پهنه‌ بندی گذرگاه‌ های بهمن ‌خیز حوضه سیروان با تلفیق مدل تحلیل سلسله مراتبی و شبکه‌ های عصبی مصنوعی

یکی از مخاطرات تهدیدکننده مردم نواحی کوهستانی، بهمن برفی است. در این مقاله به پهنه بندی بهمن به عنوان یک مخاطره با استفاده از شبکه عصبی مصنوعی و تحلیل سلسله مراتبی اقدام شده است. روش تحلیل سلسله مراتبی برای بهبود نمونه آموزش، در سیستم اطلاعات جغرافیایی انجام شده است. این روش در حوضه آبریز سیروان در جنوب غرب استان کردستان که از پتانسیل بالایی برای این مخاطره برخودارمی باشد، اعمال شد. برای این منظور ابتدا از گذرگاه های که بهمن در آن اتفاق افتاده، بازدید میدانی به عمل آمد و مختصات آن ها برداشت گردید. مطالعات کتابخانه ای برای شناسایی معیارهای تاثیرگذار در این فرایند انجام گرفت بر اساس مطالعات، معیارهای زمینی شامل شیب، جهت شیب، ارتفاع، تحدب و تقعر، فاصله از جاده و کاربری اراضی انتخاب شدند. نقشه حاصل از روش تحلیل سلسله مراتبی طبقه بندی و از هر طبقه 20 نمونه برای آموزش شبکه عصبی بکار گرفته شد. شبکه عصبی پرسپترون برای ارزیابی این متغیرها با ساختار شش لایه ورودی، یک لایه پنهان و شش گره در هر دولایه با نرخ یادگیری 0/01 با دو تابع سیگموئید و خطی به عنوان ساختار بهینه با آزمون وخطا پذیرفته شد. بررسی این متغیرها با استفاده از شبکه عصبی نشان دهنده آن است که بیش از 86 درصد از منطقه موردمطالعه جزء مناطق باقابلیت بهمن خیزی بالا است. به منظور صحت سنجی این مدل ها از داده های مشاهده ای موجود استفاده شده که حاکی از موفقیت و کارایی هر دو تابع با اولویت اندک تابع خطی می باشد.

Zoning avalanche-prone sirvan basin with the combination of hierarchical analysis and artificial neural networks

One of the concerns of people in the mountainous areas is snow avalanche. In this article avalanche zoning as a hazard using artificial neural networks and hierarchical analysis has been acting. AHP to improve the training sample is conducted in GIS. This method applied at basin sirvan in the South West of kurdistan province that have high potential for avalanche risk,. For this purpose, First it was necessary avalanche pathways that in them avalanche was happened, Field visits were conducted and their coordinates were taken. A literature review was conducted to identify factors affecting this process. Based on studies slope, aspect, elevation, convexity and concavity, distance from roads and land use were selected. Map of hierarchical classification analysis of each class of 20 samples were used to train the neural network. Perceptron neural network to assess these variables with the six input layer, a hidden layer, six nodes per layer with learning rate 0.01 with two linear sigmoid function as the optimal structure by trial and error be accepted. Evaluation of these variables using neural networks shows that more than 86 percent of the study area is among the areas with high potential risk of avalanche. In order to validate these models from observational data available that demonstrates the success and effectiveness of both function but with low priority for linear function.