دوره 10، شماره 19 - ( بهار و تابستان 1398 )                   جلد 10 شماره 19 صفحات 117-131 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

eslami M, shadfar S, mohamadi torkashvand A, pazira E. Application of Artificial Neural Network in Study Phenomenon of Landslide and Risk Modeling using Geographic Information System (GIS), Case Study: Alamoot Rood Watershed. jwmr. 2019; 10 (19) :117-131
URL: http://jwmr.sanru.ac.ir/article-1-891-fa.html
اسلامی محمود، شادفر صمد، محمدی ترکاشوند علی، پذیرا ابراهیم. بررسی وقوع خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی (ANN) در محیط GIS (مطالعه موردی: حوزه آبخیز الموت‌رود) . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1398; 10 (19) :117-131

URL: http://jwmr.sanru.ac.ir/article-1-891-fa.html


پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش وترویج کشاورزی، تهران،
چکیده:   (198 مشاهده)

یکی از بلایای طبیعی که با توجه به ساختار زمین‌شناسی، وضعیت مورفولوژیکی و زلزله‌خیزی، به وفور در ایران رخ می‌دهد و به جان و مال مردم خسارت وارد می‌کند، زمین‌لغزش است. حوزه آبخیز رودبار الموت در شرق استان قزوین، یک منطقه کوهستانی است که دارای استعداد زیاد در بروز انواع زمین‌لغزش‌ها می‌باشد و به­ علت فعال بودن آنها، هر ساله نیز شاهد سیر صعودی فراوانی وقوع زمین‌لغزش بوده و باعث وارد آمدن خسارت به اراضی مرتعی، زمین­های زراعی و مناطق مسکونی می­ گردد. در این پژوهش بررسی زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی (ANN) انجام گردیده ‌است. فاکتورهای خاک، زمین‌شناسی، شیب، جهت شیب، طبقات ارتفاعی، پارامترهای خطی شامل (فاصله از آبراهه، فاصله از گسل، فاصله از جاده)، حساسیت سنگ‌ها به عوامل فرساینده، بارندگی و کاربری اراضی به عنوان عوامل مؤثر در لغزش انتخاب و با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا، پهنه‌بندی خطر زمین‌لغزش صورت پذیرفت. نتایج نشان داد که آرایش 1-7-11 با تابع فعال سیگموئید بهترین ساختار برای بررسی پدیده زمین‌لغزش در منطقه مورد مطالعه می‌باشد. آموزش و آزمون و اعتبار سنجی مدل به ترتیب با 15، 15و 75 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 پهنه‌بندی خطر زمین‌لغزش با مدل شبکه عصبی مصنوعی، به ترتیب 6/2، 7/10، 1/17، 3/64 و 3/5  درصد از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرارگرفت. شبکه با نسبت یادگیری 5/0 و تعداد 7 نورون در لایه پنهان دارای کمترین مقدار خطا در آزمایش (RMSe=0.0321) بود.
متن کامل [PDF 1115 kb]   (26 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور و سامانه های اطلاعات جغرافيايی
دریافت: ۱۳۹۶/۱۰/۳ | ویرایش نهایی: ۱۳۹۸/۵/۹ | پذیرش: ۱۳۹۷/۵/۳ | انتشار: ۱۳۹۸/۵/۱۲

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

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb