area are at the classes of very low, low, medium, high and very high risks, respectively. These values were 11.91, 20.97, 37.61, 23.28, 5.81 percent for artificial neural network

عابدی قشلاقی، حسن

رجبی، معصومه، استاد راهنما

ولیزاده کامران، خلیل، استاد راهنما

Public note

سیاه و سفید

نمایه‌سازی قبلی