پهنه بندی خطر زمین لغزش با استفاده از مدلهای شبکه عصبی مصنوعی و تاپسیس در پایین دست سد سنندج

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 167

فایل این مقاله در 18 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_HYD-7-24_004

تاریخ نمایه سازی: 19 دی 1401

چکیده مقاله:

هدف تحقیق حاضر بررسی و مقایسه دو مدل شبکه عصبی مصنوعی و مدل تاپسیس در پهنه بندی خطر زمین لغزش در منطقه پایین دست سد سنندج است. این کار با استفاده از نرم افزار ARCGIS، زبان برنامه نویسی پایتون و مدلهای شبکه عصبی مصنوعی و تاپسیس صورت گرفت. بدین منظور از ۹ لایه ورودی در پهنه بندی خطر زمین لغزش استفاده شد. نقاط لغزشی و غیر لغزشی منطقه با استفاده از تصاویر ماهواره ای، مشخص گردید. از وزن یابی درونی در تعیین وزن لایه ها استفاده شد. در مدل شبکه عصبی داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار شبکه دارای ۹ نرون در لایه ورودی، ۳۰ نرون در لایه میانی و ۱ نرون در لایه خروجی است. در مدل تاپسیس پس از بی مقیاس سازی ماتریس تصمیم از روش آنتروپی شانون برای وزن دهی به معیارها و به منظور تعیین فاصله نسبی از ایده آل مثبت و منفی از فاصله اقلیدسی استفاده شد. پس از آماده سازی مدلها، منطقه مورد مطالعه با ۹۷۰ کیلومتر مربع با ۹ متغیر ورودی که تبدیل به داده های رستری به پیکسل های ۳۰*۳۰ شدند تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. بعد از اعمال ۵ روش محاسبه میزان خطا جهت صحت سنجی مدلها مشخص گردید مدل شبکه عصبی پرسپترون دارای خطای کمتر و انطباق بیشتری است و با جغرافیای منطقه سازگاری بهتری دارد.

کلیدواژه ها:

نویسندگان

اسدالله حجازی

گروه ژئومورفولوژی دانشکده برنامه ریزی و علوم محیطی دانشگاه تبریز

محمد حسین رضایی مقدم

استاد/دانشگاه تبریز

عدنان ناصری

گروه جغرافیای دانشگاه پیام نور مرکز سنندج

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 :
  • Amirahmadi, A., Naemi Tabar, M. & Golkar, B. (۲۰۱۷). Prioritization ...
  • Claesen, M. & De moor, B. (۲۰۱۵). Hyperparameter search in ...
  • Dong, S. (۲۰۱۶). Comparisons between Different Multi-Criteria Decision Analysis techniques ...
  • Emadadin, S & Moradi, A. (۲۰۱۶). Risk assessment of landslides ...
  • Geological Map Description Sanandaj ۱: ۱۰۰۰۰۰۰. (۱۹۹۰) Geological Survey if ...
  • Jimenez-Peralvarez, J.D, EI Hamdouni, R., Palenzeuela., J, A., Irigaray, C ...
  • Karam, A, (۲۰۰۷), Application of WLC Weight Linear Combination Model ...
  • Lee, S, Lee M, J& Jung, H, S. (۲۰۱۷). Date ...
  • McCulloch, W. S. & W. Pitts (۱۹۹۰). A logical calculus ...
  • Mirsanei, R & Mehdifar, M. (۲۰۰۶). Optimal Methods and Criteria ...
  • Naeri, R & Karami, M. (۲۰۱۸). Integration of Analytical Zoning ...
  • Noshadi, M, Shahabi, H & Salari, M, (۲۰۱۸). On Topic ...
  • Razavi terme, V & Shirani, K, (۲۰۱۹). Landslide hazard zonation ...
  • Neural Network Model in Landslide Risk Zoning of Aleshtar Basin. ...
  • Rosenfeld, C, L. (۲۰۰۴). Geomorphological Hazard, Encyclopedia of Geomorphology, (l).۴۲۳-۴۲۶ ...
  • Roustaei, SH, Valizadeh, K & Narimani, P. (۲۰۱۶). Evaluation of ...
  • Rahimpour, T., Roustaei SH. & Noxostin, M, (۲۰۱۷). Landslide hazard ...
  • Taheri, V. Karam, A & Safari, A. (۲۰۱۹). Spreading and ...
  • Yamani, M, Ahmadabadi, A. & Zare, Gh. (۲۰۱۲). Assessing the ...
  • Van Westen, C.J., (۱۹۹۳). Application of Geographic Information Systems in ...
  • Wang, H.B, Li, J.M, Zhou, B Xhou, Y, Yuan, Z.Q, ...
  • نمایش کامل مراجع