Flood Susceptibility Assessment with Best-Worst Method: Suluca Basin (Tokat) Example

Year 2024, Volume: 7 Issue: 4, 683 - 692, 15.07.2024

Kemal Ersayın , Mustafa Yaş

https://doi.org/10.34248/bsengineering.1488908

Abstract

Flood is a natural phenomenon in which large water masses formed by heavy rains fill the river beds and spill out of the beds, causing damage to the surrounding areas. Flood susceptibility assessments aim to prevent a natural phenomenon from becoming a disaster by predicting where it will be affected and damaged in the event of a possible flood. Within the scope of this study, it was aimed to determine areas that are flood-prone in the Suluca Stream Basin located within the borders of Tokat province. The Suluca Basin, located on the important highway route between the Central Black Sea Region, has an area of 40.58 km2, the highest altitude of which is 1565 meters and the lowest is 372 meters. The fact that there are villages in a narrow valley in the lower parts of the basin and that the Tokat-Niksar Highway, which is currently under construction, passes through this narrow valley increases the importance of the study area. 7 parameters were used to determine flood susceptibility areas: land cover, slope, lithology, profile curvature, elevation, topographic position index, and topographic wetness index. By applying pairwise comparison to these parameters with the Best-worst method, one of the multi-criteria decision-making methods, the weight values of the parameters compared to each other were obtained. These weight values were used with the weighted overlay method in ArcGIS 10.5, a Geographic Information Systems software, and flood sensitivity results were obtained. The obtained result map was divided into 3 classes: low susceptibility, moderate susceptibility, and high susceptibility. 1.12 km2 (2.76%) of the basin was determined as a highly flood susceptible area.

Keywords

Flood susceptibility, Geographic information systems, Best-worst method, Tokat, Suluca stream

Taşkın Duyarlılığının Best-Worst Yöntemiyle Değerlendirilmesi: Suluca Deresi Havzası (Tokat) Örneği

Abstract

Taşkın, ani yağışlarla oluşabilecek büyük su kütlelerinin akarsu yataklarını doldurduğu ve yatak dışına çıkıp etrafına zarar verdiği bir doğa olayıdır. Taşkın duyarlılık çalışmalarında olası bir taşkın anında nerelerin etkilenip zarar göreceği önceden tahmin edilerek doğal bir olayın afet boyutuna geçmesini önlemek amaçlanmaktadır. Bu çalışma kapsamında Tokat il sınırları içerisinde bulunan Suluca Deresi Havzası’nda taşkın gerçekleşme potansiyeline sahip alanların belirlenmesi amaçlanmıştır. Çalışma Sahası, Orta Karadeniz Bölgesi’ndeki Tokat ili Merkez ve Niksar ilçeleri arasında önemli karayolu güzergahı üzerinde bulunan, en yüksek noktası 1565 metre ve en alçak noktası 372 metre olan 40,58 km2 alana sahip Suluca Deresi Havzası’dır. Havzanın alçak kesimlerinde dar bir vadi içerisinde köylerin bulunması ve halihazırda inşası devam etmekte olan Tokat-Niksar Karayolu’nun da bu dar vadi içerisinden geçmesi çalışma alanının önemini artırmaktadır. Taşkın duyarlılık alanlarının belirlenmesinde arazi örtüsü, eğim, litoloji, profil eğriliği, sayısal yükselti modeli, topografik pozisyon indeksi ve topografik nemlilik indeksi olmak üzere toplam 7 parametre kullanılmıştır. Bu parametrelere çok kriterli karar verme yöntemlerinden Best-worst metodu ile ikili karşılaştırma uygulanarak parametrelerin birbirlerine kıyasla ağırlık değerleri elde edilmiştir. Bu ağırlık değerleri Coğrafi Bilgi Sistemleri yazılımı olan ArcGIS 10.5 programında ağırlıklı çakıştırma yöntemi ile değerlendirilmiş ve taşkın duyarlılık sonuçları elde edilmiştir. Elde edilen sonuçlar düşük derecede duyarlı, orta derecede duyarlı ve yüksek derecede duyarlı şeklinde 3 sınıfa ayrılmıştır. Çalışma alanının 1,12 km2’lik (%2,76) kısmı yüksek derecede duyarlı alan olarak tespit edilmiştir.

