رویکرد حمایتی تصمیم گیری فضایی برای تحلیل آسیب پذیری سیل در مناطق شهری: مطالعه موردی شهر تهران

آمادگی در برابر سیل در منظر مدیریت خطر نقش عمده ای در مرحله قبل از رویداد ایفا می کند. از این رو، ارزیابی آسیب‌پذیری شهری و تاب‌آوری در برابر سیل برای سناریوهای مختلف خطر، پیش نیاز برنامه‌ریزان شهری و تصمیم‌گیرندگان است. بنابراین، هدف اصلی این پژوهش، پیشنهاد طراحی و اجرای یک ابزار پشتیبانی تصمیم‌گیری مکانی برای ترسیم آسیب‌پذیری سیل در کلانشهر تهران تحت سناریوهای مختلف خطر می‌باشد. چندین عامل منعکس کننده ویژگی های توپوگرافی و هیدرولوژیکی، جمعیت شناسی، پوشش گیاهی، کاربری اراضی و ویژگی های شهری در نظر گرفته شد و وزن آنها با استفاده از نظرات کارشناسان و روش فرآیند تحلیل سلسله مراتبی فازی (FAHP) تعیین شد. بعد از آن، یک نقشه آسیب پذیری برای سناریوهای مختلف ریسک با استفاده از روش میانگین وزنی مرتب شده (OWA) تهیه شد. بر اساس یافته‌های ما از تحلیل آسیب‌پذیری مطالعه موردی، این نتیجه حاصل شد که در سناریوی خوش‌بینانه (ORness = 1)، بیش از 36 درصد از کلانشهر تهران با آسیب‌پذیری بسیار بالا و در سناریوی بدبینانه (ORness = ORness) مشخص شد. 0)، کمتر از 1% بود و با آسیب پذیری بسیار بالا مشخص شد. تجزیه و تحلیل حساسیت نتایج ما تایید کرد که اعتبار نتایج مدل در سناریوهای مختلف، یعنی پایایی بالای نتایج مدل وجود دارد. رویکرد روشمند، انتخاب داده‌ها و نتایج و بحث‌های ارائه‌شده می‌تواند توسط طیف گسترده‌ای از ذینفعان، به عنوان مثال، برنامه‌ریزان شهری، تصمیم‌گیرندگان، و هیدرولوژیست‌ها برای برنامه‌ریزی بهتر و ایجاد انعطاف‌پذیری در برابر سیل مورد بهره‌برداری قرار گیرد.

کلید واژه ها:

نگاشت آسیب پذیری ; GIS ; ریسک در تصمیم گیری ؛ تجزیه و تحلیل حساسیت ; تهران

1. مقدمه

شهرنشینی سریع و فقدان زیرساخت های کافی در کنار تغییرات آب و هوایی، خطرات زیست محیطی بی سابقه ای را ارائه کرده است که امنیت اجتماعی را به خطر می اندازد [ 1 ، 2 ]. در این میان، سیلاب ها به عنوان جدی ترین مخاطرات طبیعی در سراسر جهان [ 3 ، 4 ] در نظر گرفته می شوند، زیرا باعث خسارات انسانی و اثرات نامطلوب بر توسعه اجتماعی و زیست محیطی می شوند [ 5 ، 6 ] و همچنین خسارات مالی که معادل 40 درصد است. از کل خسارات اقتصادی ناشی از مخاطرات طبیعی در سال [ 7 ]. گرم شدن زمین [ 8 ]، نفوذ کم خاک و ظرفیت ذخیره سازی در طول حوادث طوفانی [ 9]، سیستم زهکشی ضعیف [ 8 ].10 ، رشد جمعیت و گسترش فضایی و در نتیجه رشد ناهمگون شهری [ 11 ] از علل اصلی سیل در مناطق شهری هستند. بین سال‌های 1998 تا 2015، سیل‌ها به تنهایی 2.3 میلیارد نفر را در سراسر جهان تحت تأثیر قرار دادند [ 12 ] که 95 درصد آنها در آسیا زندگی می‌کردند. به گفته لو و همکاران. [ 13 ]، حدود 21 میلیون نفر در سراسر جهان هر ساله تحت تأثیر سیل رودخانه ها قرار می گیرند که ممکن است به دلیل رشد اجتماعی-اقتصادی و تغییرات آب و هوایی تا سال 2030 به 54 میلیون نفر افزایش یابد.]. بنابراین ارزیابی آسیب‌پذیری سیل‌های شهری و انتشار این اطلاعات به تمام دست اندرکاران مدیریت سیل شهری بسیار حائز اهمیت است. آسیب پذیری شرایطی است که توسط عوامل یا فرآیندهای فیزیکی، اجتماعی-اقتصادی و محیطی تعیین می شود و آمادگی جوامع را برای اثرات و پیامدهای مخاطرات کاهش می دهد [ 14 ]. آسیب پذیری به شدت به شرایط و زمینه های محیطی وابسته است. در بسیاری از موارد، نتایج مشابه در موقعیت‌های مختلف اجتماعی و اقتصادی متفاوت است و این تفاوت‌ها را می‌توان به تمایز فضایی آسیب‌پذیری نسبت داد [ 15 ].

ایران به دلیل پوشش وسیع منطقه، موقعیت جغرافیایی، ویژگی های توپوگرافی و تنوع اقلیمی در زمره کشورهایی است که در معرض آسیب های زیادی از مخاطرات طبیعی قرار دارد. به عنوان مثال، از 41 حادثه شناخته شده در جهان، 31 تا 33 نوع آن در ایران سابقه دارند که شایع ترین آنها سیل است [ 16 ]. این در حالی است که کلان شهر تهران با مساحتی حدود 730 کیلومتر ^مربع، یکی از بزرگترین شهرهای جهان است که دارای ویژگی ها و مشخصات خاصی است. تهران دارای 22 منطقه شهری و تمرکز بالای سازمان‌ها، صنایع، امکانات و خدمات دولتی است که مدیریت آن را در صورت وقوع خطرات طبیعی بسیار پیچیده می‌کند. تهران دارای بالاترین نرخ مثبت مهاجرت ورودی از سال 1976 است. بخش عمده این رویداد به دلیل فرصت های اجتماعی-اقتصادی و نابرابری از نظر خدمات و توزیع ثروت بود [ 17 ].]. این موج مهاجرت منجر به رونق بی‌سابقه‌ای در صنعت ساخت‌وساز شده و زمین‌های باز و مراتع را به سطوح غیرقابل نفوذ تبدیل کرده است. عوامل متعددی در وقوع سیلاب های زیاد در تهران نقش داشته است، مانند توسعه فیزیکی از ارتفاع 700 متری تا 2200 متری. دامنه های تند شمال و شرق شهر در آستانه رشته کوه های البرز؛ توسعه گسترده شهری و صنعتی، حتی در بستر رودخانه ها. نادیده گرفتن خدمات اکوسیستم؛ کاهش نفوذ خاک؛ و نبود شبکه فاضلاب کارآمد و مناسب. بنابراین، نقشه برداری از مناطق آسیب پذیر شهر تهران در برابر سیل به منظور به حداقل رساندن پیامدهای آن برای تخصیص بهتر منابع ضروری است.

هدف کلی از تجزیه و تحلیل تصمیم چند معیاره (MCDA) کمک به فرآیند تصمیم گیری با تسهیل انتخاب بهینه ترین انتخاب از بین گزینه های موجود است. این تکنیک ها بر اساس یک قانون تصمیم گیری از پیش تعریف شده [ 18 ، 19 ، 20 ] بر روی ترکیبی از داده های مکانی و ترجیحات کاربر عمل می کنند . منطق زیربنایی پشت ادغام سیستم اطلاعات جغرافیایی (GIS) و MCDA این است که این دو زمینه مطالعاتی جداگانه ممکن است با یکدیگر هم افزایی داشته باشند [ 21 ، 22 ]]. از یک طرف، فناوری GIS ابزار جامعی برای ذخیره، دستکاری، تجزیه و تحلیل و نمایش اطلاعات جغرافیایی فراهم می‌کند، در حالی که MCDA مجموعه‌ای غنی از روش‌ها و الگوریتم‌های ساختاری را برای تصمیم‌گیری، طراحی، ارزیابی و اولویت‌بندی گزینه‌ها ارائه می‌دهد. ایده پشت این ادغام، گسترش فناوری مبتنی بر GIS است تا به کاربر (تصمیم‌گیرنده) درجه‌ای از کنترل بر ترجیحات (اولویت‌های گزینه‌ها) بدهد [ 23 ، 24 ]. ارتباط اصلی MCDA با تصمیم گیری فضایی، ظرفیت آن برای شناسایی بهینه ترین راه حل و ایجاد یک رویکرد ساختاریافته و خلاقانه برای حل مسئله است [ 25 ، 26 ].

