پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,522,105 |
| تعداد دریافت فایل اصل مقاله | 98,781,658 |
مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی در ارزیابی خطر زمین‌لغزش | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 7، دوره 2، شماره 2، تیر 1394، صفحه 225-250 اصل مقاله (558.04 K) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2015.55063 | ||
| نویسندگان | ||
| ایمانعلی بلواسی* 1؛ محمدحسین رضائی مقدم2؛ محمدرضا نیکجو3؛ خلیل ولی زاده کامران4 | ||
| 1کارشناس ارشد سنجش از دور و GIS دانشکدۀ جغرافیا و برنامه‌ریزی دانشگاه تبریز | ||
| 2محمدحسین رضائی مقدم، استاد ژئومورفولوژی دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز | ||
| 3- محمدرضا نیکجو، استادیار گروه آب‌و‌هواشناسی دانشکدۀ جغرافیا و برنامه‌ریزی دانشگاه تبریز | ||
| 4استادیار گروه آب‌و‌هواشناسی دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز | ||
| چکیده | ||
| زمین‌لغزش یکی از مخاطرات طبیعی در مناطق کوهستانی به‌شمار می‌رود که هرساله به خسارات زیادی منجر می‌شود. حوضۀ دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوۀ زمین‌لغزش است. هدف این تحقیق مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی، به‌منظور ارزیابی خطر زمین‌لغزش در حوضۀ دوآب الشتر است. بدین منظور ابتدا پارامترهای مؤثر در وقوع زمین‌لغزش استخراج و سپس لایه‌های مربوط تهیه شد. سپس نقشۀ پراکنش زمین‌لغزش‌های رخ‌‌دادۀ حوضه تهیه شد. در ادامه با مقایسه و بررسی نقشۀ عوامل مؤثر بر لغزش با نقشۀ پراکنش زمین‌لغزش‌ها، تأثیر هر یک از عوامل شیب، جهت شیب، ارتفاع، سنگ‌شناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرم‌افزار ArcGIS سنجیده شد. در این پژوهش به‌منظور پهنه‌بندی خطر زمین‌لغزش در حوضۀ دوآب الشتر، از مدل‌های شبکۀ عصبی مصنوعی و تحلیل سلسله‌مراتبی استفاده شد. در مدل شبکۀ عصبی مصنوعی الگوریتم پس‌انتشار خطا و تابع فعال‌سازی سیگموئید به‌کار گرفته شد. ساختار نهایی شبکه دارای 8 نورون در لایۀ ورودی، 11 نورون در لایۀ پنهان و 1 نورون در لایۀ خروجی شد. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت و در نهایت با توجه به وزن خروجی، نقشۀ پهنه‌بندی زمین‌لغزش تهیه شد. در روش فرایند تحلیل سلسله‌مراتبی، پس از مقایسۀ زوجی و استخراج وزن پارامترها، با تلفیق آنها پتانسیل زمین‌لغزشی حوضه به‌دست آمد. برای ارزیابی و طبقه‌بندی نتایج خروجی مدل‌های مورد استفاده در برآورد خطر لغزش منطقه از ضریب آماری کاپا استفاده شد. نتایج به‌دست‌آمده نشان می‌دهد که مدل شبکۀ عصبی مصنوعی با ضریب کاپای 90/0روش کارامدتری نسبت به مدل تحلیل سلسله‌مراتبی در تهیۀ نقشۀ خطر لغزش‌های حوضۀ دوآب الشتر است. | ||
| کلیدواژه‌ها | ||
| حوضۀ دوآب الشتر؛ زمین‌لغزش؛ سیستم اطلاعات جغرافیایی؛ شبکۀ عصبی مصنوعی؛ فرایند تحلیل سلسله‌مراتبی | ||
| عنوان مقاله [English] | ||
| Comparison of Artificial Neural Network Model With Analytical Hierarchy Process In Landslide Hazard Assessment Using Geographic Information Systems | ||
| نویسندگان [English] | ||
| Imanali Balvasi1؛ Mohammad Hossein Rezaei Moghaddam2؛ Mohammad Reza Nikjo3؛ Khalil Valizadeh Kamran4 | ||
| 1M.Sc. Graduated of Remote Sensing & Geographic Information Systems, University of Tabriz, Tabriz, Iran | ||
| 2professor of Geomorphology, Faculty of Geography and Planning, University of Tabriz. | ||
| 3Assistance Professor, Department of geomorphology, Faculty of Geography & Planning, University of Tabriz, Tabriz, Iran. | ||
| 4Assistance Professor, Department of Climatology, Faculty of Geography & Planning, University of Tabriz, Tabriz, Iran. | ||
| چکیده [English] | ||
| Landslide is one of the natural hazards in mountainous regions that results in huge losses every year. Alashtar Doab watershed with mountainous terrains, uplands and different natural conditions has the potential for landslide. The purpose of this study is to compare the ANN[1] model with AHP to evaluate landslide in Alashtar Doab watershed. In order to preparing the map, first of all parameters of the landslide were extracted and then the layers were prepared and after that a landslide distribution map that was occurred in the basin was prepared and then by combining landslide influencing factors with landslide distribution map, the impact of each of these factors such as slope, aspect, elevation, lithology, rainfall, land use, distance from fault and stream in ArcGIS software were measured. In this study, in order to landslide hazard zoning in Alashtar Doab watershed, the ANN and AHP[2] were used. Back propagation algorithm and sigmoid activation function were used in ANN. The final structure of the network consisted of eight neurons in the input layer, eleven neurons in the hidden layer and one neuron in the output layer. After optimization of the network structure, all area information was imported to the network and finally, landslide hazard zoning map was prepared according to output weight. In AHP method, after paired comparisons and extracting of the weight of parameters, the potential landslide area was obtained by combining them. The kappa statistic factor was used for assessment and classification output results of model that were used to estimate of landslide hazard. The result shows that the ANN model with 0.9 kappa coefficient is more efficient | ||
| کلیدواژه‌ها [English] | ||
| landslide, Artificial Neural Network, Alashtar Doab watershed, GIS and AHP | ||
| مراجع | ||
|
[1] احمدی، حسن؛ محمدخان، شیرین؛ فیض‌نیا، سادات؛ قدوسی، جمال (1384). ساخت مدل منطقه‌ای خطر حرکت‌های توده‌ای با استفاده از تحلیل سلسله‌مراتبی. مطالعه موردی: حوضۀ آبخیز طالقان، مجلۀ منابع طبیعی ایران، 58 : 14-3. [2] راکعی، بابک؛ خامه‌چیان، ماشاالله؛ عبدالملکی، پرویز؛ گیاهچی، پانته‌آ ( 1386). کاربرد شبکۀ عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مجلۀ علوم دانشگاه تهران.33(1): 64-57. [3] سازمان جغرافیایی نیروهای مسلح، نقشۀ توپوگرافی1:50000 الشتر، نهاوند، فیروزآباد و قلعه حاتم. [4] سازمان زمین‌شناسی کشور، نقشۀ 1:100000 خرم آباد. [5] سازمان زمین‌شناسی کشور، نقشۀ 1:100000 همدان. [6] سازمان هواشناسی لرستان، آمار بیست‌سالۀ ایستگاه‌های باران‌سنجی و سینوپتیک. [7] سپهوند، علی‌رضا (1389). پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکۀ عصبی مصنوعی در بخشی از حوزۀ آبخیز هراز، پایان‌نامۀ کارشناسی ارشد، دانشکدۀ منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس. [8] سوری، سلمان؛ لشگری‌پور، غلامرضا؛ غفوری، محمد (1391). پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکۀ عصبی مصنوعی، نشریۀ زمین‌شناسی مهندسی، جلد 5 شمارۀ 2: 1286-1269. [9] شادفر صمد؛ یمانی، مجتبی؛ غیومیان، جعفر (1386). پهنه‌بندی خطر زمین‌لغزش با استفاده از روش تحلیل سلسله‌مراتبی، پژوهش و سازندگی در منابع طبیعی، 75 : 126-118. [10] شادفر، صمد؛ یمانی، مجتبی؛ نمکی، محمد (1384). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LENR در حوضۀ چالکرود، مجلۀ آب و آبخیز،3: 68-62. [11] فاطمی عقدا، سیدمحمود؛ غیومیان، جعفر (1382). ارزیابی کارایی روش‌های آماری در تعیین پتانسیل خطر زمین‌لغزش، مجله علوم زمین، شمارۀ 11: 47-28. [12] فیض‌اله‌پور، مهدی (1391). پهنه‌بندی مناطق مستعد لغزش در رودخانۀ گیوی‌چای با استفاده از مدل شبکۀ عصبی مصنوعی، رسالۀ دکتری، دانشگاه تبریز، تبریز. [13] فیض‌نیا، سادات؛ کلارستاقی، عطاالله؛ احمدی، حسن (1383)، بررسی عوامل مؤثر در وقوع زمین‌لغزش‌ها و پهنه‌بندی خطر زمین‌لغزش، مجلۀ منابع طبیعی ایران، 57 (1): 20-3. [14] قدسی‌پور، سید حسن (1388). فرایند تحلیل سلسله‌مراتبی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ هفتم، تهران [15] کرم، عبدالامیر (1380). مدلسازی کمی و پهنه‌بندی خطر زمین‌لغزش در زاگرس چین‌خورده (مطالعۀ موردی: حوضۀ آبخیز سرخون- استان چهارمحال و بختیاری)، رسالۀ دکتری جغرافیای طبیعی، دانشگاه تربیت مدرس:354. [16] کورکی‌نژاد، محمد (1380). مقایسۀ کارایی دو مدل پهنه‌بندی خطر زمین‌لغزش (حائری و مورا) با استفاده از ساجد در حوضۀ آبخیز سیاه رودبارگرگان، پایان‌نامۀ کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان: 24. [17] کیا، مصطفی، (1389)، شبکه‌های عصبی در متلب، انتشارات کیان رایانۀ سبز: 229. [18] محمدی، محمدرضا (1386). تحلیل خطر حرکات توده‌ای و ارائۀ مدل مناسب با استفاده ازGIS (مطالعۀ موردی: بخشی از حوضۀ آبخیز هراز)، پایان‌نامۀ کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکدۀ منابع طبیعی و علوم دریایی: 79. [19] مرادی، حمیدرضا؛ سپهوند، علی؛ عبدالمالکی، پرویز (1389). بررسی کارایی شبکۀ عصبی مصنوعی برای پهنه‌بندی خطر زمین‌لغزش (مطالعۀ موردی: بخشی از حوضۀ آبخیز هراز)، مجموعه مقالات ششمین همایش ملی علوم و مهندسی آبخیزداری و چهارمین همایش ملی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکدۀ منابع طبیعی دانشگاه تربیت مدرس. [20] معماریان، حسین (١٣٧٤). زمین‌شناسی مهندسی و ژئوتکنیک، انتشارات دانشگاه تهران. [21] منهاج، محمدباقر (1381). مبانی شبکه‌های عصبی، انتشارات صنعتی امیرکبیر (پلی تکنیک تهران)، 715 ص. [22] ناجی، سیدمحمود (1385). پهنه‌بندی خطر لغزش در محور ساری-کیاسر، پایان‌نامۀ کارشناسی ارشد زمین‌شناسی زیست محیطی، دانشگاه صنعتی شاهرود:86. [23] نیازی، یعقوب؛ اختصاصی، محمدرضا؛ طالبی، علی؛ آرخی، صالح؛ مختاری، محمدحسین (1389). ارزیابی کارایی مدل آماری دومتغیره در پیش‌بینی خطر زمین‌لغزش در حوضۀ سد ایلام، مجلۀ علمی و پژوهشی علوم و مهندسی آبخیزداری ایران سال 4، شمارۀ 10، بهار:20-9. [24] Binaghi, E., Luzi, L., Madella, P., Pergalani, F., Rampini, A. (1998). Slope instability zonation: acomparison between certainty factor and fuzzy dempster– shafer approaches, Natural Hazards, 17, 77–97.
[25] Biswajeet Paradhan, (2010). Remote sensing and GIS based Lanslid hazard analysis and cross validation using multivariate logistic regression model on three test ares in Malaysia.
[26] 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, 45:55–72
[27] Gomez, H., Kavzoglu, T., (2005), Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78: 11-27.
[28] Hattanji, T., & Moriwaki, H., (2009), Morphometric analysis of relic landslides using detailed landslide distribution maps: Implications for forecasting travel distance of future landslides. Journal of Geomorphology, No, 103, Pp. 447-454.
[29] Hosainezadeh. M., M. Servati., A. Mansouri., B. Mirbagheri., S. Khezri., (2009). Zoning risk of mass movements using a logistic regression model (case study: the path of the Sanandaj - Dehgolan). journal of Iran Geology 11, 27- 37.
[30] Kanungo, D., Arora, M., Sarkar, S., and Gupta, R., (2006), A Comparative Study of Conventioonal, ANN Blak Box, Fuzzy and Combined Neural and Fuzzy Weighting Proccedures for Landslide Suceptibility Zonation in Darjeeling Himalayas, engineering Geology, Vol. 85, pp. 347-366.
[31] Komac, M. (2006). A landslide suscepility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Slovenia.
[32] Lan, H.X., Zhou, C.H., Wang, L.J., Zhang, H.Y., Li, R.H. (2004). Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang Watershed, Yunnan, China. Engineering Geology, 76, 109-128.
[33] 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.
[34] Lee, S., Ryu. J. H., Kim, L. S.,( 2009), Landslide susceptibility analysis and its verification using likelihood ratio, logistic regression, and artificial neural network models: case study of Youngin, Korea, Landslide, 4:327-338.
[35] Lee, S., Ryu. J. H., Won, J.S., Park, H. J., (2004), Determination application of the weighats for landslide susceptibility mapping using an artificial neural network, Engineering Geology, 71: 289-302.
[36] Melchiorre C., Matteucci M., Azzoni A., (2008): Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology, 94: 379 –400.
[37] Pradhan, B., Lee, S., (2009), Landslide risk analysis using artificial neural networks model focusing on different training sites, International Journal of Physical Sciences, 4: 001-015.
[38] Yilmaz, I., (2010), Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey), Computers and Geosciences, 35: 1125-1138.
| ||
|
آمار تعداد مشاهده مقاله: 2,110 تعداد دریافت فایل اصل مقاله: 1,059 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب