پهنه بندی خطر زمین لغزش با استفاده از مدلهای شبکه عصبی مصنوعی و تاپسیس در پایین دست سد سنندج

نقشه های حساسیت وقوع زمین لغزش یکی از مهمترین ابزارهای لازم برای برنامه ریزان و تصمیم گیران محیطی به ویژه در مناطق کوهستانی است. هدف تحقیق حاضر بررسی و مقایسه ی دو مدل شبکه عصبی مصنوعی و مدل تاپسیس در پهنه بندی خطر زمین لغزش در منطقه ی پایین دست سد سنندج است. بدین منظور 9 لایه ی ورودی شیب، جهت شیب ، لیتولوژی، کاربری اراضی، بارش، هیپسومتری، فاصله از عوامل آبراهه، جاده و گسل در محیط arc gis بکار گرفته شد. نقاط لغزشی و غیرلغزشی منطقه با استفاده از تصاویر ماهوارهای مشخص گردید. در هر دو مدل از وزن یابی درونی در تعیین وزن لایه ها استفاده شد. در مدل شبکه ی عصبی داده ها با استفاده از یک شبکه ی پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند و از الگوریتم جستجوی شبکه ایی به منظور بهینه سازی شبکه ی عصبی استفاده شد. ساختار شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه ی میانی و 1 نرون در لایه ی خروجی است. در مدل تاپسیس پس از بیمقیاسسازی ماتریس تصمیم از روش آنتروپی شانون برای وزندهی به معیارها و به منظور تعیین فاصله نسبی از ایده آل مثبت و منفی، از فاصله ی اقلیدسی استفاده شد. پس از آماده سازی مدل ها و تجزیه و تحلیل های صورت گرفته، نقشه های پهنه بندی خطر زمین لغزش در 5 کلاس خطر لغزش در هر مدل تهیه شد. براساس مدل شبکه ی عصبی، حدود 31 درصد و مدل تاپسیس 30 درصد از منطقه در محدوده ی مناطق مطلوب جهت فعالیت های انسانی قرار دارد. همچنین براساس مدل شبکه ی عصبی حدود 39 درصد و مدل تاپسیس 42 % از منطقه در محدوده ی مناطق نامطلوب و بسیار نامطلوب واقع شده اند. نتیجه تحلیل خطای مدل ها با استفاده از 5 روش محاسباتی میزان خطا نشان می دهد که مدل شبکه ی عصبی پرسپترون دارای خطای کمتر و انطباق بیشتری است و با جغرافیای منطقه سازگاری بهتری دارد.

landslide hazard zoning using artificial neural network models and topsis downstream of sanandaj dam

the purpose of this study was to investigate and compare the two models of artificial neural network and topsis model in the risk of landslide in the downstream of sanandaj dam. this was done using arcgis software, python programming language, and artificial neural network models and topsis. for this purpose, 9 input layers were used in landslide risk zoning. landslide and nonslip points in the area were determined using satellite imagery. internal weighting was used to determine the weight of the layers. in the neural network model, the data were trained using a multilayer perceptron network with the adam learning algorithm. the network structure has 9 neurons in the input layer, 30 neurons in the middle layer and 1 neuron in the output layer. in the topsis model, after declassifying the decision matrix, shannon’s entropy method was used to weigh the criteria and to determine the relative distance from the euclidean distance. after preparing the models, the study area was analyzed with 970 km2 with 9 input variables that were converted to raster data into 30x30 pixels. the results of the analysis were mapped with five floors of landslide risk for each model. after applying 5 methods of calculating the error rate to validate the models, it was found that the perceptron neural network model has less error and more adaptation and is better compatible with the geography of the region.