در زمینه مدل سازی آسیب پذیری سیل، مطالعات مختلفی با استفاده از روش های MCDA و GIS انجام شده است [ 27 ، 28 ، 29 ، 30 ، 31 ]. به عنوان مثال، چاکرابورتی و موخوپادهای [ 32] آسیب‌پذیری سیل شهری را در بنگال، هند، با استفاده از فرآیند تحلیل سلسله مراتبی GIS (AHP) بررسی کرد. آنها از معیارهای مکانی در دو دسته آسیب پذیری و ریسک استفاده کردند. همچنین برای به دست آوردن وزن معیارها از روش AHP و برای ترکیب معیارها از روش ترکیب وزن خطی استفاده شده است. نتایج آنها نشان داد که سطوح آسیب‌پذیری در مناطقی که به‌ویژه در امتداد مرز بین‌المللی هند-بنگلادش در جنوب، جنوب شرقی و جنوب غربی و در برخی خوشه‌های جدا شده در بخش‌های مرکزی و شمال مرکزی قرار دارند، بالاتر است. عینی و همکاران [ 33] آسیب پذیری سیل در کرمانشاه را ارزیابی کرد. این مطالعه از روش فرآیند تحلیل سلسله مراتبی فازی (FAHP) استفاده کرد. معیارهای اقتصادی، اجتماعی و زیرساختی برای تحلیل آسیب‌پذیری سیل در نظر گرفته شد. نتایج نشان داد که معیار زیرساخت بیشترین وزن تاثیر را بر آسیب‌پذیری دارد. به طور کلی جمعیت، بافت شهری و فاصله تا کانال های اصلی زهکشی از مهم ترین عوامل افزایش خطر سیل هستند. به طور مشابه، فلونی و همکاران. [ 34 ] مناطق مستعد سیل را در آتیکا، یونان با استفاده از روش FAHP شناسایی کرد. از معیارهای مورفولوژیکی و هیدرولوژیکی استفاده شد. آنها به این نتیجه رسیدند که در مورد منطقه آتیکا، مناطق بالقوه مستعد سیل در حوضه آتیکا و در مناطق پست غرب و شرق آتیکا متمرکز هستند. هادی پور و همکاران [ 35] از ترکیب AHP–Weighted Linear Combination (WLC) برای ترسیم آسیب‌پذیری سیل در بندرعباس استفاده کرد. آنها در مجموع از 10 معیار مکانی استفاده کردند. در مجموع 10 معیار مکانی در نظر گرفته شد. آنها از ترکیب AHP-WLC برای افزایش وزن و آماده شدن برای آسیب پذیری سیل استفاده کردند. در مجموع 10 معیار مکانی در نظر گرفته شد. آنها از ترکیب AHP-WLC برای افزایش وزن و آماده شدن برای آسیب پذیری سیل استفاده کردند. نقشه آسیب‌پذیری نشان داد که مناطق شرقی و غربی منطقه وسیع‌تری با کلاس آسیب‌پذیری بسیار بالا دارند. در مطالعه ای در ملبورن، راشت نیا و جهانبانی [ 36] یک شاخص آسیب‌پذیری سیل مبتنی بر قوانین فازی با در نظر گرفتن جنبه‌های هیدرولوژیکی، اجتماعی و اقتصادی خسارات سیل برای ارزیابی و ترسیم آسیب‌پذیری سیل ایجاد کرد. مشخص شد که 51.6 درصد از کل مساحت منطقه مورد مطالعه در کلاس با آسیب پذیری کم و بسیار کم و 7.6 درصد در کلاس با آسیب پذیری زیاد و بسیار زیاد قرار دارند. حسین و همکاران [ 37] از تکنیک GIS-WLC برای شناسایی مناطق آسیب پذیر سیل در خیبر پختونخوا، پاکستان استفاده کرد. مجموعه ای از 18 معیار به سه دسته فیزیکی، اجتماعی-اقتصادی و ظرفیت مقابله ای تقسیم شد. نتایج نشان داد که 25 درصد از ناحیه میانی غربی تا قسمت شمالی منطقه مورد مطالعه به دلیل نزدیکی به آبراه ها، بارندگی زیاد، ارتفاع و سایر عوامل اجتماعی-اقتصادی دارای آسیب پذیری زیاد تا بسیار زیاد است.

بررسی مطالعات قبلی نشان می دهد که برای تهیه نقشه آسیب پذیری سیل ابتدا معیارهای موثر شناسایی و سپس با استفاده از ترکیبی از معیارهای مختلف نقشه آسیب پذیری طبقه بندی شده ایجاد شد. با این حال، هیچ یک از مدل‌های مورد استفاده در مطالعات قبلی، مفهوم ریسک را در تصمیم‌گیری برای ترسیم آسیب‌پذیری سیل گنجانده است. از این رو، این پژوهش برای اولین بار سعی در رفع این خلأ مهم پژوهشی دارد. مدل میانگین وزنی مرتب شده (OWA) برای تزریق مفهوم ریسک در تصمیم گیری و نگاشت آسیب پذیری در سناریوهای متعدد استفاده می شود که نتایج آن می تواند فرآیند تصمیم گیری را برای مدیران و برنامه ریزان تسهیل کند.

مقاله به شرح زیر سازماندهی شده است: بخش 2 شرح مختصری از منطقه مورد مطالعه ارائه می دهد و مواد و روش های مورد استفاده را شرح می دهد. بخش 3 نتایج تجزیه و تحلیل را گزارش می کند. بخش 4 پیامدهای نتایج را مورد بحث قرار می دهد. و بخش 5 نتیجه گیری را مورد بحث قرار می دهد.

2. مواد و روشها

2.1. منطقه و داده های مطالعه

شهر تهران مرکز استان تهران و پرجمعیت ترین شهر و پایتخت ایران است. این شهر با 9259009 نفر جمعیت سی و هفتمین شهر پرجمعیت جهان است. این شهر از نظر جغرافیایی در 51 درجه و 17 دقیقه تا 51 درجه و 33 دقیقه شرقی و 35 درجه و 36 دقیقه تا 35 درجه و 45 دقیقه شمالی واقع شده است ( شکل 1 ). تهران در دامنه جنوبی رشته کوه البرز گسترده شده است. بارندگی سالانه در تهران عمداً تحت تأثیر اختلاف ارتفاعات است. در شمال 422 میلی متر و در جنوب 145 میلی متر است. تعداد روزهای بارانی از این الگو پیروی می کند که بین 89 روز در شمال و 33 روز در جنوب متغیر است [ 38 ]]. رودخانه های متعدد آب باران را تخلیه کرده و به دشت های پایین دست منتقل می کنند. جهت کلی رودخانه ها و مسیل ها عمدتاً به سمت محدوده شهری است. این امر می تواند باعث جاری شدن سیل در خیابان های تهران شود و در صورت شدید بودن طوفان و تداوم بارندگی، سیل رخ می دهد. در عین حال منطقه شهری تهران میزبان کانال ها و رودخانه های متعددی است که وظیفه زهکشی حوضه های بالادست و همچنین جمع آوری آب باران در محدوده شهری تهران را بر عهده دارند. در برخی نقاط شهر که قیمت زمین بالاست، بستر رودخانه ها و کانال های آب داخل شهر مورد هجوم قرار گرفته و سطح مقطع آنها کاهش و محدود شده است. این می تواند رژیم طبیعی رودخانه و مسیر جریان را تحت تاثیر قرار دهد و در صورت بارندگی های شدید خسارات جبران ناپذیری به بار آورد.

به طور کلی، آب های سطحی حوضه تهران از سه سیستم تشکیل شده است: (1) رودخانه ها و نهرها (مانند رودخانه کن) که به سمت جنوب غربی تهران می ریزند. (2) رودخانه ها و نهرها (مانند رودخانه سرخه حصار) که در جنوب شرقی تهران جریان دارند. و (iii) نهرها و کانال‌ها (مانند رودخانه دربند) در بخش‌های مرکزی و جنوبی تهران [ 39 ]. حوادث سیل ناگهانی گزارش شده در تهران در جدول 1 نشان داده شده است. اولین سیل ثبت شده در سال 1954 بود که در آن 2154 نفر جان باختند. در سال 1987، بارندگی شدید باعث طغیان آبهای سطحی، مجروح شدن 1027 نفر و کشته شدن 1010 نفر شد. همچنین بیش از 7 میلیون دلار خسارت اقتصادی به بار آورد. در مجموع از سال 1954 تاکنون 1267 نفر مجروح و 3482 نفر در اثر سیل جان خود را از دست داده اند.

در این مطالعه از مجموعه داده های فضایی شطرنجی و برداری برای تهیه نقشه آسیب پذیری سیل استفاده شد. داده های رستری شامل ارتفاع، شیب، جهت، تراکم پوشش گیاهی، بارندگی، کاربری زمین، تجمع جریان و سطوح غیرقابل نفوذ بود. داده های برداری شامل تراکم جمعیت، رودخانه، مراکز بهداشتی، جاده، نوع خاک و ایستگاه آتش نشانی بود. برای به دست آوردن وزن معیارها از دانش تخصصی، برای پیش پردازش لایه ها و تحلیل فضایی از ArcGIS و برای تهیه نقشه آسیب پذیری از IDRISI استفاده شد. مشخصات داده های تحقیق در جدول 2 نشان داده شده است.

2.2. روش شناسی

شش گام اصلی در این مطالعه برای تهیه نقشه آسیب پذیری مناطق شهری در برابر سیل برداشته شد ( شکل 2 ):

مرحله 1: با استفاده از نظرات کارشناسان و ادبیات تحقیق، معیارهای مهم و موثر برای تعیین آسیب پذیری مناطق شهری در برابر سیل شناسایی شد. پس از جمع آوری معیارها بر اساس مدل مقیاس زوجی، پرسشنامه ای در مورد وزن دهی معیارها به متخصصان ارائه شد.

مرحله 2: با استفاده از مجموعه ای از ابزارهای تحلیل فضایی GIS برای این معیارها، لایه های اطلاعاتی به عنوان نقشه های GIS تهیه شد. سپس لایه‌های GIS به این معیارها اختصاص داده شد.

مرحله سوم: با استفاده از نظرات کارشناسی و روش وزن دهی FAHP وزن هر لایه و معیار محاسبه شد.

مرحله 4: از توابع حداقل و حداکثر برای نگاشت معیار بدون بعد استفاده شد.

مرحله پنجم: با ترکیب نقشه معیارها با استفاده از مدل OWA، نقشه آسیب پذیری مناطق شهری در برابر سیل در درجات مختلف خطر تهیه شد.

مرحله 6: نتایج مدلسازی با استفاده از روش تحلیل حساسیت ارزیابی شد.

2.2.1. معیارهای تغییر مقیاس

پس از انتخاب مجموعه ای از معیارهای موثر برای تهیه نقشه آسیب پذیری، هر معیار به عنوان نقشه GIS در یک پایگاه داده مکانی ذخیره شد. بسته به نوع معیارها از ابزارهای مختلفی برای تهیه نقشه معیارها استفاده شد. به عنوان مثال، از ابزار فضایی “فاصله اقلیدسی” برای تهیه نقشه معیار “فاصله از مراکز درمانی” استفاده شد. برای ارزیابی همه معیارها با هم، لازم است لایه‌ها به واحدهای قابل مقایسه تبدیل شوند [ 14 ، 40 ، 41 ]]. مقادیر «حداکثر» برای برخی معیارها و مقادیر «حداقل» برای برخی دیگر هنگام تهیه نقشه آسیب‌پذیری مهم‌تر هستند، بنابراین مقادیر «حداکثر» و «حداقل» مجدداً مقیاس‌گذاری شدند. معیارها به دو دسته تقسیم شدند: معیارهای سود (معیارهایی که حداکثر مقدار آن مهم است) و معیارهای هزینه (معیارهایی که حداقل مقدار آن مهم است). معیارهای سود شامل تجمع جریان، ارتفاع، شیب، جهت، سطوح غیرقابل نفوذ، تراکم جمعیت و بارندگی است که با استفاده از رابطه (1) استاندارد شده است و معیارهای هزینه شامل تراکم پوشش گیاهی، کاربری زمین، رودخانه، مراکز بهداشتی، ایستگاه آتش نشانی و خاک است. نوع استاندارد شده با استفاده از معادله (2) [ 14 ].

n ij = r ij - r دقیقه r حداکثر - r دقیقه

(1)

n ij = r حداکثر - r ij r حداکثر - r دقیقه

(2)

2.2.2. FAHP

روش AHP به طور گسترده در انتخاب یک گزینه از بین گزینه های دیگر استفاده می شود. با این حال، در این روش، مقایسه های زوجی برای هر سطح انجام می شود تا بهترین گزینه با استفاده از مقیاس نه نقطه ای انتخاب شود [ 42 ]. بنابراین، استفاده از AHP دارای نقاط ضعف خود است: (1) AHP عمدتا در تصمیم گیری های واضح استفاده می شود، (2) مقیاس قضاوت بسیار نامتعادل را بررسی می کند (3)، عدم قطعیت در قضاوت های فردی در نظر گرفته نمی شود، و (4) ) رتبه بندی این روش تقریباً نادرست است [ 43]. قضاوت ذهنی، انتخاب ها و اقدامات تصمیم گیرندگان تأثیر زیادی بر نتایج AHP دارند. علاوه بر این، قابل قبول است که ارزیابی افراد از شاخص های کیفیت همیشه ذهنی و در نتیجه نادرست باشد. AHP معمولی و کلاسیک در برآوردن نیازهای دقیق تصمیم گیرندگان ناکافی و ناکارآمد به نظر می رسد. FAHP در Chang [ 44 ] برای مدلسازی این نوع عدم قطعیت در ترجیحات انسانی پیشنهاد شد. این تکنیک تصمیم گیری ترکیبی درک دقیق تری از فرآیند تصمیم گیری را فراهم می کند.

مراحل انجام FAHP چانگ شامل موارد زیر است [ 44 ]:

مرحله 1: ترسیم یک درخت سلسله مراتبی. در این مرحله ابتدا ساختار سلسله مراتبی تصمیم با استفاده از سطوح هدف، معیارها و زیرمعیارها ترسیم می شود.

مرحله 2: تشکیل جداول مقایسه زوجی و پاسخگویی بر اساس اعداد فازی مثلثی در جدول 3 . در این مرحله همانند روش AHP باید مقایسه های زوجی ایجاد و بر اساس اعداد فازی به صورت زوجی پاسخ داده شود.

مرحله 3: ماتریس مقایسه های زوجی. در این مرحله ماتریس های توافق با توجه به درخت تصمیم و با استفاده از نظرات متخصصان تشکیل می شود و سپس میزان سازگاری بر اساس روش گوگوس و بوچر [ 45 ] محاسبه می شود. ماتریس مقایسه زوجی از رابطه (3) محاسبه می شود:

آ ˜ = ⎛⎝⎜⎜⎜⎜ 1 یک 21 ˜ \dots یک 1 ˜ یک 12 ˜ 1 \dots یک 2 ˜ \dots \dots 1 \dots a 1 n ˜ a 2 n ˜ \dots 1 ⎞⎠⎟⎟⎟⎟

(3)

مرحله 4: محاسبه $S_{i}$ . را $S_{i}$ برای هر ردیف از ماتریس مقایسه زوجی که خود یک عدد فازی مثلثی است، از رابطه (4) محاسبه می شود:

اس من = \sum j = 1 متر م j g من \otimes ⎡⎣ \sum i = 1 n \sum j = 1 متر م j g من ⎤⎦ - 1

(4)

در این رابطه i نشان دهنده شماره ردیف و j نشان دهنده شماره ستون است. $M_{g_{i}}^{j}$ در این رابطه، اعداد فازی مثلثی، ماتریس های مقایسه ای زوج هستند. ارزش های $\sum_{j = 1}^{m} M_{g_{i}}^{j}$ ، $\sum_{i = 1}^{n} \sum_{j = 1}^{m} M_{g_{i}}^{j}$ ، $[\sum_{i = 1}^{n} \sum_{j = 1}^{m} M_{g_{i}}^{j}] \begin{matrix} ^{- 1} \end{matrix}$ را می توان از معادلات (5) – (7) به ترتیب محاسبه کرد:

\sum j = 1 متر م j g من = (\sum j = 1 متر ل j ، \sum j = 1 متر متر j ، \sum j = 1 متر تو j)

(5)

\sum i = 1 n \sum j = 1 متر م j g من = ⎛⎝ \sum i = 1 n ل من ، \sum i = 1 n متر من ، \sum i = 1 n تو من ⎞⎠

(6)

⎡⎣ \sum i = 1 n \sum j = 1 متر م j g من ⎤⎦ - 1 = ⎛⎝⎜⎜ 1 \sum n i = 1 تو من ، 1 \sum n i = 1 متر من ، 1 \sum n i = 1 ل من ⎞⎠⎟⎟

(7)

در معادلات فوق،

l_{i}

u_{i}

، و

m_{i}

به ترتیب جزء اول تا سوم اعداد فازی هستند.

مرحله 5: محاسبه درجه $S_{i}$ نسبت به یکدیگر. به طور کلی، اگر $M_{1} = (l_{1}, m_{1}, u_{1})$ و $M_{2} = (l_{2}, m_{2}, u_{2})$ دو عدد فازی مثلثی هستند، با توجه به ماتریس مقایسه زوجی، بزرگی نسبت $M_{1}$ به $M_{2}$ معادله (8) تعریف می شود:

V (م 2 \geq م 1) = ⎧⎩⎨⎪⎪⎪⎪ 1 اگر متر 2 \geq متر 1 0 اگر ل 1 \geq تو 2 ل 1 - تو 2 ( متر 2 - تو 2 ) - ( متر 1 - ل 1 ) در غیر این صورت

(8)

از طرف دیگر، بزرگی یک عدد فازی مثلثی از آن به دست می آید $K$ یک عدد فازی مثلثی دیگر از رابطه (9):

V (M \geq م 1 ، م 2, \dots, م ک) = V (V \geq م 1) و (M \geq م 2) و \dots و (M \geq م ک) = حداقل V (M \geq م من), i = 1, 2, \dots, k

(9)

مرحله 6: محاسبه وزن معیارها و گزینه ها. از رابطه (10) برای به دست آوردن وزن معیارها و جایگزین ها در ماتریس های مقایسه زوجی استفاده می شود:

د ” (آ من) = حداقل V (اس من \geq اس ک) برای k = 1, 2, \dots, n; k \neq i

(10)

بنابراین، بردار وزن غیر نرمال شده در رابطه (11) خواهد بود:

W = (_د ” (آ 1) ، د ” (آ 2) \dots د ” (آ n)) جایی که A (i = 1, 2, \dots n)

(11)

مرحله 7: محاسبه بردار وزن نهایی. برای محاسبه بردار وزن نهایی، بردار وزن محاسبه شده در مرحله قبل باید با استفاده از رابطه (12) نرمال شود:

W = (d (آ 1 ، د (آ 2), \dots, د (آ n)) تی

(12)

2.2.3. اپراتور OWA

در تصمیم گیری چند معیاره (MCDM)، هدف ادغام معیارها با یک تابع تصمیم گیری کلی است. روش وزن دهی میانگین وزنی معرفی شده توسط یاگر [ 46 ] که از عملگرهای تجمیع استفاده می کند، تابع تصمیم گیری کلی را معرفی می کند. این روشی برای ترکیب معیارها در تصمیم گیری چند معیاره با ایجاد رابطه (13) برای مجموعه ای از داده های ورودی است. $x = (x_{1} x_{2} . \dots . x_{n})$ که باید جمع شوند:

اف v = (ایکس 1 . \dots ایکس n) \sum i = 1 n v من ب من . x\in_من n

(13)

جایی که $b_{i}$ ، $i t h$ ارزش $x$ ، از وزن های صعودی به نزولی مرتب شده است و $v_{i}$ بردار عنصر مدرک اپراتور OWA است. اپراتور OWA از دو ویژگی تشکیل شده است که رفتار اپراتور OWA را نشان می دهد: (i) درجه OR بودن یا ریسک پذیری، و (ii) مبادله بین معیارها [ 47 ، 48 ].

درجه ORness یا ریسک پذیری موقعیت اپراتور OWA را بین روابط AND (حداقل) و OR (حداکثر) نشان می دهد. این درجه نشان دهنده میزانی است که تصمیم گیرنده بر ارزش های بدتر یا بهتر مجموعه ای از معیارها یا ریسک گریزی و ریسک پذیری تصمیم گیرنده تاکید می کند [ 49 ]. درجه ORness با استفاده از رابطه زیر (14) تعریف می شود:

ORness = 1 n - 1 \sum i = 1 n (n - i) v من ، 0 \leq ORness \leq 1

(14)

هر چه ORness بیشتر باشد، تصمیم گیرنده خوش بین تر یا ریسک پذیرتر است و هر چه ORness کمتر باشد، بدبینی یا ریسک گریزی تصمیم گیرنده بیشتر است [ 50 ]. به طور کلی، یک اپراتور OWA با ORness بیشتر از 0.5 نشان دهنده یک تصمیم گیرنده ریسک پذیر و خوش بین است. ORness = 0.5 نشان دهنده یک تصمیم گیرنده خنثی است، و Orness کمتر از 0.5 نشان دهنده یک تصمیم گیرنده ریسک گریز و بدبین است [ 51 ، 52 ]. لازم به ذکر است که هرچه رفتار عملگر OWA به عملگرهای OR یا MAX نزدیکتر باشد، مقدار Orness به 1 نزدیکتر است. در حالی که رفتار این عملگر به عملگرهای AND و MIN نزدیکتر است، مقدار Orness به عملگرها نزدیکتر است. 0. بنابراین بردارها $V_{*} = {(0.0.0. \dots. 1)}^{T}$ به عنوان بردار وزن عملگر AND و $V^{*} = {(1.0 \dots .0)}^{T}$ به عنوان عملگر OR، و $V_{A} = (\frac{1}{n} . \frac{1}{n} . \dots \frac{1}{n})$ به عنوان بردار وزن عملگر ترکیب خطی وزنی (WLC)، در رابطه (15) نشان داده شده است:

اورنس (V *) = 0 . اورنس (V *) = 1 . اورنس (V آ) = 0.5

(15)

دومین مشخصه اپراتور OWA درجه مبادله بین معیارها است. درجه مبادله نشان می دهد که تا چه حد یک معیار مبادله می شود یا تحت تأثیر معیارهای دیگر قرار می گیرد [ 53 ]. مبادله به عنوان معادله (16) تعریف می شود:

مبادله - off = 1 - n n - 1 \sum i = 1 n (V من - ————-⎷ n n - 1) 2 . 0 \leq مبادله - تخفیف \leq 1

(16)

با توجه به دو ویژگی اصلی اپراتور OWA، طیف وسیعی از شرایط ریسک مختلف را می توان تعریف کرد و برای هر شرایط می توان یک نقشه آسیب پذیری ایجاد کرد. سناریوهای مختلف در فضای مثلثی نشان داده شده در شکل 3 قرار داده شده است. این مثلث، به عبارت دیگر، فضای تصمیم گیری اپراتور OWA را نشان می دهد.

با توجه به شکل 3 باید گفت که حداقل ریسک همان عملگر AND، حداکثر ریسک عملگر OR و ریسک متوسط عملگر ترکیب خطی وزنی (WLC) است. به طور طبیعی، سناریوهای متفاوتی از عملگرها را می توان بین AND و OR ایجاد کرد.

2.2.4. تجزیه و تحلیل میزان حساسیت

یکی از مهمترین مراحل در تحلیل ارزیابی چند معیاره، تحلیل حساسیت است. تحلیل حساسیت عموماً مطالعه اثربخشی نتایج خروجی متغیرهای ورودی یک مدل است [ 54 ]. بدیهی است به دلیل وجود منابع مختلف خطا، خروجی نهایی مدل های ارزیابی که رتبه بندی گزینه ها است نیز تحت تأثیر این خطاها قرار می گیرد و باید صحت نتایج بررسی شود [ 55 ، 56 ]. در ارزیابی چند معیاره، تحلیل حساسیت با تغییرات سیستماتیک در وزن و مقادیر معیارها انجام می‌شود و تأثیر آن بر رتبه‌بندی نهایی گزینه‌ها انجام می‌شود [ 57 ].]. به عبارت دیگر، با تحلیل حساسیت یک مدل ارزیابی چند معیاره، تغییرپذیری در نتایج نهایی مدل (ثبات نتایج) بررسی می شود [ 58 ]. با توجه به اینکه وزن معیارها با استفاده از نظرات کارشناسی که با قضاوت های ذهنی همراه است به دست می آید، احتمال خطا در آنها بیشتر است، بنابراین در صورت اعمال تغییرات در وزن معیارها و ارزیابی مجدد نتایج نهایی ارزیابی تغییرات معنی دار نبود، می توان به نتایج مدل اعتماد کرد [ 59]. روش متداول تحلیل حساسیت افزایش یا کاهش وزن یک معیار به میزان P درصد است، به طوری که مجموع اوزان جدید برابر با یک باشد، مانند رابطه (17). وزن سایر معیارها (Ci) نیز با نسبت داده شده در رابطه (18) [ 60 ] کاهش یا افزایش می یابد:

W (P) = \sum 1 n W (سی من, P) = 1

(17)

جایی که $W (C_{i}, P)$ وزن استاندارد i در تغییرات درصد P است. اگر معیار mth به صورت درصد تغییر کند، مقدار جدید آن از رابطه (18) به دست می آید:

W (سی متر, P) = W (سی متر, 0) + W (سی متر, 0) \times P, 1 \leq m \leq n

(18)

علاوه بر این، وزن سایر معیارها برای استقرار در رابطه (17) از رابطه (19) به دست می آید:

W (سی من, P) = (1 - W (سی متر, P) \times W (_سی من, 0) / (1 - W (سی متر, 0), i \neq m, 1 \leq i \leq n

(19)

3. نتایج

وزن هر یک از معیارهای مورد استفاده با توجه به نظرات 33 نفر از کارشناسان (شامل متخصصان مدیریت شهری، GIS و مهندسی سیل) و روش FAHP ( شکل 4 ) تعیین شد. مقادیر وزن معیار بین 0 تا 1 است که اولی کمترین اهمیت را نشان می دهد و دومی اهمیت بالایی را نشان می دهد. مجموع مقادیر تمامی معیارها 1 می باشد. در بین معیارهای انتخاب شده برای تهیه نقشه آسیب پذیری سیل، معیار تراکم جمعیت و نوع خاک به ترتیب دارای بیشترین و کمترین وزن و اهمیت بودند. با توجه به نتایج، نرخ تعدیل برای محاسبه وزن معیارها بر اساس نظرات کارشناسان کمتر از 0.1 است. به عبارتی مقبولیت و سازگاری نظرات کارشناسان را نشان می دهد.

برای هر معیار، نقشه ای از معیارهای مختلف با استفاده از تحلیل فضایی تهیه شد ( شکل 5). به عنوان مثال با استفاده از تحلیل های فضایی «فاصله اقلیدسی» و «درون یابی» به ترتیب نقشه فاصله از رودخانه و بارندگی تهیه شد. مقادیر معیارها با استفاده از روش های حداقل و حداکثر بین 0 و 1 نرمال سازی می شوند که مقدار 0 نشان دهنده آسیب پذیری بسیار کم و 1 نشان دهنده آسیب پذیری بسیار بالا است. مناطق با آسیب پذیری بالا در هر معیار متفاوت است. این ویژگی معیارها نشان می دهد که هر منطقه آسیب پذیری خاصی دارد. در نهایت، مناطقی که دارای بالاترین مقادیر در همه معیارها و در نتیجه آسیب پذیری بسیار بالا هستند، انتخاب می شوند. به عنوان مثال در نقشه ضوابط ارتفاع و شیب، مناطق شمالی و شمال شرقی به دلیل نزدیک بودن به رشته کوه البرز دارای پستی و بلندی و شیب زیاد هستند که نشان دهنده آسیب پذیری بیشتر این مناطق نسبت به سایر مناطق است.

نقشه‌های آسیب‌پذیری را می‌توان در سناریوهای مختلف ریسک (از بدبینانه‌ترین تا خوش‌بینانه‌ترین) از طریق معادلات ارائه‌شده در بخش‌های قبلی ایجاد کرد. نقشه های آسیب پذیری در این مطالعه برای 11 سناریو مختلف خطر (ORness = 0، 0.1، 0.2، …، 1) تولید شده است ( شکل 6 ). در این نقشه‌ها، میزان آسیب‌پذیری هر پیکسل با یک عدد واقعی در محدوده [0،1] نشان داده می‌شود و در نهایت، پیکسل‌ها به پنج کلاس آسیب‌پذیری «بسیار کم» (0.2–0)، «کم» طبقه‌بندی می‌شوند. ” (0.2-0.4)، “متوسط” (0.4-0.6)، “بالا” (0.6-0.8) و “بسیار زیاد” (0.8-1).

تجزیه و تحلیل نتایج ( جدول 4) نشان می دهد که درجه آسیب پذیری سیل با افزایش درجه ریسک پذیری افزایش می یابد. درجه ریسک پذیری نزدیکی اپراتور OWA به اپراتور OR است. با افزایش درجه ریسک‌پذیری، تعداد پیکسل‌های کلاس آسیب‌پذیری «خیلی کم» کاهش می‌یابد و تعداد پیکسل‌های کلاس آسیب‌پذیری «بسیار بالا» افزایش می‌یابد. به عبارت دیگر، در سناریوی «خیلی ریسک گریز» (ORness = 0)، منطقه طبقاتی با آسیب پذیری بسیار بالا 168 هکتار است و در سناریوی «خیلی ریسک پذیر» (ORness = 1)، منطقه طبقاتی با آسیب پذیری بسیار بالا 22250 هکتار است. در حالت اول (ریسک گریز)، نواحی زمانی آسیب پذیر تلقی می شوند که تمام پیکسل های آنها در همه معیارها دارای ارزش و جامعیت بالایی باشند. مدیران و برنامه ریزان ریسک گریز در زمینه برنامه ریزی و پروژه های مرتبط با کاهش آسیب پذیری سیل، بیشتر به دنبال مناطقی هستند که تمامی معیارها در آن به بهترین نحو ممکن برای تخصیص اعتبار موثر باشد. اما در حالت دوم (ریسک پذیری)، پیکسل هایی که به احتمال زیاد آسیب پذیر هستند، به عنوان مناطق آسیب پذیر انتخاب می شوند. این حالت زمانی قابل استفاده است که مدیران و برنامه ریزان محدودیت اقتصادی و زمانی نداشته باشند.

در این مطالعه، تجزیه و تحلیل حساسیت 154 بار با تغییر وزن (11 بار برای هر معیار) برای همه معیارها (14 معیار) انجام شد و نقشه‌های آسیب‌پذیری با وزن‌های جدید تهیه شد. بیشترین تغییرات در مقایسه با حالت اولیه ( شکل 7 الف) در تحلیل حساسیت معیار «فاصله از رودخانه» و کمترین تغییر در تحلیل حساسیت معیار «بارندگی» بود. با توجه به اینکه با تغییر وزن معیارهای ورودی، تغییرات قابل توجهی در نتایج مدل ایجاد نشد، می توان گفت که بر اساس آزمون تحلیل حساسیت، نتایج مدل قابل اعتماد هستند. همانطور که از شکل 7 مشاهده می شودb، بیشتر تغییرات در ORness = 0.6 ایجاد شد که ناچیز است. بیشتر تغییرات حدود 1% و حداکثر 5% بود. نتایج تغییر وزن برای سایر معیارها بسیار کمتر بود که نشان دهنده پایداری قابل قبول نتایج مدل آسیب‌پذیری در سناریوهای مختلف تحلیل حساسیت، یعنی پایایی بالای نتایج مدل است.

4. بحث و گفتگو

ایران به دلیل وجود حوضه های کوهستانی عظیم در کشور و همچنین فصول طولانی خشکسالی که سیل های ناگهانی را به حوادث ویرانگر تبدیل می کند، شاهد تعداد زیادی مخاطرات طبیعی به ویژه سیل بوده است. تهران متاثر از سیل های زیادی بوده و خطرات زیادی از نظر شهروندان، زیرساخت ها و دارایی ها را متوجه آنها می کند. از این رو، این مطالعه با هدف پیشنهاد یک سیستم پشتیبانی تصمیم فضایی برای شناسایی مناطق آسیب‌پذیر با استفاده از ترکیب GIS-MCDA به منظور آگاه کردن تصمیم‌گیرندگان و ذینفعان در مورد خسارات احتمالی سیل به‌منظور ایجاد انعطاف‌پذیری در برابر آنها انجام شد.

تهیه نقشه آسیب‌پذیری سیل در سطوح مختلف خطر مورد استفاده در این مطالعه شامل دو مرحله اصلی است. در گام اول با استفاده از پیشینه تحقیق و دانش تخصصی، معیارهای موثر بر وقوع سیلاب شناسایی شدند. در مرحله دوم، نقشه آسیب‌پذیری سیل برای سناریوهای مختلف خطر تهیه شد. بر اساس دانش ما از مطالعات گذشته و نظر کارشناسان، مجموعه‌ای از معیارها شامل ویژگی‌های توپوگرافی و هیدرولوژیکی، جمعیت‌شناسی، پوشش گیاهی، کاربری اراضی و ویژگی‌های شهری در ارزیابی آسیب‌پذیری سیل گنجانده شد. برای تعیین وزن معیارها از روش FAHP استفاده شد. اکثر مقالات قبلی از مدل AHP استفاده کرده اند. با این حال، این رویکرد از نظر حسابداری برای عدم قطعیت اولویت های رتبه بندی معیارهای امتیازدهی مورد انتقاد قرار می گیرد.61 ، 62 ]. مدل FAHP به تصمیم گیرندگان اجازه می دهد تا ترجیحات خود را در محیط های فازی بهتر تعریف کنند [ 63 ]. این مدل برای وزن دهی معیارهای تخصیص محل های دفن زباله [ 64 ]، مزارع خورشیدی [ 65 ]، بیمارستان ها [ 66 ]، مزارع بادی [ 67 ] و ایستگاه های شارژ وسایل نقلیه الکتریکی [ 67 ] استفاده شده است.]. همچنین در این مطالعات از مدل‌های مختلف مبتنی بر MCDA مانند WLC و AHP برای ترکیب معیارها استفاده شده است. هر کدام از این مدل ها مزایا و معایبی دارند. یکی از مهم ترین محدودیت های این مدل ها عدم توجه به مفهوم ریسک در تصمیم گیری است. بنابراین در این تحقیق از مدل OWA برای ترسیم آسیب‌پذیری سیل استفاده شد. OWA نقشه های آسیب پذیری سیل را برای سناریوهای مختلف تصمیم گیری مبتنی بر ریسک خروجی می دهد. در سال‌های اخیر، کارایی این مدل در تعدادی از مطالعات برای تخصیص مزارع انرژی‌های تجدیدپذیر [ 50 ] و مجتمع‌های مسکونی [ 68 ]، برنامه‌ریزی گردشگری [ 69 ]، نقشه‌برداری آسایش حرارتی [ 70 ] و قرار دادن شهرداری تأیید شده است. محل دفن زباله جامد [ 71]. تجزیه و تحلیل حساسیت ما نشان داد که تغییر در وزن معیارها منجر به تغییرات زیادی در وسعت منطقه ای طبقات آسیب پذیری نمی شود که این یک مزیت است. علاوه بر این، با توجه به انعطاف پذیری رویکرد ما از نظر نوع و قالب داده ها و عدم وابستگی به شرایط جغرافیایی، رویکرد پیشنهادی می تواند برای سایر مطالعات موردی در سطح جهانی مورد استفاده قرار گیرد.

5. نتیجه گیری و پیشنهادات

رشد بی‌سابقه جمعیت، حکمرانی بی‌نظم زمین، به‌عنوان مثال، تخصیص زمین در اطراف رودخانه‌ها و کانال‌ها برای توسعه و افزایش آب‌بندی خاک به دلیل فعالیت‌های توسعه‌ای، و فقدان راه‌حل‌های مبتکرانه مبتنی بر طبیعت برای چنین اقداماتی در کشورهای در حال توسعه، باعث سیل‌های شهری در سراسر جهان شده است. جان انسان ها و زیرساخت های شهری را به خطر می اندازد. نقشه‌برداری آسیب‌پذیری در برابر سیل‌های شهری و شناسایی مناطق پرخطر می‌تواند ذینفعان و برنامه‌ریزان شهری را در مراحل مختلف چرخه مدیریت مخاطرات، یعنی فازهای قبل از بحران، حین بحران و پس از بحران، آگاه کند که می‌تواند امنیت اجتماعی را در زمان‌های بحران ارتقا دهد. بحران ها این مطالعه طراحی و اجرای یک رویکرد روشمند برای نقشه‌برداری آسیب‌پذیری را برای یک مطالعه موردی نمونه از شهر تهران با قرارگیری منحصر به فرد آن در دامنه کوه‌های مرتفع البرز نشان داد. تجزیه و تحلیل اهمیت عوامل با استفاده از FAHP نشان داد که متغیرهای تراکم جمعیت، تجمع جریان و ردپای رودخانه از اهمیت بیشتری برخوردارند. نتایج نقشه‌برداری آسیب‌پذیری سیل نشان داد که مناطق شمالی و شرقی به شدت مستعد سیل هستند زیرا رواناب ناشی از بارندگی در کوه‌های شمالی و شرقی تهران توسط رودخانه‌ها و مسیل‌ها وارد محدوده شهری تهران می‌شود. یافته‌های ما ثابت کرد که مدل OWA در ترکیب عوامل ورودی بزرگ برای نقشه‌برداری آسیب‌پذیری در سناریوهای مختلف ریسک برای فرآیندهای تصمیم‌گیری فضایی بسیار انعطاف‌پذیر است. سناریوهای مختلف ریسک از سناریوهای بسیار بدبینانه تا سناریوهای بسیار خوش بینانه متغیر است که در آنها با افزایش درصد ریسک، درجه خوش بینی در تصمیم گیری افزایش می یابد. یک تصمیم گیرنده ریسک گریز شرایط بسیار دشواری را در تصمیم گیری به حساب می آورد. بنابراین از بین گزینه های مختلف، گزینه ای را انتخاب می کند که از نظر معیارهای مختلف شرایط ایده آلی داشته باشد، بنابراین تعداد گزینه های مناسب در این مورد محدود است. برای تصمیم گیرندگان ریسک برعکس است. گزینه ای را انتخاب می کند که از نظر معیارهای مختلف شرایط ایده آلی داشته باشد، بنابراین تعداد گزینه های مناسب در این مورد محدود است. برای تصمیم گیرندگان ریسک برعکس است. گزینه ای را انتخاب می کند که از نظر معیارهای مختلف شرایط ایده آلی داشته باشد، بنابراین تعداد گزینه های مناسب در این مورد محدود است. برای تصمیم گیرندگان ریسک برعکس است.

