A Comparative Evaluation of MABAC and CODAS Multi-Criteria Decision Algorithms in Landslide Risk Zoning (Case Study: Kowsar County)

Document Type : Research Paper


1 Associate professor of Geomorphology, University of Mohaghegh Ardabili, Ardabili, Iran

2 PhD Candidate of Geomorphology, University of Mohaghegh Ardabili, Ardabili, Iran

3 MSc of Remote Sensing and GIS, University of Mohaghegh Ardabili, Ardabili, Iran


1-   Introduction
The landslide as one of the mass movements consists of rapid movement or the slow motion of rock, earth, or the sum of both, on the downstream side under the stress of gravity. Landslides are considered dangerous and catastrophic phenomena so that the identification of landslide prone areas and the production of accurate zoning maps of landslide sensitivity are important topics for risk management studies. One of the most important and widely used methods of studying landslides is zoning. The division of lands into separate areas, as well as the ranking of areas according to the degree of landslide risk, is called zoning. In the present study, the study area is Kowsar County, which has a high potential for landslides in terms of the specific situation of the region, such as topography (mountainous and high basin), high slope, the presence of loose and unstable surface materials on resistant structures and climatic conditions.
2- Methodology
The present study is of applied type and its research method is based on remote sensing techniques, GIS, and the use of multi-criteria analysis techniques. ENVI, Ecognition, Arc GIS, Idrisi, and Excel software have been used for image processing and data analysis. Criteria required in this research are slope, slope direction, elevation classes of lithology, land use, soil, precipitation, distance from communication road, distance from the waterway, and distance from the fault, according to the natural and human conditions of the region. Information layers of communication routes and waterway networks were obtained using the map of communication lines and rivers of Ardabil province. Slope layers for slope direction were prepared using the digital elevation model. Using the geological map of Givi (scale 1: 100000), layers related to lithology (rock resistance) as well as faults were prepared. In order to extract the land use of the city, the object-oriented method, the nearest neighborhood algorithm, and Sentinel 2 satellite images were used. To prepare the soil map, the soil map of Ardabil province with a scale of 1:50,000 was used. The rainfall map of the city was also drawn using meteorological and rainfall station data and the IDW interpolation method. In order to perform the steps of MABAC and CODAS algorithms, fuzzy membership functions were used for standardizing the criteria. Then, in order to weight the criteria, the critic method was used.
3- Discussion
In this study, distance from the road, distance from the waterway, digital elevation model, distance from the fault, precipitation, land use, slope, aspect slope, soil, and lithology were identified as factors affecting the area. Then, fuzzy membership functions, the above-mentioned elements became fuzzy maps. The following results were obtained with respect to each element:

Height: height changes of each region as an effective factor in the creation of mass movements.
Slope: the slope is mainly determined in spatial distribution and landslide intensity.
Slope direction: gradient orientation plays an undeniable role in the amount and type of weathering of rocks, absorption, receiving solar energy, vegetation concentration, and moisture content.
Lithology: the kind of geological formation of each region plays an important role in the development of sliding zones.
Distance from fault: the path of potential faults is on unstable points of the earth.
Soil: the soil of each region is an effective factor in the creation of domain movements.
Precipitation: precipitation has an effect on pore water pressure and groundwater-surface, increasing amplitude and displacement and elimination of lateral stresses as a driving factor in landslide occurrence.
Distance from waterway: water flowing through the surface (runoff) and water that penetrates the material.
Distance from the road: the road is the natural state of the domain and causes vertical gashes in the slope.
Land use criteria: certainly, the type of land use always plays a decisive role in environmental changes, especially the creation and intensification of range movements.

Based on the zoning done using the MABAC method, 211.99 and 298.85 km2 of the area are in very high-risk and high-risk classes, respectively. Based on the results of using the CODAS method, 106.90 and 222.02 km2 of the area were in high-risk and high-risk categories, respectively. In order to validate the slip potential zoning maps, using CODAS and MABAC methods, a sample of selected high-risk pixels was examined according to the set criteria. Examination of high-risk points showed that these areas were mainly in the slope of 20 to 35%. The road factor plays a very important role in creating slippery movements due to under-passing and removing the heel of the slope and changing the slope of the slopes.
4- Conclusions
The results of the study indicated the high power of Kosar city in terms of the occurrence of sliding movements. Slope factors, land use, soil, and lithology were the most important factors involved in creating landslides in the study area. Also, the results of comparing the models showed that the MABAC model provided a larger area of landslide risk than the CODAS model. It is expected that the results of this study will pave the way for better and more scientific management of competent managers and planners in this field.
Keywords: Risks, Mass Movements, MCDM, ROC Index.
- Alinezhad, A., & Khalili, J. (2019). New Methods and Applications in Multiple Attribute Decision Making (MADM). International Series in Operations Research & Management Science, Vol 277, Springer, Cham.
- Chen, W., Zhang, S., Li, R., & Shahabi, H. (2018). Performance Evaluation of the Gis-Based Data Mining Techniques of Best-First Decision Tree, Random Forest, and Naïve Bayes Tree for Landslide Susceptibility Modeling. Journal of Science of the Total Environment, 644, 1006-1018.
- Colkesen, I., Sahin, E., & Kavzoglu, T. (2016). Susceptibility Mapping of Shallow Landslides Using Kernel-Based Gaussian Process, Support Vector Machines and Logistic Regression. Journal of African Earth Sciences, 118, 53-64.
- Crosta, B. G. (2009). Dating, Triggering, Modeling, and Hazard Assessment of Large Landslides. Journal of Geomorphology, 103, 1-4.
- Dai, F. C., & Lee, C. F. (2002). Landslide Characteristics and Slope in Stability Modeling using GIS Lantau Island Hong Kong. Journal of Geomorphology, 42(3-4), 213-228.
- Davis, J., & Blesius, L. (2015). A Hybrid Physical and Maximum-Entropy Landslide Susceptibility Model. Journal of Entropy, 17(6), 4271-4292.
- Diakoulaki, D., Mavrotas, G., & Papayannakis, L. (1995). Determining Objective Weights in Multiple Criteria Problems: The Critic Method. Journal of Computers and Operations Research,  22(7), 763-770.
- Feizizadeh, B., Roodposhti, M. S., Jankowski, P., & Blaschke, T. (2014). A GIS-Based Extended - Fuzzy Multi-Criteria Evaluation for Landslide Susceptibility Mapping. Journal of Computers & Geosciences, 73, 208-221.
- Gigović, L., Drobnjak, S., & Pamučar, D. (2019). The Application of the Hybrid Gis Spatial Multi-Criteria Decision Analysis Best–Worst Methodology for Landslide Susceptibility Mapping. ISPRS International Journal of Geo-Information, 8(2), 79.
- Gomez, H., & Kavzoglu, T. (2005). Assessment of Shallow Landslide Susceptibility Using Artificial Neural Networks in Jabonosa River Basin, Venezuela. Journal of Engineering Geology, 78(1-2), 11-27.
- Gorum, T., Fan, X., van Westen, C. J., Huang, R. Q., Xu, Q., Tang, C., & Wang, G. (2011). Distribution Pattern of Earthquake-Induced Landslides Triggered by the 12 May 2008 Wenchuan Earthquake. Journal of Geomorphology, 133(3-4), 152-167.
- Haque, U., Da Silva, P. F., Devoli, G., Pilz, J., Zhao, B., Khaloua, A., Wilopoi, W., Andersen, P., Luk, P., Lee, J., Yamamoto, T., Keellings, D., & Wuo, J. H. (2019). The Human Cost of Global Warming: Deadly Landslides and Their Triggers (1995–2014). Journal of Science of the Total Environment, 682, 673-684.
- Kadavi, P. R., Lee, C. W., & Lee, S. (2018). Application of Ensemble-Based Machine Learning Models to Landslide Susceptibility Mapping. Journal of Remote Sensing, 10(8), 1252.
- Kerekes, A. H., Poszet, S. L., & Andrea, G. Á. L. (2018). Landslide Susceptibility Assessment Using the Maximum Entropy Model in a Sector of the Cluj–Napoca Municipality, Romania. Revista De Geomorfologie, 20(1), 130-146.
- Khan, H., Shafique, M., Khan, M. A., Bacha, M. A., Shah, S. U., & Calligaris, C. (2019). Landslide Susceptibility Assessment Using Frequency Ratio, A Case Study of Northern Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 22(1), 11-24.
- Mathew, M., & Sahu, S. (2018). Comparison of New Multi-Criteria Decision Making Methods for Material Handling Equipment Selection. Journal of Management Science Letters, 8(3), 139-150.
- Negnevitsky, M. (2002). Artificial Intelligence: A Guide to Intelligent Systems. England: Addison Wesley/Pearson Education.
- Pontius, R. G., & Schneider, L. C. (2001). Land-Cover Change Model Validation by the ROC Method for the Ipswich Watershed, Massachusetts, USA. Journal of Agriculture, Ecosystems, and Environment,  85(1–3), 239-248.
- Rossi, M., Guzzetti, F., Salvati, P., Donnini, M., Napolitano, E., & Bianchi, C. (2019). A Predictive Model of Societal Landslide Risk in Italy. Journal of Earth-Science Reviews, 196, 1-19.
- Shafique, M., Van Der Meijde, M., & Khan, M. A. (2016). A Review of the 2005 Kashmir Earthquake-Induced Landslides; From a Remote Sensing Prospective. Journal of Asian Earth Sciences, 118, 68-80.
- Sorbi, A., & Farrokhnia, A. (2018). Landslide Hazard Evaluation and Zonation of Karaj-CHaluse Road (North of Iran). International Journal of Geography and Geology, 7(2), 35-44.
- Tajudin, N., Yaacob, N., Mohdali, D., & Adnan, N. (2018). Rainfall – Landslide Potential Mapping Using Remote Sensing and GIS at Ulu Kelang, Selangor, Malaysia. Conference Series Earth and Environmental Science, 169, 1-8.
- Vojtekova, J., & Vojtek, M. (2020). Assessment of Landslide Susceptibility at A Localspatial Scale Applying the Multi-Criteria Analysis and GIS: A Case Study from Slovakia. Journal of Geomatics, Natural Hazards, and Risk, 11(1), 131-148.
- Yalcin, A., Reis, S., Aydinoglo, A. A., & Yomraliglu, T. (2011). A GIS- Based Comparative Study of Feguency Ratio, Analytical Hierarchy Process, Bivariate Statistics and Logistics Metids for Land Slide Susceptibility Mapping in Trabzon, NE Turkey. Journal of Geomorphology, 85, 274-287.
- Yesilnacar, E. K. (2005). The Application of Computational Intelligence to Landslide Susceptibility Mapping in Turkey. PhD Thesis, Department of Geometrics the University of Melbourne.


Main Subjects


زمین‌لغزش، یکی از حرکت‌های توده‌ای شامل حرکت تند یا کند مواد سنگی، خاکی یا مجموع هر دو روی دامنه به سمت پایین متأثر از نیروی جاذبه است (Crosta, 2009: 1). زمین‌لغزش‌ها، پدیده‌هایی خطرناک و فاجعه‌بار محسوب می‌شوند (Haque et al., 2019: 676; Rossi et al., 2019: 3). وقوع زمین‌لغزش آثار زیادی در مقیاس محلی و جهانی در اقتصاد داشته است و همه‌ساله هزاران نفر در سرتاسر جهان زندگی‌شان را به دلیل زمین‌لغزش از دست می‌دهند (Yalcin et al., 2011: 275)؛ برای نمونه براساس برآوردهای اولیة سالیانه حدود 500 میلیارد ریال خسارات مالی براثر زمین‌لغزش‌ها به کشور ایران وارد می‌شود (احمدی و طالبی اسفندرانی، 1380: 324). تلفات سنگین زمین‌لغزش از عوامل طبیعی و عوامل فعال خارجی ناشی می‌شوند؛ عوامل طبیعی عبارت‌اند از: عامل زمین‌شناسی (سنگ‌شناسی یا نوع خاک، ویژگی انسجام ساختاری، مقاومت برشی مواد، شرایط آب‌های زیرزمینی و اثر آن)، هندسة شیب (شیب، جهت، ارتفاع و انحنای شیب) و زمین یا پوشش زمین؛ عوامل خارجی که عموماً باعث لغزش زمین می‌شوند، عبارت‌ند از: بارندگی، لرزه‌خیزی و فعالیت‌های انسانی مانند فعالیت‌های ساختمانی و آماده‌سازی خاک برای کشاورزی در مناطق کوهستانی (Sorbi and Farrokhnia, 2018: 36).

شناسایی مناطق مستعد زمین‌لغزش و تولید نقشه‌های دقیق منطقه‌بندی حساسیت به زمین‌لغزش از موضوعات مهم برای مطالعات مدیریت خطر است (Colkesen, 2016: 54). بررسی و مطالعه درزمینة خطر زمین‌لغزش و شناخت مناطق پرخطر در زندگی و فعالیت‌های انسانی اهمیت دارد؛ همچنین مطالعة این مخاطره برای شناخت نواحی امن به‌منظور رشد و توسعة زیستگاههای گیاهی و جانوری، ایجاد راههای ارتباطی، انتخاب مسیرهای انتقال نیرو، مکان‌گزینی محلی برای سکونتگاههای جدید و... اهمیت دارد و متخصصان امر به آن توجه دارند (سفیدگری و همکاران، 1384: 58).

از مهم‌ترین و پرکاربرد‌ترین روش‌های مطالعة زمین‌لغزش‌ها، پهنه‌بندی است. تقسیم زمین به نواحی جداگانه و همچنین رتبه‌بندی‌ نواحی را با توجه به درجة خطر زمین‌لغزش‌ها، «پهنه‌بندی» می‌نامند (شریعت‌جعفری، 1375: 148). نقشه‌های پهنه‌بندی به برنامه‌ریزان و تصمیم‌گیرندگان در عرصه‌های مختلفی چون مدیریت و حفاظت خاک و منابع طبیعی، برنامه‌ریزی‌های عمرانی و توریستی، مکان‌یابی اراضی مناسب برای توسعة شهر و روستا، برنامه‌ریزی‌های زیست‌محیطی، تعیین مسیر راهها و خطوط انتقال نیرو و انرژی کمک می‌کند (کرم، 1383: 133).

شهرستان کوثر به‌لحاظ وضعیت خاص منطقه مانند توپوگرافی (کوهستانی و مرتفع‌بودن حوضه)، شیب زیاد، وجود مواد سطحی سست و نامقاوم روی سازندهای مقاوم و شرایط اقلیمی (به‌ویژه به علت بارش‌های بهاری و نیز ذوب برف‌ها در فصل بهار) پتانسیل زیادی برای وقوع زمین‌لغزش دارد. به دلیل اینکه وقوع لغزش‌ها به آسیب‌ها و خسارات متعدد ازجمله تخریب راههای ارتباطی، پرشدن بستر رودخانه‌های دائمی منطقه و مخزن سد گیوی از رسوب و نیز فرسایش خاک در منطقه منجر می‌شود، مطالعة عوامل مؤثر بر وقوع زمین‌لغزش و پهنه‌بندی شهرستان ازلحاظ پتانسیل بالقوه و بالفعل به‌منظور ارائة راه‌حل‌ها و شیوه‌های مناسب برای مهار و کنترل زمین‌لغزش ضروری است.

مطالعات ارزنده‌ای به‌ویژه در سال‌های اخیر با روش‌های مختلفی به‌منظور بررسی زمین‌لغزش‌ها در نواحی مختلف ایران و جهان انجام شده است؛ برای نمونه موسوی و همکاران (1395) خطر زمین‌لغزش را با استفاده از تحلیل‌های چندمعیارة WLC و TOPSIS در حوضة آبخیز ایذه پهنه‌بندی کردند. نتایج مطالعه نشان داد عوامل ارتفاع و لیتولوژی، مهم‌ترین عوامل در وقوع زمین‌لغزش‌ها در محدوده است و مدل WLC قابلیت بهتری در پهنه‌بندی زمین‌لغزش منطقة مطالعاتی داشته است.

مددی و همکاران (1397) با استفاده از مدل ELECTRE، خطر زمین‌لغزش را در حوضة آبخیز آق‌لاقان‌چای پهنه‌بندی کردند. با توجه به نتایج مطالعه، زیرحوضة نیر و ایرنجی با شیب‌های 15- 30 درصد با زیربنای سنگ سخت به همراه مواد رسوبی و سست سطحی به ترتیب پتانسیل بیشتری برای وقوع زمین‌لغزش دارند و درنهایت کارایی روش الکتره تأیید شد.

انتظاری و همکاران (1398) با استفاده از فنون چندمعیارة AHP و VIKOR خطر زمین‌لغزش را در استان البرز پهنه‌بندی کردند. نتایج مطالعه نشان داد معیارهای شیب، طبقات ارتفاعی و کاربری اراضی اثر فزاینده‌ای دربرابر زمین‌لغزش دارند و 09/33 درصد از سطح استان در طبقة با خطر زیاد قرار دارد. نتایج مطالعه همچنین نشان داد روش ویکور دقت زیادی در پهنه‌بندی زمین‌لغزش دارد.

فیضی‌زاده و همکاران[1] (2014) حساسیت زمین‌لغزش را در حوضة رودخانة ایذه با استفاده از روش چندمعیارة فازی ارزیابی کردند. نتایج نشان داد روش چندمعیارة فازی، دقت زیادی را در نقشة حساسیت به رانش زمین ایجاد می‌کند و به ترتیب حدود %53 و %31 از لغزش‌های شناخته‌شده در منطقه در طبقة «حساسیت بسیار زیاد» و «حساسیت زیاد» قرار دارند.

تاج‌الدین و همکاران[2](2018) در اولوکلانج[3] واقع در کشور مالزی با استفاده از GIS و سنجش از دور و عوامل شیب، جهت شیب، زمین‌شناسی، کاربری اراضی و به‌ویژه با تأکید بر نقش بارش، زمین‌لغزش را مطالعه کردند. نتایج مطالعه در 5 طبقة خطر بسیار کم تا بسیار زیاد به دست آمد و کارایی روش WLC به‌مثابة روش تحلیل چندمعیاره با توجه به رخدادهای زمین‌لغزش در سال‌های 2002 تا 2009 تأیید شد.

گیگووایس و همکاران[4](2019) در مطالعه‌ای با استفاده از تصمیم‌گیری چندمعیاره و پانزده معیار خطر زمین‌لغزش را در بخش غربی جمهوری صربستان مطالعه کردند. در این مطالعه درمجموع 1082 مکان لغزش شناسایی شد. نتایج اعتبارسنجی تأیید کرد استفاده از روش تحلیل چندمعیاره دقت زیادی دارد.

وجتکووا و وجتک[5] (2020) با استفاده از روش AHP، استعداد لغزش زمین را در شهر هاندلوای اسلواکی[6] ارزیابی کردند. با توجه به نتایج مطالعه، شیب مهم‌ترین عامل است و 9/51 درصد از کل منطقه کلاس حساسیت زیاد و بسیار زیاد دارد؛ همچنین با مقایسة نتایج مطالعه با نقشة پراکنش لغزش موجود، صحت نتایج تأیید شد.

درنهایت می‌توان گفت با توجه به محدودیت‌های روش‌های سنتی که عمدتاً وقت‌گیر و هزینه‌بر و بیشتر با خطا همراه هستند، استفاده از سیستم‌های اطلاعات جغرافیایی و سیستم‌های تصمیم‌گیری چندمعیاره با یک رویکرد تلفیقی، علاوه بر سودآوری، موجب تسریع در روند برنامه‌ریزی در تشخیص مواقع بحرانی و اضطراری می‌شود و به صدور نتایج مناسب می‌انجامد؛ بنابراین در سال‌های اخیر از روش‌های تصمیم‌گیری چندمعیاره استقبال زیادی شده است و در این بررسی نیز از روش‌های MABAC و CODAS که براساس رویکرد برنامه‌ریزی مطلوب و بهینه‌سازی چندمعیاره پایه‌ریزی شده‌اند، به‌مثابة قاعدة تصمیم‌گیری چندمعیاره به‌منظور پهنه‌بندی پتانسیل وقوع زمین‌لغزش در شهرستان کوثر استفاده خواهد شد؛ به‌علاوه روش‌های MABAC و CODAS در امر پهنه‌بندی خطر زمین‌لغزش برای نخستین‌بار در این مطالعه استفاده شده و تاکنون درزمینة خطر زمین‌لغزش از این روش‌های تصمیم‌گیری استفاده نشده است؛ بنابراین نتایج حاصل از این مطالعه می‌تواند برای پژوهشگران، مسئولان و سیاست‌گذاران به‌منظور پهنه‌بندی خطر زمین‌لغزش بسیار جالب باشد.


معرفی منطقة پژوهش

شهرستان کوثر (گیوی) با مساحت 74/1279 کیلومترمربع در طول جغرافیایی 1 48 تا 33 48 و عرض جغرافیایی 27 37 تا 57 37 و در فاصلة ۸۵کیلومتری اردبیل قرار دارد (شکل 1). این شهرستان از شمال با شهرستان اردبیل، از شرق با شهرستان خلخال و از غرب و جنوب با شهرستان‌های نیر و میانه همسایه است. شهرستان کوثر شامل دو بخش فیروزآباد و مرکزی و چهار دهستان به نام‌های سنجبد شمالی، سنجبد غربی، سنجبد جنوبی و زرج‌آباد و ۱۲۱ روستاست. در این شهرستان واحدهای مختلف سنگ‌شناسی منطقه به‌صورت آتشفشانی و رسوبی گسترده شده است. بخش بزرگی از منطقه از سازندهای سست و فرسایش‌پذیر کواترنری (Qt1، Qt2، Qal) و مارن‌های خاکستری، رس و قرمز ژیپس‌دار (Ngms) پوشیده شده است؛ بنابراین شهرستان کوثر از مناطق فرسایش‌پذیر و مستعد لغزش است و انواع فرسایش آبی سطحی، ورقه‌ای، شیاری و همچنین انواع مختلف حرکات دامنه‌ای به‌ویژه زمین‌لغزش در آن دیده می‌شود و به همین علت مقادیر زیادی بار معلق رسوبی دارد.


شکل 1. نقشة موقعیت شهرستان کوثر (نویسندگان، 1399)

Figure 1. Location map of Kowsar township

روش‌شناسی پژوهش

پژوهش حاضر از نوع کاربردی و روش آن، تحلیلی مبتنی بر تلفیق آنالیز داده‌ها و تکنیک‌های دورسنجی، سیستم اطلاعات جغرافیایی و استفاده از فنون تحلیل چندمعیاره است. برای پردازش تصاویر و تجزیه و تحلیل داده‌ها نیز از نرم‌افزارهای ENVI, Ecognition, Arc GIS، Idrisi و Excel بهره گرفته شده است. در مرحلة نخست با در نظر داشتن شرایط طبیعی و همچنین انسانی محدودة مطالعاتی، مطالعة منابع و پیشینة پژوهشی دربارة موضوع پژوهش و استفاده از نظرات کارشناسان و متخصصان ذی‌ربط، عوامل مهم دخیل در ایجاد زمین‌لغزش شهرستان شناسایی شد. در مرحلة بعد برای ایجاد نقشه‌های معیارهای بررسی‌شده در محیط سیستم اطلاعات جغرافیایی اقدام شد. در ادامه لایه‌های اطلاعاتی راههای ارتباطی و شبکة آبراهه با استفاده از نقشة خطوط ارتباطی و رودخانه‌های استان اردبیل تهیه شد. لایه‌های شیب و جهت شیب نیز با استفاده از مدل رقومی ارتفاعی 5/12 متر دانلودشده از سایت vertex.daac.asf.alaska.edu تهیه شد. لایه‌های اطلاعاتی مربوط به لیتولوژی (مقاومت سنگ‌ها) و گسل‌ها با رقومی‌سازی از روی نقشة زمین‌شناسی گیوی با مقیاس 1:100000 ترسیم شد.

در پژوهش حاضر با هدف استخراج کاربری اراضی شهرستان کوثر، نخست تصویر ماهوارة سنتینل 2 (به دلیل قدرت تفکیک مکانی مناسب) از سایت زمین‌شناسی آمریکا (earthexplorer.usgs.gov) برای تاریخ 16 آگوست سال 2020 و در گذر و ردیف 167/33 اخذ شد (دلیل انتخاب تصویر ماه آگوست، وجود پوشش گیاهی کافی و نبود ابر و وضوح تصویر برای استخراج عوارض موجود است). گفتنی است برای استخراج نقشة کاربری اراضی از باندهای مرئی و مادون قرمز استفاده و سپس به‌منظور آماده‌سازی تصاویر، تصحیحات هندسی و رادیومتریکی روی تصاویر با استفاده از روش Flaash در نرم‌افزار Envi 5.3انجام شد؛ سپس طبقه‌بندی با روش شی‌گرا و الگوریتم نزدیک‌ترین همسایگی در نرم‌افزار Ecognition صورت گرفت و پس از اعمال فیلتر، نقشة نهایی حاصل شد. برای تهیة نقشة خاک محدودة پژوهش، از نقشة خاک استان اردبیل، مستخرج از نقشة خاک کشور با مقیاس 1:1000000 استفاده شده است. نقشة بارش شهرستان نیز با استفاده از داده‌های ایستگاههای هواشناسی و باران‌سنجی و روش درون‌یابی IDW ترسیم شد. برای انجام مراحل الگوریتم‌های MABAC و CODAS، با توجه به این امر که هریک از معیارها واحدهای متفاوتی در اندازه‌گیری دارند، استانداردکردن آنها پیش از ترکیب لایه‌ها ضروری است (سلمان ماهینی و همکاران، 1387: 190).

به عملیات یکسان‌سازی داده‌ها در دامنة مشخصی (مانند بین صفر تا یک) «استانداردسازی» گفته می‌شود (آشور، 1390: 131). در مطالعة حاضر از تابع عضویت فازی به‌منظور استانداردسازی معیارها در دامنة بین صفر تا یک استفاده شده است؛ همچنین در مرحلة وزن‌دهی، برای وزن‌دهی معیارها در این مطالعه از روش کرتیک استفاده شده است. در این روش، وزن‌دهی داده‌ها با توجه به میزان تضاد، همبستگی و انحراف معیار میان معیارها ارزیابی می‌شود (Diakoulaki et al., 1995: 766). پس از محاسبة انحراف معیار مربوط به هریک از عوامل، ماتریس متقارنی از ضرایب همبستگی معیارها در ابعاد m×m و سپس تضاد موجود بین معیارها محاسبه می‌شود. روش‌های وزن‌دهی مبتنی بر مقایسة زوجی مانند AHP و ANP با مشکل استقلال صفات از یکدیگر در شرایط تحقق‌نیافتن همبستگی بین صفات مواجه هستند و استفاده از روش کرتیک گامی در جهت حل این معضل است (مددی و همکاران، 1394: 129). شکل 2، روند انجام پژوهش را به‌صورت کلی نمایش می‌دهد.


شکل 2. فلوچارت مراحل پژوهش (نویسندگان، 1399)

Figure 2. Flowchart of research stages


تکنیک ماباک(MABAC)

  1. تعیین معیارها و گزینه‌های پژوهش: نخستین گام در این روش، تعیین عوامل و گزینه‌های پژوهش است.
  2. تشکیل ماتریس تصمیم: دومین گام، تشکیل ماتریس تصمیم است. ماتریس تصمیم در این روش به‌صورت معیار- گزینه است؛ یعنی یک ماتریس که ستون‌های آن را معیارهای مسئله و سطرها را گزینه‌ها تشکیل می‌دهند و هر سلول نیز درواقع امتیاز هر گزینه نسبت به هر معیار است (رابطة 1).

رابطة 1                                                                     

  1. نرمال‌سازی ماتریس تصمیم: در این گام باید ماتریس تصمیم مرحلة دوم را نرمال کرد. در این مطالعه ارزش‌گذاری و نرمال‌سازی با استفاده از تابع عضویت فازی انجام شد. درایه‌های ماتریس تصمیم با xij و درایه‌های ماتریس تصمیم نرمال با nij نمایش داده می‌شود (رابطة 2).

رابطة 2                                                                     

  1. وزن‌دارکردن ماتریس نرمال: در این گام با استفاده از رابطة زیر، ماتریس نرمال را وزن‌دار می‌کنیم. در رابطة 3، W وزن معیارهاست (باید از روش‌های دیگر نظیر CRITIC، AHP و ANP به دست آید که در آن nij عناصر ماتریس نرمال‌شده (N) را نشان می‌دهد؛ wi ضرایب وزنی معیار را نشان می‌دهد.

رابطة 3                                                                                 

  1. تعیین مرز ناحیة شباهت ماتریس (g): در رابطة 4، vij عناصر ماتریس وزنی (V) و m تعداد کل گزینه‌های جایگزین را نشان می‌دهد؛ پس از محاسبة مقدار gi، ماتریس محدوده‌های تقریبی مرزی با توجه به معیارهای G با فرمت N*1 شکل می‌گیرد و n تعداد کل معیارهایی را نشان می‌دهد که گزینه‌های ارائه‌شده برای آنها انتخاب می‌شود.

