پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکه عصبی مصنوعی در حوضه آبخیز میشخاص ایلام

هدف: زمین لغزش ها یکی از مخاطرات طبیعی هستند که جان و مال انسانها را تهدید می کنند زمین لغزش ممکن در یک منطقه ده ها، صدها و شاید هزارن هکتار از اراضی را در زمانی کوتاه تخریب نماید. این مخاطره سالهاست که در منطقه کوهستانی میشخاص استان ایلام اراضی باغ ،میوه مزارع عرصه های جنگلی و مراتع راههای ارتباطی سکونتگاه های روستایی را تخریب نموده است پهنه بندی خطر زمین لغزش جهت کنترل این مخاطره در این حوضه ضرورت دارد. هدف اصلی این تحقیق پهنه بندی مناطق خطر زمین لغزش در این حوضه آبخیز باشد. روش پژوهش یکی از روشهای نوین جهت بررسی خطر زمین لغزش روش شبکه عصبی مصنوعی میباشد. این روش نسبت به روشهای دیگر دارای مزیت هایی است توزیع آماری داده ها مستقل است و به متغیرهای آماری مخصوصی نیاز ندارد در این تحقیق ابتدا اقدام به تهیه نقشه پراکنش زمین لغزش در حوضه انتخابی گردید. سپس ارتباط بین متغیرهای مستقل مانند ،شیب سنگ شناسی فاصله از گسل کاربری ،اراضی فاصله از شبکه راهها، فاصله از آبراهه ها جهت شیب با مناطق تحت تاثیر زمین لغزش مورد بررسی قرار گرفت پس از تهیه نقشه های وزنی این لایه ها در محیط نرم افزار arcgis به اطلاعات عددی تبدیل و پس از استاندارد کردن به نرم افزار matlab وارد شده و برنامه ای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار ،خطا نوشته شد بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن نتایج مورد ارزیابی و خروجی شبکه در محیط سیستم های اطلاعات جغرافیایی تبدیل به نقشه خطر زمین لغزش شد.یافته ها نقشه خطر زمین لغزش تهیه شد و نقشه خطر حاصله به پهنه های مختلف ،خطر، طبقه بندی و مقدار زمین لغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه میشخاص ایلام سازند ،آسماری طبقه شیب 10 تا 20 درصد طبقه فاصله از گسل بیشتر از 500 متر جهت شمال شرق، فاصله از آبراهه های بیشتر از 100 متر باغات میوه حساس ترین کاربری ها و فاصله از جاده بیشتر از 200 متر حساس ترین طبقات نسبت به وقوع زمین لغزش و دارای بیشترین نسبت فراوانی وقوع زمین لغزش در حوضه می. باشند. نتیجه گیری: نتایج پهنه بندی خطر زمین لغزش در حوضه میشخاص ایلام با استفاده از روش شبکه عصبی مصنوعی به ترتیب ،11/21 ،6/55 13/63 ، 36/94 و 31/68 درصد از مساحت حوضه در کلاسهای خطر خیلی کم کم متوسط زیاد و خیلی زیاد قرار دارند حدود 80 درصد زمین لغزشها در پهنه های خطر زیاد و خیلی زیاد قرار گرفته اند.

landslide risk zoning using artificial neural network in mishkhas watershed of ilam

landslides, as one of the most dangerous natural hazards in mountainous regions, continuously threaten human infrastructure, especially roads and transportation routes. their occurrence often results in significant loss of life and property, making it crucial to study and assess landslide hazards for effective zoning. the purpose of this research is to zone the landslide hazard along the masal to gilvan road using a neural network algorithm. the neural network algorithm is recognized as one of the most effective machine learning models, capable of solving complex problems in prediction and classification despite its simplicity. for this zoning analysis, nine influencing factors were considered: (1) geology, (2) vegetation cover, (3) slope, (4) land use, (5) distance from the road, (6) slope aspect, (7) elevation, (8) distance from fault lines, and (9) distance from rivers. the data were prepared, preprocessed, and then entered into matlab 2018. a neural network model was designed and implemented with 9 input neurons, 8 hidden neurons, and 1 output neuron. the results indicated that the four most influential factors, ranked by weight, were: slope (0.24), vegetation cover (0.17), distance from fault lines (0.14), and geology (0.11). final validation using the roc curve showed that the auc values were 0.854 for the training phase and 0.971 for the testing phase, both of which reflect highly favorable results. the error rate was found to be very low.