نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشگاه تبریز کشور ایران شهر تبریز

2 دانشگاه تبریز کشورایران شهر تبریز

3 دانشگاه تبریزکشور ایران شهرتبریز

4 دانشگاه تبیز کشور ایران شهر تبریز

9

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

موضوعات

عنوان مقاله [English]

.Application of artificial neural network in the evaluation and landslide hazard zonation

نویسندگان [English]

  • Mohhamadhosen Rezaei moghadam 1
  • Mohamadreza Nikjou 2
  • Kamran KHalilvalizadeh 3
  • Belvasi Imanali 4
  • Mehdi Belvasi 1

1 Daneshgah Tabriz KeshvarIranSHahre Tabriz

2 Daneshgah TabrizKeshvar Iran SHare Tabriz

3 Daneshgah TabrizKeshvar IranSHareTabriz

4 DaneshgahTabrizKeshvar IranSHare Tabriz

چکیده [English]

Landslide is one of the natural hazards in mountainous regions that results in huge losses every year. Alashtar Doab watershed with mountainous terrains, uplands and different natural conditions has the potential for landslide. The purpose of this study is landslide hazard zoning using artificial neural network model in Alashtar Doab watershed. In order to preparing the map, first of all parameters of the landslide were extracted and then the layers were prepared and after that a landslide distribution map that was occurred in the basin was prepared and then by combining landslide influencing factors with landslide distribution map, the impact of each of these factors such as slope, aspect, lithology, rainfall, land use, distance from fault and stream in ArcGIS software were measured.  In this research, artificial neural network model with error back propagation algorithm and sigmoid activation function was used. The final structure of the network consisted of eight neurons in the input layer, eleven neurons in the hidden layer and one neuron in the output layer. Network accuracy in the testing phase was calculated by 85.93 percentages. After optimization of the network structure, all area information was imported to the network. Based on landslide hazard zoning using artificial neural network model, 37.44, 45.7, 93.8, 49.32 and 76.6 percent of the area at risk is located in very low, low, medium, high and very high classes, respectively.

کلیدواژه‌ها [English]

  • Landslides
  • Artificial neural network
  • Alashtar Doab watershed
  • Geographic information systems
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.