Keywords

Taşkın duyarlılığı, Coğrafi bilgi sistemleri, Best-worst yöntemi, Tokat, Suluca deresi

Ethical Statement

Bu araştırmada hayvanlar ve insanlar üzerinde herhangi bir çalışma yapılmadığı için etik kurul onayı alınmamıştır.

Thanks

Bu çalışma, 8-10 Mayıs 2024 tarihinde gerçekleşen “Uluslararası Tıp, Eczacılık, Tarım, Gıda, Ormancılık, Çevre ve Mühendislikte Bilişim Teknolojileri Kongresinde (INFTEC-2024)” özet bildiri olarak sunulmuştur. Katkı ve önerilerinden dolayı katılımcılara teşekkür ederiz.

References

• Akyüz G, Yalpır Ş, Ertunç E. 2023. Determining the suitability of lands for agricultural use with the best-worst method: Ankara Province Example. Afyon Kocatepe Univ J Sci Engin, 23: 1045–1055.
• Al-Juaidi AE, Nassar AM, Al-Juaidi OE. 2018. Evaluation of flood susceptibility mapping using logistic regression and GIS conditioning factors. Arabian J Geosci, 11(24): 1–10.
• Anonymous. 2023. 2022 Disasters in numbers. Brussels. URL: https://cred.be/sites/default/files/2022_EMDAT_report.pdf (accessed date: May 21, 2024).
• Aruldoss M, Lakshmi TM, Venkatesan VP. 2013. A survey on multi criteria decision making methods and its applications. American J Inform Systems, 1(1): 31–43.
• ASF. 2020. ALOS PALSAR—Digital elevation model (12.5 m Spatial Resolution). URL: https://search.asf.alaska.edu/#/ (accessed date: December 14, 2023).
• Aydın MC, Birincioğlu SE. 2022. Flood risk analysis using gis-based analytical hierarchy process: a case study of Bitlis Province. Applied Water Sci, 12(6).
• Bayazıt Y. 2021. Bilecik ilindeki şehirleşmenin taşkın riski üzerindeki etkilerinin araştırılması. BŞEÜ Fen Bilim Derg, 8(1): 217–227.
• Beven KJ, Kirkby MJ. 1979. A physically based, variable contributing area model of basin hydrology. Hydrol Sci Bullet, 24(1): 43–69.
• Botzen WJW, Aerts JCJH, van den Bergh JCJM. 2013. Individual preferences for reducing flood risk to near zero through elevation. Mitig Adapt Strateg Glob Change, 18: 229–244.
• Bui DT, Panahi M, Shahabi H, Singh VP, Shirzadi A, Chapi K, Khosravi K, Chen W, Panahi S, Li S, vd. 2018. Novel hybrid evolutionary algorithms for spatial prediction of floods. Sci Reports, 8:1-14.
• Chen SJ, Hwang CL. 1992. Fuzzy multiple attribute decision making: methods and applications. Springer, Berlin, heidelberg, pp: 540.
• Copernicus. 2018. CORINE land cover 2018. URL: https://land.copernicus.eu/en/products/corine-land-cover/clc2018 (accessed date: May 20, 2024).
• Costache R. 2019. Flood susceptibility assessment by using bivariate statistics and machine learning models - a useful tool for flood risk management. Water Resourc Manage, 33(9): 3239–3256.
• Das S. 2018. Geographic information system and AHP-based flood hazard zonation of Vaitarna basin, Maharashtra, India. Arabian J Geosci, 11(19): 1-13.
• DEMP. 2014. Annotated dictionary of disaster terms (in Turkish). Ministry of Interior Disaster and Emergency Management Presidency, Ankara, Türkiye, pp: 216.
• Dölek İ. 2019. Afetler ve afet yönetimi. Pegem Akademi, Ankara, Türkiye, pp: 392.
• Doswell CA. 2003. Flooding: encyclopedia of atmospheric sciences. Elseiver Sci, Ltd, Amsterdam, Nederland, pp: 769–776.
• Dou X, Song J, Wang L, Tang B, Xu S, Kong F, Jiang X. 2018. Flood risk assessment and mapping based on a modified multi-parameter flood hazard index model in the Guanzhong Urban Area, China. Stochastic Environ Res Risk Assess, 32(4): 1131–1146.
