مقایسه نقشه خطر وقوع سیلاب با استفاده از روشهای شبکه عصبی شعاعی ، شبکه عصبی پرسپترون چند لایه ، شبکه عصبی فازی (مطالعه موردی: بخش آبخیز گرگان رود استان گرگان)

سیل یکی از پدیدههای پیچیده و مخرب طبیعی است که هر ساله خسارات فراوانی را به دنبال دارد. به منظور برنامه ریزی جهت بهرهبرداری بهینه و کنترل پدیدههای طبیعی سیل که از مسائل موجود در کره زمین و از جمله کشور ما نیز می باشد، مطالعات و تحقیقات زیادی مورد نیاز است . بدین منظور براساس مهمترین عوامل موثر در ایجاد سیلاب از قبیل ارتفاع، شیب ، فاصله از رودخانه ، تراکم آبراهه ، سنگ شناسی ، کاربری اراضی ، جهت ، بارندگی ، شاخص رطوبت توپوگرافی و وزندهی آنها، از روش تحلیل سلسله مراتبی (AHP) استفاده گردید. پس از تهیه نقشه های وزندهی شده و تحلیل معیارها، با همپوشانی لایه هایی که به عنوان عوامل موثر در سیلاب ذکر گردید، نقشه پهنه بندی سیل خیز تهیه و ارائه گردید. در این مقاله روش های مبتنی بر یادگیری ماشین شامل الگوریتم شبکه پرسپترون چند لایه ((MLP ، الگوریتم شبکه عصبی شعاعی ((RBF ، الگوریتم شبکه عصبی فازی((ANFIS مورد بررسی قرار می گیرد. در این پژوهش ۹ عامل به عنوان متغیرهای مستقل انتخاب شدند و نقاط به دو دسته نقاط آزمایشی (%۳۰) و آموزشی (%۷۰) تقسیم شد. براساس وزنهای محاسبه شده از هر دو مدل شاخص آنتروپی و وزن شاهد بیزین به ترتیب عامل های کاربری اراضی (Land use)، ارتفاع (Elevation)، جهت (Aspect)، سنگ شناسی ((Lithology، بارندگی ((Rain fall، تراکم آبراهه ((River Distance، فاصله از آبراهه ((River Distance، شیب ((Slope، شاخص رطویت توپوگرافی ((TWI در رخداد سیل موثر بودند. نتایج نشان می دهد که بیشترین دقت در نقاط آزمایشی به روشهای ANFIS، RBF به ترتیب ۱۰۰ و ۱۰۰ بوده و کمترین دقت در نقاط آزمایشی روش MLP، ۸۰,۴۹ می باشد در عوض در نقاط آموزشی بیشترین دقت برای روش MLP، ۸۳,۴۷ هست و کمترین دقت برای روش RBF، ۴۷,۹۳ می باشد.

کلیدواژه ها:

سیل ، شبکه عصبی شعاعی ((RBF ، شبکه پرسپترون چند لایه ((MLP ، شبکه عصبی فازی((ANFIS ، تحلیل سلسله مراتبی .