مقايسه روش هاي شبكه عصبي مصنوعي و رگرسيون چند متغيره در پهنه بندي خطر زمين لغزش، مطالعه موردي: حوضه ونك، استان اصفهان

Comparison of artificial neural network and multivariate regression methods in landslide hazard zonation, case study: Vanak Basin, Isfahan province

زمين لغزش ها از مهمترين خطرات طبيعي هستند كه نه تنها زندگي انسان را به خطر مي اندازند، بلكه باعث ايجاد بار اقتصادي براي جامعه مي شوند. با توجه به اهميت تشخيص مناسب ترين روش برآورد صحيح خطر زمين لغزش، در اين پژوهش ميزان كارايي دو روش شبكه عصبي مصنوعي و رگرسيون چندمتغيره مقايسه شد. بدين منظور ابتدا با استفاده از عكس هاي هوايي، تصاوير ماهواره اي، نقشه هاي زمين شناسي و بررسي هاي ميداني نقشه پراكنش زمين لغزش ها تهيه شد. همچنين، با استفاده از بررسي هاي ميداني و مرور مطالعات انجام شده اقدام به بررسي و تعيين نه پارامتر موثر در رخداد زمين لغزش شامل ليتولوژي، كاربري اراضي، شيب، جهت شيب، ارتفاع، بارش، فاصله از گسل، فاصله از جاده و تراكم شبكه زه كشي شد. پس از تهيه لايه هاي اطلاعاتي با استفاده از GIS و وزن دهي به عوامل موثر، با استفاده از نقشه پراكنش زمين لغزش، اقدام به تهيه نقشه هاي پهنه بندي خطر زمين لغزش با استفاده از روش هاي شبكه عصبي مصنوعي و رگرسيون چند متغيره شده و نتايج مورد ارزيابي قرار گرفت. با توجه به اينكه براي ارزيابي مدل نمي توان از همان لغزش هايي استفاده نمود كه در پهنه بندي استفاده شده اند، لذا، از بين نقاط لغزشي، 70 درصد (140 عدد) براي اجراي مدل و 30 درصد (60 عدد) براي ارزيابي مدل ها مورد استفاده قرار گرفت. مقادير شاخص هاي مجموع كيفيت (QS) و دقت (P) به ترتيب براي روش شبكه عصبي (0.15 و 0.08) و براي روش رگرسيون چند متغيره (0.14 و 0.05) بوده كه اين نتايج بيانگر تناسب بيشتر نتايج مدل شبكه عصبي در پهنه بندي منطقه مورد مطالعه مي باشد. بدين ترتيب با انتخاب بهترين روش پهنه بندي، مي توان به نقشه پهنه بندي خطر قابل اعتماد و نتايج مطلوب تري دست يافت.

Landslides are major natural hazards which not only cause damages to human life but also provide economic losses on infrastructures. In order to determination of the most important method of estimation recognizing appropriate method to estimate landslide، in this research، the efficiency of two methods of landslide hazard zonation including methods of Artificial Neural Network and Multivariate regression were compared. Therefore، in this research، first، landslide inventory map was obtained using aerial photos interpretation، satellite images processing، geology maps review and field surveying. Also، the 9 important effective factors are in occurrence of landslide including lithology، land use، slope angle، slope aspect، elevation، precipitation، distance to fault، distance to road، density of drainage were determined using inspect of field and literature review. After producing of layers and weighting to effective factors using inventory map، landslide hazard zonation was made by Artificial Neural Network and Multivariate regression models. From 200 landslides identified، 140 (≈70%) locations were used for the landslide susceptibility maps، while the remaining 60 (≈30%) cases were used for the model validation. The quality sum (Qs) and precision (P) indices for Artificial Neural Network model are 0.15، 0.08 and for Multivariate regression model are 0.14، 0.05 respectively. This results show that artificial Neural Network is the better model in landslide hazard zonation in this area، therefore an accurate landslide hazard zonation map can be prepared by selecting and applying the proper method.