پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,963,248 |
| تعداد دریافت فایل اصل مقاله | 89,636,225 |
کاربرد سیستم شبکة عصبی مصنوعی در پهنه بندی خطر زمین لغزش, مطالعه موردی: ناحیه سفیدار گله در استان سمنان | ||
| مجله علوم دانشگاه تهران (منتشر نمی شود) | ||
| مقاله 6، دوره 33، شماره 3 - شماره پیاپی 1000271، شهریور 1387 اصل مقاله (668.85 K) | ||
| نویسندگان | ||
| بابک راکعی؛ ماشااله خامه‌چیان؛ پرویز عبدالملکی؛ پانته‌آ گیاهچی* | ||
| چکیده | ||
| تشخیص مناطق مستعد لغزش مسائل مختلفی را مطرح می‌کند که برای حل این مسائل روشهای متعددی مورد استفاده قرار گرفته است ولی بطور کلی به دو دسته روشهای مستقیم و غیر مستقیم طبقه‌بندی می‌شود و در تحقیق حاضر از روش غیرمستقیم استفاده شده‌است. هدف از این تحقیق بررسی استفاده از شبکه عصبی مصنوعی برای پهنه بندی خطر زمین لغزش در منطقة سفیدارگلة استان سمنان میباشد. جهت ارزیابی شبکه عصبی ایجادشده، داده های 49 زمین لغزش اتفاق افتاده به سیستم ارائه گردید. این پایگاه داده، شامل اطلاعات مربوط به شیب, جهت شیب، لیتولوژی، مدل ارتفاعی رقومی، بارندگی، فاصله از گسل و کاربری اراضی منطقه میباشد. این داده ها جهت تغذیه به شبکه عصبی ایجاد شده، بر اساس بزرگترین مقدار موجود هر داده در بانک اطلاعاتی بین صفر ویک نرمالیزه گردید. سپس داده های نرمالیزه شده به یک شبکه عصبی پرسپترون سه لایة تغذیه شونده به جلو (feed forward) با الگوریتم پس انتشار خطا (back error propagation) تغذیه گردید. بطور خلاصه ابتدا پارامترهای ورودی استخراج و شبکه عصبی بر مبنای آنها توسط الگوریتم پس انتشار خطا آموزش داده شد. سپس کارایی شبکه آموزش داده شده مورد آزمایش قرار گرفت. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی, 20 نرون در لایه میانی و 1 نرون در لایه خروجی گردید. تعداد اطلاعات برای آموزش شبکه 1626 و برای آزمایش 400 واحد در نظر گرفته شد. دقت شبکه در مرحلة آزمایش 25/91% تخمین زده شد. بعد از بهینه شدن ساختمان شبکه کل اطلاعات مربوط به منطقه در اختیار شبکه قرار گرفت. خروجی بدست آمده از شبکة عصبی با اختلاف 2/0 به پنج ردة باخطرخیلی زیاد، زیاد, متوسط، کم و خیلی کم تقسیم گردید. | ||
| کلیدواژه‌ها | ||
| زمین لغزش؛ شبکه عصبی مصنوعی؛ پرسپترون؛ پهنه بندی | ||
| عنوان مقاله [English] | ||
| Application of Artificial Neural Network for Landslide Hazard Zonation | ||
| چکیده [English] | ||
| There are several methods for zonation of landslide hazard. They can be generally divided into two groups; direct and indirect methods. In this study, we used Artificial Neural Network (ANN) as an indirect method for landslide hazard zonation in Semnan province. A total of 49 landslides or slide zones, that overlaid on the topographical map with the scale of 1:50000, were studied. Maps of factors such as lithology, slope, aspect, land use, buffer of faults, DEM, precipitation were then prepared. These data were then normalized, according to the maximum value of each factor. The normalized data was then fed into a multi-layer preceptor with back error propagation algorithm. The network had 3 layers, first layer as input layer, had 7 input elements each of which related to one factor. The second layer as hidden layer had 20 process element. The last layer as output layer consisted of one process elements which have been trained to offer 5 level of hazard risk. This structure was found as the best optimized structure through extensive simulations. Our data base consisted of 2016 records. This database was randomly divided into the two separate groups. One as train database consisted of 1626 records which used to train the established ANN. The second group named the testing database consisted of 400 records, which used to test the performance of the ANN. The accuracy of network for predicting landslide hazard was measured about 91.25%. Results reveal that artificial neural network model the landslide hazard zonation better that other approaches. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, perceptron, landslide, Zonation | ||
|
آمار تعداد مشاهده مقاله: 2,648 تعداد دریافت فایل اصل مقاله: 2,001 |
||