ارزيابي و پيش‌بيني خطر زمين‌لغزش به‌ كمك مدل رگرسيوني و تحليل سلسله‌ مراتبي، مطالعه موردي: حوضه الموت

Landslide hazard zonation by AHP and regression model, Case study: Alamout watershed

زمين‌لغزش را مي‌توان حركت توده‌اي مواد دامنه‌اي تحت تاثير نيروي ثقل و عوامل محركي مانند زمين‌لرزه، سيل و باران‌هاي سيل آسا تعريف نمود. اين پديده يكي از خطرات طبيعي است كه همه ساله خسارات جاني و مالي فراواني را در مناطق كوهستاني، پرباران و لرزه خيز به هم‌راه دارد. با پهنه‌بندي خطر وقوع زمين‌لغزش مي‌توان مناطق حساس و داراي پتانسيل خطر بالاي لغزش را شناسايي نمود و با ارايه راه‌حل‌ها، روش‌هاي كنترل و مديريت مناسب تا حدي از وقوع زمين‌لغزش‌ها جلوگيري و يا از خسارات ناشي از وقوع آن‌ها كاست. در اين تحقيق، پتانسيل خطر زمين‌لغزش در حوضه الموت رود با استفاده از مدل آماري معادله همبستگي چندمتغيره مورد ارزيابي و پهنه‌بندي قرار گرفت. بدين منظور ابتدا نقشه پراكنش زمين‌لغزش حوضه الموت‌رود با تفسير استريوسكوپي عكس‌هاي هوايي و بازديدهاي ميداني تهيه شد. سپس با مرور منابع، عواملي را كه مي‌توانند در زمين‌لغزش موثر باشند، استخراج و از بين آن‌ها هشت عامل زمين‌شناسي، شيب، جهت، ارتفاع، فاصله از گسل، كاربري زمين، ميزان بارش و شتاب زمين لرزه به‌عنوان عوامل موثر زمين‌لغزش در حوضه الموت انتخاب گرديد. براي وزندهي عددي به طبقات كيفي عوامل سنگ‌شناسي، كاربري زمين و جهت شيب، از تكنيك سلسله مراتبي و مقايسات زوجي استفاده شد. از تلفيق نقشه‌هاي هشت عامل كليدي زمين‌لغزش در حوضه الموت نقشه واحدهاي كاري تهيه و با قطع دادن اين نقشه با نقشه پراكنش زمين‌لغزش، طبقات هر يك از عوامل در هر زمين‌لغزش مشخص و با ميانگين‌گيري وزني آن‌ها، تاثير هر يك از عوامل هشتگانه در هر زمين‌لغزش مشخص گرديد. بدين ترتيب 84 مشاهده جهت تحليل آماري زمين‌لغزش‌ها فراهم شد. نتايج نشان داد كه پنج عامل سنگ‌شناسي، ميزان شيب، طبقات ارتفاعي، فاصله از گسل و كاربري اراضي ارتباط معني‌داري را با زمين‌لغزش‌هاي حوضه دارند كه ضريب تعيين بين اين عوامل به‌عنوان متغيرهاي مستقل و لگاريتم مساحت لغزش به‌عنوان متغير وابسته، 60.7 درصد بوده است. نقشه پهنه‌بندي خطر زمين‌لغزش با رابطه مذكور در شش طبقه تهيه گرديد كه طبقه دو با 24.85 درصد داراي بيش‌ترين سطح و طبقه شش با 0.14 درصد كم‌ترين سطح منطقه را به‌خود اختصاص داده‌اند. هم‌چنين جهت مقايسه تفاوت فراواني و ميزان تفكيك طبقات خطر از آزمون كاياسكوير استفاده شد و نتايج نشان داد كه مدل مورد بررسي تفكيك مناسبي را از طبقات خطر زمين لغزش (P < 0.01) ارايه مي‌كند.

Landslide is one of the natural hazards that makes numerous financial and life damages each year. By landslide hazard zonation, we able to detect susceptible areas to landslide and with applying developed methods and suitable management the abundance of land sliding and the amount of damages will be reduced. In this study potential landslide hazard evaluated using multivariate regression model at a part of Alamout watershed in general level (1:50000 scale). So first, landslide distribution map of area prepared using study of air photos and field surveying. After reviewing available resources along with reviewing the benefit of experts, all factors that can affect landslide were extracted and among them eight parameters including (lithology, slope percent, aspect, height, distance to fault, land use, rainfall and earthquake acceleration) were selected as landslide effective factors. AHP and pair comparing technique were used for numerical weighting to qualitative categories of land use, aspect, and lithology parameters. Homogeneous units map prepared using overlaying 8 maps of landslide key factors, and by crossing of homogeneous map and landslide distribution map. Categories of each parameter were detected in each landslide, and with weighting average of them, the effect of each parameter was determined in each landslide. Therefore 84 observations prepared for statistical analysis of landslides. Results showed that 5 parameters including lithology, slope, height, distance to fault and land use have meaningful relation with landslides that determining coefficient between these parameters as independent variables and logarithm of landslides area as dependent variable was 60.7%. Landslide hazard zonation map and landslide distribution map were crossed and efficiency of model was evaluated. The Chi square test was used for comparing of difference between hazard classes of model. Results show that model has higher efficiency in higher classes of hazard. Results show also measured chi square rate is meaningful at 99% of confidence interval, and there is suitable separation among landslide hazard classes.