ارزیابی شبکه عصبی مصنوعی و منطق فازی برای نگاشت حساسیت زمین‌لغزش در حوضه آبریز حبله‌رود

تعیین مناطق حساس و مستعد لغزش، زمینه‌ای برای برنامه‌‌های پایدارسازی دامنه‌ها و کاهش خسارات احتمالی فراهم می‌آورد. در حوضۀ آبریز حبله‌رود از شبکه‌های عصبی مصنوعی و منطق فازی (fl) به عنوان یکی که از روش‌های تحلیل تصمیم‌گیری چند معیاره مبتنی‌بر arcgis در ارزیابی علمی نواحی مستعد زمین‌لغزش، استفاده شده است. در این زمینه از نرم‌افزارهای matlab، idrisi وarcgis بهره گرفته شد. بعد از تهیۀ نقشه‌های حساسیت زمین‌لغزش، پهنه‌های مستعد پیش‌بینی شده توسط منطق فازی و شبکۀ عصبی مصنوعی پرسپترون چندلایه (mlpann) ، با بانک اطلاعاتی (نقشۀ پراکنش) زمین‌لغزش‌های حوضه مقایسه شدند. نتایج، بیانگر هم‌پوشانی خوب بین پهنه‌های مستعد پیش‌بینی شده توسط شبکۀ عصبی مصنوعی پرسپترون چندلایه و برداشت‌های صحرایی زمین‌لغزش می‌باشد. نهایتاً، عملکرد روش‌های مختلف در تولید نقشه‌های حساسیت زمین‌لغزش با استفاده از شاخص‌های صحت‌سنجی جمع مطلوبیت (qs) و منحنی مشخصۀ عملکرد سیستم (roc) با یکدیگر مقایسه شد تا روش مطلوب و کاربردی برای مدیریت خطر زمین لغزش حوضه تعیین شود. با تحلیل نقشه‌های پهنه‌بندی و با توجه به مقادیر جمع مطلوبیت و مقدار سطح زیر منحنی (auc) حاصله مشاهده می‌شود که مقدار qs (1.6299) و auc (0.806 خیلی خوب) حاصل از mlpann، بیشتر از مقداری است که برای نقشه‌های‌ حساسیت حاصل از عملگرهای مختلف fl محاسبه شده است.

Evaluation of artificial neural network and fuzzy logic for mapping landslide sensitivity in Hablehroud watershed area

Identifying landslideprone areas provides a basis for slopestabilization and mitigation programs. In Hablehroud watershed, artificial neural network and fuzzy logic (FL) as one of the methods of multicriteriadecision analysis based on ArcGIS were used in the scientific evaluation of landslideprone areas. For this purpose, MATLAB, IDRISI and ArcGIS software were used. After preparing landslidesusceptibility maps, the prone zones predicted by FL and multilayer perceptron artificial neural network (MLPANN) were compared with the Hablehroud landslide database (distribution map). The results indicate a good overlap between the prone zones predicted by the MLPANN and landslide field observations. Finally, the performance of different methods in generating landslidesusceptibility maps were compared to each other using the validation indicators of qualitysum index (Qs) and receiveroperatingcharacteristic curve (ROC) to specify the optimal and applicable method for the landslide risk management of the Hablehroud watershed. By analyzing the obtained zoning maps and considering the Qs and areaunder curve (AUC) values of different FL operators and MLPANN for the landslidesusceptibility maps, it is observed that the Qs (1.6299) and AUC (0.806–very good) values of the MLPANN are higher than those calculated for the sensitivity maps by different FL operators.