ورود
مقالات فارسیISIکنفرانسهاژورنالها

پهنه بندی مناطق مستعد به زمین لغزش با استفاده از سیستم استنتاجی فازی عصبی(ANFIS)(مطالعه موردی: حوضه رودخانه سنگورچای)

Publish place: Journal of Natural Environmental Hazards، Vol: 7، Issue: 17
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 366

This Paper With 20 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:
https://civilica.com/doc/871608

شناسه ملی سند علمی:

JR_JNEH-7-17_010

تاریخ نمایه سازی: 25 خرداد 1398

Abstract:

در این تحقیق برای پهنه بندی زمین لغزش در حوضه رودخانه سنگورچای از مدل سیستم استنتاجی فازی عصبی (ANFIS) استفاده شد. به این منظور، داده های 124 زمین لغزش، شناسایی شده و برای انجام فرایند تحلیل و پردازش به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها، 8 لایه متشکل از لایه های شیب، جهت شیب، DEM، لیتولوژی، شبکه هیدروگرافی،لایه NDVI، گروه خاک و پراکنش زمین لغزش ترسیم گردید. برای پردازش لایه های فوق در مدل فازی عصبی، داده ها طی فرایند نرمالیزه کردن در بازه صفر و یک قرار گرفتند. در ادامه برای تعلیم و تست داده ها حدود 80 درصد داده ها برای تعلیم و 20 درصد برای تست انتخاب شدند. در تحقیقات متعدد مقدار فوق به عنوان حد قابل قبول در نظر گرفته شده است. سپس مقادیر فوق در ساختار سیستم استنتاجی فازی عصبی مورد پردازش قرار گرفتند. در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش در پنج رده با خطرخیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج نشان داد که ساختار زمین شناسی شکل گرفته از مارن خاکستری و توفهای آتشفشانی در کنارمنابع رطوبتی بالا باعث شده که ارتفاعات کوههای گنجگاه و اسلام آباد در محدوده جنوب غربی حوضه از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند این در حالیست که نتایج حاصل از مدل سیستم استنتاجی فازی عصبی نشان می دهد که محدوده شرقی آق باش و شمالی کروز سفلی از بیشترین احتمال رخداد زمین لغزش های شدید برخوردار بوده و بخش مرکزی محدوده آق باش از کمترین احتمال رخداد زمین لغزش برخوردار می باشد.

Keywords:

Authors

مهدی فیض اله پور

استادیار، گروه جغرافیا، دانشگاه زنجان

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 :
  • پوستی زاده، ندا، نجفی، نعیمه (1390). مقایسه کاربرد شبکه عصبی ...
  • دهقانی، نوید، وفاخواه، مهدی، بهره مند، عبدالرضا (1395). مدلسازی بارش ... [مقاله ژورنالی]
  • رستمی، مهناز، پهلوانروی، احمد، مقدم نیا، علیرضا (1394). پیش بینی ...
  • غفاری، غلامعلی، وفاخواه، مهدی (1392). شبیه سازی فرایند بارش رواناب ... [مقاله ژورنالی]
  • نبی زاده، مرتضی، مساعدی، ابوالفضل، حسام، موسی، دهقانی، امیراحمد، ذاکری ...
  • Akgun, A., Bulut, F (2007). GIS- based landslide susceptibility for ...
  • Alexander, I., Morton, H (1990). An Introduction to Neural Computing, ...
  • Anbalagan, R (1992). Landslide susceptibility evaluation and zonation mapping in ...
  • Bhattacharya, B., price, R., Solomatine, D. (2005). Data- driven modeling ...
  • Ayalew, L., Yamagishi, H. (2005). The application of GIS-based logistic ...
  • Choi, j., Oh, H., Lee, H., Lee, C., Lee, S. ...
  • Cubito, A., Ferrara, V., Pappalardo, G. (2005). Landslide hazard in ...
  • Dahal, R. K., Hasegawa, S., Nonomura, S., Yamanaka, M., Masuda, ...
  • Ermini, L., Catani, F., Casagli, N., (2005). Artificial neural networks ...
  • Fernandes, N.F., Guimarães, R.F., Gomes, R.A.T., Vieira, B.C., Montgomery, D.R., ...
  • Gokceoglu, C., Sonmez, H., Nefeslioglu, H.A., Duman, T.Y., Can, T. ...
  • Gomez, H., Kavzoglu, T. (2005). Assessment of shallow landslide susceptibility ...
  • Guyon, I., Wang, P.S.P. (1993). Advances in Pattern Recognition Systems ...
  • Haykin, S. (1994). Neural Networks. Macmillan College Publishing Company, New ...
  • Iwahashi, J., Watanabe, S., Furuya, T. (2003). Mean slope–angle frequency ...
  • Jang, J. (1993). ANFIS: Adaptive- network-based fuzzy inference system. IEEE ...
  • Kawabata, D., bandibas, J. (2009). Landslide susceptibility mapping using geological ...
  • Kisi, O. (2005). Suspended sediment estimation using neuro- fuzzy and ...
  • Lee, S., Min, K. (2001). Statistical analysis of landslide susceptibility ...
  • Lee, S., Ryu, J. Min, K. Won, J. (2003). Landslide ...
  • Lu, P., Rosenbaum, M.S. (2003). Artificial neural network and gray ...
  • Melchiorre, C., Matteucci, M., Azzoni, A., Zanchi, A. (2006). Artificial ...
  • Moreiras, S.M. (2005). Landslide susceptibility zonation in the Rio Mendoza ...
  • Nigrin, A. (1993). Neural Network for Pattern Recognition.The MIT Press, ...
  • Pradhan, B., Lee, S. (2010). Landslide susceptibility assessment and factor ...
  • Rumelhart, D.E., Hinton, G.E., Williams, R.J. (1986). Learning internal representations ...
  • Sezer, E.a., Pradhan, B., Gokceoglu, C. (2011). Manifestation of an ...
  • Sethi, I.K., Jain, A.K. (1991). Artificial Neural Networks and Statistical ...
  • Takagi, T., Sugeno, M. (1983). Derivation of fuzzy control rules ...
  • Wang, D., Pu, R., Gong, P., Yang, R. (1995). Predicting ...
  • Wang, H. B., Sassa, K. (2005). Comparative evaluation of landslide ...
  • Yilmaz, I. (2009). Landslide susceptibility mapping using frequency ratio, logistic ...
  • Zezere, J., Ferreira, A., Rodrigues, M. (1999). The role of ...
    • نمایش کامل مراجع