مدل سازي حركات دامنه اي محدوده مخزن سد ستارخان اهر با استفاده از مدل هاي پيش بيني كننده لجستيك و شبكه عصبي

Modeling the hillside movement in the area of Sattarkhan dam reservoir using by predictive models Logistic Regression and Neural Network

ناپايداري هاي دامنه اي، مخاطرات مهمي براي فعاليت هاي انساني هستند، اين مخاطرات، در شيب هاي طبيعي و يا شيب هايي كه به دست انسان تغيير يافته اند، اتفاق مي افتد. پژوهش حاضر با هدف شناسايي عوامل موثر در ايجاد پديده ناپايداري دامنه اي با استفاده از مدل هاي آماري رگرسيون لجستيك و شبكه عصبي مصنوعي در حوضه سد ستارخان اهر انجام گرديده است. هدف از اين پژوهش، تعيين مناطق داراي پتانسيل وقوع ناپايداري و نهايتا تهيه نقشه پهنه بندي خطر با استفاده از مدل هاي آماري براي منطقه مورد مطالعه است. بدين منظور، ابتدا مهم ترين عوامل موثر در زمين لغزش مانند شيب، جهت شيب، ارتفاع از سطح دريا، بارندگي، فاصله از جاده، گسل و شبكه زهكشي، كاربري اراضي و سنگ شناسي بررسي و خصوصيات هر يك از آنها شناسايي و با روش فازي، استانداردسازي گرديدند. مبناي استانداردسازي روش هيستوگرام با استفاده از قطع طبقات هر لايه با زمين لغزش هاي رخ داده بوده كه پراكنش زمين لغزش ها از طريق انجام عمليات ميداني و با استفاده از تصاوير ماهواره اي تهيه و رقومي گرديده و به عنوان نقاط آموزش دهنده مدل ها نيز مورد استفاده قرار گرفت. نتايج مدل ها نشان داد درصد پهنه هايي با خطر بسيار بالا در مدل شبكه عصبي و رگرسيون لجستيك به ترتيب 7/24% و 5/56% است كه عمدتا محدوده هاي نزديك به سد ستارخان را شامل مي گردد. از لحاظ ليتولوژي، اين مناطق در محدوده هايي با ميزان مقاومت پايين قرار گرفته اند كه روش آماري لجستيك نيز نشان دهنده تاثير بسيار زياد فاصله از گسل و ليتولوژي بر وقوع پديده لغزش در منطقه مورد مطالعه است. همچنين مقدار شاخص ROC براي مدل هاي شبكه عصبي و رگرسيون لجستيك به ترتيب 0/85 و 0/81 به دست آمد؛ مي توان گفت روش شبكه عصبي، مدلي كارآمدتر جهت پهنه بندي وقوع زمين لغزش است؛ بنابراين، هرگونه برنامه ريزي و ساخت و ساز مي بايست ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺷﺮاﻳﻂ ژﺋﻮﻣﻮرﻓﻮلوژي و زمين شناسي منطقه باشد تا متحمل حداقل خسارات جاني و مالي نگردد.

Slope instabilities are considered as one of the major dangers to human activities which occurred in natural slopes and the slopes made by humans. This study aimed to identify the factors affecting the occurrence of slope instability using logistic regression models and artificial neural network in Ahar Sattar khan dam basin. The results of statistical models to determine the potential areas of instability and ultimately create a hazard zonation map for the study area. In this regard, the most important factors in landslides such as slope, aspect, elevation, rainfall, distance from the road, fault and drainage, land use and exploration and peculiarities of each of them were identified. Standardization base of histogram model is by cutting the classes of each layer with occurred landslides. The models show that the very high-risk area in the neural network and logistic regression are 724 and 5/56 per cent respectively which cover the areas close to Sattar khan dam, mainly including the lithology of these areas located in the regions with lower resistance. Besides, Statistical methods Logistic prove that faults and lithology have an immense impact on the occurrence of landslide in this area. The ROC index value for neural network and logistic regression models are 0/85 and 0/81. So it can be said neural network model for zoning of landslides is more efficient, so any planning and construction must be compatible with the conditions of geomorphology and geology of the area leading to as least human and financial losses as possible.