پهنه‌بندي خطر زمين‌لغزش در حوضه آبخيز طالقان با استفاده از روش سيستم هاي هوشمند

Landslide Hazard Zonation in Taleghan Watershed by Using Intelligent Systems

زمين لغزش ها هر سال خسارت هاي مالي و جاني زيادي به‌بار مي آورند. نقشه هاي پهنه‌بندي خطر زمين لغزش مي توانند به كاهش اين خسارت ها كمك كنند. حوزه آبخيز طالقان از جمله حوزه هاي مستعد زمين لغزش است كه بررسي شده است. در اين مقاله به پهنه بندي خطر زمين-لغزش در اين منطقه و در مقياس 50000/1، و با در نظر داشتن لايه هاي اطلاعاتي پراكندگي لغزش ها، شيب، براي شيب، زمين‌شناسي (ليتولوژي)، فاصله از گسل ها، فاصله از آبراهه ها، با روش شبكه هاي عصبي مصنوعي مبتني بر توابع پايه اي گوسي (RBF) و شبكه‌هاي عصبي پرسپترون (MLP) مي‌پردازيم. كليات روش RBF تا حدود زيادي مشابه شبكه هاي عصبي پرسپترون (MLP) است كه تا كنون قابليت آن مشخص شده است و چندين تفاوت ساختاري در مولفه ها بين اين دوروش شبكه عصبي وجود دارد. از نتايج نهايي مشخص شد كه نقشه‌هاي حاصل از هر دو روش قابل قبول هستند و روش MLP دقت بيش‌تري نسبت به‌روش RBF دارد.

Landslides are natural hazards that make a lot of economical and life losses every year. Landslide hazard zonation maps can help to reduce these damages. Taleghan watershed is one the susceptible basin to landslide that has been studied. In this paper, landslide hazard zonation of the study area is performed at a scale of 1:50,000. To achieve this aim, layers information such as landslides distribution, slope, aspect, geology (lithology), distance from the faults and distance from rivers using artificial neural network-based Radial Basis Function (RBF) and perceptron neural network (MLP), has been studied. Principal of RBF method is similar to perceptron neural network (MLP), which its ability somewhat has been identified up to now and there are several structural differences between these two neural networks. The final results showed that the maps obtained from both methods are acceptable but the MLP method has a higher accuracy than the RBF method.