| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,920 |
| تعداد مقالات | 32,927 |
| تعداد مشاهده مقاله | 43,407,411 |
| تعداد دریافت فایل اصل مقاله | 19,879,210 |
تحلیل و شبیه‌سازی عوامل مؤثر بر وقوع بهمن با استفاده از مدل RAMMS مطالعه موردی: جاده ولایت رود البرز مرکزی، استان البرز | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 8، دوره 16، شماره 3، مهر 1403، صفحه 450-468 اصل مقاله (2.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2022.357252.1949 | ||
| نویسندگان | ||
| مجید کاظم زاده* 1؛ زهرا نوری2؛ محمد جهان تیغ3 | ||
| 1استادیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط‌زیست، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2فارغ التحصیل دکتری علوم و مهندسی آبخیزداری، گروه مهندسی احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران | ||
| 3فارغ‌التحصیل کارشناسی ارشد شیمی و حاصلخیزی خاک، گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تهران، ایران | ||
| چکیده | ||
| مقدمه یکی از بلایای طبیعی که مناطق مسکونی و محورهای جاده‌ای را در مناطق کوهستانی تهدید می‌کند، ریزش‌های دامنه‌ای شامل ریزش سنگ، وقوع بهمن و لغزش است. بهمن، یک حجم عظیمی از برف، سنگ، یخ و واریزه‌ها را به پایین‌دست مناطق کوهستانی حمل می‌کند. وقوع بهمن در مناطق کوهستانی، یکی از مهم‌ترین مخاطرات طبیعی است که خسارت‌های جانی و مالی بسیاری را ایجاد می‌کند و مطالعه عوامل مؤثر در وقوع بهمن و شبیه‌سازی آن جهت مدیریت این پدیده از اهمیت زیادی برخوردار است. مواد و روش‌‌ها در این پژوهش، به تحلیل شاخص‌های مؤثر بر وقوع بهمن (شاخص‌های زمینی و هواشناسی) و شبیه‌سازی وقوع بهمن و مؤلفه‌های آن با استفاده از مدل RAMMS در جاده ولایت رود البرز مرکزی (جاده دیزین)، استان البرز پرداخته شده است. شاخص‌های توپوگرافی و ژئومورفولوژیکی ازجمله شیب، جهت، انحنای دامنه (Curvature)، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری زمین (TRI) و شاخص رطوبت توپوگرافی (TWI) با استفاده از مدل رقومی ارتفاع (DEM) با اندازه پیکسل 6 × 6 سانتی‌متر مربع با کمک پهباد تهیه شد. از شاخص‌های هواشناسی نیز بارش، دما و باد مورد بررسی قرار گرفت. سپس، با استفاده از مدل شبیه‌سازی RAMMS مؤلفه‌های بهمن ازجمله سرعت، فشار و ارتفاع بهمن در منطقه مورد مطالعه برآورد شد. نتایج و بحث نتایج نشان داد که مقدار و جهت شیب و شاخص‌های توپوگرافی تأثیر زیادی بر روی شکل‌گیری و وقوع بهمن داشتند. مهم‌ترین گذرگاه بهمن با مساحت 5.7 هکتار و 54.6 درصد از منطقه موردمطالعه که شامل منطقه تجمع و گذرگاه اصلی با شیب 60 تا 120 درصد و جهت شمال شرقی است که بیشترین پتانسیل ایجاد بهمن را دارد. همچنین، نتایج مدل شبیه‌سازی RAMMS نشان داد که سرعت متوسط و حداکثر سرعت بهمن در منطقه 5.3 متر بر ثانیه و 16 متر بر ثانیه بوده است. متوسط فشار مؤثر بهمن هفت و حداکثر فشار بهمن در منطقه نیز 45 کیلو پاسکال بوده است. برآورد ارتفاع بهمن در منطقه نیز نشان داد که متوسط ارتفاع بهمن در منطقه توقفگاه (مناطق مسکونی) 4.5 متر و حداکثر ارتفاع بهمن در منطقه 10 متر است که جز بهمن‌های بزرگ طبقه‌بندی می‌‌شود. نتیجه‌گیری شناخت بهمن و ویژگی‌های دینامیک بهمن، یکی از عوامل بسیار مهم در پیش‌بینی و کنترل این پدیده طبیعی و خطرناک است. همچنین، شناسایی نوع بهمن (مرطوب، قطعه‌ای و پودری) می‌‌تواند کارشناسان را تا حد بسیاری زیادی در مدیریت و پیشنهاد روش‌های کنترل آن راهنمایی و کمک کند. در این پژوهش، با استفاده از نقشه‌ها و اطلاعات پایه‌ای و هواشناسی و عامل‌های ژئوموروفولوژیکی مانند انحنای دامنه، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری زمین (TRI) و شاخص رطوبت توپوگرافی (TWI) به‌همراه بازدیدهای میدانی، مناطق تجمع، گذرگاه عبور و توقفگاه بهمن شناسایی شد. سپس، مهم‌ترین شاخص‌های مؤثر در ایجاد و وقوع بهمن در منطقه تعیین شد. شیب بالای منطقه بین 120-60 درصد و همچنین، جهت دامنه (شمالی و شمال شرقی) و عوامل اقلیمی مانند بارش و دما، مهم‌ترین عوامل وقوع بهمن در منطقه موردمطالعه بوده است. متوسط ارتفاع بهمن در منطقه توقفگاه (مناطق مسکونی)، 4.5 متر و حداکثر ارتفاع بهمن در این منطقه 10 متر بوده است. با توجه به پژوهش حاضر، احتمال وقوع بهمن و خسارت در منطقه موردمطالعه بسیار بالا بوده و نیازمند ارائه و اجرای برنامه‌‌های مدیریتی و کنترلی برای جلوگیری از خسارت احتمالی است. | ||
