سال 10، شماره 1 - ( بهار 1399 )                   جلد 10 شماره 1 صفحات 19-1 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

naseri A, hejazi A, rezaeimoghaddam M. Landslide hazard zonation using artificial neural network model downstream of Sanandaj Dam. E.E.R. 2020; 10 (1) :1-19
URL: http://magazine.hormozgan.ac.ir/article-1-544-fa.html
ناصری عدنان، حجازی اسداله، رضایی مقدم محمد حسین. پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی در پایین دست سد سنندج. پژوهش هاي فرسايش محيطي. 1399; 10 (1) :1-19

URL: http://magazine.hormozgan.ac.ir/article-1-544-fa.html


دانشجوی دکتری ژئومورفولوژی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز ، adnannaseri@yahoo.com
چکیده:   (2608 مشاهده)
بررسی موقعیت و ارزش محیط‌های انسانی آسیب‌پذیر در برابر مخاطرات ژئومورفیک، از وظایف مهم دانش ژئومورفولوژی است. هدف تحقیق حاضر، امکان­سنجی و ارزیابی خطر وقوع زمین‌لغزش با تولید نقشه‌های پهنه‌بندی خطر و درجه‌بندی حساسیت این پهنه‌ها به عنوان یکی از مخاطرات ژئومورفیک در منطقه­ ی پایین دست سد سنندج است. در این تحقیق با استفاده از نرم‌افزار  ARCGIS  و زبان برنامه‌نویسی پایتون، از مدل شبکه عصبی پرسپترون برای شناسایی پهنه‌های خطر زمین‌لغزش در منطقه استفاده شد؛ بدین منظور، 9 لایه­ ی ورودی درجه­­ی شیب، جهت شیب، لیتولوژی، کاربری اراضی، بارش، ارتفاع، فاصله از عوامل آبراهه، جاده و گسل در پهنه‌بندی خطر زمین‌لغزش بررسی شد. نقاط لغزشی و غیر لغزشی منطقه نیز با استفاده از تصاویر ماهواره­ای، بازدیدهای میدانی و ... مشخص شد. در مدل شبکه عصبی، از وزنیابی درونی در تعیین وزن لایه ­ها استفاده شد. داده­ ها با استفاده از شبکه­ ی پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. از الگوریتم جستجوی شبکه­ ای نیز به منظور بهینه ­سازی و تنظیم فراپارامترهای شبکه عصبی استفاده شد. ساختار نهایی شبکه دارای 9 نرون در لایه­ ورودی، 30 نرون در لایه­ میانی و 1 نرون در لایه­ خروجی است. از 5 روش محاسبه­ ی میزان خطای مدل­ ها (امتیاز F1، دقت کلی، خطای تولیدکننده، خطای کاربر و ماتریس خطا) نیز برای صحت­ سنجی مدل استفاده شد. در نهایت، نقشه­ ی پهنه‌بندی خطر زمین‌لغزش در 5 کلاس خطر تهیه شد. بر اساس این پهنه‌بندی۱۱.۵ درصد از مساحت منطقه در کلاس خطر خیلی‌کم، ۱۹.۷ درصد در کلاس خطر کم، ۲۹.۶ درصد در طبقه متوسط، 31 درصد در طبقه زیاد و ۸.۱ درصد در طبقه خیلی زیاد قرار می‌گیرد. با توجه به نتایج صحت ­سنجی مدل نیز مشخص شد مدل شبکه عصبی پرسپترون با دقت ۹۱.۴۹ درصد، در پهنه‌بندی خطر زمین‌لغزش انطباق مناسبی با جغرافیای منطقه دارد.
متن کامل [PDF 1612 kb]   (706 دریافت)    

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله پژوهش‌های فرسایش محیطی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Environmental Erosion Research Journal

Designed & Developed by : Yektaweb