سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

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)

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,318

فایل این مقاله در 21 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:

ICEHH02_796

تاریخ نمایه سازی: 13 آبان 1393

چکیده مقاله 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

نویسندگان مقاله 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)

ابوالقاسم امیراحمدی

دانشیار گروه جغرافیای طبیعی، دانشگاه حکیم سبزواری

مجید ابراهیمی

دانشجوی دکتری ژئومورفولوژی، دانشگاه حکیم سبزواری

محمدعلی زنگنه اسدی

دانشیار گروه جغرافیای طبیعی، دانشگاه حکیم سبزواری

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 :
پی. ای. بارو (1376)، سیستم اطلاعات جغرافیایی، ترجمه: حسن طاهرکیا، ...
راکعی، بابک، خامه‌چیان، ماشااله، عبدالملکی، پرویز، گیاهچی، پانته آ(1386)، کاربرد ...
رجایی، عبدالحمید (1373)، کاربرد ژئومورفولوژی در آمایش سرزمین و مدریت ...
سپهوند، علیرضا(1389)، پهنه‌بندی خطر زمین لغزش با استفاده از شبکه ...
معماریان، حسین(1384)، زمین شناسی مهندسی و ژئوتکنیک، تهران، انتشارات دانشگاه ...
کرمی، فریبا، رجبی، معصومه (1388)، بررسی خطر زمین لغزش و ...
شریعت جعفری، محسن (1375)، زمین لغزش(مبانی و اصول پایداری شیب ...
منهاج، باقر(1391)، مبانی شبکه های عصبی (هوش محاسباتی)، دانشگاه امیرکبیر، ...
نیازی، یعقوب، اختصاصی، محمد رضا، طالبی، علی، آرخی، صالح، مختاری، ...
Carol Burger, M.S and Richard O, (2000), "Appling Neural Networks ...
Chauhan S., Sharma M., Arora M. _ Gupta n.k.. (2010), ...
Ermini, L, Catani, F., Casagli, N., (2005), "Artificial Neural Networks ...
Gomez, H..(2002). Modelling Landslide Potential in the Venezuelan Andes. PhD ...
Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P.(1999), "Landslide hazard ...
Yilmaz L, (2009), "Landslide susceptibility mapping using frequency ratio, logistic ...
case study from kat landslides (Tokat- Turkey)" Computers and Geosciences, ...
Karami. F, M. Rajabi, (2011), "Investigation of Landsilde Risk and ...
Komac M., (2006), "A landslide susceptibility model using the analytical ...
Lee S., Sambath T., (2006), "Landslide susceptibility mapping in the ...
1-Melchiorre, C., Matteucci, M., Azzoni, A.. Zanchi, A., (2008). "Artificial ...
I2-Nefeslioglu, H.A., Gokceoglu, C., Sonmez, H..(2008). "An _ on the ...
Niazi. Y, M. Ekhtesasi, A. Talebi, S. Arkhi, M. _ ...
Pradhan B., Lee S., (2010), "Delineation of landslide hazard areas ...
sakar, S., Kanungo, D.P., Mehrotar, G.S, (1995), "Landslide conation: A ...
I6-Smith M, (1993) , "Neural Networks for Statistical Modeling", New ...
I7-Subasia A, Ercelebib E, , 2005), "Classification of EEG signals ...
Werner D, Francisco J A..(2003), "Artificial intelligence in the life ...
نمایش کامل مراجع

مقاله فارسی "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)" توسط ابوالقاسم امیراحمدی، دانشیار گروه جغرافیای طبیعی، دانشگاه حکیم سبزواری؛ مجید ابراهیمی، دانشجوی دکتری ژئومورفولوژی، دانشگاه حکیم سبزواری؛ محمدعلی زنگنه اسدی، دانشیار گروه جغرافیای طبیعی، دانشگاه حکیم سبزواری نوشته شده و در سال 1392 پس از تایید کمیته علمی دومین کنفرانس بین المللی مخاطرات محیطی پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله زمین لغزش، پهنه بندی، شبکه عصبی پرسپترون چندلایه، حوضه آبخیز بار نیشابور هستند. این مقاله در تاریخ 13 آبان 1393 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 1318 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که 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 ... . این مقاله در دسته بندی موضوعی زمین لغزش و شبکه عصبی طبقه بندی شده است. برای دانلود فایل کامل مقاله 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 21 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.