ارزیابی روش های مختلف پهنه بندی خطر وقوع زمین لغزش در اکوسیستم های جنگلی

امروزه مهندسین جنگل هنگام طراحی شبکه جاده­ های جنگلی، با بهره جستن از انواع روش­ های پهنه ­بندی، مبادرت به شناسایی واریانت ­های کم خطر تر جاده­ های جنگلی از نظر زمین­لغرش می کنند تا از این طریق، هزینه ­های تعمیر و نگهداری جاده ­ها را کاهش دهند. به دلیل ارتباط زمین لغزش با مسیریابی جاده­های جنگلی، پیدا کردن روش مناسب پهنه­ بندی خطر زمین­لغزش که قابلیت به­کارگیری در مناطق مختلف جنگل را نیز دارا باشد، یکی از مهم­ترین گام­ها برای تحقق یک طراحی هوشمند توسط کارشناسان و مهندسین جنگل است. بنابراین هدف از این پژوهش، دست یافتن به روشی مناسب برای پهنه ­بندی خطر زمین لغزش، به منظور طراحی بهتر شبکه جاده­های جنگلی است. روش های بسیاری برای پهنه ­بندی خطر وقوع زمین­ل غزش در دنیا معرفی شده­اند که به سه دسته روش­های آماری (مانند روش­های دو متغیره و چندمتغیره، رگرسیون لجستیک و مدل ارزش اطلاعات)، ابتکاری یا تجربی (مانند روش استوینسن، نیلسن و براب، آنبالاگان و مورا-وارسون) و ترکیبی (مانند شبکه عصبی مصنوعی و منطق فازی) تقسیم ­بندی می شوند. از بین روش ­های آماری: مدل دو متغیره، روش ­های تجربی: مدل مورا-وارسون و روش ­های تلفیقی: شبکه عصبی مصنوعی بیش­ترین کاربرد را دارند. نتایج این پژوهش بیان­گر این موضوع است که مدل­ های آماری قابلیت بهتر و کاربرد بیش­تری در پهنه بندی خطر زمین لغزش نسبت به مدل­ های ابتکاری دارند، هرچند که مدل­ های تلفیقی (مانند شبکه عصبی مصنوعی و منطق فازی) بیش­ترین صحت و دقت را در بین روش­ ها دارا می­ باشند و اگر داده­ هایی با تعداد کم موجود باشد، مطمئنا روش های تلفیقی می­ توانند پهنه بندی دقیق­تری را نسبت به دیگر مدل­ ها در ارتباط با خطر زمین­ل غزش در جنگل ارایه دهند.

Keywords:

جاده جنگلی , شبکه عصبی مصنوعی , طراحی جاده , مدل دو متغیره , مدل مورا-وارسون , منطق فازی