| کلیدواژه‌ها | ||
| برف؛ خطر بهمن؛ عوامل اقلیمی؛ مدل‌سازی؛ مؤلفه‌های بهمن | ||
| عنوان مقاله [English] | ||
| Analysis and simulation of affecting factors on snow avalanche occurrence using RAMMS model, Velayat Rood in Central Alborz, Alborz Province | ||
| نویسندگان [English] | ||
| Majid Kazemzadeh1؛ Zahra Noori2؛ Mohammad Jahantigh3 | ||
| 1Assistant Professor, Range and Watershed Management Department, Faculty of Natural Resources and Environment, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| 2Graduated Ph.D. in Watershed Science and Engineering, Department of Reclamation of Arid and Mountainous Regions, Faculty of Natural Resources, University of Tehran, Iran | ||
| 3Msc in Soil Chemistry and Fertility, Department of Soil Science, Faculty of Agriculture, University of Tehran, Iran | ||
| چکیده [English] | ||
| Introduction One of the natural disasters that threaten residential areas and roads in mountainous regions is mountain falls, including rockfalls, avalanches, and landslides. Avalanches carry large amounts of snow, rocks, ice, and debris downstream in mountainous areas. The occurrence of avalanches is a significant natural hazard that results in considerable human and financial losses, making the study of factors influencing avalanches and their simulation crucial for managing this phenomenon. Materials and methods In this study, the factors affecting snow avalanches (both terrestrial and meteorological) were examined using the RAMMS simulation model in the Central Alborz Velayat Rood (Dizin Road), Alborz Province. Topographic and geomorphological factors, such as slope, aspect, curvature, topographic position index (TPI), terrain roughness index (TRI), and topographic wetness index (TWI), were analyzed using a digital elevation model (DEM) with a 6×6 cm² pixel size obtained by drone. Meteorological factors, including rainfall, temperature, and wind, were also considered. The RAMMS simulation model was then used to estimate avalanche components such as speed, pressure, and height within the study area. Results and discussion The results indicated that slope and aspect, as topographic indicators, have a significant impact on snow avalanche formation and occurrence. The largest portion of the region, covering 5.7 hectares (54.6% of the study area), with a northeast aspect and slopes of 60 to 120%, was identified as having the highest avalanche potential. Additionally, the RAMMS simulation model results showed that the average and maximum avalanche speeds in the region were 5.3 m/s and 16 m/s, respectively. The average effective avalanche pressure was 7 kPa, with a maximum of 45 kPa. The estimated avalanche height indicated that the average avalanche height in the runout area (residential areas) was 4.5 meters, with a maximum height of 10 meters, categorizing it as a large avalanche. Conclusion Understanding avalanches and their dynamic characteristics is essential for predicting and controlling this hazardous natural phenomenon. Identifying avalanche types (wet, slab, or powder) can greatly assist experts in managing and proposing control methods. In this study, maps, meteorological data, and geomorphological parameters such as curvature, TPI, TRI, and TWI, along with field observations, were used to identify accumulation areas, track zones, and runout zones. The study identified the key factors influencing avalanche occurrence in the region, including high slopes (60-120%), slope orientation (north and northeast), and climatic factors such as precipitation and temperature. The average avalanche height in the runout area (residential areas) was 4.5 meters, with a maximum of 10 meters. This study indicates a high potential for avalanches and associated damage in the area, underscoring the need for management and control programs to mitigate possible harm. | ||
