پديد آورندگان :
اسلامي، محمود دانشگاه آزاد اسلامي - دانشكده كشاورزي و منابع طبيعي، تهران , شادفر، صمد سازمان تحقيقات، آموزش وترويج كشاورزي - پژوهشكده حفاظت خاك و آبخيزداري، تهران، , محمدي تركاشوند، علي دانشگاه آزاد اسلامي - دانشكده كشاورزي و منابع طبيعي، تهران , پذيرا، ابراهيم دانشگاه آزاد اسلامي - دانشكده كشاورزي و منابع طبيعي، تهران
كليدواژه :
الگوريتم پس انتشار خطا , پارامترهاي خطي , ساختار پرسپترون , كاربري اراضي , ANN
چكيده فارسي :
يكي از بلاياي طبيعي كه با توجه به ساختار زمين‌شناسي، وضعيت مورفولوژيكي و زلزله‌خيزي، به وفور در ايران رخ مي‌دهد و به جان و مال مردم خسارت وارد مي‌كند، زمين‌لغزش است. حوزه آبخيز رودبار الموت در شرق استان قزوين، يك منطقه كوهستاني است كه داراي استعداد زياد در بروز انواع زمين‌لغزش‌ها مي‌باشد و به علت فعال بودن آنها، هر ساله نيز شاهد سير صعودي فراواني وقوع زمين‌لغزش بوده و باعث وارد آمدن خسارت به اراضي مرتعي، زمينهاي زراعي و مناطق مسكوني مي گردد. در اين پژوهش بررسي زمين‌لغزش با استفاده از مدل شبكه عصبي مصنوعي (ANN) انجام گرديده است. فاكتورهاي خاك، زمين‌شناسي، شيب، جهت شيب، طبقات ارتفاعي، پارامترهاي خطي شامل (فاصله از آبراهه، فاصله از گسل، فاصله از جاده)، حساسيت سنگ‌ها به عوامل فرساينده، بارندگي و كاربري اراضي به عنوان عوامل مؤثر در لغزش انتخاب و با استفاده از مدل شبكه عصبي مصنوعي با ساختار پرسپترون چند لايه و الگوريتم يادگيري پس انتشار خطا، پهنه‌بندي خطر زمين‌لغزش صورت پذيرفت. نتايج نشان داد كه آرايش 1-7-11 با تابع فعال سيگموئيد بهترين ساختار براي بررسي پديده زمين‌لغزش در منطقه مورد مطالعه مي‌باشد. آموزش و آزمون و اعتبار سنجي مدل به ترتيب با 15، 15و 75 درصد داده ها كه به صورت تصادفي انتخاب شده بودند انجام گرديد. پس از بهينه شدن ساختار شبكه، اطلاعات استاندارد شده منطقه در اختيار شبكه قرارگرفت. بر اساس نتايج حاصل از پهنه‌بندي خطر زمين‌لغزش با مدل شبكه عصبي مصنوعي، به ترتيب 6/2، 7/10، 1/17، 3/64 و 3/5 درصد از مساحت منطقه در كلاس‌هاي خطر خيلي كم، كم، متوسط، زياد و خيلي زياد قرارگرفت. شبكه با نسبت يادگيري 5/0 و تعداد 7 نورون در لايه پنهان داراي كمترين مقدار خطا در آزمايش (RMSe=0.0321) بود.
چكيده لاتين :
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)
