پهنه بندی خطر زمین لغزش با استفاده از مدل شبکه عصبی پرسپترون چندلایه از نوع پیش خور پس انتشار (BP) (مطالعه موردی: حوه آبخیز بار نیشابور)

با توجه به توانایی های شبکه های عصبی مصنوعی، کاربرد آنها در رشته های مختل مهندسی و علوم زمین گسترش قابل ملاحظه ای داشته است. در این پژوهش برای پهنه بندی زمین لغزش در حوضه آبریز بار نیشبور از مدل شبکه عصبی پرسپترون چندلایه از نوع پیش خور پس انتشار (BP) استفاده شد. جهت ارزیابی شبکه عصبی ایجاد شده، داده های 32 زمین لغزش اتفاق افتاده به سیستم ارائه گردید. این پایگاه داده شامل اطلاعات مربوط به شیب، جهت شیب، لینولوژیف مدل ارتفاع رقومی (DEM)، نقشه هم باران، فاصله از گسل و کاربری اراضی می باشد. این داده ها جهت تغذیه به شبکه عصبی ایجاد شده، بر اساس بزرگترین مقدار موجود هر داده در بانک اطلاعاتی بین صفر و یک نرمالیزه گردید. سپس داده های نرمالیزه ده به یک شبکه عصبی پرسپترون سه لایه تغذیه شونده به جلو (Feed iforward) با الگوریتم پس انتشار خطا (Back error propagation) تغذیه گردید. داده های فوق ابتدا در شبکه آموزش دیده و سپس مورد آزمایش قرار گرفتند. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی، 20 نرون در لایه میانی و یک نرون در لایه خروجی می باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش درنظر گرفته شد. در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش در پنج رده با خطر خیلی زیاد، زیادف متوسط، کم و خیلی کم ترسیم گریدد. نتایج حاصل نشان داد که ساختار زمین شناسی تشکیل یافته از مارن هایی خاکستری با میان لایه های آهکی (سازند دلیچای) و همچنین فعالیت های تکتونکی گسل های منطقه باعث شده که حوضه آبخیز بار از قابلیت بالایی در رخداد زمین لغزش برخوردار شود.

کلیدواژه های پهنه بندی خطر زمین لغزش با استفاده از مدل شبکه عصبی پرسپترون چندلایه از نوع پیش خور پس انتشار (BP) (مطالعه موردی: حوه آبخیز بار نیشابور):

زمین لغزش ، پهنه بندی ، شبکه عصبی پرسپترون چندلایه ، حوضه آبخیز بار نیشابور