ارزیابی خطرپذیری زمین لغزش در زیرساخت حمل‌ونقل جاده‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد رشته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

2 عضو هیئت‌علمی وزارت علوم، تحقیقات و فنّاوری

3 دانشجوی دکترای سنجش از راه دور دانشگاه تهران

چکیده

زیرساخت‌های حیاتی همواره در معرض خطرات ناشی از مخاطرات طبیعی قرار دارند. زمین‌لغزش ازجمله مخاطرات طبیعی است که همه‌ساله خسارت‌های قابل‌توجهی در مناطق مستعد به زیرساخت‌های حیاتی وارد می‌نماید. رشد سریع جمعیت، گسترش شهرها در نواحی کوهستانی، مشکل بودن پیش‌بینی زمان رویداد زمین‌لغزش و متعدد بودن عامل‌های مؤثر در رویداد این پدیده، ضرورت ارزیابی میزان خطرپذیری آن را در مناطق و زیرساخت‌های حیاتی مختلف را آشکار می‌سازد.
این پژوهش به دنبال آن است که با استفاده از قابلیت‌های الگوریتم شبکه عصبی و سامانۀ اطلاعات جغرافیایی (GIS)، روشی را برای ارزیابی خطرپذیری مخاطره طبیعی زمین لغزش در زیرساخت حیاتی حمل‌ونقل جاده‌ای در منطقه مرزن‌آباد ارائه نماید. در این راستا در گام نخست عوامل مؤثر در زمین‌لغزش با استفاده از مطالعات اسنادی و نظرات کارشناسان شناسایی شدند. در ادامه عوامل مذکور با استفاده از توابع موجود در محیط سامانۀ اطلاعات جغرافیایی از اطلاعات خام منطقه موردمطالعه، استخراج و به‌عنوان ورودی الگویتم شبکه عصبی مورداستفاده قرار گرفتند. نقشه خطرپذیری نهایی خروجی زمین لغزش در منطقه مرزن‌آباد حاکی از آن است که حدود 14% از زیرساخت حمل‌ونقل جاده‌ای موجود در منطقه موردمطالعه در محدود خطرپذیری خیلی‌زیاد، 24% در محدوده خطرپذیری زیاد، 35٪ در محدوده خطرپذیری متوسط، 22٪ در محدوده کم و 5٪ در محدوده خطرپذیری خیلی‌کم قرار دارد.
نتایج تحقیق مشخص نشان می‌دهد که شبکه عصبی 1×8×9 با همبستگی 90/0 با داده‌های آزمون و با همبستگی 95/0 و خطای جذر میانگین مربعات (RMSE) برابر با 05/0 توانسته است بهتر از سایر الگو‌های عصبی آموزش‌دیده و خروجی‌ها را تولید نماید و نقشه میزان خطرپذیری زیرساخت موجود در منطقه را ارائه نماید. نتایج به‌دست‌آمده در این پژوهش، کارایی ترکیب شبکه عصبی و سامانۀ اطلاعات جغرافیایی را در ارزیابی خطرپذیری مخاطرات طبیعی زمین‌شناختی در زیرساخت‌های حیاتی را با دقت قابل‌قبولی تأیید می‌نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Landslide Risk Assessment in Road Transport Infrastructure

نویسندگان [English]

  • Saeed Madadi 1
  • Ali Rahbar 2
  • Noureddin Misagh 3
1 دانشجوی دکترای رشته حفاظت ملی دانشگاه اطلاعات و امنیت ملی
2 عضو هیئت‌علمی وزارت علوم، تحقیقات و فنّاوری
3 دانشجوی دکترای سنجش از راه دور دانشگاه تهران
چکیده [English]

Critical infrastructures are constantly exposed to risks from natural hazards. Landslides are among the natural hazards that cause significant damage to critical infrastructures in susceptible areas every year. Rapid population growth, urban expansion in mountainous regions, the difficulty of predicting the timing of landslides, and the numerous factors influencing this phenomenon highlight the necessity of assessing its risk in various regions and critical infrastructures. This research aims to provide a method for assessing the risk of natural landslide hazards in critical road transport infrastructure in the Marzanabad region using the capabilities of neural network algorithms and Geographic Information Systems (GIS). Initially, factors affecting landslides were identified through documentary studies and expert opinions. These factors were then extracted from raw data of the study area using functions available in the GIS environment and used as inputs for the neural network algorithm. The final landslide risk map for the Marzanabad region indicates that approximately 14% of the existing road transport infrastructure in the study area is in very high-risk zones, 24% in high-risk zones, 35% in medium-risk zones, 22% in low-risk zones, and 5% in very low-risk zones. The research results clearly show that a 1×8×9 neural network, with a correlation of 0.90 with test data and a correlation of 0.95 with a Root Mean Square Error (RMSE) of 0.05, outperformed other trained neural models in generating outputs and presenting the risk map of the existing infrastructure in the region. The findings of this study confirm the effectiveness of combining neural networks and GIS in assessing the risk of geological natural hazards in critical infrastructures with acceptable accuracy.

کلیدواژه‌ها [English]

  • Natural Hazards
  • Critical Infrastructure
  • Risk
  • Geographic Information System (GIS)
  • Neural Network

مراجع

1- انتظاری، مژگان؛ کردوانی، موسی (1401)، پهنه‌بندی خطر زمین لغزش با استفاده از روش مبتنی بر GIS و داده‌های راداری،‌ مخاطرات محیط طبیعی، دوره11، شماره33.
2- پورتال شهرداری شهرستان مرزن‌آباد، www.marzanabad.ir
3- جکسون ، بیل، آر (1380)، آشنایی با شبکه‌های عصبی، البرزی محمود، انتشارات علمی دانشگاه شریف، صفحات 136-102.
4- حسین زاده، محمدحسین. محمدرضا ثروتی، عادل منصوری، سعید خضری (1388)، پهنه‌بندی ریسک وقوع حرکات توده‌ای با استفاده از مدل رگرسیون لجستیک، فصلنامه زمین‌شناسی ایران، سال سوم، شماره یازدهم، صفحات 27-37.
5- حسینعلی‌بیکی، غلامرضا؛ اکبرپور، عباس؛ حسینی، سیدعظیم؛ عباسیان، حمیدرضا (1404)، ارزیابی و اعتبارسنجی شاخص‌های تعیین‌کننده میزان حیاتی بودن و اهمیت زیرساخت‌ها به روش بهترین-بدترین، فصلنامه جغرافیا و مطالعات محیطی، سال یازدهم، شماره42.
6- حیکم‌زاده اصل، وحید؛ کاوند،‌ عباس؛ رستمی، حسین (1397)، الگویی برای ارزیابی دارایی‌های اساسی یک پهنه جغرافیایی با رویکرد پدافند غیرعامل، فصلنامه پیشگیری و مدیریت بحران.
7- دهقان فاروجی، فاطمه؛ بیت‌اللهی، علی (1399)،‌ الگوی ارزیابی خطرپذیری شهری در بلایای طبیعی،‌ مرکز تحقیقات راه، مسکن و شهرسازی، دوره سیزدهم،‌ شماره23.
8- رجائی، عبدالحمید (1387)، کاربرد جغرافیای طبیعی در برنامه‌ریزی شهری و روستایی. انتشارات سمت.
9- رجبی،‌ معصومه؛ رضایی‌مقدم، محمدحسین ( 1399)، پهنه‌بندی پتانسیل خطر زمین‌لغزش با استفاده از مدل شبکه عصبی، پژوهش‌های ژئومورفولوژی کمی، سال نهم، شماره3.
10- رستگار،‌ علیرضا (1399)، زمین‌لغزش‌ها و سابقه آن در ایران، مرکز تحقیقات علمی فدک.
11- شهرستانکی،‌ اکبر (1398)‌ ، مخاطرات طبیعی،‌ مرکز و گروه تحقیقات بهداشت در اورژانس و بلایا، تهران،‌ ایران.
12- طرح راهبردی حفاظت از زیرساخت‌های حیاتی (1402)، سازمان پدافند غیرعامل کشور.
13- لجم‌اورک، مرتضی و پیری، زهرا (1402)، پهنه‌بندی خطر وقع زمین‌لغزش با استفاده از مدل تحلیل سلسله مراتبی و GIS، جغرافیا و مخاطرات طبیعی، سال دوازدهم،‌ شماره 47.
14- منهاج م، مبانی شبکه‌های عصبی (1378)، انتشارات دانشگاه صنعتی امیرکبیر، صفحات 69-56.
15- میریوسفی، سیدمحسن و غفارپور، رضا (1399)، راهبردهای نوین حفاظت از زیرساخت‌های حیاتی، فصلنامه پدافند غیرعامل، سال یازدهم شماره3.
16- نظام فنی-تخصصی حفاظت از زیرساخت‌ها (1402)، سازمان پدافند غیرعامل کشور.
17- نوراللهی، حانیه؛ برزگر، اکرم؛ عوض‌آبادیان، فرشید؛ سلیمانی، عاطفه و علیخانی، آرزو (1394)، ارائه الگوی ارزیابی خطرپذیری (ریسک) بر اساس تلفیق رویکردهای عملکردی و آمایشی در زیرساخت‌های حیاتی؛ دو فصلنامه مدیریت بحران، ش.7.
18- نوریزدیان، ع. ر و ملکی راد، ز (1389)، بررسی عوامل مؤثر در وقوع زمین‌لغزش، چهاردهمین همایش انجمن زمین‌شناسی ایران، 25 تا 27 شهریور، دانشگاه ارومیه.
19- نیک‌اندیش نسترن (1373)، زمین‌لغزش (تعریف - طبقه‌بندی - انواع و علل وقوع) معاونت آبخیزداری جهاد سازندگی، دفتر مطالعات و ارزیابی آبخیزها، فروردین.
https://www.fadak-src.com
 
20- Corominas, J., Guzzetti, F., Lan, H. et al. Revisiting landslide risk terms: IAEG commission C-37 working group on landslide risk nomenclature. Bull Eng Geol Environ 82, 450 (2023). https://doi.org/10.1007/s10064-023-03474-z
21- DIRECTIVE (EU) 2022/2557 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 14 December 2022 on the resilience of critical entities and repealing Council Directive 2008/114/EC https://eur-lex.europa.eu/eli/dir/2022/2557/oj.
22- Lo, C. M., Feng, Z. Y., & Chang, K. T. (2018). Landslide hazard zoning based on numerical simulation and hazard assessment. Geomatics, Natural Hazards and Risk, 9(1), 368–388. https://doi.org/10.1080/19475705.2018.1445662
23- Saleem, J., Ahmad, S.S. & Butt, A. Hazard risk assessment of landslide-prone sub-Himalayan region by employing geospatial modeling approach. Nat Hazards 102, 1497–1514 (2020). https://doi.org/10.1007/s11069-020-03980-3
24- Cascini, L., Bonnard, C., Corominas, J., Jibson, R., & Montero-Olarte, J. (2005). Landslide hazard and risk zoning for urban planning and development. Landslide Risk Management. Taylor and Francis, London, 199-235.
25- Cornforth, D. (2005). Landslides in practice: investigation, analysis, and remedial/preventative options in soils. Wiley.
26- Del Frate, F., & Solimini, D. (2004). On neural network algorithms for retrieving forest biomass from SAR data. Geoscience and Remote Sensing, IEEE Transactions on, 42(1), 24-34
27- Grohman, J. K., Kottegoda, S., Gorelick, R. J., Allbritton, N. L., & Weeks, K. M. (2011). Femtomole SHAPE reveals regulatory structures in the authentic XMRV RNA genome. Journal of the American Chemical Society, 133(50), 20326-20334.
28- Hagan, M. T., Demuth, H. B., Beale, M. H., & De Jesús, O. (1996). Neural network design (Vol. 20). Boston: PWS publishing company.
29- Polykretis, C., Ferentinou, M., & Chalkias, C. (2015). A comparative study of landslide susceptibility mapping using landslide susceptibility index and artificial neural networks in the Krios River and Krathis River catchments (northern Peloponnesus, Greece). Bulletin of Engineering Geology and the Environment, 74(1), 27-45.
30- Pradhan, B., & Lee, S. (2010). Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling. Environmental Modelling & Software, 25(6), 747-759.
31-Young, O..Cheung, K.. Chul, U. )2008(.The Comparative Research of Landslide Susceptibility Mapping Using FR, AHP, LR, ANN Environmental Geology, 48, 778-787.
Cruden, D. M. (1991). A simple definition of a landslide. Bulletin of Engineering Geology and the Environment, 43(1), 27-29.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار