پهنه بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی(مطالعه موردی: حوزه سپیددشت، لرستان)

این تحقیق با هدف پهنه‌بندی خطر نسبی ناپایداری دامنه ای و وقوع زمین لغزش در حوزه سپیددشت با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا صورت گرفته است. به منظور بررسی پایداری دامنه‌ها در این حوزه ابتدا لغزش های حوزه با استفاده از تصاویر ماهواره‌ای tm و +etm، عکس های هوایی 1:50000 منطقه و بازدیدهای میدانی (سال 1393) شناسایی و ثبت گردیدند. با قطع نقشه‌های عوامل موثر بر لغزش با نقشه پراکنش زمین‌لغزش‌ها، تاثیر هر یک از عوامل شیب، جهت شیب، کاربری اراضی، ارتفاع، لیتولوژی، بارندگی، فاصله از گسل، جاده و آبراهه به ناپایداری شیب‌ها در محیط نرم‌افزار arcgis®10.1 برآورد گردید. در محیط متلب ساختار مناسب (1-13-9) برای پهنه‌بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه و الگوریتم یادگیری پس انتشار خطا نوشته شد. بر اساس نتایج پهنه بندی خطر زمین لغزش با استفاده از این مدل به ترتیب 0.18، 12.41، 14.09، 29.85 و 43.52% از مساحت منطقه در کلاس‌های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند.

Landslide hazard zonation using artificial neural network (Case study: Sepiddasht-Lorestan, Iran)

This study was carried out to determine the relative hazard zonation of the slope instabilities and landslide occurrence in Sepiddasht, Iran. The method of Artificial Neural Network with the multiplelayer percepteron structure and the back propagation learning algorithm were used. In order to study the stability of the slopes, the landslides of the region were initially identified and recorded using satellite images of TM and ETM+, aerial images of 1:50,000, and field surveys (year, 2014). The impact of each factor including slope, aspect, land use, elevation, lithology, precipitation, the distance from the fault road and drainage on the slope instabilities was estimated using the ArcGIS®10.1 software via combining the map of the factors influencing the landslide with the landslide distribution map. Then a proper structure (1139) for the landslide hazard zonation of Sepiddasht region was obtained through training the artificial neural network by MATLAB software. Based on the results of the landslide hazard zonation, 0.18, 12.41, 14.09, 29.85, and 43.52 percent of the region were located in very low, low, medium, high, and very high risk classes respectively.