تعداد نشریات | 44 |
تعداد شمارهها | 1,302 |
تعداد مقالات | 16,017 |
تعداد مشاهده مقاله | 52,485,140 |
تعداد دریافت فایل اصل مقاله | 15,212,916 |
کاربرد مدل شبکه عصبی مصنوعی در پهنهبندی خطر زمینلغزش | ||
جغرافیا و برنامهریزی | ||
مقاله 5، دوره 21، شماره 59 - شماره پیاپی 2، اردیبهشت 1396، صفحه 89-111 اصل مقاله (529.31 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 9 | ||
نویسندگان | ||
محمدحسین رضایی مقدم1؛ محمدرضا نیکجو2؛ کامران خلیل ولیزاده3؛ بلواسی ایمانعلی4؛ مهدی بلواسی1 | ||
1دانشگاه تبریز کشور ایران شهر تبریز | ||
2دانشگاه تبریز کشورایران شهر تبریز | ||
3دانشگاه تبریزکشور ایران شهرتبریز | ||
4دانشگاه تبیز کشور ایران شهر تبریز | ||
چکیده | ||
ینلغزش بهعنوان یکی از مخاطرات طبیعی در مناطق کوهستانی محسوب میشود که هر ساله منجر به خسارات زیادی میشود. حوضه آبریز دوآب الشتر با داشتن چهرهای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوه زمینلغزش است. هدف از این تحقیق پهنهبندی خطر زمینلغزش با استفاده از مدل شبکه عصبی مصنوعی در حوضه دوآب الشتر میباشد. بدین منظور ابتدا پزمارامترهای مؤثر در وقوع زمینلغزش استخراج و سپس لایههای مربوطه تهیه شده است. درادامه نقشه پراکنش زمینلغزشهای رخداده شده حوضه تهیه شد. سپس با تلفیق نقشه عوامل مؤثر بر لغزش با نقشه پراکـنش زمینلغزشها، تأثیر هر یـک از عوامل شیب، جهت شیب، سنگشناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرمافزار ArcGIS سنجیده شد. در این پژوهش مدل شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا و تابع فعالسازی سیگموئید بهکار گرفته شد. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی، 11 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. دقت شبکه در مرحله آزمایش 85/93 درصد محاسبه شد. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت. بر اساس پهنهبندی صورت گرفته با استفاده از مدل شبکه عصبی مصنوعی به ترتیب 37/44، 45/7، 93/8، 49/32، 76/6 درصد از مساحت منطقه در کلاسهای خطر خیلیکم، کم، متوسط، زیاد و خیلیزیاد قرار گرفته است. | ||
کلیدواژهها | ||
زمینلغزش؛ شبکه عصبی مصنوعی؛ حوضه آبریز دوآب الشتر؛ سیستمهای اطلاعات جغرافیایی | ||
مراجع | ||
ـ راکعی، بابک؛ خامهچیان، ماشاالله؛ عبدالملکی پرویز و پانتهآ گیاهچی (1386)، «کاربرد شبکه عصبی مصنوعی در پهنهبندی خطر زمینلغزش»، مجله علوم دانشگاه تهران، 33(1):57-64. ـ سازمان جغرافیایی نیروهای مسلح، نقشه توپوگرافی1:50000 الشتر، نهاوند، فیروزآباد و قلعه حاتم. ـ سازمان زمینشناسی کشور، نقشه 1:100000 خرمآباد. ـ سازمان زمینشناسی کشور، نقشه 1:100000 همدان. سازمان هواشناسی لرستان، آمار بیست ساله ایستگاههای بارانسنجی و سینوپتیک. ـ سپهوند، علیرضا (1389)، «پهنهبندی خطر زمینلغزش با استفاده از شبکه عصبی مصنوعی در بخشی از حوضه آبخیز هراز»، پایاننامه کارشناسی ارشد، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس. ـ سوری، سلمان؛ لشگری پور، غلامرضا و محمد غفوری (1391)، «پهنهبندی خطر زمینلغزش با استفاده از شبکه عصبی مصنوعی»، نشریه زمینشناسی مهندسی، جلد 5 شماره 2، صص 1269-1286. ـ فاطمی عقدا، سیدمحمود و جعفر غیومیان (1382)، «ارزیابی کارایی روشهای آماری در تعیین پتانسیل خطر زمینلغزش»، مجلهعلومزمین، 11(47-48): 28-47. ـ فیضالهپور، مهدی (1391)؛ «پهنهبندی مناطق مستعد لغزش در رودخانه گیوی چای با استفاده از مدل شبکه عصبی مصنوعی»، رساله دکتری، دانشگاه تبریز، تبریز. ـ کورکینژاد، محمد (1380)، «مقایسه کارایی دو مدل پهنهبندی خطر زمین لغزش (حائری و مورا) با استفاده از ساجد در حوضه آبخیز سیاه رودبارگرگان»، پایاننامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان،24ص. ـ کیا، مصطفی (1389)، «شبکههای عصبی در متلب»، انتشارات کیان رایانه سبز، ص229. ـ مرادی، حمیدرضا؛ سپهوند، علی و پرویز عبدالمالکی (1389)، «بررسی کارایی شبکه عصبی مصنوعی برای پهنهبندی خطر زمینلغزش (مطالعه موردی: بخشی از حوضه آبخیز هراز)»، مجموعه مقالات ششمین همایش ملّی علوم و مهندسی آبخیزداری و چهارمین همایش ملّی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس. ـ منهاج، محمدباقر (1381)، «مبانی شبکههای عصبی»، انتشارات صنعتی امیرکبیر (پلی تکنیک تهران)»، ص 715. ـ نیازی، یعقوب؛ اختصاصی، محمدرضا؛ طالبی، علی؛ آرخی، صالح و محمدحسین مختاری (1389)، «ارزیابی کارایی مدل آماری دو متغیره در پیشبینی خطر زمینلغزش در حوضه سد ایلام»، مجله علمی و پژوهشی علوم و مهندسی آبخیزداری ایران، سال 4، شماره 10، بهار صص 20-9. -Biswajeet Paradhan, (2010), “Remote sensing and GIS based Lanslide hazard analysis and cross validation using multivariate logistic regression model on three test ares in Malaysia”. -Caniani D., Pascale S., Sdao F., Sole A. (2008), “Neural networks and landslide susceptibility: a case study of the urban area of Potenza”, Natural Hazards, 45:55–72 -Gomez, H., Kavzoglu, T., (2005), “Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela”, Engineering Geology, 78: 11-27. -Hattanji, T., & Moriwaki, H., (2009), “Morphometric analysis of relic landslides using detailed landslide distribution maps: Implications for forecasting travel distance of future landslides”, Journal of Geomorphology, No, 103, Pp. 447-454. -Kanungo, D., Arora, M., Sarkar, S., and Gupta, R., (2006), “A Comparative Study of Conventioonal, ANN Blak Box, Fuzzy and Combined Neural and Fuzzy Weighting”, Proccedures for Landslide Suceptibility Zoning in Darjeeling Himalayas, Engineering Geology, Vol. 85, pp. 347-366. -Komac, M. (2006), “A landslide suscepility model using the analytical hierarchyprocess method and multivariate statistics in perialpine Slovenia”. -Lee S., Ryu J.H., Lee M.J., Won J.S., (2006), “The Application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea”, MathematicalGeology, 38(2): 199-220. -Lee, S., Ryu. J.H., Kim, L.S. (2009), “Landslide susceptibility analysis and its verification using likelihood ratio, logistic regression, and artificial neural network models: case study of Youngin”, Korea, Landslide, 4: 327-338. -Lee, S., Ryu. J.H., Won, J.S., Park, H.J., (2004), “Determination application of the weighats for landslide susceptibility mapping using an artificial neural network”, Engineering Geology, 71: 289-302. -Melchiorre C., Matteucci M., Azzoni A., (2008), Artificial neural networks and cluster analysis in landslide susceptibility zoning”, Geomorphology, 94: 379–400. -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 and Geosciences, 35: 1125-1138. | ||
آمار تعداد مشاهده مقاله: 1,274 تعداد دریافت فایل اصل مقاله: 896 |