مدل‌سازی حرکات توده‌ای و مدیریت مناطق حساس به وقوع این حرکات، با استفاده از الگوریتم‌های آماری و شبکۀ عصبی (مطالعۀ موردی: حوضۀ آبریز اوجان‌چای)

حوضۀ آبریز اوجان چای با داشتن ویژگی های کوهستانی و شرایط عبیعی مختلف، دارای استعداد بالقوه در انواع حرکات ناپایدار دامنه ای است.این پژوهش با هدف مقایسه مدل شبکه عصبی مصنوعی با مدل رگرسیون لجستیک ، جهت ارزیابی خطر حرکات توده ای و ناپایداری دامنه ای و شناسایی عوامل موثر در ایجاد این پدیده در حوضه اوجان چای انجام گرفته است. هدف از نتایج به دست آمده از مدل‌های آماری، تعیین مناطق دارای پتانسیل وقوع ناپایداری و نهایتا تهیه‌ی نقشه پهنه‌‌بندی خطر برای منطقه‌ی مورد مطالعه می‌باشد.بدین جهت ابتدا پارامترهای موثر در وقوع ناپایداری دامنه ای استخراج شد و سپس لایه های مربوطه تهیه شده است. نقشه پراکنش ناپایداری های دامنه ای رخ داده شده در حوضه تهیه شد و با نقشه عوامل موثر بر حرکات و نقشه پراکنش ناپایداری‌های دامنه‌ای تلفیق شد و تاثیر هر یک از عوامل شیب، جهت شیب، ارتفاع از سطح دریا، سنگ شناسی، بارش، فاصله از گسل، کاربری اراضی، فاصله از روستا و جاده ، فاصله از شبکه ی زهکشی در محیط نرم افزار arcgis محاسبه گردید. برای ارزیابی نتایج خروجی مدل های مورد استفاده شده از ضرایب آماری roc, pseudo rsquareو chi square استفاده شد. نتایج مدل‌ها نشان داد درصد پهنه‌هایی با خطر بسیار بالا در مدل شبکه‌ی عصبی و رگرسیون لجستیک به ترتیب 10.32 و 5.06 درصد می‌باشد که عمدتا محدوده‌های را شامل می‌گردد که از لحاظ لیتولوژی این مناطق در محدوده‌هایی با میزان مقاومت پایین قرار گرفته‌اند. همچنین مدل شبکه عصبی با مقدار شاخص roc ، 0.89 مدل کارآمدتری نسبت به رگرسیون لجستیک جهت پهنه‌بندی وقوع ناپایداری های دامنه ای می‌باشد؛ براساس پهنه بندی صورت گرفته با استفاده از مدل شبکه عصبی، به ترتیب ،40.32 ،22.15 ،18.32 8/89, 10/32 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.

Mass movements Modeling and Motion Sensitive Zone Management Using Statistical Algorithms in Ojan Chay Basin

Slope instabilities are one of the major natural hazards in mountainous areas that cause significant damage to human activities each year. The purpose of this study was to compare the artificial neural network model with the logistic regression model to evaluate the risk of mass movements and amplitude instability and to identify the effective factors in this phenomenon in Ojan Chay basin. The purpose of the results of the statistical models is to determine the regions with potential of occurrence of instability and finally to prepare a hazard zoning map for the study area. And then the layers are prepared. Distribution map of slope instabilities that occurred in the basin was prepared and integrated with the map of factors affecting the movements and slope distribution map of the slope. Distance from fault, land use, distance from village and road, distance from drainage network were calculated in ArcGIS software environment. ROC, Pseudo R square and Chi Square coefficients were used to evaluate the outputs of the models used. The results showed that the percentages of high risk zones in neural network model and logistic regression were 10.32% and 5.06%, respectively, which mainly include the lithologically restricted zones of these areas. . Also the neural network model with ROC value is 0.89 more efficient than logistic regression for zoning the occurrence of domain instabilities; based on zoning using neural network model, respectively, 40.32, 22.15, 18.32, 8.89,10.32 of the area is classified as very low, low, medium, high and very high risk classes