| کلیدواژه‌ها [English] | ||
| Avalanche risk, Avalanche components, Climatic factors, Modeling, Snow | ||
| مراجع | ||
|
Akay, H., 2021. Spatial modelling of snow avalanche susceptibility using hybrid and ensemble machine learning techniques. Catena 206, 105524. Blahut, J., Klimes, J., Balek, J., Hajek, P., Cerven, L., Lysak, J., 2017. Snow avalanche hazard of the Krkonose National Park Czech Republic. J. Maps 13 (2), 86-90. Bühler, Y., Christen, M., Kowalski, J., Bartelt, P., 2011. Sensitivity of snow avalanche simulations to digital elevation model quality and resolution. Annals Glaciol. 52(58), 72-80. Conway, H., Wilbour, C., 1999. Evolution of snow slope stability during storms. Cold Regi. Sci. Technol. 30(1-3), 67-77. Christen, M., Bartelt, P., Gruber, U., 2002. AVAL-1D: An avalanche dynamics program for the practice. In International Congress Interpraevent, 715-725. Christen, M., Kowalski, J., Bartelt, P., 2010. RAMMS: numerical simulation of dense snow avalanches in three-dimensional terrain. Cold Regi. Sci. Technol. 63 (1-2), 1-14. Choubin, B., Borji, M., Mosavi, A., Sajedi-Hosseini, F., Singh, V.P., Shamshirband, S., 2019. Snow avalanche hazard prediction using machine learning methods. J. Hydrol. 577, 123929. Ceaglio, E., Mitterer, C., Maggioni, M., Ferraris, S., Segor, V., Freppaz, M., 2017. The role of soil volumetric liquid water content during snow gliding processes. Cold Regi. Sci. Technol. 136, 17-29. Eglit, M., Yakubenko, A., 2014. Numerical modeling of slope flows entraining bottom material. Cold Regi. Sci. Technol. 108, 139-148. Eglit, M., Yakubenko, A., Zayko, J., 2020. A review of Russian snow avalanche models from analytical solutions to novel 3D models. Geosci. 10 (2), 77. Feistl, T., 2015. Vegetation effects on avalanche dynamics. phD. dissertation, Technische Universität München, 139 pages. Fischer, J.T., Kowalski, J., Pudasaini, S.P., 2012. Topographic curvature effects in applied avalanche modeling. Cold Regi. Sci. Technol. 74, 21-30. Fischer, J.T., 2013. A novel approach to evaluate and compare computational snow avalanche simulation. Nat. Hazards Earth Sys. Sci. 13(6), 1655-1667. Gądek, B., Kaczka, R.J., Rączkowska, Z., Rojan, E., Casteller, A., Bebi, P., 2017. Snow avalanche activity in Zleb Zandarmerii in a time of climate change (Tatra Mts., Poland). Catena 158, 201-212. Granig, M., Oberndorfer, S., 2008. Developement and calibration of the dense and powder snow avalanche model SamosAT. Interpraev. Dornbirn 493-504. Granig, M., Sampl, P., Tollinger, C., Jörg, P., 2009. Experiences in avalanche assessment with the powder snow avalanche model SamosAT. In International Snow Science Workshop Proceedings, Davos, Switzerland, 514-518 Graveline, M.H., Germain, D., 2016. Ice-block fall and snow avalanche hazards in northern Gaspésie (eastern Canada): Triggering weather scenarios and process interactions. Cold Regi. Sci. Technol. 123, 81-90. Gruber, U., Bartelt, P., 2007. Snow avalanche hazard modelling of large areas using shallow water numerical methods and GIS. Environ. Modell. Sof. 22(10), 1472-1481. Gilany, N., Iqbal, J., 2019. Simulation of glacial avalanche hazards in Shyok Basin of upper Indus. Sci. Reports 9(1), 1-14. Gürer, I., Tunçel, H., Yavas, O.M., Erenbilge, T., Sayin, A., 1995. Snow avalanche incidents in north-western Anatolia, Turkey during December 1992. Nat. Hazards 11 (1), 1-16. Gauthier, F., Germain, D., Hétu, B., 2017. Logistic models as a forecasting tool for snow avalanches in a cold maritime climate: northern Gaspésie, Québec, Canada. Nat. Hazards 89(1), 201-232. Hao, J.S., Huang, F.R., Liu, Y., Amobichukwu, C.A., Li, L.H., 2018. Avalanche activity and characteristics of its triggering factors in the western Tianshan Mountains, China. J. Mount. Sci. 15(7), 1397-1411. Hirashima, H., Nishimura, K., Yamaguchi, S., Sato, A., Lehning, M., 2008. Avalanche forecasting in a heavy snowfall area using the snowpack model. Cold Regi. Sci. Technol. 51(2-3), 191-203. Joshi, J.C., Srivastava, S., 2014. A hidden markov model for avalanche forecasting on Chowkibal-Tangdhar road axis in Indian Himalayas. J. Earth Sys. Sci. 123(8), 1771-1779. Kern, A.N., Addison, P., Oommen, T., Salazar, S.E., Coffman, R.A., 2017. Machine learning based predictive modelling of debris flow probability following wildfire in the intermountain Western United States. Mathemati. Geosci. 49, 717-735. Kumar, S., Snehmani, P.K., Srivastava, A., Singh, M.K., 2016. Fuzzy–frequency ratio model for avalanche susceptibility mapping. Int. J. Digital Earth 9(12), 1168-1184. Koçyiğit, Ö., Tekin, E., Arslan, G., 2016. Avalanche research studies at bozdağ. Disaster Sci. Engineer. 2(2), 40-45. Kumar, S., Srivastava, P.K., 2017. GIS-based MCDA–AHP modelling for avalanche susceptibility mapping of Nubra valley region, Indian Himalaya. Geocarto Int. 32(11), 1254-1267. Kumar, S., Srivastava, P.K., 2018. Geospatial modelling and mapping of snow avalanche susceptibility. J. Indian Soci. Remote Sens. 46(1), 109-119. Kumar, S., Srivastava, P.K., Bhatiya, S., 2019. Geospatial probabilistic modelling for release area mapping of snow avalanches. Cold Regi. Sci. Technol. 165, 102813. Kurt, T., 2018. Assessment of avalanche hazard situation in Turkey during years 2010s. Nat. Hazards Earth Sys. Sci. Discussions, 1-27. Kulikovskii, A., Sveshnikova, E., 1977. A model for simulation of a powder snow avalanche. Mater. Glyatsiologicheskikh Issled. (Data Glaciol. Stud.) 53, 108-112 (in Russian with English Summary). Lushchik, V.G., Pavel’Ev, A.A., Yakubenko, A.E., 1978. Three-parameter model of shear turbulence. Fluid Dyn. 13 (3), 350-360. Mahdavi, M., 2016. Applied Hydrology 1. University of Tehran Press, 342 pages (in Persian). Maggioni, M., 2005. Avalanche release areas and their influence on uncertainty in avalanche hazard mapping. PhD Thesis, 146 pages. Mokarram, M., Darvishi, A., Negahban, S., 2017. The relation between morphometric characteristics of watersheds and erodibility at different altitude levels using Topographic Position Index (TPI), case study: Nazloochaei Watershed. J. Geographi. Data (SEPEHR), 26(1), 131-142 (in Persian). Mosavi, A., Shirzadi, A., Choubin, B., Taromideh, F., Hosseini, F.S., Borji, M., Shahabi, H., Salvati, A. Dineva, A.A., 2020. Towards an ensemble machine learning model of random subspace based functional tree classifier for snow avalanche susceptibility mapping. IEEE Access, 8, 145968-145983. Mott, R., Faure, F., Lehning, M., Henning, L., Hynek, B., Michlmayer, G., Prokop, A., Schöner, W., 2008. Simulation of seasonal snow-cover distribution for glacierized sites on Sonnblick, Austria, with the Alpine3D model. Annals Glaciol. 49, 155-160. Meister, R., 1989. Influence of strong winds on snow distribution and avalanche activity. Annals Glaciol. 13, 195-201. Oller, P., Janeras, M., de Buen, H., Arnó, G., Christen, M., García, C., Martínez, P., 2010. Using AVAL-1D to simulate avalanches in the eastern Pyrenees. Cold Regi. Sci. Technol. 