رابطة 4                                                                                             

بنابراین اگر n معیار داشته باشید، یک ماتریس G1×n به‌صورت زیر خواهیم داشت (رابطة 5):


رابطة 5                                                                                             

  1. محاسبة فاصلة گزینه‌ها تا مرز ناحیة شباهت: در این بخش با استفاده از رابطة 6، فاصلة گزینه‌ها تا ناحیة g به دست می‌آید؛ درواقع باید ماتریس وزن‌دار را از ماتریس g کم کرد.

رابطة 6                                                                                                         

پس از مشخص‌شدن ماتریس Q، با استفاده از حد بالای مساحت (+G) و حد پایین مساحت (-G) وضعیت هر گزینه مشخص می‌شود؛ بر این اساس گزینة Ai به اجتماع مجموعة یادشده متعلق است. حد بالای مساحت (+G)، ناحیه‌ای است که گزینة ایدئال مثبت در آن قرار دارد و حد پایین مساحت (-G)، ناحیه‌ای است که گزینة ضد ایدئال در آن قرار دارد. میزان تعلق گزینة Ai به اجتماع بالا براساس رابطة 7 به دست می‌آید. برای انتخاب گزینة Ai به‌مثابة بهترین فرم از مجموعه، لازم است حداکثر معیارهای ممکن به منطقة تقریبی فوقانی (+G) تعلق داشته باشد. مقدار بیشتر +qi∈G نشان می‌دهد گزینة جایگزین به گزینة جایگزین ایدئال نزدیک‌تر است؛ در حالی که مقدار کمتر –qi∈G نشان می‌دهد گزینة جایگزین به گزینة جایگزین ضدایدئال نزدیک‌تر است.

رابطة 7                                                                                             

  1. انتخاب گزینة بهینه: در روش ماباک (MABAC)، با استفاده از رابطة 8، امتیاز نهایی هر گزینه مشخص و براساس آن گزینه‌ها رتبه‌بندی می‌شود.

رابطة 8                                                                     

محاسبة مقادیر توابع معیار با گزینه‌ها به‌مثابة مجموع فاصله‌های جایگزین از مناطق تقریبی مرزی qi به دست می‌آید. با جمع‌کردن عناصر ماتریس Q در هر سطر، مقادیر نهایی تابع معیار گزینه‌ها به دست می‌آید. در این رابطه، n تعداد معیارها را نشان می‌دهد و m تعداد گزینه است (Alinezhad and Khalili, 2019: 193- 198).


تکنیککوداس (CODAS)

  1. تعیین معیارها و گزینه‌های پژوهش: نخستین گام در این روش، تعیین عوامل و گزینه‌های پژوهش است.
  2. دومین گام در این روش، تشکیل ماتریس تصمیم است. در ماتریس تصمیم‌گیری روش کوداس نیز ستون‌ها شامل معیارها و سطرها شامل گزینه‌های پژوهش هستند. حالت کلی ماتریس تصمیم به‌صورت رابطة 9 است.

رابطة 9                                                         

  1. سومین گام، استانداردسازی ماتریس تصمیم است. در این مطالعه، استانداردسازی و ارزش‌گذاری به‌صورت توأم با استفاده از روش فازی انجام شده است.
  2. چهارمین گام روشCODAS ، تشکیل ماتریس نرمال وزن‌دار است؛ یعنی باید وزن معیارها را در ماتریس نرمال ضرب کرد. این وزن با روش‌هایی ازجمله آنتروپی شانون، AHP، ANP و CRITIC به دست می‌آید.
  3. در این گام باید فواصل اقلیدسی (Euclidean distance) و تاکسی (Taxicab distances) از ایدئال منفی را محاسبه کرد. این فواصل از روابط 10 و 11 به دست می‌آیند. در این روابط، nsj ایدئال منفی معیارهاست.

رابطة 10                                                                               


رابطة 11                                                                               

  1. در این گام باید ماتریس ارزیابی نسبی را با استفاده از رابطة 12 ایجاد کرد. در این رابطهΨ  نشان‌دهندة یک تابع آستانه برای تشخیص برابری فاصلة اقلیدسی دو گزینه است.

رابطة 12                                           

  1. در این گام با جمع مقادیر  hikگزینه‌ها، می‌توان آنها را رتبه‌بندی کرد؛ هرچه مقدار  Hiبزرگ‌تر باشد، گزینه رتبة بهتری دارد (Mathew and Sahu, 2018: 140- 141).


ارزیابی نقشه‌های پهنه‌بندی زمین‌لغزش

منحنی تشخیص عملکرد نسبی (ROC)، از مفیدترین و کارآمدترین روش‌ها در پیش‌بینی و تعیین دقت مدل‌سازی است (محمدی و پورقاسمی، 1396: 163؛ محمدنیا و همکاران، 1397: 42). منحنی ROC، نموداری است که در آن روی محور افقی، پیکسل‌هایی ترسیم می‌شود که وقوع یا عدم وقوع زمین‌لغزش را با مدل به‌درستی پیش‌بینی کرده‌اند (مثبت درست)[7] و روی محور عمودی نسبت پیکسل‌هایی ترسیم می‌شود که نادرست پیش‌بینی شده‌اند (مثبت غلط)[8]. درحقیقت منحنی ROC، یک نمایش تصویری از موازنه بین میزان خطای منفی و مثبت برای هر مقدار احتمالی از نقاط برش (همان مقادیر مربوط به رده‌های خطر) است. مساحت زیر این منحنی AUC نام دارد و مدلی با بیشترین مقدار AUC، عملکرد نسبی بهتری دارد (Pontius and Schneider, 2001: 241).


معیارهای مطرح در پهنه‌بندی زمین‌لغزش شهرستان کوثر

شناخت عوامل مؤثر بر زمین‌لغزش و پهنه‌بندی آن در مناطق مختلف بسیار ضروری است. در این پژوهش عوامل فاصله از راه ارتباطی، فاصله از آبراهه، طبقات ارتفاعی، فاصله از گسل، بارش، کاربری اراضی، شیب، جهت شیب، خاک و لیتولوژی به‌مثابة عوامل مؤثر در منطقه شناسایی شد؛ سپس با استفاده از توابع عضویت فازی به‌صورت نقشه‌های فازی درآمد.

ارتفاع: تغییرات ارتفاعی هر منطقه، عامل مؤثر در ایجاد حرکات توده‌ای محسوب می‌شود (عابدینی و همکاران، 1393: 89). تغییرات ارتفاع موجب تغییرات بارندگی می‌شود و درنتیجه بر میزان پوشش گیاهی، تغییرات دمایی، هوازدگی و میزان نفوذ آب تأثیرگذار خواهد بود (Kadavi et al., 2018: 12). هرچه ارتفاع از سطح دریا بیشتر شود، حساسیت به زمین‌لغزش نیز بیشتر می‌شود (محمدی و پورقاسمی، 1396: 165). ارتفاع متوسط در شهرستان کوثر حدود 2300 متر است و بیشتر نقاط ارتفاعی آن در قسمت شمال شرق و جنوب غرب قرار گرفته‌اند. در مطالعة حاضر به ترتیب ارتفاع 865 و 3135 متر، کمترین و بیشترین ارزش فازی را دریافت کردند (شکل 3).

شیب: شیب عمدتاً توزیع فضایی و شدت زمین‌لغزش را تعیین می‌کند (Shafique et al., 2016: 69). شیب از شاخص‌های توپوگرافیک مهم است و در اصل پایه و اساس حرکات دامنه‌ای محسوب می‌شود (Chen et al., 2018: 1010). وجود شیب، تشدیدکنندة دیگر عوامل طرح در زمین‌لغزش است. اگر در دامنه‌ای همة شرایط یکسان باشد، افزایش‌ شیب به افزایش حساسیت دربرابر رانش زمین منجر می‌شود (Dai and Lee, 2002: 382; Kerekes et al., 2018: 284). با توجه به مقدار شیب موجود در منطقه (0- 55 درصد)، ارزش‌گذاری برمبنای درجة عضویت فازی در حد فاصل بین 0- 1 طیف‌بندی شده است (شکل 4). هرچه به عدد 1 نزدیک می‌شویم، درجة تناسب برپایة عمل شیب به‌منظور وقوع لغزش افزایش می‌یابد. درمقابل هرچه شیب از مقدار بحرانی کمتر یا بیشتر می‌شود، دامنة ارزش هم کاسته می‌شود.


شکل 3. نقشة استانداردشدة معیار طبقات ارتفاعی                             شکل 4. نقشة استانداردشدة معیار شیب

(نویسندگان، 1399)

Figure 3. Standardized map of elevation class criteria                    

Figure 4. Standardized map of slope criterion (Authors‚ 2020)      


جهت شیب: جهت شیب در مقدار درجه‌حرارت، میزان رطوبت، نوع و تراکم پوشش گیاهی و درنهایت در نوع و مقدار هوازدگی نقش بسیار زیادی دارد. در حالت کلی دامنه‌های شمالی به دلیل برخورداری از رطوبت بیشتر، ماندگاری زیاد و طولانی‌مدت برف و تبخیر کمتر (به دلیل پشت به آفتاب بودن دامنه) برای لغزش بسیار مستعد است (مددی و همکاران، 1394: 131)؛ بنابراین دامنه‌های شمالی و غربی به ترتیب بیشترین ارزش فازی را دریافت کردند (شکل 5).

لیتولوژی: نوع سازند زمین‌شناسی هر ناحیه نقش مهمی در گسترش پهنه‌های لغزشی دارد. ویژگی‌های لیتولوژیک به‌صورت گسترده‌ای بر ویژگی‌های فیزیکی همچون استحکام و نفوذپذیری مواد سطحی و زیرسطحی و احتمال وقوع زمین‌لغزش تأثیر می‌گذارد. لیتولوژی به همراه شیب، ماهیت و شدت زمین‌لغزش را تعیین می‌کند (Khan et al., 2019: 20). سطح شهرستان کوثر از واحدهای متعدد آتشفشانی و نیز رسوبی تشکیل شده است؛ ازجملة این واحدها گدازه‌های آندزیتی و داسیتی، تراکی آندزیت، بازالت و ایگنمبریت و توف به همراه سنگ‌های رسوبی تراورتن، پادگانه‌های آبرفتی جوان و قدیمی و مستعد فرسایش است و هریک از این سازندها مقاومت متفاوتی دارند. در مناطقی که سنگ‌ها با مواد آبرفتی و دیگر سازندهای سطحی عموماً مستعد برای ایجاد لغزش پوشیده شده است، ارزشی زیاد را به خود اختصاص داده‌اند (شکل 6).


شکل 5. نقشة استانداردشدة معیار جهت شیب                                  شکل 6. نقشة استانداردشدة معیار لیتولوژی

(نویسندگان، 1399)

Figure 5. Standardized map of aspect criterion

Figure 6. Standardized map of Lithology criterion (Authors‚ 2020)


فاصله از گسل: با توجه به اینکه مسیر گسل‌های بالقوه بر نقاط ناپایدار زمین منطبق است و همچنین به دلیل گسیختگی در دامنه‌ها و ایجاد شکستگی در لایه‌ها و خردشدگی توده‌های سنگی، عموماً در مسیر سیستمی از درزها و شکاف‌ها ایجاد و درنتیجه نفوذ آب به داخل زمین موجب کاهش مقاومت برشی دامنه می‌شود (روزبهانی و همکاران، 1389: 5). در مناطقی که پراکندگی خطوط گسل بیشتر از سایر نقاط باشد، می‌توان شاهد تعدد وقوع حرکات توده‌ای به‌ویژه وقوع لغزش‌ها بود (شاه‌زیدی و همکاران، 1398: 152). حرکت گسل نیز به نوعی شروع لغزش در دامنه است؛ بنابراین به‌منظور بررسی نقش گسل در ایجاد زمین‌لغزش‌ها، نقشة فاصله از گسل تهیه می‌شود (خامه‌چیان و همکاران، 1386: 59).

از گسل‌های اصلی منطقة مطالعاتی، گسل فیروزآباد- مجدر است که با طولی بیش از 50 کیلومتر، راستای شمال- شمال خاوری و جنوب- جنوب باختری دارد. این گسل با عبور از محدودة آلتراسیون‌های حاصل از فرسایش شیمیایی آندزیت‌های پورفیری و ایجاد شیب زیاد، باعث وقوع زمین‌لغزش‌هایی در روستای عینال‌آباد شده است. در حد بین روستاهای گرم‌خانه در جنوب حوضه و شهر گیوی در بخش غربی حوضه، یک گسل تراستی بزرگ دیده می‌شود که باعث روراندگی سنگ‌های آهک‌ کرتاسة بالا روی بخش‌های ولکانو ائوسن شده است. راستای عمومی این گسل شمال غرب به جنوب شرق است و با روند کلی تکتونیکی منطقه همسوست. گسل مدنظر در نیمة شمالی به چند شاخة فرعی‌تر تقسیم می‌شود. طول عمومی این گسل حدود 20 کیلومتر است و به نظر می‌رسد درمجموع شاخه‌ای از گسل فیروزآباد- مجدر باشد که نیمة شمالی آن به چندین شاخة فرعی تقسیم می‌شود (فیض‌الله‌پور و رجبی، 1393: 169- 170). گسل اصلی دیگر منطقه، گسل گیوی است که راستای شمالی- جنوبی و طولی نزدیک به 140 کیلومتر دارد و مرز رسوبات مزوزوئیک و سنگ‌های آتشفشانی را در شرق و رسوبات نئوژن را در غرب خود تشکیل داده است. فاصله از گسل در محدودة مطالعاتی بین صفر تا 12000 متر است و با افزایش آن دامنة ارزشی اختصاص داده‌شده به این معیار کاهش داده شد و برعکس (شکل 7).

خاک: از معیارهای مهم هر منطقه که در ایجاد زمین‌لغزش دخیل است، معیار خاک است. به‌منظور پهنه‌بندی زمین‌لغزش، خاک‌های ریزدانه ارزش زیاد فازی دریافت کردند؛ خاک‌های ریزدانه‌ای که از درصد زیادی رس، مارن و سیلت تشکیل شده‌اند و عمق زیادی دارند و به محض وجود سایر شرایط مانند شیب زیاد و افزایش رطوبت خاک دراثر بارش‌های فصلی یا ذوب برف‌ها با به هم خوردن حالت کلوئیدی و چسبندگی خاک از تودة اصلی جدا می‌شوند و به سمت پایین دامنه‌ها حرکت می‌کنند (شکل 8).


شکل 7. نقشة استانداردشدة معیار فاصله از گسل                  شکل 8. نقشة استانداردشدة معیار خاک

(نویسندگان، 1399)

Figure 7. Standardized map of Distance from fault criterion

Figure 8. Standardized map of soil criterion (Authors‚ 2020)


بارندگی: بارش با تأثیر بر فشار آب منفذی و سطح آب زیرزمینی، افزایش بار دامنه و زیرشویی و از بین بردن تکیه‌گاههای جانبی به‌مثابة یک عامل محرک در وقوع زمین‌لغزش عمل می‌کند (کورکی‌نژاد، 1383: 28؛ Davis and Blesius, 2015: 4287). به‌طور کلی پس از بارندگی‌های سنگین یا ذوب برف‌ها به‌ویژه در فصل بهار، بیشترین ناپایداری‌ها و گسیختگی دامنه‌ای شکل می‌گیرد (شادفر و یمانی، 1386: 17).

در شهرستان کوثر میانگین بارش سالیانه حدود 350 میلی‌متر است و بیشترین مقدار بارش به ماههای اردیبهشت و فروردین مربوط است. با توجه به نقش بارش به‌ویژه بارش‌های بهاری در افزایش تنش برشی و شکل‌گیری لغزش، مناطق با بارش زیاد (بیش از 500 میلی‌متر) که عمدتاً در نواحی کوهستانی و مرتفع گسترده شده‌اند، ارزش زیاد و مناطق با بارش کم، ارزش کم دریافت کردند (شکل 9).

فاصله از شبکة آبراهه: آب‌های بر سطح دامنه (رواناب‌ها) و آب‌هایی که در بین مواد نفوذ می‌کنند، از عوامل تحریک‌کنندة مواد دامنه‌ای هستند. رودخانه‌ها با نفوذ آب و برش درنتیجة فرسایش و اشباع دامنه‌ها، نقشی منفی در پایداری یک دامنه بازی می‌کنند (Gorum et al., 2011: 158)؛ به بیان دیگر هرجایی که شیب دامنه‌ها افزایش زیادی داشته و جنس سازندها نیز مناسب باشد، آبراهه‌ها با زیرشویی دامنه‌ها و از بین بردن تکیه‌گاه دامنه‌ها در ایجاد لغزش نقش بسیار مهمی دارند. رودخانه‌های شویرچای، سنگورچای، گیوی‌چای، نیلق‌چای و لیکوان‌چای از رودخانه‌های دائمی و پرآب شهرستان هستند. شعبه‌های رودخانه‌ها به‌راحتی مواد سطحی و خاک را می‌شویند و با خود حمل می‌کنند. با شسته‌شدن این مواد، محل اتصال دامنه به دره به‌صورت پرشیب درمی‌آید و گاهی زمین‌لغزش‌هایی را ایجاد می‌کند و این امر بیشتر در دامنه‌های شمالی دیده می‌شود. فاصله از رودخانه در شهرستان مدنظر بین صفر تا 4000 متر است. در نقشة استانداردشدة فاصله از آبراهه (شکل 10)، نواحی منطبق بر فواصل نزدیک به شبکة آبراهه، با دامنة ارزشی زیاد نمایش داده شده‌اند و برعکس.


شکل 9. نقشة استانداردشدة معیار بارش                                         شکل 10. نقشة استانداردشدة معیار فاصله از آبراهه

(نویسندگان، 1399)

Figure 9. Standardized map of rainfall criterion

Figure 10. Standardized map of distance from the river criterion (Authors‚ 2020)

فاصله از جاده: جاده‌ها وضعیت طبیعی دامنه را بر هم می‌زنند و موجب به وجود آمدن بریدگی‌های عمودی در دامنه می‌شوند. این موضوع به افزایش فشار بر بخش پایین جاده و افزایش زمین‌لغزش در اطراف جاده می‌انجامد (محمدی و پورقاسمی، 1396: 164). در حالت کلی بررسی عامل فاصله از جاده به دلیل زیربری و از بین بردن پاشنة دامنه و تغییر در شیب دامنه‌ها در مطالعة وقوع حرکات دامنه‌ای نقش بسیار مهمی دارد و با ایجاد ترانشه برای احداث راه ارتباطی و از بین رفتن پایة دامنه‌ها ناپایداری شکل می‌گیرد (Gomez and Kavzoglu, 2005: 12). در محدودة مطالعاتی فاصله از جاده در حد فاصل صفر تا 13500 متر است و فواصل نزدیک به جاده ارزشی زیاد (ارزش 1) دریافت کردند و برعکس (شکل 11).

معیار کاربری اراضی: به‌طور مسلّم نوع کاربری اراضی همیشه نقش تعیین‌کننده‌ای در تغییرات محیطی به‌ویژه ایجاد و تشدید حرکات دامنه‌ای دارد. استفاده از زمین به‌صورت غیرمستقیم بر ثبات شیب تأثیرگذار است. فعالیت‌هایی مانند خاک‌برداری و پرکردن یا در کل فعالیت‌های انسانی در اطراف تپه‌ها سبب افزایش فشار روی ناپایداری شیب دامنه‌ها می‌شود. انواع کاربری‌ها در شهرستان کوثر به‌صورت زراعت دیم با مساحت 51/23 کیلومترمربع، زراعت آبی با مساحت 69/13 کیلومترمربع، مراتع ضعیف با مساحت 07/335 کیلومترمربع، مراتع متوسط با مساحت 86/148 کیلومترمربع، مراتع خوب با مساحت 47/299 کیلومترمربع، باغ‌ها با مساحت 48/95 کیلومترمربع، مناطق کوهستانی با مساحت 97/26 کیلومترمربع، مناطق انسان‌ساخت با مساحت 92/6 کیلومترمربع، اراضی صاف و مسطح با مساحت 81/329 کیلومترمربع و مناطق آبی با مساحت 27/2 کیلومترمربع است. کاربری زراعی (دیم و آبی) با توجه به رعایت‌نشدن تناوب زراعی، کشت در اراضی شیب‌دار و افزایش رطوبت خاک با آبیاری و نفوذدادن آب بیشتر به زمین، بیشترین ارزش را در پهنه‌بندی زمین‌لغزش دریافت کرد (شکل 12).


شکل 11. نقشة استانداردشدة معیار راه ارتباطی                    شکل 12. نقشة استانداردشدة معیار کاربری اراضی

(نویسندگان، 1399)

Figure 11. Standardized map of distance from the road criterion

Figure 12. Standardized map of land use criterion (Authors‚ 2020)

یافته‌های پژوهش

پس از استخراج نقشه‌های هریک از معیارها و اعمال وزن‌های حاصل از روش کرتیک (جدول 1) و با اعمال مراحل مختلف تکنیک‌های بررسی‌شده، نقشة نهایی پهنه‌بندی لغزش در 5 طبقة بسیار پرخطر تا بسیار کم‌خطر به دست آمد (شکل 13 و 14).

جدول 1. محاسبة وزن نهایی معیارها با استفاده از روش کرتیک (نویسندگان، 1399)

Table 1. Calculation of final weight of criteria using Critic method (Authors‚ 2020)










جهت شیب


مجموع تضاد











انحراف معیار











میزان اطلاعات











وزن نهایی














شکل 13. نقشة پهنه‌بندی خطر زمین‌لغزش (MABAC)؛ (نویسندگان، 1399)

Figure 13. Landslide Hazard Zoning Map (MABAC); (Authors‚ 2020)


شکل 14. نقشة پهنه‌بندی خطر زمین‌لغزش (CODAS)؛ (نویسندگان، 1399)

Figure 14. Landslide Hazard Zoning Map (CODAS); (Authors‚ 2020)

براساس پهنه‌بندی صورت‌گرفته با استفاده از روش MABAC، 99/211 و 85/298 کیلومترمربع از مساحت منطقه به ترتیب در کلاس‌های بسیار پرخطر و پرخطر قرار گرفته است. براساس نتایج حاصل از به‌کارگیری روش CODAS، 90/106 و 02/226 کیلومترمربع از مساحت منطقه به ترتیب در کلاس بسیار پرخطر و پرخطر است (جدول 2).

جدول 2. مساحت کلاس‌های طبقه‌بندی خطر زمین‌لغزش با استفاده از تکنیک CODAS و MABAC

(نویسندگان، 1399)

Table 2. Area of ​​landslide risk classification using CODAS and MABAC techniques

 (Authors‚ 2020)




میزان خطر

بسیار کم‌خطر




بسیار پرخطر

مساحت (KM2)






درصد %







میزان خطر

بسیار کم‌خطر




بسیار پرخطر

مساحت (KM2)






درصد %






به‌منظور اعتبارسنجی و مستندکردن نقشه‌های پهنه‌بندی زمین‌لغزش با استفاده از روش‌های CODAS و MABAC در این قسمت سعی شده است پیکسل‌های بسیار پرخطر مورد به مورد به‌لحاظ تمامی معیارهای مطالعه‌شده بررسی شود (شکل‌های 15 و 16). به‌طور قطع انطباق نقاط پرخطر با ارزش‌های واقعی ثبت‌شده از معیارها که با توجه به نقشه‌های رقومی به دست آمده است، به درک ملموس‌تر نتیجة حاصل کمک زیادی می‌کند. بررسی نقاط بسیار پرخطر نشان داد این مناطق به‌طور عمده در خروجی هر دو مدل در شیب 20 تا 35 درصد قرار دارند و در این مقدار شیب، مواد سطحی و اصولاً ریزدانه که مستعد لغزش‌اند، با جذب آب و افزایش رطوبت به حد سیلانی می‌رسند و با افزایش تنش‌های برشی و گسیختگی مواد در دامنه شروع به حرکت می‌کنند؛ همچنین مناطق پرخطر در مناطق با بارش (250- 350 میلی‌متر) قرار دارند و لغزش‌های شهرستان در پی بارش‌های سنگین یا به‌دنبال ذوب برف‌ها در فصل بهار و در سازندهای مستعد (ریزدانه و سست) شکل می‌گیرند؛ نقاط بسیار پرخطر ارائه‌شده در هر دو مدل نیز به‌طور عمده در خاک‌های لیتوسول (با 2/26 درصد رس، 40 درصد سیلت و 33 درصد ماسه، گروه هیدرولوژیک C و D) قرار دارند؛ بدین صورت که خاک‌های ریزدانه که عمق زیادی نیز دارند، براساس آبگیری افزایش حجم می‌یابند و در همین حال به دلیل زهکش ضعیف مدت‌زمان زیادی مرطوب می‌مانند و درنتیجة نیروی وزن توده و شیب زیاد زمین از قسمت‌های زیرین جدا می‌شوند و به سمت پایین حرکت می‌کنند؛ به‌علاوه با توجه به خروجی حاصل از دو روش و بررسی موردی نقاط پرخطر، نقاط دارای پتانسیل خطر بسیار زیاد در هر دو مدل در طبقات ارتفاعی 1500 تا 2500 متر قرار گرفته‌اند. در رابطه با عامل جهت شیب، نقاط بسیار پرخطر ارائه‌شده در مدل CODAS عمدتاً در دامنه‌های شمالی و سپس دامنه‌های غربی، و با توجه به خروجی نهایی مدل MABAC، نقاط دارای احتمال خطر بسیار زیاد در جهات شیب شمالی، غربی، شرقی و جنوب غربی قرار دارند.

بررسی خروجی حاصل از هر دو روش نشان می‌دهد ازلحاظ معیار کاربری اراضی، کاربری زراعی و مراتع بیشترین درصد از مساحت مناطق دارای احتمال خطر بسیار زیاد را به خود اختصاص داده است. این موضوع با توجه به رعایت‌نشدن تناوب زراعی، تخریب پوشش گیاهی دراثر تبدیل اراضی مرتعی به زراعی، کشت دیم در اراضی شیب‌دار (ازجمله کشت غلات به‌صورت دیم در اراضی شیب‌دار و به‌ویژه کشت روی شیب‌های بالای 20 درصد) و افزایش رطوبت خاک با آبیاری و نفوذدادن آب بیشتر به زمین پذیرفته است؛ به‌علاوه مردم محلی با چرای بیش از حد دام‌های خود در مراتع باعث نابودی پوشش گیاهی می‌شوند و به روند رخداد زمین‌لغزش پس از وقوع بارش‌های سیل‌آسا سرعت می‌بخشند. عبوردادن دکل‌های فشار قوی برق، لوله‌کشی گاز و آب، افزایش تعداد دام و استفادة بیش از ظرفیت مراتع و عبوردادن آبراهه از روی دامنه برای آبیاری اراضی کشاورزی و باغ‌ها، ازجمله دیگر فعالیت‌های انسانی در اراضی اطراف مناطق شهری و روستایی در منطقه است.

بررسی عامل لیتولوژی نیز نشان می‌دهد سازندهای نامقاوم که عمدتاً سازندهای سست کواترنری هستند (Qt2: پادگانة آبرفتی جدید، Qal: رسوبات رودخانه‌ای جدید، Ngm.s: تناوب مارن خاکستری و قرمز ژیپس‌دار با ماسه‌سنگ و کنگلومرا، Oms: میکروکنگلومرا، ماسه‌سنگ و مارن)، حساسیت زیادی به وقوع لغزش دارند و بزرگ‌ترین لغزش‌های منطقه روی مارن‌هایی رخ داده‌اند که بر کنگلومراها قرار گرفته‌اند؛ به‌علاوه بخش وسیعی از محدوده از سنگ‌های آندزیت پرفیری و مگاپورفیری ائوسن تشکیل شده و هوازدگی فلدسپات‌های موجود در این سنگ‌ها و تشکیل کانی‌های رسی، زمینة وقوع زمین‌لغزش‌های بزرگ و کوچکی را روی دامنه‌های شیب‌دار به وجود آورده است.

همچنین اراضی پرخطر معرفی‌شدة حاصل از روش پژوهش نشان می‌دهد اراضی بسیار پرخطر در نقشة نهایی هر دو مدل به‌طور نسبی در فواصل نزدیک جاده، رودخانه و به‌ویژه گسل قرار دارند. در این زمینه می‌توان گفت عامل جاده به دلیل زیربری و از بین بردن پاشنة دامنه و تغییر در شیب دامنه‌ها در ایجاد حرکات لغزشی نقش بسیار مهمی دارد. به دلیل اینکه بخشی از فعالیت‌های جاده‌سازی در سطح شهرستان (به‌ویژه جاده‌های روستایی) غیراصولی و بدون توجه به اصول مهندسی است، احداث راهها از یک سو به دلیل ایجاد ترانشه و تغییر وزن ناشی از خاک‌برداری و خاک‌ریزی، زیربری دامنه و از بین بردن تکیه‌گاه دامنه‌ها به ایجاد زمین‌لغزش در منطقه منجر می‌شود؛ از سوی دیگر احداث جاده با از بین بردن پوشش مرتعی در دامنه‌های پرشیب باعث می‌شود هنگام بارش بهاری و ذوب برف زمینه برای زمین‌لغزش ایجاد شود. ازجمله لغزش‌های جاده‌ای در منطقه، لغزش‌های مکرر در جادة اردبیل- خلخال طی سال‌های اخیر است. رودخانه‌ها (به‌ویژه رودخانه‌های دائمی و پرآب گیوی‌چای، نیلق‌چای، لیکوان‌چای و سنگورچای) با زیرشویی دامنه‌ها و از بین بردن تکیه‌گاه مواد دامنه‌ای در ایجاد زمین‌لغزش اهمیت دارند و همچنین گسل‌ها (به‌ویژه گسل‌های اصلی فیروزآباد- مجدر و گیوی) به گسیختگی در دامنه‌ها و ایجاد شکستگی در لایه‌ها و خردشدگی توده‌های سنگی و درنتیجه نفوذ آب به داخل زمین و کاهش مقاومت برشی دامنه منجر می‌شوند.


شکل 15. بررسی موردی مناطق بسیار پرخطر در نقشة نهایی حاصل از مدل MABAC(نویسندگان، 1399)

Figure 15. A case study of very high risk areas in the final map of the MABAC model

(Authors‚ 2020)


شکل 16. بررسی موردی مناطق بسیار پرخطر در نقشة نهایی حاصل از مدل CODAS (نویسندگان، 1399)

Figure 16. A case study of very high risk areas in the final map of the CODAS model

(Authors‚ 2020)


مهم‌ترین چالش موجود درزمینة پهنه‌بندی، چگونگی و دقت روش تهیة نقشة خطر زمین‌لغزش است و پژوهشگران روش‌های مختلفی را برای ارزیابی مدل‌های پهنه‌بندی خطر زمین‌لغزش ارائه کرده‌اند. نتایج حاصل از هم‌پوشانی، خروجی حاصل از مدل MABAC با پراکنش نقاط لغزشی، نشان داد 67/16 از نقاط پراکنش لغزش‌ها در سطح شهرستان در طبقة بسیار پرخطر و 89/38 از نقاط پراکنش لغزشی در طبقة پرخطر قرار دارند. با توجه به خروجی حاصل از مدل CODAS نیز به ترتیب 11/11 و 89/38 درصد از نقاط لغزشی در دو طبقة بسیار پرخطر و پرخطرند (جدول 3)؛ به‌علاوه برای مستندسازی بیشتر اعتبار نقشه‌های پهنه‌بندی پتانسیل خطر زمین‌لغزش به دست آمده از پژوهش سعی شده است دقت هریک از تکنیک‌های به‌کاررفته با استفاده از منحنی ROC ارزیابی شود. در منحنی ROC، سطح زیر منحنی با عنوان AUC بیان‌کنندة مقدار پیش‌بینی سیستم از طریق توصیف توانایی آن در تخمین درست وقایع رخ‌داده (وقوع زمین‌لغزش) و رخ‌نداده (عدم وقوع زمین‌لغزش) است. نتایج ارزیابی نشان داد مقدار سطح زیر منحنی در مدل MABAC، 753/0 و در مدل CODAS، 839/0 است. با توجه به طبقه‌بندی ارائه‌شده برای سطح زیر منحنی (1-9/0: عالی، 9/0-8/0: خیلی خوب، 8/0-7/0: خوب، 7/0-6/0: متوسط، 6/0-5/0: ضعیف) (Negnevitsky, 2002: 394; Yesilnacar, 2005: 237)، دقت روش ماباک در طبقة خوب و دقت روش کوداس در طبقة خیلی خوب قرار دارد (شکل 17). این بخش از نتایج مطالعه با نتایج پژوهش‌های افرادی چون موسوی و همکاران (1395)، مددی و همکاران (1397)، انتظاری و همکاران (1398)، فیضی‌زاده و همکاران[9] (2014)، تاج‌الدینو همکاران[10] (2018)، گیگووایس و همکاران[11] (2019) و وجتکووا و وجتک[12] (2020) مطابقت دارد؛ بدین صورت که آنها نیز معتقدند برای شناسایی مناطق دارای زمین‌لغزش، روش‌های تحلیل چندمعیاره کارایی زیادی دارند.

جدول 3. تعداد و درصد نقاط پراکنش لغزشی در هر طبقة خطر (نویسندگان، 1399)

Table 3. Number and percentage of slip scatter points in each hazard class

(Authors‚ 2020)


طبقة خطر

بسیار پرخطر


خطر متوسط


بسیار کم‌خطر














طبقة خطر

بسیار پرخطر


خطر متوسط


بسیار کم‌خطر















شکل 17. منحنی تشخیص عملکرد نسبی و سطح زیر منحنی مربوط به نقشه‌های پهنه‌بندی زمین‌لغزش

(نویسندگان، 1399)

Figure 17. Relative performance detection curve and area below the curve related to landslide zoning maps

(Authors‚ 2020)


نتایج حاصل از مطالعه حاکی از پتانسیل زیاد شهرستان کوثر ازلحاظ رخداد حرکات لغزشی است. عوامل شیب، کاربری اراضی، خاک و لیتولوژی، مهم‌ترین عوامل دخیل در ایجاد زمین‌لغزش در محدودة مطالعاتی است و مناطق بسیار پرخطر و پرخطر به‌طور عمده در شیب 20 تا 35 درصد، کاربری‌های زراعی و مراتع، خاک لیتوسول با درصد زیاد رس و سیلت و مارن و در سازندهایی با زیربنای سنگ سخت به همراه مواد رسوبی و سست سطحی قرار دارد؛ همچنین براساس نتایج مقایسة مدل‌ها، مدل MABAC پهنة بیشتری از منطقه را در معرض خطر زمین‌لغزش نسبت به مدل CODAS نشان می‌دهد؛ اما با توجه به پژوهش‌های میدانی و استفاده از شاخص عملکرد نسبی (ROC) در شهرستان کوثر، می‌توان نتیجه گرفت در خروجی حاصل از مدل CODAS همبستگی زیادی بین نقشة حساسیت نسبت به لغزش تهیه‌شده و نقشة پراکنش زمین‌لغزش وجود دارد و این مدل نتایج قابل قبول‌تری را ارائه کرده است. با توجه به دقت مناسب مدل CODAS، استفاده از این مدل در شناسایی نقاط پرخطر ازلحاظ رخداد زمین‌لغزش به‌ویژه در مناطق کوهستانی پیشنهاد می‌شود.

اراضی بسیار پرخطر و پرخطر، اراضی‌ای هستند که نباید تخریب شوند و کارهای غیراصولی در آنها انجام شود؛ کارهایی از قبیل تخریب پوشش گیاهی براثر تبدیل اراضی مرتعی به زراعی و کاهش کمی و کیفی پوشش گیاهی براثر چرای بی‌رویة دام‌ها، کشت دیم در اراضی شیب‌دار، رعایت‌نشدن تناوب زراعی و احداث و دستکاری‌های غیراصولی جاده یا تغییر مسیر جاده؛ بلکه باید اقداماتی مانند تعدیل کاهش شیب دامنة ارتفاعات مشرف به مسیر احداث جاده، کاهش گیاهان مناسب، ایجاد سیستم زهکشی مناسب، حذف سازند ریزدانه و برداشت آن از سطح دامنه انجام شود.

انتظار می‌رود این پژوهش و نتایج حاصل از آن، راهگشای اعمال مدیریت بهتر و علمی‌تر مدیران و برنامه‌ریزان ذی‌صلاح در این زمینه شود.

[1]. Feizizadeh et al.

[2]. Tajudin et al.

[3]. Ulu Kelang

[4]. Gigovic et al.

[5]. Vojtekova & Vojtek

[6]. Handlová

[7]. Specificity

[8]. Sensitivity

[9]. Feizizadeh et al.

[10]. Tajudin et al.

[11]. Gigovic et al.

[12]. Vojtekova and Vojtek

آشور، حدیثه، (1390). بررسی و تحلیل تناسب و جاذبه‌های شهرک صنعتی آمل در مکان‌گزینی واحدهای صنعتی (صنایع کوچک و متوسط)، پایان‌نامة کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری و روستایی، استاد راهنما: غفاری گیلانده، عطا، دانشگاه محقق اردبیلی، دانشکدة ادبیات و علوم انسانی.
احمدی، حسن، طالبی اسفندرانی، علی، (1380). بررسی عوامل مؤثر در ایجاد حرکات توده‌ای؛ منطقة اردل استان چهارمحال و بختیاری، مجلة منابع طبیعی ایران، دورة 54، شمارة 4، 323- 329.
انتظاری، مژگان، خدادادی، فاطمه، ساسان‌پور، فرزانه، (1398). تحلیل و پهنه‌بندی مخاطرات ژئومورفولوژیک (لغزش و سیل) استان البرز با استفاده از مدل‌های AHP-VIKOR و FR، پژوهش‌های جغرافیای طبیعی، دورة 51، شمارة 1، 183- 199.
خامه‌چیان، ماشاءالله، راکعی، بابک، عبدالملکی، پرویز، گیاه‌چی، پانته‌آ، (1386). کاربرد سیستم شبکة عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش؛ مطالعة موردی: ناحیة سفیدار گله در استان سمنان، مجلة علوم دانشگاه تهران، دورة 33، شمارة 3، 57- 64.
روزبهانی، حبیبه، ایلدرمی، علیرضا، دشتی، مریم، (1389). بررسی عوامل وقوع حرکات توده‌ای با مدل INRF؛ مطالعة موردی: حوضة سد کلان ملایر، همایش کاربرد جغرافیای طبیعی در برنامه‌ریزی محیطی، دانشگاه آزاد اسلامی خرم‌آباد، لرستان، 1- 10.
سفیدگری، رضا، غیومیان، جعفر، فیض‌نیا، سادات، (1384). ارزیابی روش‌های پهنه‌بندی خطر زمین‌لغزش در مقیاس 1:50000؛ مطالعة موردی: حوضة آبخیز دماوند، مجموعه‌مقالات سومین همایش ملی فرسایش و رسوب (صص 574- 580)، مرکز تحقیقات حفاظت خاک و آبخیزداری، تهران، 1- 7.
سلمان ماهینی، عبدالرسول، ریاضی، برهان، نعیمی، بابک، بابایی کفکایی، ساسان، جوادی لاریجانی، عظیمه، (1387). ارزیابی توان طبیعت‌گردی شهرستان بهشهر برمبنای روش ارزیابی چندمعیاره با استفاده از سیستم اطلاعات جغرافیایی، علوم و تکنولوژی محیط‌زیست، دورة 11، شمارة 1، 178- 189.
شادفر، صمد، یمانی، مجتبی، (1386). پهنه‌بندی خطر زمین‌لغزش در حوضة آبخیز جلیسان با استفاده از مدل LNRF، پژوهش‌های جغرافیایی، دورة 40، شمارة 1، 11- 23.
شاه‌زیدی، سمیه، نوجوان، محمدرضا، داوودی، محمود، امین‌الرعایایی، هاجر، (1398). پهنه‌بندی زمین‌لغزش با استفاده از تلفیق دو مدل فرایند تحلیل سلسله‌مراتبی و فازی؛ مطالعة موردی: حوضة آبخیز کمه، استان اصفهان، پژوهش‌های ژئومورفولوژی کمی، دورة 7، شمارة 4، 12- 159.
شریعت‌جعفری، محسن، (1375). زمین‌لغزش و مبانی و اصول پایدار شیب‌های طبیعی، چاپ اول، تهران، انتشارات سازه.
عابدینی، موسی، قاسمیان، بهاره، شیرزادی، عطاءالله، (1393). مدل‌سازی خطر وقوع زمین‌لغزش با استفاده از مدل آماری رگرسیون لجستیک؛ مطالعة موردی: استان کردستان، شهرستان بیجار، فصلنامة جغرافیا و توسعه، دورة 12، شمارة 37، 85- 102.
فیض‌الله‌پور، مهدی، رجبی، معصومه، (1393). پهنه‌بندی زمین‌لغزش حوضة رودخانة گیوی‌چای با استفاده از مدل پرسپترون چندلایه از نوع پیش‌خور پس‌انتشار (BP)، مجلة جغرافیا و توسعه، دورة 12، شمارة 36، 161- 180.
کرم، عبدالمیر، (1383). کاربرد مدل ترکیب خطی وزین (WLC) در پهنه‌بندی زمین‌لغزش؛ مطالعة موردی: منطقة سرخون چهارمحال و بختیاری، مجلة جغرافیا و توسعه، دورة 2، شمارة 4، 131- 146.
کورکی‌نژاد، مسعود، (1383). پهنه‌بندی خطر زمین‌لغزش، رشد آموزش زمین‌شناسی، شمارة 39، 24- 30.
محمدنیا، ملیحه، امیراحمدی، ابوالقاسم، زندی، رحمان، (1397). استفاده از مدل آنتروپی در ارزیابی مخاطرة زمین‌لغزش در مسیر جادة پیشنهادی طرقبه- درود (مشهد- نیشابور)، جغرافیا و روابط انسانی، دورة 1، شمارة 2، 37- 58.
محمدی، مجید، پورقاسمی، حمیدرضا، (1396). اولویت‌بندی عوامل مؤثر بر وقوع زمین‌لغزش و تهیة نقشة حساسیت آن با استفاده از الگوریتم نوین جنگل تصادفی؛ مطالعة موردی: بخشی از استان گلستان، پژوهشنامة مدیریت حوضة آبخیز، دورة 8، شمارة 15، 161- 170.
مددی، عقیل، غفاری گیلانده، عطا، پیروزی، الناز، (1394). ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل ویکور؛ مطالعة موردی: حوضة آبخیز آق‌لاقان‌چای، پژوهش‌های ژئومورفولوژی کمی، دورة 3، شمارة 4، 124- 141.
مددی، عقیل، پیروزی، الناز، شکرزاده فرد، الهام، (1397). پهنه‌بندی خطر زمین‌لغزش در حوضة آبخیز آق‌لاقان‌چای با استفاده از مدل ELECTRE، فصلنامة فضای جغرافیایی، جلد 18، شمارة 64، 177- 199.
موسوی، معصومه، عابدینی، موسی، اسماعیلی عوری، اباذر، مدنی، فاطمه، (1395). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل‌های فازی چندمعیاره در محیط GIS؛ مطالعة موردی: حوضة آبخیز ایذه-خوزستان، پژوهشنامة مدیریت حوضة آبخیز، سال 7، شمارة 14، 78- 87.
Alinezhad, A., Khalili, J., (2019). New Methods and Applications in Multiple Attribute Decision Making (MADM), International Series in Operations Research & Management Science, Vol 277, Springer, Cham.
Chen, W., Zhang, S., Li, R., Shahabi, H., (2018). Performance evaluation of the gis-based data mining techniques of best-first decision tree, random forest, and naïve bayes tree for landslide susceptibility modeling, Science of the Total Environment, Vol 644, Pp 1006- 1018.
Colkesen, I., Sahin, E., Kavzoglu, T., (2016). Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression, Journal of African Earth Sciences, Vol 118, Pp 53- 64.
Crosta, B.G., (2009). Dating, triggering, modeling and hazard assessment of large landslides, Geomorphology, Vol 103, Pp 1- 4.
Dai, F.C., Lee, C.F., (2002). Landslide Characteristics and Slope in Stability Modeling using GIS Lantau Island Hong Kong, Geomorphology, Vol 42, Pp 213- 228.
Davis, J., Blesius, L., (2015). A Hybrid Physical and Maximum-Entropy Landslide Susceptibility Model, Entropy, Vol 17, Issue 6, Pp 4271- 4292.
Diakoulaki, D., Mavrotas, G., Papayannakis, L., (1995). Determining objective weights in multiple criteria problems: The critic method, Computers and Operations Research, Vol 22, Issue 7, Pp 763-770.
Feizizadeh, B., Shadman Roodposhti, M., Jankowski, P., Blaschke, T., (2014). A GIS-based extended fuzzy multi-criteria evaluation for landslide susceptibility mapping, Comput Geosci, Vol 73, Pp 208-221.
Gigovic, L., Drobnjak, S., Pamucar, D., (2019). The Application of the Hybrid GIS Spatial Multi-Criteria Decision Analysis Best–Worst Methodology for Landslide Susceptibility Mapping, International jornal of Geo-Information, Vol 8, Issue 2, Pp 1- 29.
Gomez, H., Kavzoglu, T., (2005). Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, Graupe, Daniel, Principles of artificial neural network, Vol 78, Pp 11- 27.
Gorum, T., Fan, X., Van Westen, C., Huang, R., Xu, Q., Tang, C., Wang, G., (2011). Distribution pattern of earthquake-induced landslides triggered by the 12 May 2008 Wenchuan earthquake, Geomorphology, Vol 133, Issues 3- 4, Pp 152- 167.
Haque, U., Paula, F.d., Silva Graziella, Devoli., Pilz, J., Zhao, B., Khaloua, A., Wilopoi, W., Andersen, P., Luk, P., Lee, J., Yamamoto, T., Keellings, D.‚ Wuo, J.H., (2019). The human cost of global warming: Deadly landslides and their triggers (1995- 2014), Science of The Total Environment, Vol 682, Pp 673- 684.
Kadavi, P., Lee, C.W., Lee, S., (2018). Application of ensemble-based machine learning models to landslide susceptibility mapping, Remote Sensing, Vol 10, Issue 8, Pp 1- 18.
Kerekes, A., Poszet, S., Gal, A., (2018). Landslide susceptibility assessment using the maximum entropy model in a sector of the Cluj–Napoca Municipality‚ Romania, Revista de geomorfologie, Vol 20, Pp 130- 146.
Khan, H., Shafique, M., Khan, M., Mian‚ A., Safeer, U., Shah, Chiara, C., (2019). Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan, The Egyptian Journal of Remote Sensing and Space Sciences, Volume 22, Issue 1, Pp 11- 24.
Mathew, M., Sahu, S., (2018). Comparison of new multi-criteria decision making methods for material handling equipment selection, Management Science Letters, Vol 8, Pp 139- 150.
Negnevitsky, M., (2002). Artifical Intelligence: A Guide to Intelligent Systems‚ Addison Wesley/Pearson Education, Harlow, England.
Pontius, R.G., Schneider, L.C., (2001). Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA, Agriculture, Ecosystems and Environment, Vol 85, Issues 1- 3, Pp 239- 248.
Rossi, M., Guzzetti, F., Salvati, P., Donnini, M., Napolitano, E., Bianchi, C., (2019). A predictive model of societal landslide risk in Italy, Earth-Science Reviews, Vol 196, Pp 1- 19.
Shafique, M., Van der Meijde, M., Khan, M.A., (2016). A review of the 2005 Kashmir earthquake-induced landslides; from a remote sensing prospective, J. Asian Earth Sci, Vol 118, Pp 68- 80.
Sorbi, A., Farrokhnia, A., (2018). Landslide hazard evaluation and zonation of Karaj-CHaluse road (North of Iran), International Journal of Geography and Geology, 7, Issues 2, Pp 35- 44.
Tajudin, N., Yaacob, N., mohdali, D., Adnan, N., (2018). Rainfall – landslide potential mapping using remote sensing and GIS at Ulu Kelang, Selangor, MalaysiaConference Series Earth and Environmental Science, Vol 169, Pp 1- 8.
Vojtekova, J., Vojtek, M., (2020). Assessment of landslide susceptibility at a localspatial scale applying the multi-criteria analysisand GIS: a case study from Slovaki, Geomatics, Natural Hazards and Risk, Vol 11, Issue 1, Pp 131- 148.
Yalcin, A., Reis, S., Aydinoglo, A.A., Yomraliglu, T., (2011). A GIS- based comparative study of feguency ratio, analytical hierarchy process, bivariate statistics and logistics metids for land slide susceptibility mapping in Trabzon, NE Turkey, Geomorfology, Vol 85, Pp 274- 287.
Yesilnacar, E.K., (2005). The Application of Computational Intelligence to Landslide Susceptibility Mapping in Turkey, PhD Thesis, Department of Geometrics the University of Melbourne.