شبیه‌سازی مناطق مستعد سیلاب با استفاده از شبکه عصبی پرسپترون و سیستم اطلاعات جغرافیایی (منطقه موردمطالعه: حوزه آبخیز زولاچای، شهرستان سلماس)

مقدمه و هدف: امروزه پدیده سیل یکی از پیچیده‌ترین رخدادهای مخاطره‌آمیز است که بیش از سایر بلایای طبیعی دیگر، همه‌ساله در نقاط مختلف دنیا منجر به ایجاد خسارت‌های جانی و مالی و تخریب اراضی کشاورزی می‌شود.مواد و روش ها: به دلیل سیل‌خیز بودن حوضه آبریز زولاچای، شهرستان سلماس بررسی و شبیه‌سازی خطر وقوع سیل در این منطقه ضروری به نظر می‌رسد. لذا در این پژوهش از تلفیق شبکه عصبی مصنوعی پرسپترون (mlp) و gis استفاده شده است. ابتدا پارامترهای تاثیرگذار در شبیه‌سازی مناطق سیلابی نظیر: لایه شیب، ارتفاع، جهت جریان، خاک و کاربری اراضی مورد بررسی قرارگرفته و این لایه‌های اطلاعاتی وارد نرم افزار arcgis5.3 شدند. لایه‌های اطلاعاتی مورد نظر با دستور fishnet مورد پردازش قرار گرفتند و هرکدام از لایه‌ها به point تبدیل شدند و این داده به همراه داده‌های تعلیمی که از گوگل ارث دریافت شده بود به شبکه عصبی معرفی شد. در شبکه عصبی پرسپترون لایه‌های ورودی شامل 5 نورون و 16 گره وارد مدل شدند. یافته ها: نتایج نشان داد، ارتفاع دارای کم‌ترین وزن (r2=0.713) و بیشترین وزن مربوط به جهت جریان (r2=0.913) در شبیه‌سازی سیلاب حوزه آبخیز زولاچای، شهرستان سلماس می‌باشد. نتیجه گیری: می‌توان بیان کرد تلفیق gis و شبکه عصبی مصنوعی می‌تواند برای مدل‌سازی و شبیه‌سازی سیلاب در محیط‌های مکانی مختلف برای جلوگیری و کاهش خطرات محیطی بسیار مفید واقع شود.

Simulation of Flood Prone Areas using Perceptron Neural Network and GIS (Study Area: Zolachai watershed, Salmas City)

Extended AbstractIntroduction and Objective: Today, the flood phenomenon is one of the most complex and dangerous events that, more than other natural disasters, leads to human and financial losses and destruction of agricultural lands in different parts of the world every year.Material and Methods: Due to the flooding of Zolachai Watershed, Salmas County, it seems necessary to study and simulate the risk of floods in this area. Therefore, in this study, a combination of artificial perceptron neural network (MLP) and GIS has been used. First, the effective parameters in simulating flood areas such as: slope layer, height, flow direction, soil and land use were examined and these information layers were entered into GIS software. The information layers were processed with the Fishnet command. And each layer became a point.This data, along with the educational data received from Google Earth, was introduced to the perceptron neural network.Results: In the perceptron neural network, the input layers including 5 neurons and 16 nodes entered the model and the results showed that the height has the lowest weight (R2=0.713) and the highest weight related to the flow direction (R2=0.913) in simulating the Zolachai Watershedflood., Is the city of Salmas.Conclusion: It can be said that the combination of GIS and artificial neural network can be very useful for modeling and simulating floods in different spatial environments to prevent and reduce environmental hazards.