64(2), 190-198. Peitzsch, E.H., Hendrikx, J., Fagre, D.B., Reardon, B., 2012. Examining spring wet slab and glide avalanche occurrence along the Going-to-the-Sun Road corridor, Glacier National Park, Montana, USA. Cold Regi. Sci. Technol. 78, 73-81. Rooming, J.M., 2004. March wet avalanche prediction at Bridger Bowl ski area, Montana. PhD thesis, Montana State University-Bozeman, College of Letters and Science. p 46-60. RAMMS. 2017. Avalanche user manual v1.7. Swiss Federal Institute for Forest, Snow and Landscape Research. Salm, B., Burkard, A., Gubler, H.U., 1990. Calculating flowing avalanches: a guide for practitioners with examples. Federal Institute for Snow and Avalanche Research, Weissfluhjoch / Davos, 44 pages. Sampl, P., Zwinger, T., 2004. Avalanche simulation with SAMOS. Annals Glaciol. 38, 393-398. Sardar, T., Xu, A., Raziq, A., 2017. Snow avalanche susceptibility based assessment of release zones over complex terrain of siachen glacier applying ramms and dsr as active macroclimatic factor. Procedia Computer Sci. 107, 427-435. Samadi M., Jalali, S., Kornejadi, A., Samadi Gheshlaghchaee, M., 2016. Investigation of morphometric indexes with GIS in Chel-Chay Watershed, Golestan Province. Geospa. Engineer. J. 7(4), 37-48. Sethya, K.K., Pandey, P., Chattoraj, S., Manickam, S., 2018. Mapping, modelling and simulation of snow avalanche in Alaknanda Valley, Central Himalaya: Hazard Assessment. In IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, 5150-5153. Singh, V., Thakur, P.K., Garg, V., Aggarwal, S.P., 2018. Assessment of snow avalanche susceptibility of road network-a case study of Alaknanda Basin. Int. Archives Photogram. Remote Sens. Spatial Inf. Sci. 425, 461-468. Schweizer, J., Bruce Jamieson, J., Schneebeli, M., 2003. Snow avalanche formation. Reviews Geophy. 41(4), 1016. Schweizer, J., Mitterer, C., Techel, F., Stoffel, A., Reuter, B., 2018. Quantifying the obvious: the avalanche danger level. In Proceedings International Snow Science Workshops, 1052-1058. Schmidtner, K., Bartelt, P., Fischer, J.T., Sailer, R., Granig, M., Sampl, P., Bühler, Y., 2018. Comparison of powder snow avalanche simulation models (RAMMS and SamosAT) based on reference events in Switzerland. In International Snow Science Workshop Proceedings, 740-745. Turchaninova, A.S., 2013. Application of empirical calculations and dynamics models for snow avalanche hazard assessment in Russia. In International Snow Science Workshop: Grenoble Chamonix-Mont-Blanc France, 7-11. Tunçel, H., 1990. Avalanches as Natural Hazard and Avalanches in Turkey. Cografya Aras¸tırmaları Dergisi 1(2), 71-98. Wastl M., Stötter, J., Kleindienst, H., 2011. Avalanche risk assessment for mountain roads: a case study from Iceland. Nat. Hazards, 56(2), 465-480. Wilbur, C., Mears, A., Margreth, S., Burak, S., 2014. Avalanche dynamics model RAMMS applied in two north american climates. International Snow Science Workshop, Banff, Alberta, Canada. Yariyan, P., Avand, M., Abbaspour, R.A., Karami, M., Tiefenbacher, J.P., 2020. GIS-based spatial modelling of snow avalanches using four novel ensemble models. Sci. Total Environ. 745, 141008. Zarei Bidaki, R., 2009. Investigation of avalanche conditions using climatic factors, geomorphology and snow cover. PhD Thesis, 135 pages (in Persian). Zwinger, T., Kluwick, A., Sampl, P., 2003. Numerical simulation of dry-snow avalanche flow over natural terrain. In Dynamic response of granular and porous materials under large and catastrophic deformations. Springer, Berlin, Heidelberg, 161-194 | ||
|
آمار تعداد مشاهده مقاله: 463 تعداد دریافت فایل اصل مقاله: 154 |
||