بررسی وقوع خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی (ANN) در محیط GIS (مطالعه موردی: حوزه آبخیز الموت رود)
- سال انتشار: 1398
- محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 10، شماره: 19
- کد COI اختصاصی: JR_JWMR-10-19_011
- زبان مقاله: فارسی
- تعداد مشاهده: 462
نویسندگان
Department of Pedology, Science and Research Branch, Islamic Azad University, Tehran
Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
چکیده
یکی از بلایای طبیعی که با توجه به ساختار زمین شناسی، وضعیت مورفولوژیکی و زلزله خیزی، به وفور در ایران رخ می دهد و به جان و مال مردم خسارت وارد می کند، زمین لغزش است. حوزه آبخیز رودبار الموت در شرق استان قزوین، یک منطقه کوهستانی است که دارای استعداد زیاد در بروز انواع زمین لغزش ها می باشد و به علت فعال بودن آنها، هر ساله نیز شاهد سیر صعودی فراوانی وقوع زمین لغزش بوده و باعث وارد آمدن خسارت به اراضی مرتعی، زمینهای زراعی و مناطق مسکونی می گردد. در این پژوهش بررسی زمین لغزش با استفاده از مدل شبکه عصبی مصنوعی (ANN) انجام گردیده است. فاکتورهای خاک، زمین شناسی، شیب، جهت شیب، طبقات ارتفاعی، پارامترهای خطی شامل (فاصله از آبراهه، فاصله از گسل، فاصله از جاده)، حساسیت سنگ ها به عوامل فرساینده، بارندگی و کاربری اراضی به عنوان عوامل موثر در لغزش انتخاب و با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا، پهنه بندی خطر زمین لغزش صورت پذیرفت. نتایج نشان داد که آرایش ۱-۷-۱۱ با تابع فعال سیگموئید بهترین ساختار برای بررسی پدیده زمین لغزش در منطقه مورد مطالعه می باشد. آموزش و آزمون و اعتبار سنجی مدل به ترتیب با ۱۵، ۱۵و ۷۵ درصد داده ها که به صورت تصادفی انتخاب شده بودند انجام گردید. پس از بهینه شدن ساختار شبکه، اطلاعات استاندارد شده منطقه در اختیار شبکه قرارگرفت. بر اساس نتایج حاصل از پهنه بندی خطر زمین لغزش با مدل شبکه عصبی مصنوعی، به ترتیب ۶/۲، ۷/۱۰، ۱/۱۷، ۳/۶۴ و ۳/۵ درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرارگرفت. شبکه با نسبت یادگیری ۵/۰ و تعداد ۷ نورون در لایه پنهان دارای کمترین مقدار خطا در آزمایش (RMSe=۰.۰۳۲۱) بود.کلیدواژه ها
ANN, Back Propagation Learning Algorithm, Land Use, Linear Parameters, Perceptron Structure, الگوریتم پس انتشار خطا, پارامترهای خطی, ساختار پرسپترون, کاربری اراضی, ANNاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.