journal of watershed management research
پژوهشنامه مديريت حوزه آبخيز
jwmr
Agriculture
http://jwmr.sanru.ac.ir
1
admin
2251-6174
2676-4636
10.61186/jwmr
fa
jalali
1398
2
1
gregorian
2019
5
1
10
19
online
1
fulltext
fa
بررسی وقوع خطر زمینلغزش با استفاده از شبکه عصبی مصنوعی (ANN) در محیط GIS (مطالعه موردی: حوزه آبخیز الموترود)
Application of Artificial Neural Network in Study Phenomenon of Landslide and Risk Modeling using Geographic Information System (GIS), Case Study: Alamoot Rood Watershed
سنجش از دور و سامانه های اطلاعات جغرافيايی
سنجش از دور و سامانه های اطلاعات جغرافيايی
پژوهشي
Research
<div style="text-align: justify;"><br>
<span style="font-size:11px;"><strong><span dir="RTL">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 (</span><span style="font-family:times new roman bold,serif;">ANN</span><span dir="RTL">) 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</span> <span dir="RTL">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 (</span><span style="font-family:times new roman bold,serif;">RMSe=0.0321</span><span dir="RTL">) بود.</span></strong></span></div>
<div style="text-align: justify;"> One of the natural disasters that occurs in abundance in Iran, due to the geological structure, morphological and seismic conditions, and damages the lives and property of people is a landslide. Roodbar Alamoot watershed in the east of Qazvin province is a mountainous region with a high potential for occurrence of landslides. Because of their active status, there is also a growing trend of landslide occurrence and damage to rangeland, agricultural lands and residential areas. In this research, landslide survey was conducted using Artificial Neural Network model (ANN). Soil, geology, slope, aspect, elevation classes, linear parameters including distance from the river, distance from the fault, distance from the road, sensitivity of the rocks to erosion, rainfall and land use as factors affecting landslide. Using artificial neural network model with the multiple-layer perceptron structure and back propagation learning algorithm, landslide hazard zonation was performed. The results showed that the arrangement of 11-7-1 with active sigmoid function is the best structure for studying the phenomenon of landslide in this study area. The training, test and validation of the model were performed with 15, 15 and 75 Percentage of data that randomly selected. After optimizing the network structure, standardized information was provided to the network. Based on the results of landslide hazard zonatin with Artificial Neural Network model, respectively, 6.2, 10.7, 17.1, 64.3 and 5.3 percent of the area placed in the very low, low, moderate, high and very high risk classes. The network has 0.5 learning ratio, 7 neurons in the hidden layer and the least amount of error in the experiment (RMSe = 0.0321)<br>
</div>
الگوریتم پس انتشار خطا, پارامترهای خطی, ساختار پرسپترون, کاربری اراضی, ANN
ANN, Back Propagation Learning Algorithm, Land Use, Linear Parameters, Perceptron Structure
117
131
http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-1121-1&slc_lang=fa&sid=1
mahmood
eslami
محمود
اسلامی
eslami.mahmod@yahoo.com
10031947532846007838
10031947532846007838
No
Department of Pedology, Science and Research Branch, Islamic Azad University, Tehran
دانشکده کشاورزی و منابع طبیعی، دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران
samad
shadfar
صمد
شادفر
samad.shadfar@gmail.com
10031947532846007839
10031947532846007839
Yes
Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran
پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش وترویج کشاورزی، تهران،
ali
mohamadi torkashvand
علی
محمدی ترکاشوند
m.torkashvand54@yahoo.com
10031947532846007840
10031947532846007840
No
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
دانشگاه آزاد اسلامی، واحد علوم تحقیقات، گروه خاک شناسی، تهران
ebrahim
pazira
ابراهیم
پذیرا
ebrahimpazira@gmail.com
10031947532846007841
10031947532846007841
No
Department Pedology, Science and Research Branch, Islamic Azad University, Tehran
دانشگاه آزاد اسلامی، واحد علوم تحقیقات، گروه خاک شناسی، تهران