مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی در ارزیابی خطر زمین‌لغزش

زمین‌لغزش یکی از مخاطرات طبیعی در مناطق کوهستانی به‌شمار می‌رود که هرساله به خسارات زیادی منجر می‌شود. حوضۀ دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوۀ زمین‌لغزش است. هدف این تحقیق مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی، به‌منظور ارزیابی خطر زمین‌لغزش در حوضۀ دوآب الشتر است. بدین منظور ابتدا پارامترهای موثر در وقوع زمین‌لغزش استخراج و سپس لایه‌های مربوط تهیه ‌شد. سپس نقشۀ پراکنش زمین‌لغزش‌های رخ‌‌دادۀ حوضه تهیه شد. در ادامه با مقایسه و بررسی نقشۀ عوامل موثر بر لغزش با نقشۀ پراکنش زمین‌لغزش‌ها، تاثیر هر یک از عوامل شیب، جهت شیب، ارتفاع، سنگ‌شناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرم‌افزار arcgis سنجیده شد. در این پژوهش به‌منظور پهنه‌بندی خطر زمین‌لغزش در حوضۀ دوآب الشتر، از مدل‌های شبکۀ عصبی مصنوعی و تحلیل سلسله‌مراتبی استفاده شد. در مدل‌ شبکۀ عصبی مصنوعی الگوریتم پس‌انتشار خطا و تابع فعال‌سازی سیگموئید به‌کار گرفته شد. ساختار نهایی شبکه دارای 8 نورون در لایۀ ورودی، 11 نورون در لایۀ پنهان و 1 نورون در لایۀ خروجی شد. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت و در نهایت با توجه به وزن خروجی، نقشۀ پهنه‌بندی زمین‌لغزش تهیه شد. در روش فرایند تحلیل سلسله‌مراتبی، پس از مقایسۀ زوجی و استخراج وزن پارامترها، با تلفیق آنها پتانسیل زمین‌لغزشی حوضه به‌دست آمد. برای ارزیابی و طبقه‌بندی نتایج خروجی مدل‌های مورد استفاده در برآورد خطر لغزش منطقه از ضریب آماری کاپا استفاده شد. نتایج به‌دست‌آمده نشان می‌دهد که مدل شبکۀ عصبی مصنوعی با ضریب کاپای 0.90روش کارامدتری نسبت به مدل تحلیل سلسله‌مراتبی در تهیۀ نقشۀ خطر لغزش‌های حوضۀ دوآب الشتر است.

Comparison of Artificial Neural Network Model With Analytical Hierarchy Process In Landslide Hazard Assessment Using Geographic Information Systems

Landslide is one of the natural hazards in mountainous regions that results in huge losses every year. Alashtar Doab watershed with mountainous terrains, uplands and different natural conditions has the potential for landslide. The purpose of this study is to compare the ANN[1] model with AHP to evaluate landslide in Alashtar Doab watershed.In order to preparing the map, first of all parameters of the landslide were extracted and then the layers were prepared and after that a landslide distribution map that was occurred in the basin was prepared and then by combining landslide influencing factors with landslide distribution map, the impact of each of these factors such as slope, aspect, elevation, lithology, rainfall, land use, distance from fault and stream in ArcGIS software were measured. In this study, in order to landslide hazard zoning in Alashtar Doab watershed, the ANN and AHP[2] were used. Back propagation algorithm and sigmoid activation function were used in ANN. The final structure of the network consisted of eight neurons in the input layer, eleven neurons in the hidden layer and one neuron in the output layer. After optimization of the network structure, all area information was imported to the network and finally, landslide hazard zoning map was prepared according to output weight. In AHP method, after paired comparisons and extracting of the weight of parameters, the potential landslide area was obtained by combining them.The kappa statistic factor was used for assessment and classification output results of model that were used to estimate of landslide hazard. The result shows that the ANN model with 0.9 kappa coefficient is more efficient