پهنه بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی(مطالعة موردی: حوزه سپیددشت، لرستان)
محورهای موضوعی : توسعه سیستم های مکانیسیامک بهاروند 1 , سلمان سوری 2
1 - استادیار گروه زمین شناسی، دانشگاه آزاد اسلامی واحد خرم آباد، خرم آباد، ایران
2 - باشگاه پژوهشگران جوان و نخبگان، واحد خرم آباد، دانشگاه آزاد اسلامی، خرمآباد، ایران
کلید واژه: سیستم اطلاعات جغرافیایی, Geographic Information System (GIS), شبکه عصبی مصنوعی, Lorestan, landslide, Artificial Neural Network (ANN), لرستان, زمین لغزش, سپددشت, Sepiddasht,
چکیده مقاله :
این تحقیق با هدف پهنهبندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استفاده از تصاویر ماهواره‌ای TM و +ETM، عکس های هوایی 1:50000 منطقه و بازدیدهای میدانی (سال 1393) شناسایی و ثبت گردیدند. با قطع نقشه‌های عوامل مؤثر بر لغزش با نقشه پراکنش زمین‌لغزش‌ها، تاثیر هر یک از عوامل شیب، جهت شیب، کاربری اراضی، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، جاده و آبراهه به ناپایداری شیب‌ها در محیط نرم‌افزار ArcGIS®10.1 برآورد گردید. در محیط متلب ساختار مناسب (1-13-9) برای پهنهبندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا نوشته شد. بر اساس نتایج پهنه بندی خطر زمین لغزش با استفاده از این مدل به ترتیب 18/0، 41/12، 09/14، 85/29 و 52/43% از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند.
This study was carried out to determine the relative hazard zonation of the slope instabilities and landslide occurrence in Sepiddasht, Iran. The method of Artificial Neural Network with the multiple-layer percepteron structure and the back propagation learning algorithm were used. In order to study the stability of the slopes, the landslides of the region were initially identified and recorded using satellite images of TM and ETM+, aerial images of 1:50,000, and field surveys (year, 2014). The impact of each factor including slope, aspect, land use, elevation, lithology, precipitation, the distance from the fault road and drainage on the slope instabilities was estimated using the ArcGIS®10.1 software via combining the map of the factors influencing the landslide with the landslide distribution map. Then a proper structure (1-13-9) for the landslide hazard zonation of Sepiddasht region was obtained through training the artificial neural network by MATLAB software. Based on the results of the landslide hazard zonation, 0.18, 12.41, 14.09, 29.85, and 43.52 percent of the region were located in very low, low, medium, high, and very high risk classes respectively.
1. بهاروند، س. و س. سوری. 1394. پهنهبندی خطر زمینلغزش با استفاده از منطق فازی و مدل تراکم سطح (مطالعه موردی حوزه کاکاشرف، جنوب شرقی خرمآباد). نشریه زمینشناسی مهندسی، 9(4): 3093-3112.
2. پورقاسمی، ح. ر.، ح. ر. مرادی، م. فاطمی عقدا، م. ر. مهدویفر و م. محمدی. 1390. ارزیابی عوامل ژئومورفولوژیکی و زمینشناسی در تهیه نقشه خطر زمینلغزش با استفاده از منطق فازی و روش تحلیل سلسله مراتبی (مطالعه موردی: بخشی از حوزه آبخیز هراز). مجله پژوهش حفاظت آب و خاک، 18(4): 1-20.
3. راکعی، ب.، م. خامهچیان، پ. عبدالملکی و پ. گیاهچی. 1386. کاربرد شبکه عصبی مصنوعی در پهنهبندی خطر زمین لغزش. مجله علوم دانشگاه تهران، 33(1): 57-64.
4. سوری، س.، س. بهاروند، ر. احمدیان مقدم و م. دهبان. 1392. پهنهبندی خطر زمینلغزش با استفاده از مدل فرآیند تحلیل سلسله مراتبی (مطالعه موردی: حوزه کسمت). فصلنامه زمینشناسی کاربردی، 9(2): 101-110.
5. سوری، س.، غ. ر. لشکریپور، م. غفوری و ط. فرهادینژاد. 1390. پهنهبندی خطر زمینلغزش با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه کشوری نوژیان). نشریه زمینشناسی مهندسی، 5(2): 1269-1286.
6. سوری، س.، غ. ر. لشکریپور، م. غفوری و ط. فرهادینژاد. 1392. اولویتبندی عوامل موثر بر زمینلغزش و تهیه نقشه خطر آن با استفاده از مدل فرآیند تحلیل سلسله مراتبی (مطالعه موردی: حوزه کشوری). نشریه انجمن زمینشناسی مهندسی ایران، 6(1-2): 1-12.