• Duman N, İrcan MR. 2022. Coğrafi bilgi sistemleri tabanlı Çankırı merkez ilçesinin taşkın duyarlılık analizi. Jeomorfol Araş Derg, (9): 50–66.
• Fang Z, Wang Y, Peng L, Hong H. 2021. Predicting flood susceptibility using LSTM neural networks. J Hydrol, 594: 125734.
• Fatah KK, Mustafa YT, Hassan IO. 2022. Flood susceptibility mapping using an analytic hierarchy process model based on remote sensing and GIS Approaches in Akre District, Kurdistan region, Iraq. Iraqi Geol J, 55(2): 121–149.
• Gök M, Taşoğlu E. 2023. Yasaklı bitkiden potansiyel bir hazineye doğru: samsun, amasya ve tokat illerinde kenevir (cannabis sativa l. hemp) yetiştiriciliğinin best-worst yöntemiyle analizi. Coğrafi Bilim Derg, 21(2): 427–452.
• Gökçe O, Özden Ş, Demir A. 2008. Türkiye’de afetlerin mekansal ve istatiksel dağılımı afet bilgileri envanteri. T.C. Bayındırlık ve İskan Bakanlığı Afet İşleri Genel Müdürlüğü, Ankara, Türkiye, pp: 118.
• Gudiyangada NT, Tavakkoli PS, Gholamnia K, Ghorbanzadeh O, Rahmati O, Blaschke T. 2020. Flood susceptibility mapping with machine learning, multi-criteria decision analysis and ensemble using Dempster Shafer Theory. J Hydrol, 590: 125275.
• Güler D, Yomralioğlu T. 2021. Location evaluation of bicycle sharing system stations and cycling infrastructures with best worst method using GIS. Professional Geograp, 73(3): 535–552.
• Hammami S, Zouhri L, Souissi D, Souei A, Zghibi A, Marzougui A, Dlala M. 2019. Application of the GIS based multi-criteria decision analysis and analytical hierarchy process (AHP) in the flood susceptibility mapping (Tunisia). Arabian J Geosci, 12(21): 1–16.
• Işık F, Bahardır M, Zeybek Hİ, Çağlak S. 2020. Karadere çayı taşkını (Araklı -Trabzon). Mavi Atlas, 8(2): 526–547.
• Jahan A, Edwards KL, Bahraminasab M. 2016. Multi-criteria decision-making for materials selection. Multi-criteria Decision Analysis for Supporting the Selection of Engineering Materials in Product Design, London, UK, pp: 63–80.
• Jenks GF. 1967. The data model concept in statistical mapping. Int. Yearbook Cartogr, London, UK, 7: 186–190.
• Jenness J. 2006. Topographic position index (TPI) v. 1.2. Jennes enterprises. URL: https://www.jennessent.com/arcview/tpi. htm (accessed date: November 19, 23)
• Kaya CM, Derin L. 2023. Parameters and methods used in flood susceptibility mapping: a review. J Water Climate Change, 14(6): 1935–1960.
• Khosravi K, Shahabi H, Pham BT, Adamowski J, Shirzadi A, Pradhan B, Dou J, Ly HB, Gróf G, Ho HL, vd. 2019. A comparative assessment of flood susceptibility modeling using Multi-Criteria Decision Making Analysis and Machine Learning Methods. J Hydrol, 573: 311–323.
• Konurhan Z, Başaran E. 2023. Rüzgâr enerji santrali (RES) yer seçimi için BWM-CBS tabanlı bir yaklaşım: Tunceli örneği. Coğrafya Derg, (47): 15–28.
• Köroğlu B, Akıncı H. 2023. Coğrafi bilgi sistemleri tabanlı çok kriterli karar analizi ile Giresun ili dereli ilçesinin taşkın duyarlılık analizi. Artvin Çoruh Üniv Müh Fen Bilim Derg, 1(2): 62–81.
• Kundzewicz ZW, Pi I, Robert BG. 2013. Large floods in Europe. Hydrological Sci J, 58(1): 1–7.
• Kuşçu İ, Özdemir H. 2023. Taşkın duyarlılık analizinde kullanılan parametreler üzerine bir değerlendirme. Türk Coğrafya Derg, (84): 67–83.
• Lee S, Rezaie F. 2022. Data used for GIS-based Flood Susceptibility Mapping. Geo Data 4(1): 1–15.
• Li K, Wu S, Dai E, Xu Z. 2012. Flood loss analysis and quantitative risk assessment in China. Nat Hazards, 63: 737–760.
• Liang F, Brunelli M, Rezaei J. 2020. Consistency issues in the best worst method: Measurements and thresholds. Omega, 96: 102175.
• Mojaddadi H, Pradhan B, Nampak H, Ahmad N, Ghazali AH. 2017. Ensemble machine-learning-based geospatial approach for flood risk assessment using multi-sensor remote-sensing data and GIS. Geomatics, Nat Hazards Risk, 8(2): 1080–1102.
• Moore ID, Grayson RB, Ladson R. 1991. Digital terrain modeling : a review of hydrological geomorphological and biological applications. Hydrol Proces, 5(1): 3–30.
• Ocak F, Bahadır M, Uzun A, Şahin K. 2021. Atakum ilçesi kıyı kuşağının taşkın ve duyarlılık analizi, Samsun/Türkiye. Içinde Coğrafya Araştırmalarında Coğrafi Bilgi Sistemleri Uygulamaları II, Samsun, Türkiye, pp: 273–292.
• Özay B, Orhan O. 2023. Flood Susceptibility Mapping By Best–Worst And Logistic Regression Methods in Mersin, Turkey. Environ Sci Pollut Res, 30(15): 45151–45170.
• Özcan O. 2017. Taşkın tespitinin farklı yöntemlerle değerlendirilmesi: Ayamama deresi örneği. Doğal Afetler Çevre Derg, 3(1): 9–27.
• Priscillia S, Schillaci C, Lipani A. 2021. Flood susceptibility assessment using artificial neural networks in Indonesia. Artific Intel Geosci, 2: 215–222.
• Rehman S, Sahana M, Hong H, Sajjad H, Ahmed BB. 2019. A systematic review on approaches and methods used for flood vulnerability assessment: framework for future research. Nat Hazards, 96(2): 975–998.
• Rezaei J. 2015. Best-worst multi-criteria decision-making method. Omega, 53: 49–57.
• Rezaei J. 2016. Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64: 126–130.
• Tehrany MS, Lee MJ, Pradhan B, Jebur MN, Lee S. 2014. Flood susceptibility mapping using integrated bivariate and multivariate statistical models. Environ Earth Sci, 72(10): 4001–4015.
• Tehrany MS, Pradhan B, Mansor S, Ahmad N. 2015. Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. Catena, 125: 91–101.
• Timor M. 2011. Analitik hiyerarşi prosesi. Türkmen Kitabevi, İstanbul, Türkiye, pp: 304.
• Tola SY, Shetty A. 2022. Flood susceptibility modeling based on morphometric parameters in Upper Awash River basin, Ethiopia using geospatial techniques. Sustain Water Res Manage, 8: 1-16.
• Tüzgen G, Karaca Ö. 2021. Çerçi ve Murt deresi (Fethiye-Muğla) taşkın duyarlılık alanlarının CBS ile çok kriterli karar verme analizi kullanılarak haritalanması. Yerbilim, 42(1): 121–143.
• Vojtek M, Vojteková J. 2019. Flood susceptibility mapping on a national scale in Slovakia using the analytical hierarchy process. Water, 11(2): 364.
• Wang Y, Hong H, Chen W, Li S, Pamučar D, Gigović L, Drobnjak S, Bui DT, Duan H. 2019. A hybrid GIS multi-criteria decision-making method for flood susceptibility mapping at Shangyou, China. Remote Sensing, 11(1): 1-17.
• Weiss AD. 2001. Topographic Position and landforms analysis. In: ESRI User Conference. URL: https://www.jennessent.com/ downloads/TPI-poster-TNC_18x22.pdf (accessed date: November 19, 2023)
• Wilson JP, Gallant JC. 2000. Primary Topographic Attributes. Içinde Wilson JP, Gallant JC (ed.) Terrain Analysis: Principles and Applications. John Wiley & Sons Ltd, London, UK, pp: 464.
• Yıldız N, Şişman A. 2022. Investigation of flood risk areas in Ünye district with Best-Worst method using geographic information systems. Advanced Land Manage, 2(1): 21–28.