شبيه‌سازي مناطق مستعد سيلاب با استفاده از شبكه عصبي پرسپترون و سيستم اطلاعات جغرافيايي (منطقه موردمطالعه: حوزه آبخيز زولاچاي، شهرستان سلماس)

Simulation of Flood Prone Areas using Perceptron Neural Network and GIS (Study Area: Zolachai watershed, Salmas City)

مقدمه و هدف: امروزه پديده سيل يكي از پيچيده‌ترين رخدادهاي مخاطره‌آميز است كه بيش از ساير بلاياي طبيعي ديگر، همه‌ساله در نقاط مختلف دنيا منجر به ايجاد خسارت‌هاي جاني و مالي و تخريب اراضي كشاورزي مي‌شود. مواد و روش­ ها: به­ دليل سيل‌خيز بودن حوضه آبريز زولاچاي، شهرستان سلماس بررسي و شبيه‌سازي خطر وقوع سيل در اين منطقه ضروري به­ نظر مي‌رسد. لذا در اين پژوهش از تلفيق شبكه عصبي مصنوعي پرسپترون (MLP) و GIS استفاده شده است. ابتدا پارامترهاي تاثيرگذار در شبيه‌سازي مناطق سيلابي نظير: لايه شيب، ارتفاع، جهت جريان، خاك و كاربري اراضي مورد بررسي قرارگرفته و اين لايه‌هاي اطلاعاتي وارد نرم­ افزار ARCGIS5.3 شدند. لايه‌هاي اطلاعاتي مورد نظر با دستور Fishnet مورد پردازش قرار گرفتند و هركدام از لايه‌ها به point تبديل شدند و اين داده به همراه داده‌هاي تعليمي كه از گوگل ارث دريافت شده بود به شبكه عصبي معرفي شد. در شبكه عصبي پرسپترون لايه‌هاي ورودي شامل 5 نورون و 16 گره وارد مدل شدند. يافته­ ها: نتايج نشان داد، ارتفاع داراي كم‌ترين وزن (R2=0.713) و بيشترين وزن مربوط به جهت جريان (R2=0.913) در شبيه‌سازي سيلاب حوزه آبخيز زولاچاي، شهرستان سلماس مي‌باشد. نتيجه ­گيري: مي‌توان بيان كرد تلفيق GIS و شبكه عصبي مصنوعي مي‌تواند براي مدل‌سازي و شبيه‌سازي سيلاب در محيط‌هاي مكاني مختلف براي جلوگيري و كاهش خطرات محيطي بسيار مفيد واقع شود.

Introduction and Objective: Today, the flood phenomenon is one of the most complex and dangerous events that, more than other natural disasters, leads to human and financial losses and destruction of agricultural lands in different parts of the world every year. Material and Methods: Due to the flooding of Zolachai Watershed, Salmas County, it seems necessary to study and simulate the risk of floods in this area. Therefore, in this study, a combination of artificial perceptron neural network (MLP) and GIS has been used. First, the effective parameters in simulating flood areas such as: slope layer, height, flow direction, soil and land use were examined and these information layers were entered into GIS software. The information layers were processed with the Fishnet command. an‎d each layer became a point.This data, along with the educational data received from Google Earth, was introduced to the perceptron neural network. Results: In the perceptron neural network, the input layers including 5 neurons and 16 nodes entered the model and the results showed that the height has the lowest weight (R2=0.713) and the highest weight related to the flow direction (R2=0.913) in simulating the Zolachai Watershedflood., Is the city of Salmas. Conclusion: It can be said that the combination of GIS and artificial neural network can be very useful for modeling and simulating floods in different spatial environments to prevent and reduce environmental hazards.