ارزيابي عملكرد روش‌هاي آماري رگرسيون لجستيك و شبكه عصبي چندلايه پرسپترون در پيش‌بيني وقوع حركات توده‌اي (حوضه آبريز كمانج‌چاي عليا)

Performance evaluation neural network and logistic regression methods in predict the occurrence of mass movements in the upper of (Komanaj Chay basin)

ﺍﻳﻦ ﭘﮋﻭﻫﺶ ﺑﺎ ﻫﺪﻑ ﺷﻨﺎﺳﺎﻳﻲ ﻋﻮﺍﻣﻞ ﻣﺆﺛﺮ ﺩﺭ ﺍﻳﺠﺎﺩ ﭘﺪﻳﺪﻩ ناپايداري دامنه ­اي، ﺗﻌﻴﻴﻦ ﻣﻨﺎﻃﻖ ﺩﺍﺭﺍﻱ ﭘﺘﺎﻧﺴﻴﻞ ناپايداري­ هاي دامنه ­اي و ﺗﻬﻴه ­ي ﻧﻘﺸه­ ي ﭘﻬﻨﻪ­ﺑﻨﺪي ﺧﻄﺮ وﻗﻮع ﺩﺭ ﺣﻮﺿـﻪ كمانج­ چاي ﻋﻠﻴـﺎ كه از حوضه­ هاي مهم شمال شهرستان تبريز مي ­باشد، ﺑـﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ مدل­ هاي ﺭﮔﺮﺳﻴﻮﻥ ﻟﺠﺴﺘﻴﮏ و شبكه ­ي عصبي مصنوعي ﺍﻧﺠﺎﻡ ﺷﺪﻩ است. اين حوضه ﺑﻪ دﻟﻴﻞ ﺷﺮاﻳﻂ ﺗﻮﭘﻮﮔﺮاﻓﻲ، ﺗﻜﺘﻮﻧﻴﻚ، زﻣﻴﻦﺷﻨﺎﺳﻲ، ﭼﻴﻨﻪ ﺷﻨﺎﺳﻲ و اﻗﻠﻴﻢ ﻣﺴﺘﻌﺪ انواع ناپايداري­ هاي دامنه ­اي اﺳـﺖ و ﻫﻤـﻮاره اﻳـﻦ ﭘﺪﻳﺪه اﺗﻔﺎق ﻣﻲ­اﻓﺘﺪ. با توجه به هدف پژوهش ﻣﺘﻐﻴﺮﻫﺎيي چون: ارﺗﻔﺎع، ﺷـﻴﺐ، ﺟﻬﺖ ﺷﻴﺐ، ﺟﻨﺲ ﺳﺎزﻧﺪ، ﻓﺎﺻﻠﻪ از ﮔﺴﻞ، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧـﻪ، ﻛـﺎرﺑﺮي اراﺿـﻲ، ﻓﺎﺻﻠﻪ از ﺟﺎده، ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ و ﭘﺮاﻛﻨﺶ ناپايداري دامنه ­اي ﺑـﻪ ﻋﻨـﻮان ﻣﺘﻐﻴـﺮ واﺑـﺴﺘﻪ ﺑـﺎ اﺳﺘﻔﺎده از ﻣﺪل­ هاي رﮔﺮﺳﻴﻮن ﻟﺠﺴﺘﻴﻚ و شبكه­ ي عصبي مصنوعي ﺗﺤﻠﻴﻞ ﺷﺪ . ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد مهم­ترين ﻋﻮاﻣﻞ ﺗﺄﺛﻴﺮﮔﺬار در وﻗﻮع ناپايدار ي­هاي دامنه اي در ﺣﻮﺿﻪ ﺑﻪ ﺗﺮﺗﻴـﺐ ﻋﺒﺎرت­ اند از: عامل ارتفاع، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧﻪ، ليتولوژي، فاصله از گسل، ﺷـﻴﺐ و جهت شيب. بيش از 50 درصد ناپايداري­ هاي دامنه اي منطقه ي مورد مطالعه در ارتفاع 1850-1520 در شيب 32-17 درجه، در فاصله ­ي حداكثر 200 متري از آبراهه و حداكثر 500 متري از گسل رخ داده ­اند. با توجه به نتايج مدل­ ها درصد پهنه‌هايي با خطر بسيار بالا در مدل شبكه‌ي عصبي و رگرسيون لجستيك به ترتيب برابر با 5/6 و 8/3 درصد مي­ باشد كه عمدتا محدوده‌هاي نزديك به شبكه­ هاي زه كشي را شامل مي‌گردد كه از لحاظ ليتولوژي نيز اين مناطق در محدوده‌هايي با ميزان مقاومت پايين قرار گرفته‌اند كه روش آماري لجستيك نيز نشان دهنده تاثير بسيار زياد فاصله از گسل و ليتولوژي بر وقوع پديده زمين لغزش در منطقه مورد مطالعه مي‌باشد ارزﻳﺎﺑﻲ ﻣﺪل ­ها با شاخص ROC ﻧﺸﺎن داد ﻛـﻪ ﻣﻴـﺰان دﻗـﺖ ﻣﺪل رگرسيون لجستيك برابر با 0/894 و مدل شبكه­ ي عصبي 0/826 مي باشد. در واقع هر دو مدل مقدار بالايي را نشان مي دهد و حاكي از آن است كه حركات توده­اي و ناپايداري­ هاي دامنه ­اي مشاهده شده، رابطه قوي با مقادير احتمال حاصل از مدل ­هاي رگرسيون لجستيك و مدل شبكه ­ي عصبي مصنوعي دارد. ﻧﺘﺎﻳﺞ اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﻣﻲﺗﻮاﻧﺪ در ﻣﺪﻳﺮﻳﺖ ﺧﻄﺮ ناپايداري­ هاي دامنه ­اي و ﻛﻨﺘﺮل ﻋﻮاﻣﻞ ﺗﺸﺪﻳﺪﻛﻨﻨﺪه ﻣﻔﻴﺪ ﺑﺎﺷﺪ.

This study aimed to identify factors leading to slope instability, Maps preparation, determine potential areas mass movements and risk zoning in the Upper Basin Komanaj Chay. That is one of the important basins in the northern city of Tabriz, by Using logistic regression models and artificial neural network done. This basin due to topography, tectonics, geology, stratigraphy, and the climate is prone to a variety of slope instability, this phenomenon always occurs. According to the study variables such as altitude, slope, aspect, type of formation, distance to fault, distance from the river, land use, distance from the road, as the independent variable an‎d distribution of unstable slopes as the dependent variable using logistic regression models and artificial neural network was analyzed .The results showed that the most important factors in the occurrence of slope instability in the basin are as follows: Elevation, distance from the river, lithology, faults, slope and aspect More than 50 percent of instability range in height from 1850 to 1520 in the study area dip 32-17 degrees, at a distance of 200 meters from the canal and 500 meters from the fault occurred. According to the results of a very high percentage of areas the risk of neural network and logistic regression models respectively 5.6 and 8.3 percent is the mainly areas close to the drainage network which includes the lithology of these areas are located in areas with lower resistance. Statistical methods logistics showed a lot of reflects of faults and lithology in this areas is based Landslide. Evaluation ROC indicator showed that the model was assessed using logistic regression model is 0.894 and neural network models is 0.826. In fact, both models show a high value and suggest that mass movement and slope instabilities observed a strong relationship with probability values derived from logistic regression models and artificial neural network model. The results of this study can be useful risk management slope instabilities and control is deteriorating factors.