
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,604,888 |
تعداد دریافت فایل اصل مقاله | 8,198,423 |
تعیین عوامل مؤثر و پیش بینی مکانی وقوع خزش ها و زمین لغزش های کنار جاده ای در جنگل های استان گلستان | ||
پژوهشهای علوم و فناوری چوب و جنگل | ||
دوره 31، شماره 3، مهر 1403، صفحه 23-52 اصل مقاله (1.71 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2024.22730.2074 | ||
نویسندگان | ||
بنیامین متین نیا1؛ آیدین پارساخو* 2؛ محسن حسینعلی زاده3؛ جهانگیر محمدی4 | ||
1دانشجوی دکتری ،گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. | ||
2دانشیار، گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. | ||
3دانشیار، گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. | ||
4دانشیار گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
چکیده | ||
مقدمه و هدف: خزشها و زمینلغزشها هر چند در ابعاد کوچک و سطحی اما بهوفور در مجاورت جادههای جنگلی کوهستانی حادث شده و سالانه منجر به وارد آمدن خسارت مالی قابلملاحظهای به ابنیه فنی و راهها میشود. هدف اصلی این تحقیق شناسایی مهمترین عوامل مؤثر در وقوع این نوع حرکتهای تودهای کنارجادهای و پیشبینی مکانی وقوع آنها در اطراف جاده است. مواد و روشها: ابتدا بخشی از جادههای طرحهای جنگلداری شموشک و چهلچای و عرب داغ که دارای اقلیمها و سنگبسترهای متفاوت میباشند، پیمایش شده و تمام خزشها و زمینلغزشها و وسعت تقریبی آنها توسط GPS ثبت شد. عوامل تاثیرگذار طبیعی شامل شیب دامنه، شکل شیب دامنه، جهتهای جغرافیایی شیب، زمینشناسی، ارتفاع از سطح دریا و شاخص خمیری خاک از طریق جمعآوری اسناد موجود و برداشت میدانی و استانداردهای ASTEM و عوامل تأثیرگذار فنی جادههای جنگلی شامل شیب طولی، عرض و عمق جوی، ارتفاع و شیب ترانشههای خاکبرداری و خاکریزی بهکمک دستگاه شیبسنج و متر برداشت میشود. میزان ترافیک نیز از طریق استعلام منطقهای مشخص شد. کلیه این اطلاعات در مدلهای جنگل تصادفی (RF) وارد شده و سپس بر مبنای ضرایب بدست آمده از اجرای مدلها مهمترین عوامل تأثیرگذار در وقوع خزشها و زمینلغزش شناسایی شد. در مرحله بعد، بر مبنای استانداردسازی لایهها و ضرایب بدست آمده، نقشه حساسیت و یا احتمال رویداد خزش و زمینلغزش تولید شد. نتایج: نتایج منحنی ROC بیانگر دقت بالای مدل جنگل تصادفی با کاپا 1 برای زمین لغزش و کاپای 95/0 برای خزش است. بنابراین نتایج حاصل از پهنهبندی با درصد بالا با واقعیت زمینی مطابقت دارد. همچنین بر اساس مدل جنگل تصادفی، ارتفاع و شیب ترانشه خاکبرداری به ترتیب بیشترین تأثیر را در وقوع زمین لغزشهای کنارجادهای مناطق مورد مطالعه داشتهاند. عرض و عمق جوی کناری نیز به ترتیب بیشترین تأثیر را در وقوع خزش داشتند. از میان عوامل طبیعی، شاخص خمیری خاک و وضعیت زمینشناسی منطقه، مؤثرترین عوامل در وقوع زمینلغزشها و خزشهای کنار جادهای بودند. با توجه به نقشههای خطر زمین لغزش و خزش، 31 درصد از سطح مناطق مورد مطالعه مستعد زمینلغزش و 51 درصد آن مستعد خزش میباشد. نتیجهگیری: این مطالعه نشان داد که ابعاد غیراستاندارد جوی کناری که در اثر انباشتگی رسوب و یا فرسایش خندقی ایجاد میشود، میتواند محرک اصلی خزش خاک باشد. همچنین طراحی و ساخت جاده در اراضی پرشیب منجر به ایجاد ترانشههای مرتفع و پرشیب میشود که این موضوع غالیاً با پیامدهای ناپایداری و زمینلغزش همراه است. این موارد ضرورت طراحی اصولی مسیر هادی و برنامهریزی جامع و دقیق برای اجرای عملیات زهکشی و حفاظت و نگهداشت ترانشههای جادههای جنگلی را نشان میدهد. | ||
کلیدواژهها | ||
حرکت تودهای؛ جاده جنگلی؛ شیب ترانشه خاکبرداری؛ ارتفاع ترانشه خاکبرداری؛ مدل جنگل تصادفی | ||
مراجع | ||
1.Evans, S. G., Roberts, N. J., Ischuk, A., Delaney, K. B., Morozova, G. S., & Tutubalina, O. (2009). Landslides triggered by the Khait earthquake, Tajikistan, and associated loss of life. Engineering Geology, 109, 195-212.
