کاربرد مدل شبکه عصبی مصنوعی در پهنه بندی خطر زمین لغزش

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 202

فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GEOP-21-59_005

تاریخ نمایه سازی: 23 آبان 1400

چکیده مقاله:

ین لغزش به­عنوان یکی از مخاطرات طبیعی در مناطق کوهستانی محسوب می شود که هر ساله منجر به خسارات زیادی می شود. حوضه آبریز دوآب الشتر با داشتن چهره ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوه زمین لغزش است. هدف از این تحقیق پهنه بندی خطر زمین لغزش با استفاده از مدل شبکه عصبی مصنوعی در حوضه دوآب الشتر می باشد. بدین منظور ابتدا پزمارامترهای موثر در وقوع زمین لغزش استخراج و سپس لایه های مربوطه تهیه شده است. درادامه نقشه پراکنش زمین لغزش های رخ داده شده حوضه تهیه شد. سپس با تلفیق نقشه عوامل موثر بر لغزش با نقشه پراکنش زمین لغزش ها، تاثیر هر یک از عوامل شیب، جهت شیب، سنگ شناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرم افزار ArcGIS سنجیده شد. در این پژوهش مدل شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا و تابع فعال سازی سیگموئید به­کار گرفته شد. ساختار نهایی شبکه دارای ۷ نرون در لایه ورودی، ۱۱ نرون در لایه پنهان و ۱ نرون در لایه خروجی گردید. دقت شبکه در مرحله آزمایش ۸۵/۹۳ درصد محاسبه شد. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت. بر اساس پهنه بندی صورت گرفته با استفاده از مدل شبکه عصبی مصنوعی به ترتیب ۳۷/۴۴، ۴۵/۷، ۹۳/۸، ۴۹/۳۲، ۷۶/۶ درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.

کلیدواژه ها:

زمین لغزش ، شبکه عصبی مصنوعی ، حوضه آبریز دوآب الشتر ، سیستم های اطلاعات جغرافیایی

نویسندگان

محمدحسین رضایی مقدم

دانشگاه تبریز کشور ایران شهر تبریز

محمدرضا نیکجو

دانشگاه تبریز کشورایران شهر تبریز

کامران خلیل ولیزاده

دانشگاه تبریزکشور ایران شهرتبریز

بلواسی ایمانعلی

دانشگاه تبیز کشور ایران شهر تبریز

مهدی بلواسی

دانشگاه تبریز کشور ایران شهر تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • راکعی، بابک؛ خامه چیان، ماشاالله؛ عبدالملکی پرویز و پانته­آ ...
  • سازمان جغرافیایی نیروهای مسلح، نقشه توپوگرافی۱:۵۰۰۰۰ الشتر، نهاوند، فیروزآباد ...
  • سازمان زمین­شناسی کشور، نقشه ۱:۱۰۰۰۰۰ خرم­آباد ...
  • سازمان زمین­شناسی کشور، نقشه ۱:۱۰۰۰۰۰ همدان ...
  • سازمان هواشناسی لرستان، آمار بیست ساله ایستگاه­های باران سنجی و ...
  • سپهوند، علی رضا (۱۳۸۹)، «پهنه­بندی خطر زمین لغزش با ...
  • سوری، سلمان؛ لشگری پور، غلامرضا و محمد غفوری (۱۳۹۱)، ...
  • فاطمی عقدا، سیدمحمود و جعفر غیومیان (۱۳۸۲)، «ارزیابی کارایی ...
  • فیض­اله­پور، مهدی (۱۳۹۱)؛ «پهنه­بندی مناطق مستعد لغزش در رودخانه ...
  • کورکی­نژاد، محمد (۱۳۸۰)، «مقایسه کارایی دو مدل پهنه­بندی خطر ...
  • کیا، مصطفی (۱۳۸۹)، «شبکه های عصبی در متلب»، انتشارات ...
  • مرادی، حمیدرضا؛ سپهوند، علی و پرویز عبدالمالکی (۱۳۸۹)، «بررسی ...
  • منهاج، محمدباقر (۱۳۸۱)، «مبانی شبکه­های عصبی»، انتشارات صنعتی امیرکبیر ...
  • نیازی، یعقوب؛ اختصاصی، محمدرضا؛ طالبی، علی؛ آرخی، صالح و ...
  • Biswajeet Paradhan, (۲۰۱۰), “Remote sensing and GIS based Lanslide hazard ...
  • Caniani D., Pascale S., Sdao F., Sole A. (۲۰۰۸), “Neural ...
  • Gomez, H., Kavzoglu, T., (۲۰۰۵), “Assessment of shallow landslide susceptibility ...
  • Hattanji, T., & Moriwaki, H., (۲۰۰۹), “Morphometric analysis of relic ...
  • Kanungo, D., Arora, M., Sarkar, S., and Gupta, R., (۲۰۰۶), ...
  • Komac, M. (۲۰۰۶), “A landslide suscepility model using the analytical ...
  • Lee S., Ryu J.H., Lee M.J., Won J.S., (۲۰۰۶), “The ...
  • Lee, S., Ryu. J.H., Kim, L.S. (۲۰۰۹), “Landslide susceptibility analysis ...
  • Lee, S., Ryu. J.H., Won, J.S., Park, H.J., (۲۰۰۴), “Determination ...
  • Melchiorre C., Matteucci M., Azzoni A., (۲۰۰۸), Artificial neural networks ...
  • Yilmaz, I., (۲۰۰۹), “Landslide susceptibility mapping using frequency ratio, logistic ...
  • نمایش کامل مراجع