دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,489
تعداد مقالات18,175
تعداد مشاهده مقاله58,780,637
تعداد دریافت فایل اصل مقاله20,253,082
ولیزاده کامران, خلیل, عدیمی, فاطمه, پورقربان بنام, محمدحسین. (1403). شناسایی پهنه های مستعد زمین لغزش با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) مطالعه موردی: شهرستان خلخال. سامانه مدیریت نشریات علمی, 3(9), 104-81. doi: 10.22034/rsgi.2024.58772.1057
خلیل ولیزاده کامران; فاطمه عدیمی; محمدحسین پورقربان بنام. "شناسایی پهنه های مستعد زمین لغزش با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) مطالعه موردی: شهرستان خلخال". سامانه مدیریت نشریات علمی, 3, 9, 1403, 104-81. doi: 10.22034/rsgi.2024.58772.1057
ولیزاده کامران, خلیل, عدیمی, فاطمه, پورقربان بنام, محمدحسین. (1403). 'شناسایی پهنه های مستعد زمین لغزش با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) مطالعه موردی: شهرستان خلخال', سامانه مدیریت نشریات علمی, 3(9), pp. 104-81. doi: 10.22034/rsgi.2024.58772.1057
ولیزاده کامران, خلیل, عدیمی, فاطمه, پورقربان بنام, محمدحسین. شناسایی پهنه های مستعد زمین لغزش با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) مطالعه موردی: شهرستان خلخال. سامانه مدیریت نشریات علمی, 1403; 3(9): 104-81. doi: 10.22034/rsgi.2024.58772.1057

شناسایی پهنه های مستعد زمین لغزش با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) مطالعه موردی: شهرستان خلخال

نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 3، شماره 9 - شماره پیاپی 8، دی 1402، صفحه 104-81    اصل مقاله (1.95 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/rsgi.2024.58772.1057
نویسندگان
خلیل ولیزاده کامران* 1؛ فاطمه عدیمی2؛ محمدحسین پورقربان بنام3
1استادگروه سنجش از دورو GIS دانشگاه تبریز،تبریز،ایران
2دانشگاه تبریز
3فارغ التحصیل کارشناسی ارشددانشگاه تبریز،تبریز،ایران
چکیده
یکی از مخاطراتی که زیر ساخت های موجود در مناطق مختلف را تهدید می کند، پدیده زمین لغزش است. مطالعه حاضر سعی در شناسایی پهنه های مستعد این پدیده طبیعی در شهرستان خلخال دارد، که با استفاده از روش شبکه عصبی انجام گرفته است. برای این منظور ۹ عامل تاثیر گذار بر لغزش شناسایی و تهیه شدند، لایه لغزش های اتفاق افتاده، از عکس های هوایی و تصاویر ماهواره ای و بازدید های میدانی بدست آمده و با استفاده ازنقاط غیر لغزشی در سطح منطقه، داده های آموزش شبکه عصبی پرسپترون چند لایه را ایجاد کردند. این داده ها به منظور مدلسازی شبکه عصبی، پس از آماده سازی اولیه در محیط نرم افزار ARC GIS 10.5 به نرم افزار MATLAB 2016 منتقل شده و با استفاده از کد نویسی شبکه عصبی MLP آموزش دیدند تا در مورد داده هایی که با آنها برخورد نداشته اند، پیش بینی انجام دهند. ساختار شبکه عصبی طراحی شده از بین شبکه های بسیاری که ایجاد و آزمایش شدند، ۱-۱۲-۹ انتخاب شد، که ۹ ورودی به تعداد معیار های تاثیرگذار، ۱۲ نورون در لایه میانی و یک نورون و لایه برای خروجی شبکه بدست آمد. نتایج نمودار اعتبار سنجی مدل شبکه عصبی (ROC) نشان دهنده دقت بالای ۹۵ درصدی مدل ایجاد شده در پیش بینی پیکسل های لغزشی است. بر طبق نتایج حاصله ۵۷/۰، ۱۱/۰، ۰۷/۰ ، ۰۶/۰ و ۱۷/۰ درصد از منطقه مورد مطالعه به ترتیب در کلاس های بسیار زیاد، زیاد، متوسط، کم و خیلی کم قرار گرفتند.

تازه های تحقیق

همانگونه در بخشهای فوق گفته شده، یکی از اهداف اساسی تحقیق حاضر چهنه خطر رانش زمین با استفاده از تحلیلهای مکانی GIS، می باشد. نقشه نهایی پهنه بندی زمین لغزش در شهرستان،، بیانگر حساسیت بالای بیشترین مساحت شهرست

ان به پدیده حرکات دامنه ای و علی الخصوص زمین لغزش است، و این امر می باید در برنامه ریزی های آتی، در روند احداث سازه های عمرانی ، مکان گزینی سکونت گاه های انسانی مورد توجه برنامه ریزان و متولیان امر قرار گیرد. این نتایج در راستای کاهش اثر مخاطرات  طبیعی بر پایداری محیطی و توسعه پایدار منطقه از اهمیت بسزایی برخوردار است و می تواند مبنای بسیاری از تصمیم گیری های کلید در سطح منطقه باشد. از سوی دیگر نتایج تحقیق حاضر می تواند راهگشای تحقیقات آتی برای سایر محقیقن بوده و با معرفی روش تلفیقی GIS و الگوریتم های تحلیل های یادگیری ماشین می تواند نقش مهمی در توسعه فناوری GIS، به عنوان یک علم بین رشته ای در حال توسعه باشد.

کلیدواژه‌ها
زمین لغزش؛ شبکه عصبی مصنوعی؛ نمودار منحنی ROC؛ شهرستان خلخال
اصل مقاله

یکی از مخاطراتی که زیر ساخت های موجود در مناطق مختلف را تهدید می کند، پدیده زمین لغزش است، که عوامل مختلفی بر وقوع یا عدم وقوع آن تاثیر گذار هستند. مطالعه حاضر سعی در شناسایی پهنه های مستعد این پدیده طبیعی در شهرستان خلخال دارد، که با استفاده از روش شبکه عصبی انجام گرفته است. برای این منظور ۹ عامل تاثیر گذار بر لغزش شناسایی و تهیه شدند، لایه لغزش های اتفاق افتاده، از عکس های هوایی و تصاویر ماهواره ای و بازدید های میدانی بدست آمده و با استفاده ازنقاط غیر لغزشی در سطح منطقه، داده های آموزش شبکه عصبی پرسپترون چند لایه را ایجاد کردند. این داده ها به منظور مدلسازی شبکه عصبی، پس از آماده سازی اولیه در محیط نرم افزار ARC GIS 10.5 به نرم افزار MATLAB 2016 منتقل شده و با استفاده از کد نویسی شبکه عصبی MLP آموزش دیدند تا در مورد داده هایی که با آنها برخورد نداشته اند، پیش بینی انجام دهند. ساختار شبکه عصبی طراحی شده از بین شبکه های بسیاری که ایجاد و آزمایش شدند، ۱-۱۲-۹  انتخاب شد، که ۹ ورودی به تعداد معیار های تاثیرگذار، ۱۲ نورون در لایه میانی و یک نورون و لایه برای خروجی شبکه بدست آمد. نتایج نمودار اعتبار سنجی مدل شبکه عصبی (ROC)  نشان دهنده دقت بالای ۹۵ درصدی مدل ایجاد شده در پیش بینی پیکسل های لغزشی است. 

مراجع
  • performance of logistic and non-parametric statistical algorithms in order to manage areas sensitive to mass movements in the Goijeh Bel watershed. Geography and Environmental Hazards, No. 19, Fall 2015, Pages 57-77
  • Baharond, S. and Suri, S. (2014). Landslide risk zoning using artificial neural network. (Case study: Sepid Dasht area - Lorestan). Remote sensing and geographic information system in natural resources (6th year, 4th issue), winter 2014
  • Teshnelab, M. and Menshi, M. (2012). Climatic forecasting of meteorological parameters using neural-fuzzy networks based on the training of Tali sector parameters. The third regional climate change conference, October 29 to November 1, 2012, Isfahan
  • Rezai Moghadam, M.H.; Nikjo, M. Valizadeh Kamran, Kh. and Belvasi, A. and Belvasi, M. (2014). Application of artificial neural network in landslide risk zoning. Scientific Research Journal of Geography and Planning, Year 21, Number 59, Spring 2016, Pages 89 to 111
  • Raushi, S. and Khodayi, F. (2015). Risk zoning of slope instabilities in mountain roads using artificial neural network (MLP) case study: (Dere Diz Gorge). Quarterly Journal of Natural Geography, Year 9, Number 33, Fall 2015
  • Ranjbar, M. and Falak, A. (2013). Investigation and analysis of AHP and artificial neural network (ANN) models in the zoning of landslide risk in the southern slopes of Alborz (Tajrish region of Tehran), Geographical Quarterly of the Land, Year 11, Number 43, Fall 2013
  • ) Suri, S; Lashkaripour, Gha and Ghafouri, M. (2011). Landslide risk zoning using artificial neural network. Case Study (Kashori Basin), Engineering Geology Journal, Volume 5, Number 2, Autumn and Winter 2019
  • Salehipour, Alireza (1380) Investigating the effective hydromorphic parameters in the amplitude movements of the watershed of Gori Chai using geographic information system, Master's Thesis, University of Tehran
  • ) Fatemi Aqda, S. and Ghoumian, J. (2012). Evaluating the efficiency of statistical methods in determining the landslide risk potential. Journal of Earth Sciences, 11(47-48): 28-47
  • ) Minhaj, Mohammad Baqir (1381). Basics of neural networks. Amir Kabir Industrial Publications (Tehran Polytechnic), p. 715
  • ) Minhaj, Mohammad Baqer. (2004). Basics of Neural Networks (Computational Intelligence), Volume 1, Third Edition, Amirkabir University of Technology Publishing Center, p. 712.
  • ) Mahmoudi, Faraj A... (1388) authored by Roger Kek, Dynamic Geomorphology - Internal and External Dynamics, Tehran University Publications, p. 1
  • ) Moradi, M.; Baziar, M.H.; Mohammadi, Z (1390). Landslide risk zoning in Dana city based on GIS system and using AHP method. 6th National Civil Engineering Congress, Semnan University
  • Falahi, G; Dehghan Monshadi, A. (2014). Application of fuzzy logic and artificial neural network algorithm in preparation of landslide susceptibility map in Chalus river basin. Promotional Scientific Journal of Mapping and Geospatial Information Engineering, 7th Volume, Number 2, June 2015, Pages 47-59
  • ) Shirani, K; Heydari, F; Arab Ameri, A. (2016). Comparison of artificial neural network and multivariate regression methods in landslide risk zoning (Wank basin, Isfahan province). Scientific Research Journal of Watershed Engineering and Management, Volume 9, Number 4, Pages 451-464
  • ) Ehsani Far, Firoz (2019). Landslide Risk Modeling Using Artificial Neural Network (Case Study: Tajen Watershed, Mazandaran Province, Master's Thesis, Sari University of Agricultural Sciences and Natural Resources
  • Ayalew,l. and Yamagishi,H. (2005): The application of GIS-based Logistic regression for landslide susceptibility mapping in the Kakuda-Yaahiko Mountains, central Japan, Geomorphology 65, 15-31
  • Atkinson, P. M., & Tatnall, A. R. L. (1997). Introduction of neural networks in remote sensing. Remote Sensing, 18(4), 699-709.
  • Conrads, P.A., Roehle, E. A., 1999. Comparing Physics- Based and Neural Network Mo Simulating Salinity, Temperature and Dissolved in a Complex, Tidally Affected River Basin, Proceeding of the South Carolina Environmental Conference, pp 1-15.
  • Fulop, I. A., Jozsa, J., Karamer. T., 1998. A neural network application in estimating wind induced shallow lake motion, Hydro informatics 98, 2, pp 753-757
  • Gomez, H., Kavzoglu, T., (2005), “Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela”, Engineering Geology, 78: 11-27
  • Komac, M. (2006), “A landslide suscepility model using the analytical hierarchy process method and multivariate statistics in perialpine Slovenia
  • Melchiorre C, Matteucci M, Azzoni A, Zanchi A. 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation.Geomorphology, 94(3): 379-400
  • Ranjithan, J., Eheart, J., Garrett, J. H., 1995. Application of neural network in groundwater remediation under condition of uncertainty. New Uncertainty conceptsion Hydrology and Water Resources, pp133-140
  • Shalkoff, R. J. (1997). Artificial neural networks. New York, NY: McGraw-Hil
  • Yilmaz I. 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides(Tokat-Turkey). Computers & Geosciences, 35(6): 1125-1138
آمار
تعداد مشاهده مقاله: 472
تعداد دریافت فایل اصل مقاله: 618


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب