پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,623 |
| تعداد مقالات | 71,548 |
| تعداد مشاهده مقاله | 126,910,991 |
| تعداد دریافت فایل اصل مقاله | 99,959,865 |
طراحی مسیر جادۀ جنگلی براساس نتایج مدل شبکۀ عصبی مصنوعی حساسیت به زمین‌لغزش (مطالعة موردی حوضة آبخیز کجور) | ||
| نشریه جنگل و فرآورده های چوب | ||
| مقاله 14، دوره 70، شماره 3، آبان 1396، صفحه 499-508 اصل مقاله (931.32 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfwp.2017.212553.767 | ||
| نویسندگان | ||
| رامین نقدی* 1؛ عبدالله عباسیان2؛ اسماعیل قجر3 | ||
| 1دانشیار دانشکدة منابع طبیعی، دانشگاه گیلان | ||
| 2کارشناس ارشد مهندسی جنگل، دانشکدة منابع طبیعی، دانشگاه گیلان | ||
| 3استادیار دانشکدة منابع طبیعی، دانشگاه گیلان | ||
| چکیده | ||
| هدف پژوهش حاضر مدلسازی خطر زمین‌لغزش با استفاده از شبکه‌های عصبی مصنوعی در بخشی از حوضۀ آبخیز کجور و سپس طراحی جادۀ جنگلی براساس پهنه‌بندی طبقات این خطر بود. در این تحقیق، پس از پیمایش میدانی و برداشت 95 نقطة لغزشی، شش عامل شیب، جهت، شکل دامنه، فاصله از رودخانه، فاصله از گسل و سازندهای زمین‌شناسی به‌عنوان عوامل مؤثر بر زمین‌لغزش در نظر گرفته شدند. لایه‌های رقومی هر یک از عوامل در محیط سامانة اطلاعات جغرافیایی تهیه شدند. پس از استخراج داده‌های زمین‌لغزش از محیط سیستم اطلاعات جغرافیایی و تقسیم داده‌ها، مدل‌های مختلف شبکۀ عصبی پرسپترون چندلایه از نوع پس‌انتشار پیش‌خور با به‌کارگیری ترکیبات گوناگون پارامترهای تنظیمی از جمله تعداد لایه‌های مخفی، تعداد نورون در هر لایه، توابع آستانه و الگوریتم‌های یادگیری مختلف ساخته شدند و کارایی شبکه‌های آموزش‌یافته ارزیابی شد. با بررسی پاسخ‌های به‌دست‌آمده از آزمایش تنظیمات مختلف، مقدار مجذور میانگین مربعات خطا و ضریب تبیین که نمایندۀ دقت مدل هستند، به‌ترتیب 1945/0 و 8676/0 برای بهترین شبکة آموزش‌یافته با 2 و 8 نورون در لایه‌های پنهان نخست و دوم و یک نورون در لایة خروجی به‌دست آمد. از میان واریانت‌های طراحی‌شده، واریانت 3 با کمترین عبور از طبقات با حساسیت خیلی زیاد به‌عنوان بهترین واریانت انتخاب و در طبیعت پیاده‌سازی شد.. | ||
| کلیدواژه‌ها | ||
| پایداری؛ پس‌انتشار؛ جادۀ جنگلی؛ زمین‌لغزش؛ نورون | ||
| عنوان مقاله [English] | ||
| Planning a single low risk forest road based on artificial neural network model of landslide susceptibility (case study: Kojour watershed) | ||
| نویسندگان [English] | ||
| R. Naghdi1؛ A. Abbasian2؛ I. Ghajar3 | ||
| 1Assoc. Prof., Department of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I.R. Iran | ||
| 2Department of forestry, Faculty of natural resources, University of Guilan, Sowmeh Sara, Iran | ||
| 3Assoc. Prof., Department of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I.R. Iran | ||
| چکیده [English] | ||
| This research aimed at modeling the landslide susceptibility using the Artificial Neural Networks (ANN) in Kojour watershed and then planning the forest road based on the resulted map in Aghoozchal and Moor districts in the northern Iran. After recording the coordinates of 95 occurred landslides, six factors of terrain slope, aspect, curvature, distance to river, distance to fault, and geology formation were assumed as the effective factors in landslide occurrence. The digital layers of input variables were prepared in Geographic Information System. After data extraction, various backpropagation multi-layer perceptron ANNs with various setting parameters were developed and their performances were evaluated. Results showed that the best root mean square error (RMSE) and determination coefficient (R2) as model performance criteria for the most robust model were 0.1945 and 0.8676, respectively, in which 2 and 8 neurons have been obtained in the first and second hidden layers. Among the proposed variants, the variant No. 3 was selected as the most appropriate one with the least passing from very susceptible landslide classes and it was then implemented in the field. | ||
| کلیدواژه‌ها [English] | ||
| Backpropagation, Forest road, Landslide, Neuron, Stability | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 525 تعداد دریافت فایل اصل مقاله: 369 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب