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:   (289 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]   (43 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

فهرست منابع
1. 1. Abedini, M. and H. Setayeshi. 2014. Landslide hazard zonation with hierarchical analysis model (case study: Golgeh watershed). Geography and Planning, 49: 139-165 (In Persian).
2. Amirahmadi, A., M. Mohammadnia and L. Solgi. 2015. Preparation of landslide sensitivity map using frequency ratio and analytical hierarchy process compilation model. Applied Geomorphology of Iran, 5: 45-58 (In Persian).
3. Crosta, B.G. 2009. Dating, triggering, modeling and hazard assessment of large landslides. Geomorphology, 103: 1-4. [DOI:10.1016/j.geomorph.2008.04.007]
4. Emami, S. N., A. Jalalian and A. Khosravi. 2016. The Role of Soil Chemical and Physical Characteristics in Landslide Occurrence (Case Study: Afsar Abad Area in Chaharmahal and Bakhtiari Province), Journal of Watershed Management Research, 7(13): 182-192 (In Persian). [DOI:10.18869/acadpub.jwmr.7.13.192]
5. Forests, Range and Watershed Management Organization. 1996. Combined report of erosion and sedimentation of Alamoutrood basin, 87 pp (In Persian).
6. Forests, Range and Watershed Management Organization. 2010. Jutan Watershed Executive Studies, Geology, Geomorphology, Pedology, Land Capability and Vegetation, 196 pp (In Persian).
7. Forests, Range and Watershed Management Organization .2016. Iran Landslides Database Report, 135 pp (In Persian).
8. Ghahramani, S. and M.R. Servati. 2009. Study of geomorphology and erosion in Alamout River basin. Land Geographic Quarterly, 45-61 (In Persian).
9. Golabi, M.R., A.M. Akhondali and F. Radmanesh. 2013. Comparing the performance of different artificial neural networks algorithms in modeling the rainy season, case study: selected stations in Khozestan province. Journal of Geographical Sciences and Applied Research, 30: 151-169 (In Persian).
10. Gomez, H., T. Kavzoglu and P. Mather. 2002. Artificial neural networks in landslide hazard zonation in the Venezuelan Andes, Abstracts of 15th International Conference on Geomorphology, Geomorph. Uni, 22(4): C-76.
11. Guzzetti, F. 2005. Landslide hazard and risk assessment. Dissertation. Anungo, D.P. Arora, M.K. Gupta, R.P. Sarkar, S. 2008. Landslide risk assessment using concepts of danger pixels and fuzzy set theory in Darjeeling Malayas.Landslides, 5: 407-416. [DOI:10.1007/s10346-008-0134-3]
12. Hasanzadeh, M.H., M. Chabok and Z. Ebrahimi. 2012. Landslide hazard zonation using SMCE model, Case study: shalmanrood basin. Water and soil conservation, 19(1): 99-116 (In Persian).
13. Hejazi, S.A. 2014. Landslide hazard zonation in Ahar city, goyjabel Basin using geographic information system (GIS). Geography and Planning Journal, 50: 135-152 (In Persian).
14. Lan, H.X., C.H. Zhou, L.J. Wang, H.Y. Zhang and R.H. Li. 2004. Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang Watershed, Yunnan, China. Engineering Geology, 76: 109-128. [DOI:10.1016/j.enggeo.2004.06.009]
15. Menhaj, M.B. 2002. Fonundations of neural networks. Amirkabir University Press, 715 pp (In Persian).
16. Misaghi, F. 2002. Simulation of rainfall-runoff for river rotating using artificial neural networks. M. Sc., Tarbiat Modares University, 46 pp (In Persian).
17. Moghimi, E., S. Bagheri and T. Safarzadeh. 2012. Landslide hazard zonation using entropy model, Case study: Northwest Zagros. Journal of Natural Geography Research, 79: 77-90 (In Persian).
18. Mohammadi, M., H.R. Moradi, S. Feiznia and H.R. Pourghasemi. 2009. Prioritize the factors affecting the landslide and prepared a risk map using the information value and AHP models, Haraz watershed. Earth Science, 74: 27-32 (In Persian).
19. Moradi, H.R., A.R. Sepahvand and P. Abdolmaleki. 2012. Investigating the effect of number of input factors on the accuracy value of artificial neural network for landslide hazard zonation: Case study: Haraz watershed. Pasture and Watershed Management, 65(2): 231-243 (In Persian).
20. Mostafaei, J. and M. Ownegh. 2011. Assessment and prediction of landslide risk using regression model and analytical hierarchy process, Case study: Alamoot Basin. Engineering and Watershed Management, 3(3): 149-159 (In Persian).
21. Nilsen, T.H., F.H. Wright, C. Vlasic and W. Spangle. 1979. Relative slope stability and landuse planning in the San Francisco Bay region. California: U.S Geological Survey Professional. [DOI:10.3133/pp944]
22. Raghuvanshi, T.K., L. Negassa and P.M. Kala. 2015. GIS based grid overlay method versus modeling approach-a comparative study for landslide hazard zonation (LHZ) in Meta Robi District of West Showa Zone in Ethiopia. The Egyptian Journal of Remote Sensing and Space Sciences, 18: 235-250. [DOI:10.1016/j.ejrs.2015.08.001]
23. Rajabi, M. and M. Feizolahpoor. 2014. Landslide hazard zonation of Givchay River basin using multi-layer perceptron model of back-propagation type. Geography and Development, 36: 161-180 (In Persian).
24. Sadoogh, H., A.R. Azimpoor, A. Dallaloghlo and M.R. Servati. 2009. Evaluation of AHP Model in Landslide hazard zonation, (Case Study: Ahar Chay Basin). Geographic Space Magazine, 9(26): 71-87 (In Persian).
25. Safavi, S.M. 1997. Assessment of the landslide hazard in the Damavand Basin. M.Sc. Thesis, IITC, Enschede, the Netherland (In Persian).
26. Salman-Mahini, A. and S. Abedian. 2013. Landslide hazard zonation using the potential risk index for environmental planning. Environmental Management and Planning, 8(2): 5-16 (In Persian).
27. Shariat Jafari, M. 2006. Foundations and principal of sustainability natural systems. Tehran Sazeh, Tehran. Iran (In Persian).
28. Shirani, C. and A. Saif. 2012. Landslide hazard zonation using statistical methods in Pishkouh area, Fereydon-shahr. Earth Sciences, 85: 149-158 (In Persian).
29. Souri, S., G.R. Lashkaripoor, M. Ghafori and T. Farhadian Nezhad. 2011. Landslide hazard zonation using artificial neural network model in Nogian basin. Geological Engineering, 5(2): 1269-1286.
30. Souri, S., S. Baharvand and T. Farhadian Nezhad. 2013. Landslide hazard zonation using fuzzy logic, Case study: Cham Sangar basin. Journal of RS and GIS Natural Resources, 4(4): 47-60 (In Persian).
31. Tayeba, A.R., M. Dadashi, S.F. Noorbakhsh, A.A. Jamali and A. Hasanabadi. 2015. Landslide hazard zonation using the Multi-criteria Land scale assessment (SMCE) Case study: Chahar-Mahal and Bakhtiari Province Bonn Basin. Geography and Environmental Planning, 26(1): 105-116 (In Persian).
32. Vahidnia, M.H., A. Alesheikh, A. Alimohammadi and F. Hosseini. 2009. Landslide hazard zonation Using Quantitive Methods in GIS. International Journal of Civil Engineering, 7(3): 176-189 (In Persian).
33. Varnes, D.J. 1984. Landslide Hazard Zonation: A Riview of Principles and Practice, Unaited Nations Educationnal, Scientific and Cultural Organization (UNESCO), France.
34. Xilin, L., S. Wang and X. Zhang. 1992. Influence of geologic factors on landslide in zhaotong, Yunnan province, China. Environmental Geology and Water Sciences, 19: 17-20. [DOI:10.1007/BF01740573]
35. Yamani, M., A.A. Shamsipoor, A. Goorabi and M. Rahmati. 2014. Determine the boundary of landslide hazard zonation in the path Khorram Abad-PaulZal freeway with analytical hierarchy process-Fuzzy Method. Journal of Applied Geosciences Research, 32: 27-44 (In Persian).
36. Zare, M., A.R. Moghaddamnia, S. Tali Khoshk and H. Salmani. 2015. Landslide Hazard Assessment by using Neuro-Fuzzy Technique in VazWatershed. Journal of Watershed Management Research, 6(11): 101-110 (In Persian).

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