بررسی وقوع خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی (ann) در محیط gis (مطالعه موردی: حوزه آبخیز الموت‌رود)

یکی از بلایای طبیعی که با توجه به ساختار زمین شناسی، وضعیت مورفولوژیکی و زلزله خیزی، به وفور در ایران رخ می دهد و به جان و مال مردم خسارت وارد می کند، زمین لغزش است. حوزه آبخیز رودبار الموت در شرق استان قزوین، یک منطقه کوهستانی است که دارای استعداد زیاد در بروز انواع زمین لغزش ها می باشد و به علت فعال بودن آنها، هر ساله نیز شاهد سیر صعودی فراوانی وقوع زمین لغزش بوده و باعث وارد آمدن خسارت به اراضی مرتعی، زمین های زراعی و مناطق مسکونی می گردد. در این پژوهش بررسی زمین لغزش با استفاده از مدل شبکه عصبی مصنوعی (ann) انجام گردیده است. فاکتورهای خاک، زمین شناسی، شیب، جهت شیب، طبقات ارتفاعی، پارامترهای خطی شامل (فاصله از آبراهه، فاصله از گسل، فاصله از جاده)، حساسیت سنگ ها به عوامل فرساینده، بارندگی و کاربری اراضی به عنوان عوامل موثر در لغزش انتخاب و با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا، پهنه بندی خطر زمین لغزش صورت پذیرفت. نتایج نشان داد که آرایش 1-7-11 با تابع فعال سیگموئید بهترین ساختار برای بررسی پدیده زمین لغزش در منطقه مورد مطالعه می باشد. آموزش و آزمون و اعتبار سنجی مدل به ترتیب با 15، 15و 75 درصد داده ها که به صورت تصادفی انتخاب شده بودند انجام گردید. پس از بهینه شدن ساختار شبکه، اطلاعات استاندارد شده منطقه در اختیار شبکه قرارگرفت. بر اساس نتایج حاصل از پهنه بندی خطر زمین لغزش با مدل شبکه عصبی مصنوعی، به ترتیب 2.6، 10.7، 17.1، 64.3 و 5.3 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرارگرفت. شبکه با نسبت یادگیری 0.5 و تعداد 7 نورون در لایه پنهان دارای کمترین مقدار خطا در آزمایش (rmse=0.0321) بود.

Application of Artificial Neural Network in Study Phenomenon of Landslide and Risk Modeling using Geographic Information System (GIS), Case Study: Alamoot Rood Watershed

One of the natural disasters that occurs in abundance in Iran, due to the geological structure, morphological and seismic conditions, and damages the lives and property of people is a landslide. Roodbar Alamoot watershed in the east of Qazvin province is a mountainous region with a high potential for occurrence of landslides. Because of their active status, there is also a growing trend of landslide occurrence and damage to rangeland, agricultural lands and residential areas. In this research, landslide survey was conducted using Artificial Neural Network model (ANN). Soil, geology, slope, aspect, elevation classes, linear parameters including distance from the river, distance from the fault, distance from the road, sensitivity of the rocks to erosion, rainfall and land use as factors affecting landslide. Using artificial neural network model with the multiplelayer perceptron structure and back propagation learning algorithm, landslide hazard zonation was performed. The results showed that the arrangement of 1171 with active sigmoid function is the best structure for studying the phenomenon of landslide in this study area. The training, test and validation of the model were performed with 15, 15 and 75 Percentage of data that randomly selected. After optimizing the network structure, standardized information was provided to the network. Based on the results of landslide hazard zonatin with Artificial Neural Network model, respectively, 6.2, 10.7, 17.1, 64.3 and 5.3 percent of the area placed in the very low, low, moderate, high and very high risk classes. The network has 0.5 learning ratio, 7 neurons in the hidden layer and the least amount of error in the experiment (RMSe = 0.0321)