نقشه های آسیب پذیری متحمل شده توسط این مطالعه می تواند به عنوان ابزار تحلیلی برای ارائه راه حل هایی برای کاهش آسیب پذیری از طریق اقدامات مختلف مانند تخصیص مجدد زیرساخت ها، فعالیت های مسکونی و صنعتی در معرض خطر، انطباق راه حل های مبتنی بر طبیعت، و مهندسی منظر برای کاهش اثرات استفاده شود. سیل شهری از دیگر کاربردهای نقشه‌های آسیب‌پذیری می‌توان به اطلاع‌رسانی برنامه‌های مدیریت زمین، برنامه‌ریزی شهری، تخصیص کاربری، تغییر کاربری و تعیین کاربری سرانه اشاره کرد.

طبق چشم انداز تحقیق، ما (الف) آسیب پذیری مورفولوژیکی شهری، از جمله شبکه جاده ها و امکانات را مدل سازی می کنیم. ب) برنامه های توسعه شهری آینده را در تحلیل و رشد بالقوه شهری و جمعیت گنجانده باشد. ج) در نظر گرفتن اثرات تغییر آب و هوا برای چنین تحلیل‌هایی مانند پیش‌بینی آینده‌نگر بارش؛ (د) ارزیابی آسیب پذیری های اجتماعی، اقتصادی و زیست محیطی ناشی از سیل. ه) گنجاندن دانش تخصصی و تجزیه و تحلیل ذینفعان را با گشودن میز بحث به روی آنها و حصول اطمینان از طراحی مشترک رویکرد روشمند در کنار آنها بسط داده شود. (و) توسعه یک سیستم هشدار سیل در دسترس عموم برای آگاهی در زمان واقعی از خطرات سیل که می تواند به امنیت اجتماعی در محیط های شهری کمک کند. (ز) عدم قطعیت برای چنین مطالعاتی را در نظر گرفته و به کاربران نهایی در مورد عدم قطعیت‌های مرتبط با نتایج به‌دست‌آمده اطلاع‌رسانی می‌کند تا از سوگیری کمتری در تصمیم‌گیری‌های متوالی اطمینان حاصل شود. دومی را می توان بر اساس منطق فازی، به عنوان مثال، فازی نوع II و فازی بصری اعمال کرد.

منابع

یاریان، پ. آوند، م. عباسپور، ره. ترابی حقیقی، ع. کاستاش، آر. قربانزاده، ا. جانی زاده، س. Blaschke, T. نگاشت حساسیت به سیل با استفاده از یک فرآیند شبکه تحلیلی بهبود یافته با مدل های آماری. Geomat. نات خطر خطرات 2020 ، 11 ، 2282-2314. [ Google Scholar ] [ CrossRef ]
Ajjur، SB; مقیر، YK نقشه‌برداری خطر سیل با استفاده از تحلیل تصمیم چند معیاره و GIS (مطالعه موردی استان غزه، فلسطین). عرب جی. ژئوشی. 2020 ، 13 ، 44. [ Google Scholar ] [ CrossRef ]
یزدانی، م. مجتهدی، م. لوسمور، ام. ساندرسون، دی. چارچوب مدل‌سازی برای طراحی یک سیستم پشتیبانی تخلیه برای زیرساخت‌های مراقبت‌های بهداشتی در پاسخ به رویدادهای سیل‌های بزرگ. Prog. فاجعه علمی. 2022 ، 13 ، 100218. [ Google Scholar ] [ CrossRef ]
آوند، م. خیاوی، ع. خزایی، م. Tiefenbacher، JP تعیین احتمال سیل و اولویت بندی زیرحوضه های آبخیز: مقایسه نظریه بازی با یادگیری ماشین. جی. محیط زیست. مدیریت 2021 ، 295 ، 113040. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ایشی واتاری، م. ساساکی، دی. سرمایه گذاری در حفاظت از سیل در آسیا: یک مطالعه تجربی با تمرکز بر رابطه بین سرمایه گذاری و خسارت. Prog. فاجعه علمی. 2021 ، 12 ، 100197. [ Google Scholar ] [ CrossRef ]
اودین، ک. Matin، MA پهنه‌بندی خطر سیل بالقوه و نقشه‌برداری مناسب بودن پناهگاه سیل برای کاهش خطر بلایا در بنگلادش با استفاده از فناوری جغرافیایی. Prog. فاجعه علمی. 2021 ، 11 ، 100185. [ Google Scholar ] [ CrossRef ]
جانی زاده، س. آوند، م. جعفری، ع. فونگ، تلویزیون؛ بیات، م. احمدشرف، ا. پراکاش، آی. فام، بی تی؛ Lee, S. پیش‌بینی موفقیت روش‌های یادگیری ماشین برای نقشه‌برداری حساسیت سیلاب در حوضه آبخیز تفرش، ایران. پایداری 2019 ، 11 ، 5426. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
تالوکدار، س. گوس، بی. سلام، ر. ماهاتو، س. فام، QB; Linh، NTT؛ کاستاش، آر. آوند، ام. مدل‌سازی حساسیت به سیل در حوضه رودخانه Teesta، بنگلادش با استفاده از مجموعه‌های جدیدی از الگوریتم‌های کیسه‌بندی. استوک. محیط زیست Res. ارزیابی ریسک 2020 ، 34 ، 2277-2300. [ Google Scholar ] [ CrossRef ]
Qin، H.-P.; لی، Z.-X. فو، جی. اثرات توسعه کم تاثیر بر سیلاب شهری تحت ویژگی های مختلف بارندگی. جی. محیط زیست. مدیریت 2013 ، 129 ، 577-585. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
داگلاس، آی. علم، ک. ماگندا، م. مک دانل، ی. مک لین، ال. کمپبل، جی. آبهای ناعادلانه: تغییر آب و هوا، سیل و فقرای شهری در آفریقا. محیط زیست شهری. 2008 ، 20 ، 187-205. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Skougaard Kaspersen، P. هویگ راون، ن. آرنبیرگ-نیلسن، ک. مدسن، اچ. دروز، ام. مقایسه اثرات توسعه شهری و تغییرات آب و هوایی بر قرار گرفتن شهرهای اروپایی در معرض سیلاب. هیدرول. سیستم زمین علمی 2017 ، 21 ، 4131-4147. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پاندی، AC؛ کاوشیک، ک. Parida، BR Google Earth Engine برای نقشه‌برداری سیل در مقیاس بزرگ با استفاده از داده‌های SAR و ارزیابی تأثیر بر کشاورزی و جمعیت حوضه Ganga-Brahmaputra. پایداری 2022 ، 14 ، 4210. [ Google Scholar ] [ CrossRef ]
لو، تی. مدوکس، ا. ایسلند، سی. وارد، پی. Winsemius، H. 15 کشور جهان با بیشترین افراد در معرض سیل رودخانه. 2015. در دسترس آنلاین: https://www.wri.org/insights/worlds-15-countries-most-people-exposed-river-floods (دسترسی در 5 مارس 2015).
بلورانی، م. شورابه، SN; سامانی، NN; موسیوند، ع. کاظمی، ی. جعفرزاده، ن. زاهدی، ع. ربیعی، ج. نقشه‌برداری آسیب‌پذیری و تحلیل ریسک طوفان‌های شن و گرد و غبار در اهواز، ایران. محیط زیست آلودگی 2021 ، 279 ، 116859. [ Google Scholar ] [ CrossRef ] [ PubMed ]
موریس، پ. اشمیت، اچ. لامبریچز، آر. میستر، سی. عوامل حفاظتی و آسیب پذیری افسردگی در نوجوانان عادی. رفتار Res. آنجا 2001 ، 39 ، 555-565. [ Google Scholar ] [ CrossRef ]
محمودزاده، ح. موسی زاده، ع. بررسی مکان انتخاب مسیرهای متروی کلانشهر تبریز از نظر مخاطرات طبیعی با تاکید بر سیل و زلزله. جی. نات. محیط زیست خطرات 2021 ، 9 ، 91-110. [ Google Scholar ]
مقدس، م. اسدزاده، ع. وافیدیس، ع. فکته، ا. کوتر، تی. یک رویکرد چند معیاره برای ارزیابی تاب آوری شهری در برابر سیل در تهران، ایران. بین المللی J. کاهش خطر بلایا. 2019 ، 35 ، 101069. [ Google Scholar ] [ CrossRef ]
رضوانی، م. نیکروش، اف. آستانه، م. کاظمی، ن. رویکرد تصمیم‌گیری مبتنی بر ریسک برای شناسایی مناطق بالقوه گردشگری مبتنی بر طبیعت. J. بازآفرینی در فضای باز. تور. 2022 ، 37 ، 100485. [ Google Scholar ] [ CrossRef ]
شورابه، SN; فیروزجایی، م.ک. نعمت اللهی، ا. فیروزجایی، HK; جلوخانی-نیارکی، م. تحلیل تصمیم فضایی چند معیاره مبتنی بر ریسک برای انتخاب مکان نیروگاه خورشیدی در اقلیم های مختلف: مطالعه موردی در ایران. تمدید کنید. انرژی 2019 ، 143 ، 958-973. [ Google Scholar ] [ CrossRef ]
شهپری ثانی، د. محمودیان، ح. شناسایی و اولویت‌بندی عامل مؤثر بر گرایش مهاجرت در شهر آبادان با استفاده از تکنیک‌های تصمیم‌گیری چند معیاره. جی پوپول. دانشیار ایران 2019 ، 13 ، 89–118. [ Google Scholar ]
کایماز، چ.ک. چاکیر، چ. بیرینچی، س. Kızılkan، Y. مدل MCDA GIS-Fuzzy DEMATEL در ارزیابی مناطق توسعه اکوتوریسم: مطالعه موردی “Uzundere”، ارزروم-ترکیه. Appl. Geogr. 2021 ، 136 ، 102577. [ Google Scholar ] [ CrossRef ]
شورابه، SN; وارناصری، ع. فیروزجایی، م.ک. نیکروش، اف. سامانی، NN مدل سازی فضایی مناطق مناسب برای ساخت کتابخانه های عمومی با ادغام GIS و تصمیم گیری چند ویژگی: مطالعه موردی تهران، ایران. Libr Inf. علمی Res. 2020 ، 42 ، 101017. [ Google Scholar ] [ CrossRef ]
عبداللاتیف، ال. تیجانی، م.ن. نورو، NA; جان، اس. مصطفا، الف. ارزیابی پتانسیل تغذیه آب زیرزمینی در یک منطقه انتقال زمین‌شناسی معمولی در بائوچی، شمال شرقی نیجریه با استفاده از رویکردهای سنجش از دور/GIS و MCDA. Heliyon 2021 , 7 , e06762. [ Google Scholar ] [ CrossRef ] [ PubMed ]
شورابه، SN; سامانی، NN; مینایی، ف. فیروزجایی، HK; همایی، م. Boloorani، AD یک مدل تصمیم بر اساس الگوریتم های بهینه سازی درخت تصمیم و ازدحام ذرات برای شناسایی مکان های بهینه برای ساخت نیروگاه های خورشیدی در ایران. تمدید کنید. انرژی 2022 ، 187 ، 56-67. [ Google Scholar ] [ CrossRef ]
ارباش، م. کبک، م. اوزسیلان، ای. چتینکایا، سی. مکان‌یابی بهینه ایستگاه‌های شارژ وسایل نقلیه الکتریکی: تحلیل تصمیم‌گیری چند معیاره فازی مبتنی بر GIS. انرژی 2018 ، 163 ، 1017–1031. [ Google Scholar ] [ CrossRef ]
میجانی، ن. شهپری ثانی، د. دستاران، م. کریمی فیروزجایی، ح. آرگانی، م. محمودیان، ح. مدل‌سازی فضایی مهاجرت با استفاده از تحلیل تصمیم‌گیری چند معیاره مبتنی بر GIS: مطالعه موردی ایران. ترانس. GIS 2022 ، 26 ، 645-668. [ Google Scholar ] [ CrossRef ]
آتیجوسان، AO; عیسی، من. Abayomi, A. نقشه‌برداری آسیب‌پذیری سیل شهری با استفاده از AHP فازی و GIS رتبه‌بندی ارزش انتگرالی. بین المللی جی هیدرول. علمی تکنولوژی 2021 ، 12 ، 16-38. [ Google Scholar ] [ CrossRef ]
ایران، AM; مرفای، MA; نورراهنی، جمهوری اسلامی ایران; گوستون، ST; Rejeki، HA; ویدودو، ا. محمودیه، ر.آ. Faridatunnisa، M. مقایسه بین اندازه‌گیری‌های فرونشست متوسط و محلی برای پیش‌بینی سیل‌های ساحلی در سال 2050 سمارنگ، اندونزی. اقلیم شهری. 2021 ، 35 ، 100760. [ Google Scholar ] [ CrossRef ]
Ku، C.-A. شبیه سازی قرار گرفتن در معرض کاربری زمین در آینده در برابر سیلاب های شدید در مناطق شهری بر اساس یک چارچوب یکپارچه اقلیم شهری. 2021 ، 35 ، 100738. [ Google Scholar ] [ CrossRef ]
اوما، یو. Tateishi, R. نقشه‌برداری ریسک و آسیب‌پذیری سیل شهری با استفاده از AHP چند پارامتری یکپارچه و GIS: بررسی اجمالی روش‌شناسی و ارزیابی مطالعه موردی. آب 2014 ، 6 ، 1515-1545. [ Google Scholar ] [ CrossRef ]
رعنا، IA; عاصم، م. اسلم، AB; جمشد، الف. چرخه مدیریت بلایا و کاربرد آن برای کاهش خطر سیل در مناطق شهری پاکستان. اقلیم شهری. 2021 ، 38 ، 100893. [ Google Scholar ] [ CrossRef ]
چاکرابورتی، اس. Mukhopadhyay, S. ارزیابی خطر سیل با استفاده از فرآیند تحلیل سلسله مراتبی (AHP) و سیستم اطلاعات جغرافیایی (GIS): کاربرد در منطقه کوچبهار بنگال غربی، هند. نات خطرات 2019 ، 99 ، 247-274. [ Google Scholar ] [ CrossRef ]
عینی، م. کابلی، اچ اس; رشیدیان، م. هدایت، H. خطر و آسیب‌پذیری در نقشه‌برداری خطر سیل شهری: تکنیک‌های یادگیری ماشین و در نظر گرفتن نقش مناطق شهری. بین المللی J. کاهش خطر بلایا. 2020 , 50 , 101687. [ Google Scholar ] [ CrossRef ]
فلونی، ای. موسدی، من. Baltas، E. ارزیابی آسیب‌پذیری سیل با استفاده از یک رویکرد چند معیاره مبتنی بر GIS – مورد منطقه آتیکا. J. مدیریت خطر سیل. 2020 ، 13 ، e12563. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هادی پور، و. وفایی، ف. دیلمی، ک. ارزیابی ریسک سیل ساحلی با استفاده از رویکرد تحلیل تصمیم گیری چند معیاره فضایی مبتنی بر GIS. Water 2020 , 12 , 2379. [ Google Scholar ] [ CrossRef ]
راشت نیا، س. جهانبانی، ح. ارزیابی آسیب‌پذیری سیل با استفاده از یک شاخص مبتنی بر قانون فازی در ملبورن، استرالیا. حفظ کنید. منبع آب مدیریت 2021 ، 7 ، 13. [ Google Scholar ] [ CrossRef ]
حسین، م. طیب، م. ژانگ، جی. شاه، ع.ا. الله، ک. محمود، یو. الشیبه، ب. رویکرد چند معیاره مبتنی بر GIS برای ارزیابی آسیب‌پذیری سیل و نقشه‌برداری در ناحیه شنگلا: خیبر پختونخوا، پاکستان. Sustainability 2021 , 13 , 3126. [ Google Scholar ] [ CrossRef ]
نادی زاده شورابه، س. حمزه، س. بررسی تأثیر پارامترهای محیطی و جمعیتی بر توزیع فضایی دمای سطح شهر تهران با ترکیب مدل‌های آماری و تک پنجره‌ای. فیزیک Geogr. Res. Q. 2019 , 51 , 263-282. [ Google Scholar ]
رادمهر، ع. عراقی نژاد، س. تحلیل آسیب‌پذیری سیلاب با تصمیم‌گیری چند معیاره فضایی فازی. منبع آب مدیریت 2015 ، 29 ، 4427-4445. [ Google Scholar ] [ CrossRef ]
قریشی، س. شورابه، SN; سامانی، NN; مینایی، ف. همایی، م. نیکروش، اف. فیروزجایی، م.ک. ارسنجانی، جی جی رویکردی یکپارچه جدید برای مکان یابی دفن زباله شهری بر اساس پیش بینی رشد فیزیکی شهری: مطالعه موردی کلانشهر مشهد در ایران. Remote Sens. 2021 , 13 , 949. [ Google Scholar ] [ CrossRef ]
شورابه، SN; آرگانی، م. ربیعی، ج. فیروزجایی، HK; نعمت اللهی، او. ارزیابی پتانسیل ایجاد مزارع انرژی های تجدیدپذیر چندگانه با استفاده از تحلیل تصمیم گیری چند معیاره فضایی: مطالعه موردی و نقشه برداری در ایران. جی. پاک. تولید 2021 ، 295 ، 126318. [ Google Scholar ] [ CrossRef ]
Saaty، TL تصمیم گیری – سلسله مراتب تحلیلی و فرآیندهای شبکه (AHP/ANP). جی. سیست. علمی سیستم مهندس 2004 ، 13 ، 1-35. [ Google Scholar ] [ CrossRef ]
چن، J.-F. حسیه، ح.-ن. انجام، QH ارزیابی عملکرد تدریس بر اساس AHP فازی و رویکرد ارزشیابی جامع. Appl. محاسبات نرم. 2015 ، 28 ، 100-108. [ Google Scholar ] [ CrossRef ]
چانگ، دی.-ای. کاربردهای روش تحلیل وسعت در AHP فازی. یورو جی. اوپر. Res. 1996 ، 95 ، 649-655. [ Google Scholar ] [ CrossRef ]
گوگوس، او. Boucher، TO انتقالی قوی، عقلانیت و یکنواختی ضعیف در مقایسه‌های زوجی فازی. سیستم مجموعه های فازی 1998 ، 94 ، 133-144. [ Google Scholar ] [ CrossRef ]
Yager، RR در عملگرهای تجمع میانگین وزنی در تصمیم گیری چند معیاره. IEEE Trans. سیستم مرد سایبرن. 1988 ، 18 ، 183-190. [ Google Scholar ] [ CrossRef ]
Malczewski، J. یک رویکرد مبتنی بر GIS برای تصمیم گیری گروهی معیارهای چندگانه. بین المللی جی. جئوگر. Inf. سیستم 1996 ، 10 ، 955-971. [ Google Scholar ] [ CrossRef ]
ذبیحی، ح. علیزاده، م. کیبت لنگات، پ. کرمی، م. شهابی، ح. احمد، ع. نور سعید، م. لی، S. تجزیه و تحلیل چند معیاره GIS با میانگین وزنی مرتب شده (OWA): به سمت یک استراتژی مدیریت یکپارچه مرکبات. پایداری 2019 ، 11 ، 1009. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Malczewski، J. چپمن، تی. فلگل، سی. والترز، دی. درختچه، D.; Healy، MA GIS-ارزیابی چند معیاره با میانگین وزنی مرتب شده (OWA): مطالعه موردی توسعه استراتژی‌های مدیریت آبخیز. محیط زیست طرح. A 2003 ، 35 ، 1769-1784. [ Google Scholar ] [ CrossRef ]
فیروزجایی، م.ک. نعمت اللهی، ا. میجانی، ن. شورابه، SN; فیروزجایی، HK; تومانیان، ع. تحلیل میانگین وزنی مرتب شده مبتنی بر GIS برای ارزیابی انرژی خورشیدی در ایران: شرایط کنونی و برنامه ریزی آینده. تمدید کنید. انرژی 2019 ، 136 ، 1130–1146. [ Google Scholar ] [ CrossRef ]
Malczewski، J. Rinner, C. تجزیه و تحلیل تصمیم چند معیاره در علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2015. [ Google Scholar ]
نادی زاده شورابه، س. نیسانی سامانی، ن. جلوخانی-نیارکی، م.ر.ج-ن. تعیین مناطق بهینه برای دفن زباله با تاکید بر روند گسترش شهری بر اساس ترکیب فرآیند تحلیل سلسله مراتبی و مدل میانگین وزنی مرتب شده. جی. نات. محیط زیست 2017 ، 70 ، 949-969. [ Google Scholar ]
کیاورز، م. جلوخانی-نیارکی، م. نقشه برداری چشم انداز زمین گرمایی با استفاده از رویکرد میانگین وزنی مرتب شده مبتنی بر GIS: مطالعه موردی در استان های آکیتا و ایواته ژاپن. Geothermics 2017 ، 70 ، 295-304. [ Google Scholar ] [ CrossRef ]
Ikonen, T. مقایسه روش‌های تحلیل حساسیت جهانی – کاربرد در مدل‌سازی رفتار سوخت. هسته مهندس دس 2016 ، 297 ، 72-80. [ Google Scholar ] [ CrossRef ]
سالتلی، ا. تارانتولا، اس. چان، ک. نقشی برای تحلیل حساسیت در ارائه نتایج حاصل از مطالعات MCDA به تصمیم گیرندگان. J. تصمیم گیری چند معیاره. مقعدی 1999 ، 8 ، 139-145. [ Google Scholar ] [ CrossRef ]
علمدار، KD; کایا، او. Çodur، MY A GIS و رویکرد MCDA مبتنی بر میکرو شبیه‌سازی برای ارزیابی گذرگاه‌های عابر پیاده. اسید. مقعدی قبلی 2020 , 148 , 105771. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ارلاچر، سی. Anders, K.-H.; یانکوفسکی، پ. پاولوس، جی. Blaschke، T. چارچوبی برای تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح مبتنی بر ابر در مدل‌های چند معیاره فضایی. ISPRS Int. J. Geo Inf. 2021 ، 10 ، 244. [ Google Scholar ] [ CrossRef ]
چن، ی. یو، جی. خان، اس. تحلیل حساسیت فضایی وزن‌های چند معیاره در ارزیابی تناسب زمین مبتنی بر GIS. محیط زیست مدل. نرم افزار 2010 ، 25 ، 1582-1591. [ Google Scholar ] [ CrossRef ]
صادقی نیارکی، ع. ورشوساز، م. کیم، ک. Jung, JJ نمایش دنیای واقعی یک شبکه جاده برای برنامه ریزی مسیر در GIS. سیستم خبره Appl. 2011 ، 38 ، 11999-12008. [ Google Scholar ] [ CrossRef ]
Eldrandaly، KA بررسی استراتژی های تصمیم گیری چند معیاره در GIS با کمی سازهای زبانی: گسترش فرآیند شبکه تحلیلی با استفاده از عملگرهای میانگین وزنی مرتب شده. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 2455-2482. [ Google Scholar ] [ CrossRef ]
وینوگرادوا-زینکویچ، آی. پودوزکو، وی. Zavadskas، EK ارزیابی مقایسه ای پایداری روش های AHP و FAHP. Symmetry 2021 , 13 , 479. [ Google Scholar ] [ CrossRef ]
خاشعی سیوکی، ع. شریفان، ح. مقایسه روش‌های AHP و FAHP در تعیین مناطق مناسب برای برداشت آب شرب در آبخوان بیرجند. ایران. Groundw. حفظ کنید. توسعه دهنده 2020 ، 10 ، 100328. [ Google Scholar ] [ CrossRef ]
هو، جی. چن، جی. چن، ز. کائو، جی. وانگ، کیو. ژائو، ال. ژانگ، اچ. خو، بی. چن، جی. ارزیابی ریسک خطرات لرزه‌ای در مناطق شکستگی هیدرولیکی بر اساس ارزیابی جامع فازی و روش AHP (FAHP): تحلیل موردی منطقه Shangluo در شهر Yibin، استان سیچوان، چین. جی. پت. علمی مهندس 2018 ، 170 ، 797–812. [ Google Scholar ] [ CrossRef ]
فرد، مگابایت; حمیدی، د. عبادی، م. علوی، ج. Mckay، G. انتخاب محل دفن زباله بهینه با روش تصمیم گیری چند معیاره و چند عاملی ترکیبی در آب و هوای معتدل و مرطوب: BWM-GIS-FAHP-GT. حفظ کنید. جامعه شهرها 2022 ، 79 ، 103641. [ Google Scholar ] [ CrossRef ]
Thanh، NV; استقرار انرژی خورشیدی Lan، NTK برای آینده پایدار ویتنام: تجزیه و تحلیل ترکیبی SWOC-FAHP-WASPAS. Energies 2022 , 15 , 2798. [ Google Scholar ] [ CrossRef ]
Tripathi، AK; آگراوال، اس. گوپتا، RD مقایسه AHP مبتنی بر GIS و روش‌های AHP فازی برای انتخاب مکان بیمارستان: مطالعه موردی برای شهر پرایاگراج، هند. جئوژورنال 2021 ، 86 ، 1-22. [ Google Scholar ] [ CrossRef ]
تالینلی، آی. توپوز، ای. آیدین، ای. Kabakcı، SB یک رویکرد جامع برای انتخاب مکان مزرعه بادی توسط FAHP. در مقررات فنی مزرعه بادی، برآورد پتانسیل و ارزیابی مکان ; InTech Open: Rijieka، کرواسی، 2011; جلد 3، ص 213-234. [ Google Scholar ]
رجبی، م. منصوریان، ع. طالعی، م. مقایسه ای بین روش های تصمیم گیری چند معیاره AHP، AHP-OWA و فازی AHP-OWA برای مکان یابی مجتمع های مسکونی در تبریز-ایران. جی. محیط زیست. گل میخ. 2011 ، 37 ، 77-92. [ Google Scholar ]
الدرندالی، کالیفرنیا؛ AL-Amari، MA یک چارچوب تصمیم گیری متخصص مبتنی بر GIS ANP-OWA برای انتخاب سایت توسعه گردشگری. بین المللی جی. اینتل. سیستم Appl. 2014 ، 6 ، 1. [ Google Scholar ] [ CrossRef ]
میجانی، ن. علوی پناه، SK; حمزه، س. فیروزجایی، م.ک. ارسنجانی، جی جی مدل سازی آسایش حرارتی در شرایط مختلف ذهن با استفاده از تصاویر ماهواره ای: رویکرد میانگین وزنی مرتب و مطالعه موردی. Ecol. اندیک. 2019 ، 104 ، 1-12. [ Google Scholar ] [ CrossRef ]
گورسفسکی، PV; دونفسکا، KR; میتروفسکی، سی دی; Frizado، JP ادغام تکنیک های ارزیابی چند معیاره با سیستم های اطلاعات جغرافیایی برای انتخاب محل دفن زباله: مطالعه موردی با استفاده از میانگین وزنی مرتب شده. مدیریت زباله 2012 ، 32 ، 287-296. [ Google Scholar ] [ CrossRef ]

شکل 1. موقعیت جغرافیایی منطقه مورد مطالعه.

شکل 2. روش پیشنهادی برای ترسیم آسیب پذیری سیل. توجه: شاخص گیاهی تفاوت نرمال شده (NDVI) و شاخص ایجاد تفاوت نرمال شده (NDBI).

شکل 3. فضای استراتژی تصمیم گیری با اپراتور OWA (شرایط ریسک مختلف).

شکل 4. وزن و اهمیت معیارهای موثر بر آسیب پذیری سیل.

شکل 5. نقشه معیار ( a ) ارتفاع. ( ب ) جنبه؛ ج ) دوری از مراکز بهداشتی. ( د ) تجمع جریان. ( ه ) تراکم پوشش گیاهی. ( و) کاربری زمین؛ ( ز ) فاصله از رودخانه؛ ( ح ) بارندگی؛ ( i ) سطوح غیر قابل نفوذ؛ ( ی ) فاصله از ایستگاه آتش نشانی؛ ( ک ) فاصله از جاده؛ ( ل ) تراکم papulation; ( m ) نوع خاک؛ ( ن ) شیب.

شکل 6. نقشه آسیب پذیری سیل ( a ) ORness = 0; ( ب ) ORness = 0.1; ( ج ) ORness = 0.2; ( د ) ORness = 0.3; ( e ) ORness = 0.4; ( f ) ORness = 0.5; ( g ) ORness = 0.6; ( h ) ORness = 0.7; ( i ) ORness = 0.8; ( j ) ORness = 0.9; ( k ) ORness = 1.

شکل 7. ( الف ) تجزیه و تحلیل حساسیت آسیب پذیری با وزن اولیه. ( ب ) تجزیه و تحلیل حساسیت آسیب پذیری با تغییر معیار وزنی فاصله از رودخانه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه