نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، علوم و مهندسی محیط‌زیست، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری

2 دانشیار، گروه سنجش از دور و GIS، دانشگاه حکیم سبزواری، مامور به خدمت در دانشگاه شهید چمران اهواز

10.22092/ijwmse.2022.357041.1940

چکیده

وقوع سیلاب‌های متعدد در مناطق مختلف کشور، همواره خسارات فراوانی را در زمینه‌های مختلف به­‌همراه داشته است. ازاین‌رو، تهیه و تدوین یک طرح جامع و کامل در زمینه کنترل سیلاب امری ضروری به ­نظر می‌رسد. منطقه مورد مطالعه، تحت ­تاثیر اقلیم مدیترانه‌ای و در شعاع اثر اقلیم‌های خزری و قفقازی قرار دارد و به­‌دلیل وجود اختلاف ارتفاع زیاد، از آب ‌و هوا و اقلیم‌های متنوعی برخوردار ‌است. در نتیجه تغییرپذیری بالای بارش، از جمله مناطقی است که در معرض سیلاب‌های مخرب قرار دارد. هدف از تحقیق حاضر، شناسایی و پهنه‌بندی خطر وقوع سیل بر اساس تصمیم‌­گیری چند معیاره و مدل شبکه­ عصبی در حوزه آبخیز شهرستان خدا‌آفرین است. برای این منظور، با توجه به عوامل موثر در وقوع سیل، لایه‌های اطلاعاتی منطقه شامل شماره منحنی (CN)، ضریب گراویلیوس، ارتفاع رواناب، بارش، فاصله از آبراهه، نگهداشت خاک، آبراهه‌ها، شیب، تراکم زهکشی، زمین‌شناسی و پوشش گیاهی موجود با توجه به بررسی نقشه‌ها، گزارش‌ها، تصاویر ماهواره‌ای و بررسی‌های میدانی تهیه شد. به‌منظور وزن­‌دهی معیارها در تحقیق حاضر، از روش تحلیل شبکه‌ای (ANP) و نرم‌افزار Super Decisions استفاده شد که عامل ارتفاع رواناب با میزان 0.241، شیب با مقدار 0.207 و بارش با وزن 0.169، در رابطه با رخداد سیلاب، از بیشترین میزان اهمیت برخوردار است. در نهایت، با تلفیق این لایه‌ها با توجه به وزن آن­ها در محیط ArcGIS، نقشه پهنه‌بندی خطر وقوع سیل در پنج کلاس استخراج شد. همچنین، نتایج نشان داد که 43 کیلومتر مربع (سه درصد مساحت) در طبقه خیلی­ زیاد، و 288 کیلومتر مربع (18 درصد مساحت) در طبقه زیاد، از نظر وقوع سیلاب قرار دارد. به‌طوری‌که بیش از 21 درصد از مساحت منطقه، جز مناطق با پتانسیل سیل‌خیزی از نوع زیاد و خیلی ­زیاد است. بنابراین، لزوم مدیریت آب‌های سطحی در منطقه، به‌منظور جلوگیری از وقوع سیل و همچنین، بهره‌برداری مناسب از آب‌های منطقه ضروری به ­نظر می‌رسد.

کلیدواژه‌ها

عنوان مقاله [English]

Identification of flood risk zoning areas based on multi-criteria decision making and neural network model, case study: Khodaafarin Watershed

نویسندگان [English]

  • Ali Khodaie 1
  • Rahman Zandi 2

1 MSc, Environment, Faculty of Geography and Environmental Sciences, Hakim Sabzevari University

2 Associate Professor, Department of Remote Sensing and GIS, Hakim Sabzevari University - Assigned to Shahid Chamran University of Ahvaz

چکیده [English]

Occurrence of numerous floods in different regions of the country has always caused a lot of damages in various fields. Therefore, it seems necessary to prepare and compile a comprehensive plan in the field of flood control. The study area is influenced by the Mediterranean climate and within the radius of the Caspian and Caucasian climates. Due to the high altitude differences, it has a variety of climates and high variability in rainfall, and known as one of the areas exposed to destructive floods. The purpose of this study is to identify flood prone areas based on multi-criteria decision making and neural network model in Khodaafarin Watershed. For this purpose, according to the factors affecting the occurrence of floods, the information layers of the region including Curve Number (CN), Gravilius coefficient, runoff height, precipitation, distance from waterway, soil retention, waterways, slope, drainage density, geology and vegetation, according to the study of maps, reports, satellite images and field surveys. In order to weight the criteria in the present study, network analysis method (ANP) and Super Decisions software were used. The factor of runoff height with the amount of 0.241, slope with the amount of 0.207 and precipitation with the weight of 0.169 were the most important in relation to flood occurrence. Finally, by combining these layers according to their weight in the GIS environment, a flood risk zoning map was extracted in five classes. The results also showed that, 43 square kilometers (3% of the area) of the watershed is in the very high flood risk class and 288 square kilometers (18% of the area) in the high flood risk calss. More than 21% of the area is among the areas with high and very high flood potential. Therefore, it seems that the need for surface water management in the region in order to prevent floods and the proper use of water in the region is necessary.

کلیدواژه‌ها [English]

  • ANP model
  • Drainage density
  • GIS
  • Gravilius
  • Runoff height
  1. Abedini, M. and E. Beheshti Javid. 2016. Flood hazard mapping of Lighvan Chai Watershed using Network Analysis Process Model (ANP) and GIS. Geographic Space, Islamic Azad University of Ahar Branch, 55: 293-312 (in Persian).
  2. Abedini, M. and M. Fathi. 2015. Flood risk mapping and evaluation by using the analytic network process, case study: Khiav Chai Catchment. Hydrogeomorphology, 1(3): 81-97 (in Persian).
  3. Alizadeh, A. 2003. Principles of applied hydrology. Astan Quds Razavi Institute and Press, Mashhad, 636 pages (in Persian).
  4. Alizadeh, A. 2011. Principles of applied hydrology. Ferdowsi University of Mashhad, 990 pages (in Persian).
  5. Amir Ahmadi, A., A. Jahanfar and K. Parsiani. 2013. ANP model capability in flood risk zoning, case study: Islam Abad Gharb. Proceedings of 5th Iranian Conference on Water Resources Management, Tehran, Iran (in Persian).
  6. Dano, U.L., A.L. Balogun, A.N. Matori, K. Wan Yusouf, I.R. Abubakar, M.A. Said Mohamed, Y.A. Aina and B. Pradhan. 2019. Flood susceptibility mapping using GIS-based analytic network process: a case study of Perlis, Malaysia. Water, 11(615): 1-28.
  7. Dornkamp, J., C. King, C.M. Wen, T. Chu, G. Wei, R. Dakumb and S. Straler. 1991. Quantitative analysis in geomorphology. Eos, Transactions American Geophysical Union, 368 pages.
  8. Garde, R.J. 2006. River morphology. New Age International Press, 388 pages.
  9. Hosseini Nezhad, M. 2017. The zoning of flood occurence danger in Soltani Drainage Basin using model ANP. M.Sc Thesis, Tehran University, 156 pages (in Persian).
  10. Kheirizadeh, M., J. Maleki and H. Amonia. 2013. Flood hazard potential zoning in Marduk Chai Catchment using ANP Model. Quantitative Geomorphology Research, 3: 39-56 (in Persian).
  11. Lami, I.M. and F. Abastante. 2014. Decision making for urban solid waste treatment in the context of territorial conflict: can the analytic network process help? Land Use Policy, 41: 11-20.
  12. Milanesi, L., M. Pilotti and R. Ranzi. 2015. A conceptual model of people's vulnerability to floods. Water Resources Research, 51(1): 182-197.
  13. Momeni, M. and A. Sharifi Salim. 2011. Models and multi-index decision making software. Foroozesh Publication, 224 pages (in Persian).
  14. Morelli, S., S. Segoni, G. Manzo, L. Ermini and F. Catani. 2012. Urban planning, flood risk and public policy: the case of the Arno River, Firenze, Italy. Applied Geography, 34: 205-218.
  15. Mahmoud, S.H. and T.Y. Gan. 2018. Multi-criteria approach to develop flood susceptibility maps in arid regions of Middle East. Journal of Cleaner Production, 196: 216-229.
  16. Najafi, A. 2010. Applying ANP network analysis process in analyzing organizational structural challenges and executive environment in project management. International Journal of Industrial Engineering and Production Management, 21(1): 76-63 (in Persian).
  17. Neaupane, K.M. and M. Piantanakulchai. 2006. Analytic network process model for landslide hazard zonation. Engineering Geology, 85(3-4): 281-294.
  18. Noor, H., A. Dastranj, M. Rostami Khalaj and J. Chezgi. 2021. Evaluating the effectiveness of flood spreading plan from the perspective of project stakeholders, case study: Jajarm flood spreading. Rainwater Catchment Systems, 28(1): 21-30 (in Persian).
  19. Omidvar, K .2011. Natural Hazards. Yazd University Press, 316 pages (in Persian).
  20. Omidvar, K., A. Kianfar and S. Asgari. 2010. Flood potential zoning of Kanjancham Catchment. Natural Geography Research, 72: 73-90 (in Persian).
  21. Saaty, T.L. 1980. The analytic hierarchy process. New York, McGraw Hill, 287 pages.
  22. Saaty, T.L. and L.G. Vargas. 2006. Decision making with the analytic network process . Springer Science, 363 pages.
  23. Sowmya, K., C.M. John and N.K. Shrivasthava. 2015. Urban flood vulnerability zoning of Cochin City, south-west coast of India, using remote sensing and GIS. Natural Hazards, 75(2): 1271-1286.
  24. Valizadeh Kamran, Kh. 2007. Application of GIS in flood risk zoning. Journal of Geographical Space, 20: 170-153 (in Persian).
  25. Zahedi, M. and M. Bayati Khatibi. 2007. Hydrology. Samt Publications, 200 pages (in Persian).
  26. Zebardast, E. 2010. Application of network analysis process in urban and regional planning. Journal of Fine Arts, Architecture and Urban Development, 41: 79-90 (in Persian).
  27. Zhan, X. and M.L. Huang. 2004. ArcCN-Runoff: an ArcGIS tool for generating curve number and runoff maps. Environmental Modelling and Software, 19(10): 875–879.