كاربرد شبكه عصبي مصنوعي در شناسايي مناطق مستعد لغزش به كمك نسبت فراواني و تحليل سلسله مراتبي در پادناي علياي سميرم

The application of artificial neural network on landslide susceptibility mapping developed by frequency ratio and AHP in Oliya's Padena in Semirom

تهيه نقشه حساسيت زمين به لغزش و ارزيابي خطر آن از مهمترين مراحل در تهيه نقشه ريسك زمين لغزش مي باشد. در اين پژوهش به تهيه نقشه حساسيت وقوع زمين لغزش در پادناي علياي سميرم كه يك منطقه حساس به زمين لغزش است، با استفاده از روش شبكه عصبي پرداخته شده است. بدين منظور، در اولين گام 23 عامل موثر در لغزش در منطقه شناسايي شده، همچنين، به كمك تفسير عكس هاي هوايي و پيمايش هاي ميداني موقعيت لغزش ها مشخص شد. در گام بعد با كمك نظرات كارشناسي (AHP) به غربالگري پارامترها پرداخته، در نهايت ?? پارامتر براي اجراي مدل انتخاب شد. از 103 لغزش شناسايي شده در منطقه 70 درصد (72 زمين لغزش) به صورت تصادفي به منظور آموزش شبكه و 30 درصد (31 زمين لغزش) به منظور اعتبارسنجي مورد استفاده قرار گرفت. از شبكه عصبي پرسپترون چند لايه (multilayer perceptron) با الگوريتم يادگيري پس انتشار خطا استفاده شد و تابع سيگموئيد (sigmoid function) به عنوان تابع فعال سازي انتخاب شد. به منظور انتخاب بهترين آرايش شبكه از شاخص هاي ميانگين مربعات خطا (MSE)، جذر ميانگين مجذور خطا (RMSE)، بيشينه خطاي مطلق (MAE) و ضريب همبستگي (R2) استفاده كرده، بهترين ساختار شبكه براي پهنه بندي حساسيت به زمين لغزش 14-4-1 انتخاب شد. قبل از ورود لايه هاي اطلاعاتي به شبكه با استفاده از روش نسبت فراواني (FR) وزن هر يك از طبقات لايه هاي اطلاعاتي محاسبه شده، بر اساس آن لايه ها وزن دهي شدند. منحني ROC و مساحت زير منحني (AUC) براي نقشه پهنه بندي ترسيم و از AUC براي صحت سنجي استفاده شد. نتايج اعتبارسنجي نشان داد كه مساحت زير منحني براي مدل 0.938 (93.8 درصد) است كه در گروه دقت پيش بيني عالي قرار مي گيرد. طبق نتايج 29.61 كيلومتر مربع (93.25 درصد) از مساحت لغزش ها در رده هاي خطر زياد و خيلي زياد قرار گرفته است.

Landslide susceptibility and its risk assessment is the main part of landslide risk mapping. In this study, landslide susceptibility of Oliya's Padena in Semirom is mapped using artificial neural network. A total of 23 factors in relation to landslide in the region were initially characterized. The spatial location of landslide events was then determined by field study as well as aerial photo analysis. AHP analysis tends to 14 out of 23 parameters as the important factors for further steps. A total of 72 (70%) and 31 (30%) out of 103 detected landslide events in the study area were selected as training and validation data for neural network analysis, respectively. A multilayer perceptron back propagation algorithm with sigmoid as activation function was developed. The best topology was determined by using conventional criteria including mean square error, root mean square error, maximum absolute error and correlation coefficient. Results show that a 14-4-1 array is the optimum topology for landslide susceptibility zoning in the region. The weight of each input layer was estimated by frequency ratio. In order to map landslide, ROC graph and area under curve indices were used and the accuracy of output map was computed. Results from validation shows that area under curve for the obtained model is about 0.938 (93.8%) that is considered as high resolution prediction group. According to this study, a total of 29.61 square kilometers (93.25%) of the landslide areas is categorized in very high and high susceptible groups