RT - Journal Article T1 - Simulation of Flood Prone Areas using Perceptron Neural Network and GIS (Study Area: Zolachai watershed, Salmas City) JF - jwmr YR - 2021 JO - jwmr VO - 12 IS - 24 UR - http://jwmr.sanru.ac.ir/article-1-1125-fa.html SP - 97 EP - 108 K1 - Flood K1 - Fishnee K1 - Perceptron Artificial Neural Network K1 - Salmas County K1 - Zolachai Watershed AB - چکیده مبسوط مقدمه و هدف: امروزه پدیده سیل یکی از پیچیده‌ترین رخدادهای مخاطره‌آمیز است که بیش از سایر بلایای طبیعی دیگر، همه‌ساله در نقاط مختلف دنیا منجر به ایجاد خسارت‌های جانی و مالی و تخریب اراضی کشاورزی می‌شود. مواد و روش­ ها: به­ دلیل سیل‌خیز بودن حوضه آبریز زولاچای، شهرستان سلماس بررسی و شبیه‌سازی خطر وقوع سیل در این منطقه ضروری به­ نظر می‌رسد. لذا در این پژوهش از تلفیق شبکه عصبی مصنوعی پرسپترون (MLP) و GIS استفاده شده است. ابتدا پارامترهای تاثیرگذار در شبیه‌سازی مناطق سیلابی نظیر: لایه شیب، ارتفاع، جهت جریان، خاک و کاربری اراضی مورد بررسی قرارگرفته و این لایه‌های اطلاعاتی وارد نرم­ افزار ARCGIS5.3 شدند. لایه‌های اطلاعاتی مورد نظر با دستور Fishnet مورد پردازش قرار گرفتند و هرکدام از لایه‌ها به point تبدیل شدند و این داده به همراه داده‌های تعلیمی که از گوگل ارث دریافت شده بود به شبکه عصبی معرفی شد. در شبکه عصبی پرسپترون لایه‌های ورودی شامل ۵ نورون و ۱۶ گره وارد مدل شدند. یافته­ ها: نتایج نشان داد، ارتفاع دارای کم‌ترین وزن (R2=0.713) و بیشترین وزن مربوط به جهت جریان (R2=0.913) در شبیه‌سازی سیلاب حوزه آبخیز زولاچای، شهرستان سلماس می‌باشد. نتیجه ­گیری: می‌توان بیان کرد تلفیق GIS و شبکه عصبی مصنوعی می‌تواند برای مدل‌سازی و شبیه‌سازی سیلاب در محیط‌های مکانی مختلف برای جلوگیری و کاهش خطرات محیطی بسیار مفید واقع شود. LA eng UL http://jwmr.sanru.ac.ir/article-1-1125-fa.html M3 10.52547/jwmr.12.24.97 ER -