پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی در بخشی از حوزه آبخیز هراز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، لرستان، ایران

2 دانشیار گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس

3 دانشیار گروه بیوفیزیک، دانشکده علوم زیستی، دانشگاه تربیت مدرس

چکیده

بخش بزرگی از کشور ایران را مناطق کوهستانی تشکیل می­دهد. هر ساله زمین­لغزش موجب خسارت به انواع سازه­های مهندسی، مناطق مسکونی، جنگل­ها و در پی آن ایجاد رسوب و سیلاب­های گل­آلود و در نهایت پر شدن مخازن سد­ها می‌گردد. از آن­جا که پیش­بینی زمان و مکان رخداد زمین­لغزش از توان دانش فعلی بشر خارج است، برای بیان حساسیت دامنه­ها، به پهنه­بندی خطر زمین­لغزش در مناطق مختلف می­پردازند. در این تحقیق برای پهنه­بندی خطر وقوع زمین­لغزش از شبکه عصبی مصنوعی و با استفاده از 9 عامل، شیب، جهت شیب، فاصله از رودخانه، زمین شناسی، فاصله از گسل، فاصله از جاده، کاربری اراضی، طبقات ارتفاعی و بارش استفاده شد. به این منظور از 78 نقطه لغزشی و 78 نقطه غیر لغزشی مشخص شده در منطقه، 3/2 برای مدل­سازی و 3/1 برای آموزش مدل استفاده شد. ابتدا نقشه رقومی هر یک از عوامل مذکور در محیط نرم­افزار GIS تهیه و سپس ارزش طبقات هر عامل با استفاده از روش نسبت فراوانی تعیین گردید. برای ورود به محیط نرم­افزار MATLAB ابتدا اطلاعات مربوط به هر پیکسل مشخص شد. در این تحقیق برای آموزش شبکه از الگوریتم پس انتشار خطا و تابع فعال­سازی سیگموئیدی استفاده شد. نتایج بیانگر این موضوع بود که شبکه عصبی با ساختار 1-14-9 و با ضریب یادگیری 1/0 دارای ریشه میانگین مربعات خطا برابر 051/0 است. دقت شبکه در مرحله آموزش و آزمایش برابر 307/92 درصد و ضریب تبیین آن برابر 962/0 بود. علاوه بر این نتایج نشان داد که 63/13 درصد از مساحت منطقه در طبقه با خطر خیلی زیاد قرار گرفته است.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide Hazard Mapping Using the Artificial Neural Network a Part of Haraz Watershed

نویسندگان [English]

  • Alireza Sepah Vand 1
  • Hamid Reza Moradi 2
  • Parviz Abdolmaleki 3
1 Department of Range and Watershed Management Engineering, faculty of Agriculture and Natural Resources, Lorestan University
2 Associate Prof., Faculty of Natural Resources, Tarbiat Modares University
3 Associate Prof., Biophysics Department, Faculty of Biological Sciences, Tarbiat Modares University
چکیده [English]

A large part of Iran's formed mountainous areas, so each year, landslides cause damage to structures, residential areas and forests, creating sedimentation, mud floods and finally cause filling reservoirs. Since forecasting of the landslide occurrence is out of human knowledge in both temporally and spatially, so the landslide zoning is considered in order to be shown how much a mountain slope is susceptible to a mass movement. In this study, nine factors including slope percent and aspect, geology, precipitation, distance from the road and the river and faults, land use and elevation were used. The purpose of this study is to determine the most effective factor on landslide occurrence and preparation of landslide susceptibility map in a Part of Haraz Watershed. In this study for determining the most effective factor influencing on landslide occurrence and finally preparing of the landslide susceptibility map Analytic Hierarchy Process (AHP) and Artificial Neural Network (ANN) were used. From seventy eight points of slide and seventy eight points of un-slide determined in this area, seventy percent used for modeling and thirty percent for testing. Firstly, for providing aforementioned layers, Geographic Information System (GIS) was applied and then each of classes specified in every layer was valued using frequency ratio. In this study, for network training used Back-Propagation (BP) algorithm and sigmoid function. The results of the Analytic Hierarchy Process showed that slope is the most importance factor among studied factors. The results of the Artificial Neural network showed that structure 9-14-1 whit learning rate 0.2 is optimal structure and Root Mean Square Error is 0.051. Accuracy of network in training and testing phase was equal 92.307 and Coefficient of Determination was equal 0.962.

کلیدواژه‌ها [English]

  • Landslide
  • Artificial Neural Network
  • Back Propagation Algorithm
  • Sigmoid Function