7. شریعت جعفری، م. و ر. حامدپناه. 1386. پیشبینی خطر ناپایداری شیبهای طبیعی با استفاده از عملگرهای ضرب و جمع جبری فازی در البرز مرکزی. نشریه منابع طبیعی، 60(3): 745-757.
8. عابدینی، م. و م. ح. فتحی. 1393. پهنهبندی حساسیت خطر وقوع زمینلغزش در حوزه آبخیز خلخال چای با استفاده از مدلهای چند معیاره. نشریه پژوهشهای ژئومورفولوژی کمی، 2(4): 71-85.
9. عرب عامری، ع.، ع. کلوراژان، ج. کرمی، م. علیمرادی و ک. شیرانی. 1393. استفاده از شبکه عصبی مصنوعی در پهنهبندی خطر زمینلغزش (مطالعه موردی: حوزه ماربر). فصلنامه بین‌المللی پژوهشی تحلیلی زمین پویا، 4(7): 112-128.
10. فرهادینژاد، ط.، م. شریعت جعفری، س. سوری و ا. ویسکرمی. 1389. ارزیابی مدلهای پیشبینی خطر زمینلغزش در زیر حوزه سرخاب از واحدهای هیدرولوژیکی سد دز. مجله انجمن زمینشناسی مهندسی ایران، 3: 23-32
11. منهاج، م. ب. 1381. مبانی شبکههای عصبی. انتشارات صنعتی امیرکبیر (پلیتکنیک تهران). 715 صفحه.
12. Ayalew L, Yamagishi H. 2005. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65(1): 15-31.
13. Caniani D, Pascale S, Sdao F, Sole A. 2008. Neural networks and landslide susceptibility: a case study of the urban area of Potenza. Natural Hazards, 45(1): 55-72.
14. Carrara A and Guzzetti F. 1995. Geographical Information Systems in Assessing Natural Hazards. Kluwer Academic Publisher, Dordrecht, The Netherlands, PP.135-175.
15. Conforti M, Pascale S, Robustelli G, Sdao F. 2014. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (Northern Calabria, Italy). Catena, 113: 236-250.
16. Ercanoglu M, Gokceoglu C. 2004. Use of fuzzy relations to produce landslide susceptibility map of a landslide prone area (West Black Sea Region, Turkey). Engineering Geology, 75(3): 229-250.
17. Fattahi M, Toosi S and Tabar Ahmadi MKh. 2007. Estimation of Neka river sediment load by artificial neural network. 7th International Conference on River Engineering, Shahid Chamran University, Ahwaz, Iran, P 253-261.
18. Fausett L. 1994. Fundamental of Neural Networks: Architecture, Algirithms and Applications, Prentice Hall. 461 pp.
19. Gomez H, Kavzoglu T. 2005. Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela. Engineering Geology, 78(1): 11-27.
20. Lee S, Ryu J-H, Lee M-J, Won J-S. 2006. The application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea. Mathematical Geology, 38(2): 199-220.
21. Mathew J, Jha V, Rawat G. 2007. Weights of evidence modelling for landslide hazard zonation mapping in part of Bhagirathi valley, Uttarakhand. Current Science-Bangalore, 92(5): 628-638.
22. Melchiorre C, Matteucci M, Azzoni A, Zanchi A. 2008. Artificial neural networks and cluster analysis in landslide susceptibility zonation. Geomorphology, 94(3): 379-400.
23. Moradi M, Bazyar M, Mohammadi Z. 2012. GIS-based landslide susceptibility mapping by AHP method, a case study, Dena City, Iran. Journal of Basic and Applied Scientific Research, 2(7): 6715-6723.
24. Negnevitsky M. 2002. Artificial intelligence – A Guide to Intelligent Systems, Addison – Wesley Co. Great Britain, 394 pp.
25. Rautela P, Lakhera RC. 2000. Landslide risk analysis between Giri and Tons rivers in Himachal Himalaya (India). International Journal of Applied Earth Observation and Geoinformation, 2(3): 153-160.
26. Regmi NR, Giardino JR, Vitek JD. 2010. Modeling susceptibility to landslides using the weight of evidence approach: Western Colorado, USA. Geomorphology, 115(1): 172-187.
27. Tangestani MH. 2009. A comparative study of Dempster–Shafer and fuzzy models for landslide susceptibility mapping using a GIS: An experience from Zagros Mountains, SW Iran. Journal of Asian Earth Sciences, 35(1): 66-73.
28. Yilmaz I. 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat—Turkey). Computers & Geosciences, 35(6): 1125-1138.