2.Parsakhoo, A., Rostaghi, A. A., Moghadasi, D., Ghezelsefloo, M., & Rezaee Motlagh, A. (2024). Impact of forestry project suspensions on forest road network conditions in the North of Iran (case study: Golestan Province). J. of Wood and Forest Science and Technology. 31 (1), 23-41.
3.Li, M., Wang, H., Chen, J., & Zheng, K. (2024). Assessing landslide susceptibility based on the random forest model and multi-source heterogeneous data. Ecological Indicators. 158, 111-120. 4.Kaczmarek, L., & Dobak P. (2017). Contemporary overview of soil creep phenomenon. Contemporary Trends in Geoscience. 6 (1), 28-40.
5.Sonoda, M., & Kurashige, Y. (2017). Characteristics of surface soil creep on a forest slope in Japan. Geomorphology. 288, 1-11.
6.Petley, D. (2012). Global patterns of loss of life from landslides. Geology, 40 (10), 927-930.
7.Van der Geest, K. (2018). Landslide loss and damage in sindhupalchok district, Nepal: Comparing income groups with implications for compensation and relief. International J. of Disaster Risk Science. 58, 1-10.
8.Zumpano, V., Pisano, L., Malek, Ž., Micu, M., Aucelli, P. P., Rosskopf, C. M., Belteanu, D., & Parise, M. (2018). Economic losses for rural land value due to landslides. Frontiers in Earth Science. 6, 85-97.
9.Ayalew, L., & Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology. 65, 10-20.
10.Nefeslioglu, H. A., Gokceoglu, C., & Sonmez, H. (2008). An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Engineering Geology. 97, 171-191.
11.Le, T. M., Fatahi, B., Disfani, M., & Khabbaz, H. (2015). Analyzing consolidation data to obtain elastic viscoplastic parameters of clay. Geomechanics and Engineering. 8 (4), 559-594.
12.Klarstaghi, A., Habib Nejad, M., & Ahmadi, H. (2016). A study of the occurrence of landslides in connection with land use change and Sari road. Geographical Researches. 62, 81-91.
13.Moon, S. W., Noh, J., Kim, H. S., Kang, S. S., & Seo, Y. S. (2024). Comparison of factors influencing landslide risk near a forest road in Chungju-si, South Korea. Geoenvironmental Disasters. 11 (3), 1-17.
14.Azizi, Z., & Hosseini, A. (2015). Evaluation of slope failure potential in forest roads (Case study: 46th watershed, North of Iran). Iranian J. of Forest and Poplar Research. 23 (3), 573-582.
15.Jadda, M., Shafri, H. Z. M., Mansor, S. B., Sharifikia, M., & Pirasteh, S. )2009). Landslide susceptibility evaluation and factor effect Iran. Natural Hazard. 63 (2), 965-996.
16.Iswar, D., Sashikant, S., Cees, V. W., Alfred, S., & Robert, H. (2010). Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas, India. Geomorphology. 114, 627-637.
17.Taalab, Kh., Cheng, T., & Zhang, Y. (2018). Mapping landslide susceptibility and types using random forest. Big Earth Data. 2 (2), 159-178.
18.Zhang, Y., Wu, W., Qin, Y., Lin, Z., Zhang, G., Chen, R., Song, Y., Lang, T., Zhou, X., Huangfu, W., Ou, P., Xie, L., Huang, X., Peng, S., & Shao, C. (2020). Mapping landslide hazard risk using random forest algorithm in Guixi, Jiangxi, China. ISPRS International J. of Geo-Information. 9 (11), 695-702.
19.Garaee, P. (2016). Investigating mass movements in order to present a logical risk zoning model in the Lajim Road watershed, master's thesis, Mazandaran University.
20.Komak, M. (2006). A landslide suscepility model using the Analytical Hierarchy Process method and multivariate statistics in peri Alpine Slovenia. Geomorphology. 74, 17-28.
21.Park, S., & kim, J. (2019). Landslide susceptibility mapping based on rendom forest and boosted regression tree models, and a comparison of their performance. Applied Sciences. 9 (5), 942-948.
22.Shirani, K., & Arabameri, A. R. (2015). Landslide Hazard Zonation Using logistic regression method (Case study: Dez-e-Oulia Basin). Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science, Isf. Univ. Technol. Isf. Iran. 72, 321-334.
23.Bugday, E., & Akay, E. (2023). Determination of the forest road alignment in landslide-prone areas based on landslide susceptibility map generated by machine learning approaches. Forest Operations: A Tool for Forest Management Flagstaff, Arizona, May 23-25, USA, 15p.
24.Eker, R., & Aydın, A.) 2016). Landslide susceptibility assessment of forest roads. European J. of Forest Engineering. 2 (2), 54-60. | ||
آمار تعداد مشاهده مقاله: 23 تعداد دریافت فایل اصل مقاله: 21 |