ارزیابی خطر زمین‎لغزش در منطقه چهارگوش قزوین- رشت (شمال ایران)

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 143

This Paper With 11 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GSJ-27-106_009

تاریخ نمایه سازی: 3 بهمن 1400

Abstract:

حرکات دامنه ای و به طور خاص زمین لغزش ها از جمله مخاطرات طبیعی هستند که تا حد زیادی رخداد، کنترل یا پیشگیری از آنها در اختیار بشر است. پر واضح است که دخالت های انسان در طبیعت بدون در نظر گرفتن شرایط پایداری و تعادل طبیعی آن، سبب بروز واکنش های فیزیکی از سوی این محیط برای بازگشت به حالت تعادلی و پایدار می شود. خسارت های ناشی از رخداد زمین لغزش ها که در دهه های اخیر روند رو به رشدی داشته؛ بشر را وادار به یافتن راهکارهای مناسب برای کاهش و کنترل این پدیده کرده است. پهنه بندی مناطق حساس به لغزش از جمله پرکاربردترین روش ها برای دوری جستن از مناطق دارای خطر یا اعمال روش های کنترلی در مناطق پرخطر است. این پژوهش برای پهنه بندی حساسیت زمین لغزش در منطقه چهارگوش قزوین-رشت از شبکه عصبی مصنوعی استفاده می کند. منطقه مورد بررسی به لحاظ شرایط توپوگرافی، اقلیمی و زمین شناسی، یکی از مستعدترین مناطق برای رخداد زمین لغزش هاست؛ چنان که تاریخچه منطقه ۳۳۸ زمین لغزش ثبت شده را نشان می دهد. ۱۵ متغیر که به طور متناوب در دیگر پژوهش ها به عنوان متغیرهای موثر در رخداد زمین لغزش ها مورد مطالعه قرار گرفته اند؛ برای بررسی این منطقه انتخاب شد. با تلفیق این متغیرها و نقشه زمین لغزش های موجود، مقادیر هر یک از این ۱۵ متغیر برای نقاط لغزشی استخراج شد. در مرحله بعد تعدادی نقطه به صورت تصادفی (۱۰۰۰ نقطه) از منطقه انتخاب و مقادیر این ۱۵ متغیر نیز برای آنها استخراج شد. هر کدام از دو مجموعه داده به دودسته آموزش (۷۰%) و امتحان (%۳۰) تقسیم شد. هر کدام از دو دسته آموزشی و امتحان با یکدیگر ترکیب و از خروجی آنها برای آموزش و امتحان شبکه استفاده شد. تعداد لایه های داخلی شبکه عصبی با روش سعی و خطا و محاسبه مقدار خطای جذر میانگین مربعات (RMSE=۰.۴۰۴۱) (۹ لایه) تعیین شد. شبکه عصبی ساخته شده از نوع شبکه پیش خور با الگوریتم پس انتشار خطا و الگوریتم آموزشی آن از نوع الگوریتم آموزشی پس انتشار لونبرگ-مارکوارت است. پس از آموزش و امتحان شبکه و انجام تصحیحات لازم روی آن، از این شبکه عصبی ساخته شده برای پیش بینی حساسیت زمین لغزش در منطقه مورد مطالعه استفاده شد. نتایج حاصل از پیش بینی در بازه میان ۰ تا ۱ قرار داده شد و با انتخاب یک حد آستانه بهترین نقشه پهنه بندی حساسیت زمین لغزش به دست آمد. ارزیابی پایانی نقشه پهنه بندی حساسیت زمین لغزش در منطقه چهارگوش قزوین- رشت، خطایی در حدود (RMSE=۰.۴۱۶۴) نشان می دهد و شبکه عصبی ساخته شده از ۳۳۸ زمین لغزش رخ داده در منطقه، ۲۹۸ مورد را در پهنه پرخطر و کاملا پرخطر شناسایی می کند که نشان از دقت ۱/۸۸ % آن دارد.

Authors

امیرحسین پاشا

کارشناسی ارشد، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

علی سربی

استادیار، گروه زمین شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد کرج، کرج، ایران

سعید بهزادی

استادیار، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

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 :
  • کتابنگاریاجل‎لوئیان، ر.، میرصانعی، ر. و فاتحی، ل.، ۱۳۹۲- شناخت و ...
  • پیریایی، ز.، ۱۳۸۵- پهنه بندی خطر حرکات دامنه ای در ...
  • ساسان­پور، ف. و موسی­وند، ج.، ۱۳۸۹- تاثیر عوامل انسان ساخت ...
  • شیرانی، ک.، غیومیان، ج. و مختاری، ا.، ۱۳۸۴- بررسی و ...
  • مرادی، ح.، محمدی، م. و پورقاسمی ح. ر.، ۱۳۹۱- حرکات ...
  • ReferencesAkgun, A., Sezer, E. A., Nefeslioglu, H. A., Gokceoglu, C. ...
  • Althuwaynee, O. F., Pradhan, B. and Lee, S., ۲۰۱۲- Application ...
  • Ayalew, L. and Yamagishi, H., ۲۰۰۵- The application of GIS-based ...
  • Bai, S. B., Wang, J., Lu, G. N., Kanevski, M. ...
  • Bai, S. B., Wang, J., Lu, G. N., Kanevski, M. ...
  • Caniani, D., Pascale, S., Sdao, F. and Sole, A., ۲۰۰۸- ...
  • Ermini, L., Catani, F. and Casagli, N., ۲۰۰۵- Artificaial Neural ...
  • Faraji Sabokbar, H. A., Shadman Roodposhti, M. and Tazik, E., ...
  • Feizizadeh, B. and Blaschke, T., ۲۰۱۱- Landslide risk assessment based ...
  • Feizizadeh, B., Blaschke, T., Nazmfar, H. and Rezaei Moghaddam, M. ...
  • Guzzetti, F., Reichenbah, P., Ardizzone, F., Cardinali, M. and Galli, ...
  • Hagan, M. T. and Menhaj, M., ۱۹۹۴- Training feedforward networks ...
  • Hong, Y., Hiura, H., Shino, K., Sassa, K., Suemine, A., ...
  • Kartic Kumar, M. and Annadurai, R., ۲۰۱۳- Mapping of Landslide ...
  • Kayastha, P., Dhital, M. and De Smedt, F., ۲۰۱۲- Landslide ...
  • Komac, M., ۲۰۰۶- A landslide susceptibility model using the Analytical ...
  • Lee, S., Ryu, J. H., Lee, M. J. and Won, ...
  • Lee, S., Ryu, J. H., Lee, M. J. and Won, ...
  • Marjanovic, M., Kovaevic, M., Bajat, B. and Vozenılek, V., ۲۰۱۱- ...
  • Mohammady, M., Pourghasemi, H. R. and Pradhan, B., ۲۰۱۲- Landslide ...
  • Moradi, M., Bazyar, M. H. and Mohammadi, Z., ۲۰۱۲- GIS-based ...
  • Mosaffaie, J., Ownegh, M., Mesdaghi, M. and Shariat Jafari, M., ...
  • Ohlmacher, G. C. and Davis, J. C., ۲۰۰۳- Using multiple ...
  • Pourghasemi, H. R., Moradi, H. R., and Fatemi Aghda, S. ...
  • Pradhan, B., ۲۰۱۳- A comparative study on the predictive ability ...
  • Pradhan, B., Chaudhari, A., Adinarayana, J., and Buchroithner, M. F., ...
  • Sarkar, S. and Kanungo, D. P., ۲۰۰۴- An Integrated Approach ...
  • Schernthanner, H., ۲۰۰۵- Fuzzy Logic Approach for Landslide Susceptibility Mapping ...
  • Shadman, M., Rahimi S. and Beglou, M. J., ۲۰۱۴- PROMETHEE ...
  • Simon, N., Roslee, R., Marto, N. L., Mat Akhir, J., ...
  • Thiery, Y., Malet, J. P., Sterlacchini, S., Puissant, A. and ...
  • Wilamowski, B. M. and Yu, H., ۲۰۱۰- Improved computation for ...
  • Xu, C., Xu, X., Dai, F. and Saraf, A. K., ...
  • Yalcin, A., ۲۰۰۸- GIS-Based Landslide Susceptibility Mapping Using Analytical Hierarchy ...
  • نمایش کامل مراجع