بررسی وقوع خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی (ANN) در محیط GIS (مطالعه موردی: حوزه آبخیز الموت رود)
Publish place: Journal of Watershed Management Research، Vol: 10، Issue: 19
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 338
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-10-19_011
تاریخ نمایه سازی: 4 مهر 1400
Abstract:
یکی از بلایای طبیعی که با توجه به ساختار زمین شناسی، وضعیت مورفولوژیکی و زلزله خیزی، به وفور در ایران رخ می دهد و به جان و مال مردم خسارت وارد می کند، زمین لغزش است. حوزه آبخیز رودبار الموت در شرق استان قزوین، یک منطقه کوهستانی است که دارای استعداد زیاد در بروز انواع زمین لغزش ها می باشد و به علت فعال بودن آنها، هر ساله نیز شاهد سیر صعودی فراوانی وقوع زمین لغزش بوده و باعث وارد آمدن خسارت به اراضی مرتعی، زمینهای زراعی و مناطق مسکونی می گردد. در این پژوهش بررسی زمین لغزش با استفاده از مدل شبکه عصبی مصنوعی (ANN) انجام گردیده است. فاکتورهای خاک، زمین شناسی، شیب، جهت شیب، طبقات ارتفاعی، پارامترهای خطی شامل (فاصله از آبراهه، فاصله از گسل، فاصله از جاده)، حساسیت سنگ ها به عوامل فرساینده، بارندگی و کاربری اراضی به عنوان عوامل موثر در لغزش انتخاب و با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا، پهنه بندی خطر زمین لغزش صورت پذیرفت. نتایج نشان داد که آرایش ۱-۷-۱۱ با تابع فعال سیگموئید بهترین ساختار برای بررسی پدیده زمین لغزش در منطقه مورد مطالعه می باشد. آموزش و آزمون و اعتبار سنجی مدل به ترتیب با ۱۵، ۱۵و ۷۵ درصد داده ها که به صورت تصادفی انتخاب شده بودند انجام گردید. پس از بهینه شدن ساختار شبکه، اطلاعات استاندارد شده منطقه در اختیار شبکه قرارگرفت. بر اساس نتایج حاصل از پهنه بندی خطر زمین لغزش با مدل شبکه عصبی مصنوعی، به ترتیب ۶/۲، ۷/۱۰، ۱/۱۷، ۳/۶۴ و ۳/۵ درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرارگرفت. شبکه با نسبت یادگیری ۵/۰ و تعداد ۷ نورون در لایه پنهان دارای کمترین مقدار خطا در آزمایش (RMSe=۰.۰۳۲۱) بود.
Keywords:
ANN , Back Propagation Learning Algorithm , Land Use , Linear Parameters , Perceptron Structure , الگوریتم پس انتشار خطا , پارامترهای خطی , ساختار پرسپترون , کاربری اراضی , ANN
Authors
محمود اسلامی
Department of Pedology, Science and Research Branch, Islamic Azad University, Tehran
صمد شادفر
Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran
علی محمدی ترکاشوند
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
ابراهیم پذیرا
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :